UNIVERSIDAD AUTÓNOMA CHAPINGO

DIVISIÓN DE CIENCIAS ECONÓMICO ADMINISTRATIVAS

REGRESIÓN MULTIPLE

La empresa Jardín, S.A., fabrica cortadoras de césped y artículos para jardinería. Sus directivos
creen que la cantidad vendida de podadoras de césped depende de su precio y del precio de la
podadora de la competencia. Sean y= cantidad vendida (miles). X1= precio de la podadora del
competidor (dólares). X2= precio de la podadora Jardín (dólares)

Se desea obtener una ecuación que relacione la cantidad vendida con los precios de la podadora
Jardín y con los de la competencia. La tabla siguiente es una lista de precios en 10 ciudades.

Precio de la
competenci Precio de Cantidad
a (x1) Jardín (x2) vendida (y)
(Dólares) (Dólares) (Miles)
120 100 102
140 110 100
190 90 120
130 150 77
155 210 46
175 150 93
125 250 26
145 270 69
180 300 65
150 250 85

Usando el programa RStudio obtenemos que:

> library(readxl)
Warning message:
package ‘readxl’ was built under R version 4.1.2
> Podadoras <- read_excel("Chapingo/5to año. 3er semestre/Econometría I/Podadoras.xlsx")
> View(Podadoras)
> regPodadoras<-lm(Cvend~Pcomp+Pjar,data=Podadoras)
> summary(regPodadoras)
Call:
lm(formula = Cvend ~ Pcomp + Pjar, data = Podadoras)

Residuals:
Min 1Q Median 3Q Max
-28.020 -4.829 2.015 10.896 23.840

Coefficients:
 Estimate Std. Error t value Pr(>|t|)
(Intercept) 66.51757 41.87708 1.588 0.1562
Pcomp 0.41392 0.26039 1.590 0.1559
Pjar -0.26978 0.08091 -3.335 0.0125 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 18.74 on 7 degrees of freedom

Multiple R-squared: 0.6527, Adjusted R-squared: 0.5535
F-statistic: 6.579 on 2 and 7 DF, p-value: 0.02468

> anova(regPodadoras)#Obtener la tabla de varianzas

Analysis of Variance Table

Response: Cvend
Df Sum Sq Mean Sq F value Pr(>F)
Pcomp 1 715.5 715.5 2.0381 0.19645
Pjar 1 3903.3 3903.3 11.1191 0.01251 *
Residuals 7 2457.3 351.0
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> predict(regPodadoras)#Obtener los valores predichos de Cvend o Y

1 2 3 4 5 6 7
89.20933 94.78983 120.88120 79.85945 74.02049 98.48563 50.81180
8 9 10
53.69449 60.08810 61.15968
> residuals(regPodadoras)#Obtener los residuals del modelo

1 2 3 4 5 6
12.7906712 5.2101731 -0.8812037 -2.8594463 -28.0204856 -5.4856328
7 8 9 10
-24.8117999 15.3055091 4.9118962 23.8403187

a) Obtenga una ecuación de regresión estimada con los precios de la competencia y de

Jardín sobre la cantidad vendida, interprete sus resultados.

Siguiendo el modelo: Cantidad vendida :B 0+ B 1 Pcomp+ B 2 Pjar .

Tenemos que:

Cantidad vendida :66.51757+0.41392 Pcomp−0.26978 Pjar

Análisis estructural:

 Para el factor Bo: nos indica que la cantidad promedio vendida de podadoras será de
66.51757 cuando los precios sean 0.
  Para el factor B1: nos indica que por cada dólar que suba el precio de la competencia, la
cantidad vendida de la empresa “El Jardín, S.A” incrementará en 0.41392 mil podadoras.
 Para el factor B2: Nos indica que cada vez que la empresa “Jardín, S.A” suba en un dólar el
precio de las podadoras, la venta en disminuirá en 0.26978 mil podadoras.
b) Existe una relación significativa en el modelo, evalúe esta con un nivel de riesgo del 5%.

Desde el punto de mínimo cuadrático:

Ho: B1=B2=0 vs. Ha: Al menos un Bi ≠ 0

 Si Fc < 0 Se acepta H0
 Si Fc > 0 Se recha𝑥a H0, en f avor de Ha

CMReg
Fc= 2
S

La tabla de análisis de Varianzas para el modelo donde se estudia la relación que existe entre el
precio de las podadoras con la competencia y precios con los de la empresa “Jardín, S.A”.

Es decir, esta ya nos la da el programa RStudio. Tenemos que Fc=6.579

Tomando como referencia el criterio de mínimos cuadrados puros:

 Si Fc ≥ 1, rechaza la Ho, en favor de la Ha.

 Si Fc ≤ 1, no rechazar la Ho.

Como Fc supera a uno, se rechaza la Ho, lo cual implica que al menos un factor explica el
comportamiento de mi variable dependiente, es decir, la cantidad vendida de podadoras.

