Recuerde que se

encuentra apoyo
Regresión lineal simple para todo lo que
tiene que ver con
el proceso de
Tatiana Pamela Jiménez Valderrama Regresión,
seleccione lo de su
interés para su
asignatura.

tjimenez@unisalle.edu.co
 – Para realizar el procedimiento completo de Concetración Crecimiento
regresión lineal se utilizará el siguiente ejemplo: 0 33.3
0 31.0
3 29.8
El ácido laetisárico es un compuesto que tiene 3 27.8
propiedades prometedoras en el control de las 6 28.0
Para comenzar enfermedades causadas por hongos en las plantas de 6
10
29.0
25.5
maíz. Los datos que acompañan a este ejercicio
muestran los resultados de crecimiento del hongo 10 23.8
20 18.3
Phytium ultimum en ácido laetisárico. Cada uno de
20 15.5
los valores de crecimiento es el promedio de cuatro
30 11.7
medidas rediales de una colonia de P.ultimum 30 10.0
cultivada en una placa de Petri durante 24 horas.

tjimenez@unisalle.edu.co
Ingreso de
datos y
Ingresamos datos como vectores,
construcción para este ejemplo. El gráfico de
del gráfico de dispersión lo construimos con la
instrucción plot(x,y)
dispersión.

tjimenez@unisalle.edu.co
Cálculo del
coeficiente de
correlación y
prueba de
hipótesis

Ho: r=0 Con cor(x,y) se obtiene el coeficiente de correlación

Ha: r=!0 Con cor.test(….) se realiza la prueba de hipótesis sobre r.

En su resultado se obtiene el P_Valor para la prueba, el
intervalo de confianza para r y su estimación puntual.

tjimenez@unisalle.edu.co
 Con lm(y~x) se genera el modelo de regresión
lineal y se obtiene la ecuación de ajuste

Obtención de Valor de a
la ecuación de Valor de b
ajuste y prueba
de hipótesis
sobre Con summary(lm(y~x)) se
obtienen los resultados para las
parámetros. pruebas de hipótesis sobre los
parámetros y el modelo. De
manera adicional de obtiene el
valor de R2

tjimenez@unisalle.edu.co
 Con la función predict se obtienen los valores
ajustados y sus intervalos de confianza

Pronósticos y
residuales
Con la función resid se obtienen los residuales del modelo

tjimenez@unisalle.edu.co
Validación de supuestos

tjimenez@unisalle.edu.co
Validación de
supuestos: El gráfico de probabilidad
normal lo obtenemos con las
funciones:
qqnorm(Residuales)
normalidad de qqline(Residuales)

los errores

tjimenez@unisalle.edu.co
Validación de Se muestran las pruebas de Shapiro-
supuestos. Wilks, Shapiro-Francia, Anderson-
Darling, Cramer von-Mises

Normalidad de
los errores

Para las pruebas de hipótesis, debe tener activas las librerias

moments, normtest y nortets.

tjimenez@unisalle.edu.co https://rpubs.com/MSiguenas/122473
Validación de
supuestos.

Normalidad de
los errores

Aunque se muestran en el ejemplo la mayoría de

las pruebas, recuerde seleccionar la que se ajusta al
tjimenez@unisalle.edu.co tipo de datos y condiciones que tiene.
 De manera exploratoria se puede construir un gráfico de Residuales con
Valores ajustados

Validación de
supuestos.
Homocedasticidad

Se espera no encontrar
ningún patrón de plot(predict(modelo),Residuales)
comportamiento

tjimenez@unisalle.edu.co
 Se puede mejorar la gráfica utilizando la librería ggplot2
Residuales<-resid(modelo)
Predicciones<-predict(modelo)
datos<-cbind.data.frame(Predicciones,Residuales)
ggplot(data=datos,aes(x = Predicciones, y = Residuales)) +
+ geom_point(aes(color = Residuales)) +
+ scale_color_gradient2(low = "blue3", mid = "grey", high = "red") +
+ geom_segment(aes(xend = Predicciones, yend = 0), alpha = 0.2) +
+ geom_smooth(se = FALSE, color = "firebrick") +
+ labs(title = "Distribucion de los residuos", x = "prediccion modelo",
Validación de + y = ”residuo") +
+ geom_hline(yintercept = 0) +

supuestos. + theme_bw() +
+ theme(plot.title = element_text(hjust = 0.5), legend.position = "none")

Homocedasticidad

tjimenez@unisalle.edu.co
 De manera analítica, se utiliza la prueba de Breusch-Pagan para
comprobar la homocedasticidad

Validación de
supuestos. Para la prueba es necesario
instalar y activar la librería
lmtest.

Homocedasticidad

Ho: Homocedasticos
Ha: Heterocedasticos

tjimenez@unisalle.edu.co
 A manera exploratoria se construye un gráfico con los residuales

Validación de
supuestos.
Independencia

modelo1<-lm(Crecimiento~Concetracion)
plot(resid(modelo1))

Se espera no obtener algún patrón

de comportamiento
tjimenez@unisalle.edu.co
 De manera analítica, se utiliza la prueba de Durbin-Watson
para comprobar que no exista autocorrelación entre los
errores.

Validación de
supuestos.
Independencia
Esta prueba también se encuentra en la librería lmtest.

Ho: DW=2 à No hay autocorrelación

Ha: DW=! 2 à Hay autocorrelación

tjimenez@unisalle.edu.co