Informe Regresion Multiple Laboratorio

“AÑO DE LA PROMOCIÓN DE LA INDUSTRIA RESPONSABLE Y DEL COMPROMISO
CLIMÁTICO”
UNIVERSIDAD NACIONAL MAYOR
DE SAN MARCOS
(UNIVERSIDAD DEL PERÚ, DECANA DE AMÉRICA)
FACULTAD DE CIENCIAS ADMINISTRATIVAS
E.A.P. ADMINISTRACION
 TEMA: INFORME DE LABORATORIO REGRESIÓN LINEAL MULTIPLE
 ASIGNATURA: ESTADISTICA APLICADA.
 DOCENTE: VICENTE ARMAS, EDGAR.
 ALUMNO:
 ANDRADE NATO, HUDSON ALAIN.
 CICLO: IV
 TURNO: TARDE
 AÑO: 2014
1
DEDICATORIA
A nuestras alegrías y penas, fortalezas y
debilidades, armonía y angustias, pasiones
y miedos, inspiración y desesperación, porque
Son estas las que reflejan nuestro lado
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
3.- ¿En qué consiste un problema de auto correlación? ………………………………………………8
4.- ¿En qué consiste un problema de multicolinealidad?...............................................................9
5.- Ejercicios utilizados en el laboratorio ¿Cuáles serían un modelo de regresión múltiples y cuales
una de regresión lineal simple?………………………………………………………………………… 10
6.-Gráficos el diagrama de la regresión múltiples válidos………………………………………………35
7.- ¿Cuáles son sus comentarios de los ejercicios?……………………………………………………38
Conclusiones y Recomndaciones………...................................................................................... 39
Referencias Bibliográficas…………………………………………………………………………………40
3
INTRODUCCIÓN
En la actualidad, se sabe que la interpretación de las decisiones gerenciales bajo

incertidumbre y, en general, de las distintas ciencias, dependen en gran parte de
los métodos estadísticos. En muchas situaciones se requiere información acerca
de grupos grandes de elementos; pero, debido al tiempo, costo y a otras
consideraciones, solo es posible recolectar los datos de una pequeña parte de
este grupo, aplicando así la técnica del muestreo.
Los gerentes y profesionales, en general, necesitan justificar sus decisiones

basándose en la información proporcionada por los resultados. La estadística
ayuda a tomar decisiones económicas, por ejemplo, bajo incertidumbre, a predecir
con eficacia pautas de comportamiento de las variables, e incluso nos ayuda a
crear modelos sobre los que basar dichas decisiones.
En definitiva, se trata de utilizar la estadística como una herramienta

diferenciadora respecto de la competencia para poder generar una ventaja
competitiva mediante la toma de decisiones estratégicas.
En el presente informe de laboratorio procederá a la resolución de problemas que

ejemplifican casos con los cuales los gerentes se encuentran de manera cotidiana,
haciendo uso de análisis de regresión lineal múltiple, mediante en el cuál
obtendremos los resultados en datos que servirán para poder crear pronósticos los
cuales nos ayuden a tener una efectiva toma de decisiones.
4
1.- ¿Cuáles son las condiciones que se requiere para construir un modelo de
regresión múltiple?
Debemos de identificar a la variable Endógena y luego a las variables Exógenas, las

variables endógenas, son aquellas que dependen de otras variables o mejor dicho, es
explicada por otras, sin las variables independientes “X” no habría razón de “Y”.
Una vez identificada la variable independiente y las variables independientes,

debemos asegurarnos de que no haya problemas de multicolinealidad, es decir, no
debe haber dependencia entre las variables independientes.
Luego podemos construir el modelo de regresión múltiple, identificando los

coeficientes de cada variable, para esto nos apoyamos en el SPSS, la cual nos arroja
estos coeficientes.
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:
FUERZA (Y) = 17,8655 + 0,861(Gravedad Específica X 1) – 0,654(Contenido de

Humedad X2)
Interpretación: Ante el incrementa en una unidad de la gravedad específica, la

