Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejercicio 7.17
Ejercicio 7.17
Ejercicio 7.17
Véase el modelo cuadrático de regresión del problema 7.16. Determinar los factores de
inflación de varianza y comentar la multicolinealidad en ese modelo.
Solución:
Nro de Obs Y X1 X2 X3
1 0.222 7.3 0 0
2 0.395 8.7 0 0.3
3 0.422 8.8 0.7 1
4 0.437 8.1 4 0.2
5 0.428 9 0.5 1
6 0.467 8.7 1.5 2.8
7 0.444 9.3 2.1 1
8 0.378 7.6 5.1 3.4
9 0.494 10 0 0.3
10 0.456 8.4 3.7 4.1
11 0.452 9.3 3.6 2
12 0.112 7.7 2.8 7.1
13 0.432 9.8 4.2 2
14 0.101 7.3 2.5 6.8
15 0.232 8.5 2 6.6
16 0.306 9.5 2.5 5
17 0.0923 7.4 2.8 7.8
18 0.116 7.8 2.8 7.7
19 0.0764 7.7 3 8
20 0.439 10.3 1.7 4.2
21 0.0944 7.8 3.3 8.5
22 0.117 7.1 3.9 6.6
23 0.0726 7.7 4.3 9.5
24 0.0412 7.4 6 10.9
25 0.251 7.3 2 5.2
26 0.00002 7.6 7.8 20.7
Utilizamos el software Minitab para la obtención del modelo cuadrático de
regresión, el ANOVA, las estimaciones de los coeficientes del modelos y el VIF
(Factor de inflación de la varianza).
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
0.0609233 91.69% 87.02% 0.00%
Coeficientes
EE del
Término Coef coef. Valor T Valor p VIF
Constante -1.77 1.29 -1.37 0.188
X1 0.421 0.294 1.43 0.172 521.01
X2 0.222 0.131 1.70 0.108 401.59
X3 -0.1280 0.0702 -1.82 0.087 688.02
X1*X1 -0.0193 0.0168 -1.15 0.267 501.51
X2*X2 -0.0074 0.0120 -0.62 0.545 173.60
X3*X3 0.00082 0.00144 0.57 0.575 99.68
X1*X2 -0.0199 0.0120 -1.65 0.118 204.43
X1*X3 0.00915 0.00762 1.20 0.247 456.01
X2*X3 0.00258 0.00704 0.37 0.719 349.97
Ecuación de regresión
## Calculando el VIF
library(carData)
library(car)
vif(modelo)
Consola:
> setwd("C:/Users/Jose/Desktop/03-06-2018")
> data<-read.csv("Ejercicio 7.17.csv",sep=",",dec=".",header=TRUE)
> data
Y1 X1 X2 X3
1 0.22200 7.3 0.0 0.0
2 0.39500 8.7 0.0 0.3
3 0.42200 8.8 0.7 1.0
4 0.43700 8.1 4.0 0.2
5 0.42800 9.0 0.5 1.0
6 0.46700 8.7 1.5 2.8
7 0.44400 9.3 2.1 1.0
8 0.37800 7.6 5.1 3.4
9 0.49400 10.0 0.0 0.3
10 0.45600 8.4 3.7 4.1
11 0.45200 9.3 3.6 2.0
12 0.11200 7.7 2.8 7.1
13 0.43200 9.8 4.2 2.0
14 0.10100 7.3 2.5 6.8
15 0.23200 8.5 2.0 6.6
16 0.30600 9.5 2.5 5.0
17 0.09230 7.4 2.8 7.8
18 0.11600 7.8 2.8 7.7
19 0.07640 7.7 3.0 8.0
20 0.43900 10.3 1.7 4.2
21 0.09440 7.8 3.3 8.5
22 0.11700 7.1 3.9 6.6
23 0.07260 7.7 4.3 9.5
24 0.04120 7.4 6.0 10.9
25 0.25100 7.3 2.0 5.2
26 0.00002 7.6 7.8 20.7
> head(data)
Y1 X1 X2 X3
1 0.222 7.3 0.0 0.0
2 0.395 8.7 0.0 0.3
3 0.422 8.8 0.7 1.0
4 0.437 8.1 4.0 0.2
5 0.428 9.0 0.5 1.0
6 0.467 8.7 1.5 2.8
> ## Ajuste del modelo
> modelo<-lm( Y1~X1+X2+X3+I(X1^2)+I(X2^2)+I(X3^2)+I(X1*X2)+I(X1*X3)+I(
X2*X3), data=data)
> summary(modelo)
Call:
lm(formula = Y1 ~ X1 + X2 + X3 + I(X1^2) + I(X2^2) + I(X3^2) +
I(X1 * X2) + I(X1 * X3) + I(X2 * X3), data = data)
Residuals:
Min 1Q Median 3Q Max
-0.063213 -0.037282 -0.001113 0.016738 0.122539
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.769364 1.286976 -1.375 0.1881
X1 0.420799 0.294173 1.430 0.1718
X2 0.222453 0.130742 1.701 0.1082
X3 -0.127995 0.070245 -1.822 0.0872 .
I(X1^2) -0.019325 0.016797 -1.150 0.2668
I(X2^2) -0.007449 0.012048 -0.618 0.5451
I(X3^2) 0.000824 0.001441 0.572 0.5754
I(X1 * X2) -0.019876 0.012037 -1.651 0.1182
I(X1 * X3) 0.009151 0.007621 1.201 0.2473
I(X2 * X3) 0.002576 0.007039 0.366 0.7192
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>
> ## Calculando el VIF (FACTOR DE INFLACION DE LA VARIANZA)
> library(carData)
> library(car)
> vif(modelo)
X1 X2 X3 I(X1^2) I(X2^2) I(X3^2)
521.01297 401.58833 688.02220 501.50614 173.60055 99.67708
I(X1 * X2) I(X1 * X3) I(X2 * X3)
204.43081 456.00750 349.97018
OBSERVACIÓN:
Luego, como podemos apreciar, obtenemos los mismos resultados al determinar los
factores de inflación de varianza (VIF) usando ambos software. Los resultados son:
MINITAB R-STUDIO
Término VIF Término VIF
X1 521.01 X1 521.01297
X2 401.59 X2 401.58833
X3 688.02 X3 688.0222
X1*X1 501.51 X1^2 501.50614
X2*X2 173.6 X2^2 173.60055
X3*X3 99.68 X3^2 99.67708
X1*X2 204.43 X1*X2 204.43081
X1*X3 456.01 X1*X3 456.0075
X2*X3 349.97 X2*X3 349.97018
Los factores de inflación de la varianza son todos muy grandes, lo que indica que hay
un problema grave de multicolinealidad en el modelo de regresión.
Ecuación de regresión