UNIVERSIDAD AUTÓNOMA CHAPINGO

DIVISIÓN DE CIENCIAS ECONÓMICO ADMINISTRATIVAS

REGRESIÓN MULTIPLE

Pérez Soriano Abner Jonatán.

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
competencia Precio de Cantidad
(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
> Pod <- read_excel("Chapingo/5to año. 3er semestre/Econometría I/Podadoras.xlsx")
> View(Pod)
> regPod<-lm(Can.Vend~Pre.Comp+Emp.Jard,data=Pod)
> summary(regPod) Call:
lm(formula = Can.Vend ~ Pre.Comp + Emp.Jard, data = Pod)

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
Pre. Comp 0.41392 0.26039 1.590 0.1559
Emp. Jard -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(regPod)#Obtener la tabla de varianzas

Analysis of Variance Table

Response: Cvend
Df Sum Sq Mean Sq F value Pr(>F)
Pre. Comp 1 715.5 715.5 2.0381 0.19645
Emp. Jard 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(regPod)#Obtener los valores predichos de Can.Vend 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(regPod)#Obtener los residuales 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: 𝐵0 + 𝐵1𝑃𝑐𝑜𝑚𝑝 + 𝐵2𝑃𝑗𝑎𝑟.

Tenemos que:

𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑣𝑒𝑛𝑑𝑖𝑑𝑎: 66.51757 + 0.41392𝑃𝑐𝑜𝑚𝑝 − 0.26978𝑃𝑗𝑎𝑟

 Análisis

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”.

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.
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[𝐹𝛼(𝑝,𝑛−𝑘)] Entonces se rechaza la Ho: B1=0, a favor de la Ha: Bi ≠0

𝐹𝑐 < 𝐹𝑡[𝐹𝛼(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

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

de t).
Si 𝑡𝑐 ≥ 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 (Este resultado fue obtenido de la
tabla de tStudent)

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 no es igual a 0

T Calculada T Tabular
1.590 < 2.3646
  Ho: B1=0 Vs Ha: B1 no es igual a 0
T Calculada T Tabular

1-3.3351 < 2.3646

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 + 0.41392𝑃re.Comp − 0.26978Emp.Jard

B0= 66.51757
B1= 0.41392
B2=-0.26978
Para predecir usamos:
𝑌̂𝑛+1 = 𝑋0´𝐵̂
66.51757
Entonces tenemos: (1 160 170) ( 0.4192 )
−0.26978

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

𝑃𝑟 [𝑌̂𝑛+1 − 𝑡𝑦/2𝑛 −𝑘 √𝑆 2 [1 + 𝑥 ′ 0 (𝑋 ′ 𝑋 )−1 𝑥0 ] ≤ 𝑌𝑛 +1

≤ 𝑌̂𝑛+1 + 𝑡𝑦/2𝑛−𝑘 √𝑆 2 [1 + 𝑥 ′ 0 (𝑋 ′ 𝑋)−1 𝑥0 ]] = 100(1 − 𝑦)
Obteniendo en :

>VY1<- 351.0445*(1+t(Np)%*%(solve(t(X1)%*%X1)%*%Np)) [,1]

[1,] 416.8576
>SDP<-sqrt(varY1)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%
 f)Calcule el coeficiente de determinación múltiple y a Erre cuadrada ajustada,
interprete sus resultados.
𝐶𝑅𝑒𝑔 4618.789
𝑅2 = = = 0.6527309𝑥100 = 65.273%
𝑆𝐶𝑇 7076.1

Interpretación:

Obtener R2 ajustada

𝑆𝐶𝐸 2457.311
̅𝑅̅
̅2̅ = 1 − 𝑛 − 𝑘 = 1 − 7
= (1 − 0.446489(100) = 55.35%
𝑆𝐶𝑇 7076
𝑛−1 9

Interpretación: