Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CLIMÁTICO”
DE SAN MARCOS
(UNIVERSIDAD DEL PERÚ, DECANA DE AMÉRICA)
E.A.P. ADMINISTRACION
ALUMNO:
CICLO: IV
TURNO: TARDE
AÑO: 2014
1
DEDICATORIA
más humano.
2
INDICE
Introducción…………………………………………………………………………...............................4
1.- ¿Cuáles son las condiciones que requiere para construir un modelo de regresión lineal
múltiple?.........................................................................................................................................5
2.- Construir un modelo de regresión múltiple que debemos considerar para efectos de realizar el
promedio…………………………………………………………………………………………………….7
5.- Ejercicios utilizados en el laboratorio ¿Cuáles serían un modelo de regresión múltiples y cuales
una de regresión lineal simple?………………………………………………………………………… 10
Conclusiones y Recomndaciones………...................................................................................... 39
Referencias Bibliográficas…………………………………………………………………………………40
3
INTRODUCCIÓN
4
1.- ¿Cuáles son las condiciones que se requiere para construir un modelo de
regresión múltiple?
Coeficientesa
5
Coeficie
ntes
Coeficientes no estandar Estadísticas de
estandarizados izados colinealidad
Error Toleran
Modelo B estándar Beta t Sig. cia VIF
1 (Constante) 17,865 1,935 9,232 ,000
Gravedad
,861 1,087 ,190 ,792 ,454 ,965 1,037
Específica
Contenido de -
-,654 ,197 -,795 ,013 ,965 1,037
Humedad 3,313
a. Variable dependiente: Fuerza Y
Gracias a la ayuda del SPSS podemos construir nuestro modelo, que es el siguiente:
Para tales pruebas, elaboramos nuestra Tabla con los valores de beta, sus valores,
Las “T” calculadas, el nivel de confianza, etc.
Prueba de βi:
H0: Bi = 0
N: 10
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
Total 5,310 9
CONCEPTO FC F0 αC α0 H0
F 4,74 5,504 5% 3,7% RECHAZAMOS
7
Dado que rechazamos H0, aceptamos como confiable a nuestro modelo, por
consiguiente, podemos realizar el pronóstico.
8
El principal inconveniente de la multicolinealidad consiste en que se incrementan la varianza de los
coeficientes de regresión estimados hasta el punto que resulta prácticamente imposible establecer
su significación estadística, ya que como se sabe, el valor de t para un determinado coeficiente de
regresión es el valor de dicho coeficiente dividido por su desviación típica. Si este es grande, el
valor de t será bajo y no llegara a la significación.
El SPSS adopta varios procedimientos para detectar multicolinealidad entre los predictores. El
primero de ellos, basado en la correlación múltiple de un determinado regresor con los restantes se
denomina Tolerancia de dicho regresor. Su valor es:
1−R i2
Siendo Ri2 la correlación múltiple al cuadrado de dicho regresor con los restantes.
Para que haya multicolinealidad dicha correlación ha de ser alta, o lo que es lo mismo la tolerancia
baja. Además otro índice relacionado con éste y que nos da una idea del grado de aumento de la
varianza se denomina Factor de Inflación de la Varianza, y es precisamente el recíproco de la
tolerancia. Su valor es:
1
VIF i=
1−Ri2
Para que no haya multicolinealidad el denominador tiene que valer cerca de la unidad, por tanto un
poco más de 1 el valor de VIF. Cuanto mayor sea de este valor mayor multicolinealidad habrá.
Y utilizando Durwin - Watson, podemos notar si existe multicolinealidad entre las variables o no.
Durwin - Watson nos dice que existe relación entre las variables independientes hasta el
número 2.50, en nuestro caso y en este ejercicio, nos da un valor igual a 2.550, por
consiguiente no hay relación entre las variables independientes en el corto plazo, viéndose
EJERCICIO 1:
9
Y1: Valor de tasación del edifico e oficinas.
