Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y X1 X2 X3
25,5 1,74 5,30 10,80
31,2 6,32 5,42 9,40
25,9 6,22 8,41 7,20
38,4 10,52 4,63 8,50
18,4 1,19 11,60 9,40
26,7 1,22 5,85 9,90
26,4 4,1 6,62 8,00
25,9 6,32 8,72 9,10
32,0 4,08 4,42 8,70
25,2 4,15 7,6 9,20
39,7 10,15 4,83 9,40
35,7 1,72 3,12 7,60
26,5 1,70 5,30 8,20
a) Ajustar los datos a un modelo de regresión lineal multiple que explique el porcentaje de
aumento de la supervivencia en función de las concentraciones de los tres productos que inciden
sobre la supervivencia de las plantas
Respuesta
“Std Error” (σ^ ¿ es la desviación típica de los estimadores del modelo (a utilizar para el cálculo de
los intervalos de confianza de los parámetros estimados)
Se realiza a partir, del contraste de Wald, es un contraste paramétrico, se utiliza para poner a
prueba el verdadero valor del parámetro basado en la estimación de la muestra
C(1) = C(2) = C(3) = C(4) = 0 para probar la significatividad conjunta del modelo: Se acepta la
significatividad conjunta el P-valor es muy pequeño
Como el P-valor es pequeño se rechaza esta hipótesis (los grados de libertad de la prueba F:
1 1
F 13− 4 ; F 9
Calculo de la predicción
En la pantalla “workfile”
En “end date” = 14
Open as group
Dar OK
Una de las comprobaciones que se pueden hacer una vez estimado el modelo es realizar un
analisis de los residues para detector posibles anomalias
En la pantalla Equation
Actual = real
Fifted = ajustado
Residual = residual
View actual fifted residual table ofrece líneas discontinuas situadas a una distancia
de +/- 2S de la línea central siendo “S” el error estandar de la regresión
Los posibles valores atípicos pueden provenir de la presencia de una variable poco significativa en
el modelo (X3)
2) a)Analizar la relación existente entre:
Y = Grado de estrés
X1 = Tamaño de la empresa en que trabajan
X2 = Número de años de trabajo en la empresa actual
X3 = Salario anual percibido
X4 = edad del trabajador
Observaciones
X1 X2 X3 X4 Y
812 15 30 38 101
334 8 20 52 60
377 5 20 27 10
303 10 54 36 27
505 13 52 34 89
401 4 27 45 60
177 6 26 50 16
598 9 52 60 184
412 16 34 44 34
127 2 28 39 17
601 8 42 41 78
297 11 84 58 141
205 4 31 51 11
603 5 38 63 104
484 8 41 30 76
X1 X2 X3 X4
30 9 44 42
2
35 8 65 62
1
38 9 52 53
1
Respuesta
En la pantalla Group
En la matriz de correlaciones se observa que X 1 (tamaño de empresa) y X3 (salario actual) son las
variables que presentan mayor correlación con el nivel de estrés (Y) y que existe una cierta
relación entre X1 y X2 , también entre X2 y X3. Es lógico entonces realizar un ajuste lineal de la
variable Y con respecto a las demás variables
Ajuste lineal
Análisis de la salida:
-Todos los parámetros estimados (salvo X2) son significativamente distintos de 0 al 95% (P-valores
menores que 0,005)
-La significatividad conjunta es muy alta (P-valor de la “F” muy pequeño)
-El R2 y el R2 ajustado son altos, la variablilidad explicada es alta
-La desviación estimada del error es 24,03
-Los criterios de información de Akaike y Schwartz tienen valores pequeños con lo que la
capacidad explicativa del modelo es buena
-El Durbin Watson tiene un valor no demasiado alejado de 2, lo que indica ausencia de posibles
problemas de autocorrelación
Eliminación de la variable X2
X2 debe eliminarse del modelo por no haber resultado ser significativamente distinta de 0
En la pantalla Equatión
Ahora todas las variables del modelo han aumentado su significatividad (P-valores más pequeños)
Y valores de R2 son mejores (mas altos)
La significatividad conjunta de los parámetros del modelo también ha mejorado (P-valor de la F
mas pequeño)