Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de Ciencias
Postgrado de Modelos Aleatorios
Abril 2016
Ahora vamos a extraer el vector variable dependiente VarDep, en este caso la aproximaremos como x1
VarDep<-DW[,1]
VarDep
CHO<-chol(t(MatCoef)%*%MatCoef)
UP<-forwardsolve(t(CHO),M)
Call:
lm(formula = x1 ~ ., data = DW)
Residuals:
Min 1Q Median 3Q Max
-3.01719 -0.64275 0.02316 0.67211 3.15459
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.037659 0.043672 0.862 0.389
x2 0.066013 0.044838 1.472 0.142
x3 -0.049784 0.045124 -1.103 0.270
x4 0.069977 0.043177 1.621 0.106
x5 0.017742 0.044636 0.397 0.691
x6 0.063767 0.041140 1.550 0.122
x7 0.006493 0.042222 0.154 0.878
x8 -0.029157 0.046114 -0.632 0.528
Para probar la normalidad de los mismos se usaran dos técnicas, la primera una aproximación gráfica
mediante las funciones qqnrom / qqline y posteriormente mediante el test de shapiro
qqnorm(residuos$res, col=4)
qqline(residuos$res,col=4)
shapiro.test(YHAT)
data: YHAT
W = 0.99682, p-value = 0.4355
A continuación se introducirá una variable nueva x9 pero que sea una combinación lineal de x3 y x4,
dentro de la matriz de coeficientes.
x9 <-5*x3+.2*x4
DWW<-data.frame(DW,x9)
Se evalúa la relación entre la nueva variable x9 y x3, para lo cual se usa la funcion cor y plot de R
cor(x3,x9)
[1] 0.9991351
plot(x3,x9)
cor(x4,x9)
[1] 0.04749118
plot(x4,x9)
REG2<-lm(x1~.,data=DWW)
summary(REG2)
Residuals:
Min 1Q Median 3Q Max
-3.01719 -0.64275 0.02316 0.67211 3.15459