Fuerza incrementa en 17,865 unidades, mientras todas las demás variables
permanecen constantes, igual con las demás variables.
2.- Construido el modelo de regresión múltiple, ¿qué debemos considerar para

hacer el pronóstico?
6
Una vez construido nuestro modelo, debemos de realizar las pruebas de hipótesis de
la prueba de Beta (1) y de la prueba de la confiabilidad del modelo.
Para tales pruebas, elaboramos nuestra Tabla con los valores de beta, sus valores,
Las “T” calculadas, el nivel de confianza, etc.
β VALOR Tc(n-k) k=3 T0 αc α0 H0

Β1 0,861 ±2.365 0,792 5% 45,5% Acepta
Β2 -0,654 ±2.365 -3,313 5% 1,3% Rechaza
Prueba de βi:
H0: Bi = 0
H1: B1 ≠ 0, por lo menos 1.
N: 10
Rechazamos H0 y aceptamos H1 por lo tanto existe el modelo lineal múltiple entre

fuerza y gravedad, humedad.
Realizada la prueba de β i, realizamos la prueba de la confiabilidad de nuestro modelo,

nos apoyamos de la tabla ANOVA.
Prueba de Confiabilidad del modelo:
H0: El modelo no es confiable
H1: El modelo es confiable.
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 3,246 2 1,623 5,504 ,037b
Residuo 2,064 7 ,295
Total 5,310 9

b. Predictores: (Constante), Contenido de Humedad , Gravedad Específica
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.
3.- ¿En qué consiste un problema de auto correlación?
El problema de autocorrelación consiste en la relación que puede existir entre las

variables independientes de nuestro modelo a largo plazo, para ello tenemos que
realizar distintas pruebas, y si existe una correlación entre las variables
independientes, tenemos que evaluar cual guarda mayor relación con nuestra variable
dependiente, para considerarla en el modelo y eliminando la que tenga menor relación
con la variable dependiente.
Con la presencia de autocorrelación los estimadores obtenidos con mínimos cuadrados

ordinarios dejan de ser MELI, en el sentido que dejan de ser aquellos con varianza
mínima, aun cuando sean insesgados.
En consecuencia se tendría como principales problemas:
 Estimadores poco eficientes

 Invalidez de las pruebas de contraste usuales
Ignorar el problema de la autocorrelación lleva a que las pruebas t y F dejen de ser

válidas ya que muy probablemente arrojen conclusiones erradas. Debido a que la matriz
de varianzas y covarianzas estarán erradas.
No se debe dejar de considerar ciertos aspectos al analizar el problema:
 En la practica el ρ no se conoce por lo tanto hay que estimarlo y esto genera

pérdidas de grados de libertad, el problema, en muestras pequeñas, es relevante
si el ρ estimado es mayor a 0,3 cuando el proceso es autorregresivo de primer
orden.
 Si la estructura de autorregresión de los errores es más compleja no se debe
ignorar el problema ni asumir supuestos heroicos.
 En series con datos mensuales (o trimestrales) pueden surgir procesos
autorregresivos de duodécimo (o cuarto) orden y no detectar por tanto el proceso
si se realizan pruebas de contraste de primer orden
 Es posible confundir una mala especificación con un proceso autorregresivo.
4.- ¿En qué consiste un problema de multicolinealidad?
El problema de multicolinealidad hace referencia, en concreto, a la existencia de relaciones

aproximadamente lineales entre las variables independientes del modelo, cuando los estimadores
obtenidos y la precisión de éstos se ven seriamente afectados.
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.
Resumen del modelob

Error estándar
R cuadrado de la
Modelo R R cuadrado ajustado estimación Durbin-Watson
a
1 ,782 ,611 ,500 ,54304 2,550
a. Predictores: (Constante), Contenido de Humedad , Gravedad Específica
b. Variable dependiente: Fuerza Y
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
afectado quizás este análisis en el largo plazo.
5.- Ejercicios utilizados en el laboratorio ¿Cuáles serían un modelo de regresión múltiples y

cuales una de regresión lineal simple?
EJERCICIO 1:
9
Y1: Valor de tasación del edifico e oficinas.
X1: Superficie en metros cuadrados.
X2: Número de oficinas
X3: Número de accesos.
X4: Antigüedad del edificio, en años
Resumen del modelob