Coeficientesa
10
Coeficiente
s
Coeficientes no estandariza Estadísticas de
estandarizados dos colinealidad
Error
Modelo B estándar Beta t Sig. Tolerancia VIF
1 (Constante) 1244846,8 654115,97
1,903 ,106
49 7
SUPERFICIE
METROS EN -509,373 290,281 -,690 -1,755 ,130 ,603 1,657
CUADRADOS
OFICINAS EN
30683,892 25981,058 ,381 1,181 ,282 ,899 1,112
UNIDADES
ACCESO EN
26437,452 33730,064 ,315 ,784 ,463 ,578 1,731
UNIDADES
ANTIGÜEDAD EN
328,506 846,196 ,123 ,388 ,711 ,927 1,078
AÑOS
a. Variable dependiente: VALOR EN UNIDADES MONETARIAS
VIF: Es aceptable, podemos decir que no hay problemas de multicolinealidad en el corto plazo.
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes.
EJERCICIO 2:
11
X1: Mes
Coeficientesa
12
Coeficiente
s
Coeficientes no estandariza Estadísticas de
estandarizados dos colinealidad
Error
Modelo B estándar Beta t Sig. Tolerancia VIF
1 (Constante) 68,130 13,417 5,078 ,001
Mes -4,183 ,965 -,674 -4,337 ,003 ,374 2,675
Inversión en
propaganda ( en 3,597 1,631 ,343 2,205 ,063 ,374 2,675
millones de $)
a. Variable dependiente: Ventas con respecto al mes anterior (%)
VIF: 2,675 es aceptable, podemos decir que no hay problemas de multicolinealidad en el corto
plazo.
Ventas con respecto al mes anterior (Y) = 68.130 – 4,183 (Mes)+ 3,597(Inversión en
propaganda)
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes.
Ejercicio 3:
13
Y1: Remuneración por hora (en dólares).
Y= f(x1, x2)
Coeficientesa
14
Coeficient
es
Coeficientes no estandariz Estadísticas de
estandarizados ados colinealidad
Error Toleranci
Modelo B estándar Beta t Sig. a FIV
1 (Constante) 1,800 ,135 13,332 ,000
Tasa de
,031 ,022 ,118 1,409 ,189 ,984 1,016
desempleo (en %)
Tiempo (en años) ,109 ,009 ,972 11,574 ,000 ,984 1,016
a. Variable dependiente: Remuneración por hora (en dólares)
VIF: 1,016 es aceptable, podemos decir que no hay problemas de multicolinealidad en el corto
plazo.
Remuneración por hora (Y) = 1,800 + 0,031 (Tasa de empleo) + 0,109 (Tiempo)
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes.
Ejercicio 4:
15
Resumen del modelob
Error estándar
R cuadrado de la
Modelo R R cuadrado ajustado estimación Durbin-Watson
1 ,965a ,932 ,658 ,6980 1,233
a. Predictores: (Constante), Precio por Acción, Variación Mensual de IPC, Variación
en precio otras empresas, % de oferta sobre la demanda
b. Variable dependiente: Utilidad total mensual de la empresa
Coeficientesa
Coeficient
es
Coeficientes no estandariz Estadísticas de
estandarizados ados colinealidad
Error Toleranci
Modelo B estándar Beta t Sig. a VIF
1 (Constante) 3,358 3,397 ,989 ,504
% de oferta sobre
-,432 ,431 -1,241 -1,001 ,500 ,045 22,434
la demanda
Variación
,685 1,633 ,157 ,419 ,747 ,489 2,044
Mensual de IPC
Variación en
precio otras -,247 ,657 -,429 -,376 ,771 ,052 19,056
empresas
Precio por Acción ,001 ,014 ,079 ,072 ,954 ,057 17,453
a. Variable dependiente: Utilidad total mensual de la empresa
Notamos que hay VIF> 10, por lo tanto, hay un claro problema de multicolinealidad, pero el VIF de
“Variación Mensual de IPC” es 2,044 por lo tanto podemos aceptarlo.
Por lo tanto, solo debemos someter a prueba a las otras 3 variables independientes.