PRUEBA DE HIPÓTESIS DESDE EL PUNTO DE VISTA DE LA DISTRIBUCIÓN NORMAL.

Evaluar para el ejemplo con un nivel de riesgo del 5%, es decir, con una confiabilidad del 95%.

Ho: B1=B2=0 vs Ha: Al menos un Bi ≠0

Fc ≥ Ft [ F α ( p , n−k) ] Entonces se rechaza la Ho: B1=0, a favor de la Ha: Bi ≠0

Fc< Ft [ F α ( p ,n− k ) ] No se rechaza la hipótesis nula Ho: B1=0

CMReg
Fc= , Nuevamente el programa RStudio ya nos da esta variable.
S2

F calculada=6.579 > Ft= [F alfa (p, n-k)]= [F 005 (2,7)]= 4.737

Rechazar la Ho, en favor de la Ha, esto implica que de las dos variables una es la que podría estar
explicando el comportamiento de la cantidad vendida de podadoras, pero pueden ser las dos las
que expliquen el comportamiento.

c) Las dos variables influyen de forma significativa en el ingreso al 5% pruébelo (prueba de

t).

Si t c ≥ ty/2 ,(n−k ) Se rechaza Ho

Calcular T tabular= =ty/2, (n-k)= t (0.05/2, (7)= t (0.025,(7)= 2.3646

El programa RStudio nos arroja de manera directa las T’s calculadas de los Betas, siendo:

 Para B0= 1.588

 Para B1=1.590
 Para B2=-3.335

Comparando las T calculadas con la T tabular:

 Ho: B1=0 vs Ha: B1≠0

T calculada T tabular

1.590 < 2.3646

No se rechaza la hipótesis nula Ho: B1=0. Lo que implica que el Precio de la competencia no influye
de manera significativa en la cantidad vendida de podadoras

 Ho: B2=0 vs Ha: B2≠0

T calculada T tabular

I-3.335I < 2.3646

Se rechaza la hipótesis nula Ho: B1=0 a favor de la Ha. Lo que implica que el Precio de la empresa
“Jardín, S.A” sí influye de manera significativa en la cantidad vendida de podadoras.

d) Pronostique la cantidad vendida en una ciudad donde la podadora Jardín se vende en

160 dólares y la de la competencia en 170 dólares. Interprete el resultado.

Cantidad vendida :66.51757+0.41392 Pcomp−0.26978 Pjar

B0= 66.51757
B1= 0.41392
B2=-0.26978

Para predecir usamos:

 ^
Y
' ^
n +1=X 0 B

66.51757
Entonces tenemos: ( 1 160170 )( 0.41392 )
−0.26978

Usando el programa RStudio ejecutamos la multiplicación de matrices:

> Nprec<-c(1, 170, 160)
> Mbetas<-c(66.51757,0.41392,-0.26978)
> Ncanven<-t(Nprec)%*%Mbetas
> Ncanven
[,1]
[1,] 93.71917

Por lo tanto, la nueva cantidad de podadoras con el cambio de precios vendidas será de 94
mil.

e) Obtenga un intervalo de confianza del 95% de confiabilidad para la predicción del inciso
(d).

[ √ [ ] √ ]
Pr Y^ n +1−ty/2n−k S 2 1+ x ' 0 ( X ' X ) x0 ≤ Y n +1 ≤ Y^ n+1 +ty /2n −k S 2 [ 1+ x ' 0 (X ' X )−1 x 0 ] =100 (1− y )
−1

Obteniendo en RStudio:

>varYn1<- 351.0445*(1+t(Nprec)%*%(solve(t(X1)%*%X1)%*%Nprec))
[,1]
[1,] 416.8576
>sdp<-sqrt(varYn1) sdp #Error estándar de la predicción
[,1]

[1,] 20.41709
 Límite inferior:

>li<-(93.71826-((2.365)*(20.41709)))
>li
[1] 45.43184
 Límite superior
>-ls <-(93.71826+((2.365)*(20.41709)))
>ls
[1] 142.0047

Ventas de podadoras
 (45.43184 ≤ Yn+1 ≤ 142.0047) = 95%
Esto implica que con una confiabilidad del 95% el valor verdadero de la predicción se
encuentra dentro de este intervalo.

f) Calcule el coeficiente de determinación múltiple y a Erre cuadrada ajustada, interprete sus

resultados.

2 CReg 4618.789
R= = =0.6527309 x 100=65.273 %
SCT 7076.1

Interpretación:

Esto indica que el 65% % de las variaciones de la cantidad de podadoras vendidas son explicados
por los factores de precios de la competencia de la empresa el “Jarín, S.A”.

SCE 2457.311
n−k 7
R2=1− =1− =¿
SCT 7076
n−1 9

Interpretación:

Ésta es menor que R2 normal. De acuerdo con R2 el55.35% de las variaciones de la cantidad de
podadoras vendidas son explicados por los factores de precios de la competencia de la empresa el
“Jarín, S.A”.