Error estándar
R cuadrado de la
1 ,663a ,440 ,066 63040,120 2,328
a. Predictores: (Constante), ANTIGÜEDAD EN AÑOS, ACCESO EN UNIDADES,
OFICINAS EN UNIDADES, SUPERFICIE METROS EN CUADRADOS
b. Variable dependiente: VALOR EN UNIDADES MONETARIAS
 Autocorrelación: Para ver si estas variables tienen un problema de autocorrelación

observamos el estadístico Durbin – Watson, este coeficiente debe estar entre 1.5 y 2.5
para que no muestre problemas. En este caso el Durbin - Watson es de 2,328 lo que
muestra un tipo de autocorrelación son independientes.
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.
Tenemos como Ecuación de nuestro Modelo:
Valor de tasación del edificio de oficinas (Y) =1244846,849 – 509.373(Superficie)+ 30683.892

(oficinas) + 26437.452 (acceso de unidades) + 328.506 (antigüedad)
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no hemos
eliminado ninguna de las variables independientes.
EJERCICIO 2:
Y1: % de las ventas con respecto al mes anterior
11
X1: Mes
X2: Inversión en Propaganda (en millones de $)
Resumen del modelob

Error estándar
R cuadrado de la
1 ,968a ,937 ,919 5,3568 2,002
a. Predictores: (Constante), Inversion en propaganda ( en millones de $), Mes
b. Variable dependiente: Ventas con respecto al mes anterior (%)

Coeficientesa
12
Coeficiente
s
Error
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)
Ejercicio 3:
13
Y1: Remuneración por hora (en dólares).
X1: Tasa de Desempleo (en %).
X2: Tiempo (en años)
Y= f(x1, x2)
Resumen del modelob

Error estándar
R cuadrado de la Durbin-
Modelo R R cuadrado ajustado estimación Watson
1 ,965a ,931 ,917 ,12570 1,214
a. Predictores: (Constante), Tiempo (en años), Tasa de desempleo (en %)
b. Variable dependiente: Remuneración por hora (en dólares)

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)
plazo.
Remuneración por hora (Y) = 1,800 + 0,031 (Tasa de empleo) + 0,109 (Tiempo)
Ejercicio 4:
Y1: Utilidad total mensual de la empresa.
X1: % De oferta sobre la demanda.
X2: Variación Mensual de IPC.
X3: Variación Mensual en Precio otras Empresas.
X4: Precio por Acción.
15
Resumen del modelob
Error estándar
R cuadrado de la
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
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
Correlación Parcial Utilidad Y Ofertas X1 VariaciónPrecios X2 y Precio por Acción X4

Correlaciones
Utilidad total % de oferta Variación en
mensual de la sobre la precio otras
Variables de control empresa demanda empresas
Precio por Acción Utilidad total mensual de Correlación 1,000 -,609 ,260
la empresa Significación (2 colas) . ,276 ,672
gl 0 3 3
% de oferta sobre la Correlación -,609 1,000 -,744
demanda Significación (2 colas) ,276 . ,149
gl 3 0 3
Variación en precio otras Correlación ,260 -,744 1,000
empresas Significación (2 colas) ,672 ,149 .
gl 3 3 0
Correlación Parcial Utilidad Y Ofertas X1 Valor por acciónX4 y Variación de Precios X2
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.
UTILIDADES (Y) = 3,358 + 0,685(x2) – 0,247(X3) + 0,001(X4)
EJERCICIO 5:
18
Y1: Consumo diario de petróleo.
X1: Número de horas- maquina
X2: Distancia de transportes.
X3: Rendimiento promedio motores.
Resumen del modelob

Error estándar
R cuadrado de la
a
1 1,000 ,999 ,999 83,109 1,952
a. Predictores: (Constante), Rendimiento promedio motores, Numero de horas-
maquinas, Distancia de transportes
b. Variable dependiente: Consumo diario de petroleo

Coeficientesa
19
Coeficient
es
Error Toleranci
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
“Rendimiento promedio de motores” es 1,425 por lo tanto podemos aceptarlo.
Correlaciones Parciales
Correlación Parcial Consumo diario de petróleo Y, Número de horas- maquinas X1 y