16
Correlaciones Parciales
Correlaciones
Utilidad total % de oferta
mensual de sobre la Precio por
Variables de control la empresa demanda Acción
Variación en precio Utilidad total mensual Correlación 1,000 -,700 ,519
otras empresas de la empresa Significación (2
. ,188 ,370
colas)
gl 0 3 3
% de oferta sobre la Correlación -,700 1,000 -,360
demanda Significación (2
,188 . ,552
colas)
gl 3 0 3
Precio por Acción Correlación ,519 -,360 1,000
Significación (2
,370 ,552 .
colas)
gl 3 3 0
Correlación Parcial Utilidad Y Valor por acción X4 Variación Precios X2 y Ofertas sobre la
demanda X1
17
Correlaciones
Utilidad total Variación en
mensual de precio otras Precio por
Variables de control la empresa empresas Acción
% de oferta sobre la Utilidad total mensual Correlación 1,000 -,236 ,294
demanda de la empresa Significación (2
. ,702 ,631
colas)
gl 0 3 3
Variación en precio Correlación -,236 1,000 ,317
otras empresas Significación (2
,702 . ,603
colas)
gl 3 0 3
Precio por Acción Correlación ,294 ,317 1,000
Significación (2
,631 ,603 .
colas)
gl 3 3 0
Notamos que existe correlación negativa entre la variable utilidad y ofertas :-0,236, por lo tanto,
eliminamos esta variable y nos quedamos con las otras 3 variables independientes , quedándonos
como modelo , una ecuación con 3 variables independientes , es decir , es un modelo de regresión
múltiple.
EJERCICIO 5:
18
Y1: Consumo diario de petróleo.
Coeficientesa
19
Coeficient
es
Coeficientes no estandariz Estadísticas de
estandarizados ados colinealidad
Error Toleranci
Modelo B estándar Beta t Sig. a VIF
1 (Constante) -18,426 59,451 -,310 ,769
Número de horas-
7,424 2,976 ,348 2,495 ,055 ,007 134,042
maquinas
Distancia de
,331 ,071 ,652 4,646 ,006 ,007 135,619
transportes
Rendimiento
-3,629 23,932 -,002 -,152 ,885 ,702 1,425
promedio motores
a. Variable dependiente: Consumo diario de petroleo
Notamos que hay VIF> 10, por lo tanto, hay un claro problema de multicolinealidad, pero el VIF de
“Rendimiento promedio de motores” es 1,425 por lo tanto podemos aceptarlo.
Por lo tanto, solo debemos someter a prueba a las otras 3 variables independientes.
Correlaciones Parciales
Correlaciones
Consumo
diario de Distancia de
Variables de control petróleo transportes
Número de horas- Consumo diario de Correlación 1,000 ,903
maquinas petróleo Significación (2 colas) . ,002
gl 0 6
Distancia de transportes Correlación ,903 1,000
Significación (2 colas) ,002 .
gl 6 0
20
Correlaciones
Consumo Número de
diario de horas-
Variables de control petroleo maquinas
Distancia de transportes Consumo diario de Correlación 1,000 ,743
petróleo Significación (2 colas) . ,035
gl 0 6
Número de horas- Correlación ,743 1,000
maquinas Significación (2 colas) ,035 .
gl 6 0
Notamos que existe correlación positiva entre las variables independientes, por lo tanto, nos
quedándonos como modelo de una ecuación con 3 variables independientes, es decir, es un
modelo de regresión múltiple.
EJERCICIO 6:
21
Error estándar
R cuadrado de la
Modelo R R cuadrado ajustado estimación Durbin-Watson
1 ,813a ,661 -,017 8,0051 1,972
a. Predictores: (Constante), el reajuste anual promedio de la competencia, la
variacion acumulada anual del IPC (en %), El paso del tiempo (en años), La utilidad
anual de la empresa (en millones)
b. Variable dependiente: Comportamiento favorable
Coeficientesa
Coeficiente
s
Coeficientes no estandariza Estadísticas de
estandarizados dos colinealidad
Error
Modelo B estándar Beta t Sig. Tolerancia VIF
1 (Constante) -15,039 47,530 -,316 ,782
El paso del tiempo
2,236 2,943 ,608 ,760 ,527 ,264 3,784
(en años)
La utilidad anual de
la empresa (en -,519 ,759 -,620 -,683 ,565 ,206 4,852
millones)
la variación
acumulada anual del ,466 1,684 ,252 ,277 ,808 ,204 4,891
IPC (en %)
el reajuste anual
promedio de la 1,040 1,301 ,676 ,799 ,508 ,237 4,220
competencia
a. Variable dependiente: Comportamiento favorable
VIF: Es aceptable, podemos decir que no hay problemas de multicolinealidad en el corto plazo.
