Hector Emiro Zapata Ñañez

Econometría I

1: ¿Cuál fue la transformación necesaria?

+YOUTUBE: Para el caso de you tube, se necesitan las siguientes tranformaciones:

-Linealidad: No es necesario transformación para corregir linealidad, ya que el modelo arroja que
los errores no presentan ningún patron; Es decir hay una considerable relación lineal entre las
variables X y Y.

-homocedasticidad: Es necesaria una transformación, ya que los errores tienden a la

heterocedasticidad, ya que la varianza no es constante; en este caso se calculan los logaritmos a
los errores para que estos tiendan a la horizontalidad perfecta.

Homocedasticidad original del modelo Homocedasticidad transformada del modelo

diag.errores.yt %>% modelo2 <- lm(log(sales) ~ youtube,
ggplot(aes(y=sqrt(.std.resid), x=.fitted))+ data=marketing)
geom_point()+
geom_smooth(method= lm, se=FALSE)+ plot(modelo2, 3)
theme_clasic()

-Normalidad: Para nuestro modelo de you tube, se presenta una relativa normalidad, ya que hay
una tendencia de ubicación de los errores sobre la línea de 45°
+FACEBOOK: Para el caso de Facebook, se necesitan las siguientes transformaciones:

-Linealidad: Se presente una linealidad considerable ya que, el modelo arroja que los errores no
presentan ningún patrón y las 2 líneas están muy cercanas.

-Homocedasticidad: Es necesaria una transformación en la

Homocedasticidad original del modelo Homocedasticidad transformada del modelo

gpplot(aes(y=y))+ modelofb <- lm(log(sales) ~ facebook,
geom_line() data=marketing)

plot(facebook_modelo, 3) plot(modelofb, 3)

-Normalidad: Encontramos un sesgo menor hacia la derecha; y aunque también existen datos
atípicos, podemos decir que estos errores tienden hacia la normalidad.

+NEWSPAPER: En cuanto a New Paper realizamos las siguientes transformaciones:

-Linealidad: Podemos observar linealidad casi perfecta respecto a la relación de las variables:

-Homocedasticidad: En este caso el patrón homocedasticidad no es el que predomina en la

ubicación de los errores en el plano. Para poder corregirlos calculamos log de los errores de tal
forma que la heterocedasticidad de los errores disminuya; aun así la presencia d ellos datos
atípicos es considerable.
 Homocedasticidad original del modelo Homocedasticidad transformada del modelo
gpplot(aes(y=y))+ modelonp <- lm(log(sales) ~ newspaper,
geom_line() data=marketing)

plot(newspaper_modelo, 3) plot(modelonp, 3)

-Normalidad: En este caso se presenta una notable normalidad. Los sesgos hacia los extremos son
menores al igual que la presencia de datos atípicos.

2: Tabla modelos finales

You Tube Facebook News paper

B: Beta

P Value:
significancia

r²

rsme

σ
3: cual es el apropiado

Modelo Justificación ¿Es

apropiado?:
YOU TUBE En la regresión del modelo de you  

✔
tube, el indicador p_value nos muestra
como cuando al aumentar en 1 unidad
monetaria en los gastos de mercadeo,
las ventas o el estimado aumenta
$0.048 dólares.

Esto es algo muy significativo, ya que

se encuentra por debajo del margen
del 5% y con un intervalo de confianza
reducido.
FACEBOOK En el caso de Facebook, el intervalo de
confianza es ((0.243 -0.162) =0.081),
muy bajo. Lo que significa que entre el
valor observado y el valor predicho es
muy poca la diferencia. x
Igualmente, la significancia nos arroja
que mientras aumenta 1 unidad
monetaria al presupuesto de
mercadeo, las ventas aumentan 0.202,
muy por encima del umbral del 5%,
algo que puede afectar todo el modelo
y por lo tanto no es tan significativo.
NEWSPAPER Cuando news paper aumenta 1 unidad
monetaria al presupuesto de
mercadeo, las ventas igual aumentan
en 0.055, por encima del limite
previsto. Lo anterior acompañado del
x
amplio lapso que hay en el intervalo de
confianza ((0.087-0.022)0.065)) nos
indica que este modelo no es tan
apropiado.