Distancia de transportes X2
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
Correlación Parcial Consumo diario de petróleo Y, Distancia de transportes X2 y Número de

horas- maquinas X1
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.
Consumo (Y) = -18,426+ 7,424 (x1) +0,331 (x2) – 3,629 (x3)
EJERCICIO 6:
Y1: Comportamiento favorable.
X1: El paso del tiempo (en años).
X2: la utilidad anual de la empresa (en millones de $)
X3: la variación acumulada anual del IPC
X4: El reajuste anual promedio de la competencia (en %)
Resumen del modelob
21
Error estándar
R cuadrado de la
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

muestra un tipo de autocorrelación son independientes
Coeficientesa
Coeficiente
s
Error
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
(Y) =-15,039 – 2,236 (x1) – 0,519 (x2) + 0,466 (x3) + 1,040 (x4)
EJERCICIO 7:
Y1: Gastos en alimentación de una familia.
X1: Ingresos mensuales.
X2: Número de miembros de la familia.
Resumen del modelob

Error estándar
R cuadrado de la
1 ,974a ,950 ,941 ,07751 1,177
a. Predictores: (Constante), Número de miembros de la familia, Ingresos mensuales
b. Variable dependiente: Gastos en alimentación de una familia

Coeficientesa
23
Coeficient
es
Error Toleranci
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
plazo.
(Y) =-0,160 +0,149 (x1) 0,077 (x2)
eliminado ninguna de las variables independientes
EJERCICIO 8:
24
Y1: Temperatura (en °F)
X1: Latitud
X2: Altitud (en pies).
X3: Longitud de la estación.
Resumen del modelob

Error estándar
R cuadrado de la
1 ,912a ,832 ,731 4,096 1,726
a. Predictores: (Constante), Longitud, Latitud, Altitud en pies
b. Variable dependiente: Temperatura en °F

25
Coeficientesa
Coeficientes
Error
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
“Latitud” es 3,179 por lo tanto podemos aceptarlo.
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
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
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.
TEMPERATURA (Y) = 72,467 -1,679 (x1) + 0,038 (X3)
EJERCICIO 9:
Y1: Tasa de respiración (n° moles O2 /(g.min ).
X1: Potasio (ppm).
X2: Zinc (ppm)
Ahora pasaremos a analizar estos modelos gracias al SPSS, a continuación mostramos los
resultados:
Resumen del modelob
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
plazo.
(Y) = 101,088 - 0,040 (Potasio) - 0,004 (Zinc)
Ejercicio 10:
28
Y1: Duración de vida de ciertos circuitos electrónicos.
X1: Variable de fabricación.
X2: Variable de fabricación
Resumen del modelob

Modelo R R cuadrado R cuadrado Error típ. de la Durbin-Watson
corregida estimación
a
1 ,980 ,961 ,935 6,245 2,346
a. Variables predictoras: (Constante), Variable2, Variable1
b. Variable dependiente: Duración de vida

29
Coeficientesa
Modelo Coeficientes no Coeficientes t Sig. Estadísticos de

estandarizados tipificados colinealidad
B Error típ. Beta Tolerancia FIV

(Constante 31,500 2,550 12,355 ,001
)
1
Variable1 1,775 ,312 ,646 5,685 ,011 1,000 1,000
Variable2 4,050 ,624 ,737 6,485 ,007 1,000 1,000
a. Variable dependiente: Duración de vida
MULTICOLINEALIDAD: Para ver la multicolinealidad de este ejercicio observamos el FIV, si el FIV

es igual a 1 entonces no muestra problemas de multicolinealidad y para este caso, nuestra FIV es
igual a 1 lo que indica que este ejercicio no tiene problemas de multicolinealidad.
Tiempo de vida (Y) = 31,500+ 1,775 (Variable 1) + 4,050 (Variable 2)
EJERCICIO 11:
Y1: Fuerza.
X1: Gravedad Específica.
X2: Contenido de humedad.
Resumen del modelob
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

observamos el estadístico Durbin – Watson, este coeficiente debe estar entre 1.5 y
2.5 para que no muestre problemas. En este caso el Durbin - Watson es de 2,550
lo que muestra un tipo de autocorrelación son independientes.
Coeficientesa
Coeficient
es
Error Toleranci
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
VIF: 1,037 es aceptable, podemos decir que no hay problemas de multicolinealidad en el

corto plazo.
Fuerza (Y) =17,865 +0,861 (Gravedad Específica) -0,654 (Contenido de Humedad)
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no

hemos eliminado ninguna de las variables independientes.
EJERCICIO 12:
31
Y1: Consumo.
X1: Número de automóviles por mil habitantes.
X2: Número de teléfonos por mil habitantes.
Resumen del modelob