22
Tenemos como Ecuación de nuestro Modelo:
(Y) =-15,039 – 2,236 (x1) – 0,519 (x2) + 0,466 (x3) + 1,040 (x4)
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes.
EJERCICIO 7:
Coeficientesa
23
Coeficient
es
Coeficientes no estandariz Estadísticas de
estandarizados ados colinealidad
Error Toleranci
Modelo B estándar Beta t Sig. a VIF
1 (Constante) -,160 ,090 -1,775 ,101
Ingresos
,149 ,010 1,044 14,915 ,000 ,857 1,166
mensuales
Número de
miembros de la ,077 ,020 ,268 3,825 ,002 ,857 1,166
familia
a. Variable dependiente: Gastos en alimentación de una familia
VIF: 1,166 es aceptable, podemos decir que no hay problemas de multicolinealidad en el corto
plazo.
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes
EJERCICIO 8:
24
Y1: Temperatura (en °F)
X1: Latitud
25
Coeficientesa
Coeficientes
Coeficientes no estandariza Estadísticas de
estandarizados dos colinealidad
Error
Modelo B estándar Beta t Sig. Tolerancia VIF
1 (Constante) 72,467 157,229 ,461 ,664
Latitud -1,679 1,040 -,528 -1,615 ,167 ,315 3,179
Altitud en
-,003 ,004 -,580 -,813 ,453 ,066 15,119
pies
Longitud ,328 1,390 ,138 ,236 ,823 ,098 10,183
a. Variable dependiente: Temperatura en °F
Notamos que hay VIF> 10, por lo tanto, hay un claro problema de multicolinealidad, pero el VIF de
“Latitud” es 3,179 por lo tanto podemos aceptarlo.
Por lo tanto, solo debemos someter a prueba a las otras 2 variables independientes.
CORRELACIONES PARCIALES
Correlaciones
Temperatura
Variables de control en °F Longitud
Altitud en pies Temperatura en °F Correlación 1,000 ,553
Significación (2 colas) . ,155
gl 0 6
Longitud Correlación ,553 1,000
Significación (2 colas) ,155 .
gl 6 0
Correlaciones
26
Temperatura
Variables de control en °F Altitud en pies
Longitud Temperatura en °F Correlación 1,000 -,786
Significación (2 colas) . ,021
gl 0 6
Altitud en pies Correlación -,786 1,000
Significación (2 colas) ,021 .
gl 6 0
Notamos que existe correlación negativa entre la variable temperatura y altitud de pies :-0,786, por
lo tanto, eliminamos esta variable y nos quedamos con las otras 1 variable independiente ,
quedándonos como modelo , una ecuación con 2 variables independientes , es decir , es un
modelo de regresión múltiple.
EJERCICIO 9:
Ahora pasaremos a analizar estos modelos gracias al SPSS, a continuación mostramos los
resultados:
27
Modelo R R cuadrado R cuadrado Error típ. de la Durbin-Watson
corregida estimación
1 ,921a ,848 ,798 8,172 2,109
a. Variables predictoras: (Constante), zinc, potasio
b. Variable dependiente: tasa de respiración
Coeficientesa
Modelo Coeficientes no Coeficie t Sig. Correlaciones Estadísticos de
estandarizados ntes colinealidad
tipificado
s
B Error típ. Beta Orden Parcial Semi Tolerancia FIV
cero parcial
(Constante 101,08 18,866 5,358 ,002
) 8
-,040 ,034 -,373 - ,283 ,686 -,433 -,187 ,252 3,970
1potasio
1,178
-,004 ,001 -1,225 - ,008 -,902 -,845 -,615 ,252 3,970
zinc
3,867
VIF: 3,970 es aceptable, podemos decir que no hay problemas de multicolinealidad en el corto
plazo.
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes.
Ejercicio 10:
28
Y1: Duración de vida de ciertos circuitos electrónicos.
