Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En la siguiente tabla se presentan los datos sobre la captura de una variedad de pez
conocida como “boquerón peruano” en millones de toneladas métricas, y los precios de
harina de pescado en dólares por tonelada para los años de 1965 – 1978.
3. De acuerdo a los gráficos de residuales vs. predichos, vs. X, vs. Y y vs. el tiempo
para cada modelo. ¿Qué se puede concluir a partir de estos?
1
Tema: Regresión Lineal Simple Profesor: Romario Conto Semestre: 2019-1
7. Determine qué modelo es mejor para explicar la variabilidad del precio de la harina
de pescado considerando como predictora la variable captura del boquerón.
Salidas R:
Salida 1 Salida 2
Diagrama de Dispersión
> cor(matriz)
[,1] [,2]
500
> cov(matriz)
Precio
[,1] [,2]
300
2 4 6 8 10 12
Captura
SALIDAS MODELO 1
Salida 3
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 452.119 36.824 12.278 3.75e-08
x -29.402 5.091 -5.775 8.81e-05
Salida 4
Response: y
Df Sum Sq Mean Sq F value Pr(>F)
x 1 171414 171414 33.356 8.805e-05
Residuals 12 61668 5139
Salida 5 Salida 6
100
100
50
50
Residuales
Residuales
0
0
-50
-50
-100
-100
2 4 6 8 10 12
100 150 200 250 300 350 400 450
^ Captura
y
2
Tema: Regresión Lineal Simple Profesor: Romario Conto Semestre: 2019-1
Salida 7 Salida 8
Residuales vs. y (Precio) Residuales vs. tiempo
150
150
100
100
50
50
Residuales
r
0
0
-50
-50
-100
-100
200 300 400 500 2 4 6 8 10 12 14
Captura t
Salida 9 Salida 10
Normal Q-Q Plot
data: residuals(modelo)
Residuales estandarizados
data: residuals(modelo)
-1
Theoretical Quantiles
Salida 11 Salida 12
Salida 13
0.4
0.2
0.5
Partial ACF
ACF
0.0
0.0
-0.2
-0.4
-0.5
0 2 4 6 8 10 2 4 6 8 10
Lag Lag
3
Tema: Regresión Lineal Simple Profesor: Romario Conto Semestre: 2019-1
Salida 14 Salida 15
dfb.1 dfb.x dffit cov.r cook.d
1 -0.05512 -0.0548 -0.2034 1.181 0.02159
2 0.00226 -0.1040 -0.1962 1.241 0.02035
3 0.03761 -0.1188 -0.1709 1.337 0.01566
4 0.03700 -0.0988 -0.1344 1.384 0.00977
5 0.00746 -0.0496 -0.0835 1.324 0.00378
6 -0.50446 0.9471 1.1133 0.917 0.51099
7 -0.02985 0.0792 0.1075 1.395 0.00627
8 -0.31267 0.1573 -0.3771 1.008 0.06825
9 1.19181 -0.9173 1.2074 0.525 0.48134
10 0.15196 -0.0867 0.1731 1.250 0.01593
11 -0.58924 0.3840 -0.6322 0.813 0.16970
12 0.19091 -0.1006 0.2255 1.192 0.02648
13 0.20297 -0.1666 0.2034 1.480 0.02226
14 -0.23292 0.1943 -0.2331 1.505 0.02916
SALIDAS MODELO 2
Salida 16
Salida 17
Diagrama de Dispersión Diagrama de Dispersión
6.2
500
6.0
400
5.8
log Precio
Precio
5.6
300
5.4
5.2
200
5.0
2 4 6 8 10 12 2 4 6 8 10 12
Captura Captura
Salida 18
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.15760 0.12142 50.711 2.27e-15
x -0.10780 0.01679 -6.421 3.30e-05
Response: ly
Df Sum Sq Mean Sq F value Pr(>F)
x 1 2.30409 2.30409 41.234 3.296e-05
Residuals 12 0.67053 0.05588
4
Tema: Regresión Lineal Simple Profesor: Romario Conto Semestre: 2019-1
Salida 20 Salida 21
Residuales vs. predichos Residuales vs. x (Captura)
0.4
0.4
0.2
0.2
Residuales
Residuales
0.0
0.0
-0.2
-0.2
2 4 6 8 10 12
4.8 5.0 5.2 5.4 5.6 5.8 6.0
^ Captura
y
Salida 22 Salida 23
Residuales vs. log y (log Precio) Residuales vs. tiempo
0.4
0.4
0.2
0.2
Residuales
r2
0.0
0.0
-0.2
-0.2
Captura t
Salida 24 Salida 25
Normal Q-Q Plot
2.0
data: residuals(modelo2)
1.0
data: residuals(modelo2)
-1.0
Theoretical Quantiles
Salida 26 Salida 27
data: r2 data: ly ~ x
X-squared = 10.27, df = 10, p-value =0.4169 BP = 0.6177, df = 1, p-value = 0.4319
5
Tema: Regresión Lineal Simple Profesor: Romario Conto Semestre: 2019-1
Salida 28
ACF modelo 2 PACF Modelo 2
1.0
0.4
0.2
0.5
Partial ACF
ACF
0.0
0.0
-0.2
-0.4
-0.5
0 2 4 6 8 10 2 4 6 8 10
Lag Lag
Salida 29 Salida 30
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 516.425 50.157 10.296 5.52e-07
x -63.179 19.916 -3.172 0.00888
I(x^2) 2.759 1.581 1.745 0.10874
Salida 32
Response: y
Df Sum Sq Mean Sq F value Pr(>F)
x 1 171414 171414 39.0445 6.273e-05
I(x^2) 1 13375 13375 3.0466 0.1087
Residuals 11 48292 4390
6
Tema: Regresión Lineal Simple Profesor: Romario Conto Semestre: 2019-1
Salida 33 Salida 34
Residuales vs. predichos Residuales vs. x (Captura)
100
100
50
50
Residuales
Residuales
0
0
-50
-50
-100
-100
150 200 250 300 350 400 450 2 4 6 8 10 12
^
y Captura
Salida 35 Salida 36
Residuales vs. y (log Precio) Residuales vs. tiempo
100
100
50
50
Residuales
r3
0
0
-50
-50
-100
-100
200 300 400 500 2 4 6 8 10 12 14
Captura t
Salida 37 Salida 38
Normal Q-Q Plot
Shapiro-Wilk normality test
2
data: residuals(modelo3)
W = 0.9588, p-value = 0.7036
Residuales estandarizados
data: residuals(modelo3)
-1
Theoretical Quantiles
Salida 39 Salida 40
7
Tema: Regresión Lineal Simple Profesor: Romario Conto Semestre: 2019-1
Salida 41 Salida 42
300
200
Modelo RLS
Modelo log(y )
Modelo Pol.orden 2
2 4 6 8 10 12
Captura