Documentos de Académico
Documentos de Profesional
Documentos de Cultura
y x
8.94 9.40
9.21 9.53
8.94 9.58
9.61 9.93
8.94 9.45
9.84 9.93
9.19 9.71
8.43 9.44
8.28 9.36
9.09 9.35
9.54 9.70
9.65 9.93
8.94 9.48
##
## Call:
## lm(formula = y ~ x)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.41774 -0.13002 0.02891 0.17115 0.41004
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.9439 3.2300 -2.459 0.031712 *
## x 1.7780 0.3364 5.285 0.000258 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2555 on 11 degrees of freedom
## Multiple R-squared: 0.7175, Adjusted R-squared: 0.6918
## F-statistic: 27.93 on 1 and 11 DF, p-value: 0.0002582
De aquí se obtiene que;
El modelo de regresión es 𝑦̂ = −7.9439 + 1.7780𝑥, es una regresión lineal significativa pues
el valor p de la prueba T para 𝛽1 es iguala 0.000258 y aproximadamente el 71.75 de la
variavilidad de 𝑦 es explicada por la regresión; esto es por que 𝑟 2 = 0.7175.
El comando summary también devuelve el valor p de la prueba F, pero este valor resulta de
más utilidad cuando se trata de un modelo de regresión lineal múltiple, para este caso, con
lo mencionado en el párrafo anterior es suficiente.
A continuación, se muestra el procedimiento para realizar estimaciones puntuales, por
intervalos de confianza y por intervalos de predicción. Se harán las estimaciones para
cuando 𝑥 = 8 y 𝑥 = 10.
x0=data.frame(x=c(8,10))
predict(modelo,x0) #Estimación puntual
## 1 2
## 6.279723 9.835625
predict(modelo,x0,interval="confidence",conf.level=.95) #confianza
predict(modelo,x0,interval="prediction",conf.level=.95) #predicción
Sin embargo, para que lo obtenido hasta ahora tenga valides se deben cumplir algunos
supuestos, a continuación, se muestra como probar los supuestos de; normalidad,
homocedasticidad e independencia.
par(mfrow=c(2,2))
plot(modelo,col="blue")
El supuesto de normalidad se probará mediante la prueba de Sahpiro-wilk disponible en la
librería nortest.
library(nortest)
shapiro.test(modelo$residuals)
##
## Shapiro-Wilk normality test
##
## data: modelo$residuals
## W = 0.95957, p-value = 0.7471
##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 4.3979, df = 1, p-value = 0.03598
##
## Durbin-Watson test
##
## data: modelo
## DW = 1.5688, p-value = 0.4104
## alternative hypothesis: true autocorrelation is not 0