29
Coeficientesa
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes.
EJERCICIO 11:
Y1: Fuerza.
30
Error
R cuadrado estándar de la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,782a ,611 ,500 ,54304 2,550
a. Predictores: (Constante), Contenido de Humedad , Gravedad Específica
b. Variable dependiente: Fuerza Y
Coeficientesa
Coeficient
es
Coeficientes no estandariz Estadísticas de
estandarizados ados colinealidad
Error Toleranci
Modelo B estándar Beta t Sig. a VIF
1 (Constante) 17,865 1,935 9,232 ,000
Gravedad
,861 1,087 ,190 ,792 ,454 ,965 1,037
Específica
Contenido de
-,654 ,197 -,795 -3,313 ,013 ,965 1,037
Humedad
a. Variable dependiente: Fuerza Y
EJERCICIO 12:
31
Y1: Consumo.
Coeficientesa
32
Coeficient
es
Coeficientes no estandariz Estadísticas de
estandarizados ados colinealidad
Error Toleranci
Modelo B estándar Beta t Sig. a VIF
1 (Constante) 367,506 669,280 ,549 ,607
Número de
automóviles por 7,840 10,362 ,451 ,757 ,483 ,478 2,091
mil habitantes.
Número de
teléfonos por mil -5,786 6,161 -,559 -,939 ,391 ,478 2,091
habitantes.
a. Variable dependiente: Consumo
33
Resumen del modelob
Error
R cuadrado estándar de Durbin-
Modelo R R cuadrado ajustado la estimación Watson
1 ,871a ,758 ,732 47,528 ,771
a. Predictores: (Constante), Precio unitario (en unidades de diez mil pesetas)
b. Variable dependiente: Demanda
Coeficientesa
Coeficient
es
Coeficientes no estandariz Estadísticas de
estandarizados ados colinealidad
Error Toleranci
Modelo B estándar Beta t Sig. a VIF
1 (Constante) 497,156 60,852 8,170 ,000
Precio unitario (en
unidades de diez -24,419 4,594 -,871 -5,315 ,000 1,000 1,000
mil pesetas)
a. Variable dependiente: Demanda
34
Ejercicio 1 Ejercicio 2
Ejercicio 3 Ejercicio 4
35
Ejercicio 5 Ejercicio 6
Ejercicio 7
Ejercicio 8
Ejercicio 9 Ejercicio 10
36
Ejercicio 11 Ejercicio 12
Ejercicio 13:
37
7.- ¿Cuáles son sus comentarios de los ejercicios?
Como podemos notar que la mayoría de los ejercicios resueltos, así como también su
respectivo Modelo de regresión múltiple, pueden ser de tipo múltiple, pues puede existir
cierta multicolinealidad o autocorrelación entre las variables independientes, lo que
determina que ciertas de estas, puedan ser eliminadas las variables independientes y no
ser consideradas en la ecuación del modelo, convirtiéndola en algunos casos, en un
modelo de regresión simple.
Las gráficas ayudan mucho a verificar que cierta relación existe entre las variables
independientes, si el gráfico es de tipo lineal, pues podemos determinar que existe
relación entre las variables independientes observadas, por lo que debemos someterlas a
una prueba de multicolinealidad, y la que tenga menor correlación con la variable
dependiente, será eliminada y así podemos trabajar con las variables independientes que
presente mayor correlación con la variable dependiente para determinar el nuevo modelo
de regresión múltiple.
CONCLUSIONES
38
La prueba de hipótesis es un procedimiento que se basa en la evidencia muestral y
la teoría de probabilidad; y se emplea para determinar si la hipótesis es una
afirmación razonable.
En la regresión lineal múltiple vamos a utilizar más de una variable explicativa; esto
nos va a ofrecer la ventaja de utilizar más información en la construcción del
modelo y, consecuentemente, realizar estimaciones más precisas
La variable dependiente se ve afectada por los cambios que se hace a las variables
independientes en forma conjunta.
RECOMENDACIONES
Comprensión por parte del analista de las interrelaciones entre las variables que
intervienen en el análisis.
39
REFERENCIAS BIBLIOGRAFICAS:
40