Error
R cuadrado estándar de Durbin-
Modelo R R cuadrado ajustado la estimación Watson
a
1 ,390 ,152 -,188 265,634 2,091
a. Predictores: (Constante), Número de teléfonos por mil habitantes.,
Número de automóviles por mil habitantes.
b. Variable dependiente: Consumo

2.5 para que no muestre problemas. En este caso el Durbin - Watson es de 2,091
lo que muestra un tipo de autocorrelación son independientes.
Coeficientesa
32
Coeficient
es
Error Toleranci
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
VIF: 2,091 es aceptable, podemos decir que no hay problemas de multicolinealidad en el

corto plazo.
Consumo (Y) =367,506 +7,840 (x1) – 5,786 (x2)
En este ejercicio, podemos asegurar que es un modelo de Regresión múltiple, pues no

hemos eliminado ninguna de las variables independientes.
EJERCICIO 13: REGRESION LINEAL SIMPLE
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

2.5 para que no muestre problemas. En este caso el Durbin - Watson es de 0.771
lo que muestra un tipo de autocorrelación negativa o simplemente sus variables no
son independientes.
Coeficientesa
Coeficient
es
Error Toleranci
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
 Multicolinealidad: Para ver la multicolinealidad de este ejercicio observamos el FIV,

si el FIV es igual a 1 entonces no muestra problemas de multicolinealidad y para
este caso, nuestra FIV es igual a 1 lo que indica que este ejercicio no tiene
problemas de multicolinealidad.
 Colinealidad: Tampoco existe ya que se trata de una Regresión simple y solo hay
una sola variable y la colinealidad existe en la Regresiones múltiple de dos o más
variables independientes.
6.-Gráficos el diagrama de la regresión múltiples válidos
34
Ejercicio 1 Ejercicio 2
35
Ejercicio 7
Ejercicio 8
36
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.
 La regresión lineal múltiple nos permite determinar el grado de dependencia de dos

o más variables investigadas sobre otras.
 La utilidad de la regresión lineal múltiple y la correlación recae en el hecho de

poder hacer un pronóstico de datos de interés.
RECOMENDACIONES
En muchas situaciones estadísticas se observa simultáneamente los valores que son

aplicados en la regresión lineal múltiple:
 Manejar y aplicar las fórmulas matemáticas para realizar un análisis estadístico de

comparación positivo.
 Realizar un procedimiento con medidas específicas para la elaboración de las

gráficas.
 Comprensión por parte del analista de las interrelaciones entre las variables que
intervienen en el análisis.
 Obtener un sumario (normalmente un formula) que resume la relación existe entre

las dos variables o más variables independientes (Regresión Lineal Múltiple).
39
REFERENCIAS BIBLIOGRAFICAS:
 'Introducción a la Estadística Económica y Empresarial. Teoría y Práctica.' de Fco. Javier

Martín-Pliego López, Editorial Thomson, 2007 (Madrid).
 'Manual de Estadística Empresarial con ejercicios resueltos' de Eva Ropero, María

Eleftheriou, Luana Gava y Eva Romero. Editorial Delta Publicaciones. 2008 (Madrid).
 Mendenhall III, William, Scheaffer, Richard L. y Wackerly Dennis D; Estadística

matemática con aplicaciones; Thomson; 6ª Ed; México 2002.
 Montgomery, Douglas C; Probabilidad y estadísticas aplicadas a la ingeniería; Limusa; 2ª

Ed; México 2008.
 Spiegel, Murray R; Estadística; McGraw-Hill, Serie Schaum; 4ª Ed; Madrid 2009.
40

Informe Regresion Multiple Laboratorio

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informe Regresion Multiple Laboratorio

Cargado por

Copyright:

Formatos disponibles

“AÑO DE LA PROMOCIÓN DE LA INDUSTRIA RESPONSABLE Y DEL COMPROMISO

UNIVERSIDAD NACIONAL MAYOR

FACULTAD DE CIENCIAS ADMINISTRATIVAS

 TEMA: INFORME DE LABORATORIO REGRESIÓN LINEAL MULTIPLE

 ASIGNATURA: ESTADISTICA APLICADA.

 DOCENTE: VICENTE ARMAS, EDGAR.

 ANDRADE NATO, HUDSON ALAIN.

A nuestras alegrías y penas, fortalezas y

debilidades, armonía y angustias, pasiones

y miedos, inspiración y desesperación, porque

Son estas las que reflejan nuestro lado

3.- ¿En qué consiste un problema de auto correlación? ………………………………………………8

4.- ¿En qué consiste un problema de multicolinealidad?...............................................................9

6.-Gráficos el diagrama de la regresión múltiples válidos………………………………………………35

7.- ¿Cuáles son sus comentarios de los ejercicios?……………………………………………………38

En la actualidad, se sabe que la interpretación de las decisiones gerenciales bajo

Los gerentes y profesionales, en general, necesitan justificar sus decisiones

En definitiva, se trata de utilizar la estadística como una herramienta

En el presente informe de laboratorio procederá a la resolución de problemas que

Debemos de identificar a la variable Endógena y luego a las variables Exógenas, las

Una vez identificada la variable independiente y las variables independientes,

Luego podemos construir el modelo de regresión múltiple, identificando los

FUERZA (Y) = 17,8655 + 0,861(Gravedad Específica X 1) – 0,654(Contenido de

Interpretación: Ante el incrementa en una unidad de la gravedad específica, la

2.- Construido el modelo de regresión múltiple, ¿qué debemos considerar para

β VALOR Tc(n-k) k=3 T0 αc α0 H0

H1: B1 ≠ 0, por lo menos 1.

Rechazamos H0 y aceptamos H1 por lo tanto existe el modelo lineal múltiple entre

Realizada la prueba de β i, realizamos la prueba de la confiabilidad de nuestro modelo,

Prueba de Confiabilidad del modelo:

H0: El modelo no es confiable

H1: El modelo es confiable.

1 Regresión 3,246 2 1,623 5,504 ,037b

Residuo 2,064 7 ,295

a. Variable dependiente: Fuerza Y

3.- ¿En qué consiste un problema de auto correlación?

El problema de autocorrelación consiste en la relación que puede existir entre las

Con la presencia de autocorrelación los estimadores obtenidos con mínimos cuadrados

En consecuencia se tendría como principales problemas:

 Estimadores poco eficientes

Ignorar el problema de la autocorrelación lleva a que las pruebas t y F dejen de ser

No se debe dejar de considerar ciertos aspectos al analizar el problema:

 En la practica el ρ no se conoce por lo tanto hay que estimarlo y esto genera

4.- ¿En qué consiste un problema de multicolinealidad?

El problema de multicolinealidad hace referencia, en concreto, a la existencia de relaciones

Resumen del modelob

afectado quizás este análisis en el largo plazo.

5.- Ejercicios utilizados en el laboratorio ¿Cuáles serían un modelo de regresión múltiples y

X1: Superficie en metros cuadrados.

X2: Número de oficinas

X3: Número de accesos.

X4: Antigüedad del edificio, en años

Resumen del modelob

 Autocorrelación: Para ver si estas variables tienen un problema de autocorrelación

Tenemos como Ecuación de nuestro Modelo:

Valor de tasación del edificio de oficinas (Y) =1244846,849 – 509.373(Superficie)+ 30683.892

Y1: % de las ventas con respecto al mes anterior

X2: Inversión en Propaganda (en millones de $)

Resumen del modelob

 Autocorrelación: Para ver si estas variables tienen un problema de autocorrelación

Tenemos como Ecuación de nuestro Modelo:

X1: Tasa de Desempleo (en %).

X2: Tiempo (en años)