Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El estudio consiste en relacionar las VENTAS con los activos, número de empleados
y recursos propios. Como indicadores del tamaño medio de las empresas de 15 países
desarrollados.
Modelo 1:
𝑦 = 𝛽0 + 𝛽1𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝜀
Tabla 1
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15,836 3 5,279 59,986 ,000b
Residuo ,968 11 ,088
Total 16,804 14
a. Variable dependiente: Y
b. Predictores: (Constante), X_3, X_2, X_1
De esta tabla se tiene que el p-valor = P(F(3,11) > 59,986) = 4,1901∙10-7, menor que
los niveles de significancia α ≥1%, por lo que se rechaza la hipótesis nula. Para α ≥ 0,01. Es
decir este modelo es adecuado al nivel de significancia α ≥1%.
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) -,276 1,332 -,207 ,840
X_1 ,950 ,262 ,921 3,629 ,004
X_2 ,086 ,272 ,072 ,315 ,759
X_3 -,015 ,222 -,018 -,069 ,947
a. Variable dependiente: Y
Probemos la hipótesis:
𝐻𝑜 : 𝛽3 = 0 𝑣𝑠 𝐻𝑎 : 𝛽3 ≠ 0
Como el p-valor =2 P(t3 < -0,069) = 0,947, mayor que los niveles de significancia α
≥1%, por lo que se acepta la hipótesis nula. Para α ≥ 0,1. De lo que se desprende en base a
la muestra que la variable X3 : Logaritmo natural de los recursos propios, no aporta
suficiente información en la predicción del número de ventas a niveles de significancia
superiores al 1%.
Modelo 2:
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝜀
Tabla 2
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15,836 2 7,918 98,114 ,000b
Residuo ,968 12 ,081
Total 16,804 14
a. Variable dependiente: Y
b. Predictores: (Constante), X_2, X_1
De esta tabla se tiene que el p-valor = P(F(2, 12) > 98,114) = 3,6631∙10-8, mayor que
los niveles de significancia α ≥1%, por lo que se rechaza la hipótesis nula. Para α ≥ 0,01. Es
decir este modelo es adecuado al nivel de significancia α ≥1%.
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) -,212 ,917 -,232 ,821
X_1 ,939 ,200 ,910 4,691 ,001
X_2 ,077 ,232 ,065 ,333 ,745
a. Variable dependiente: Y
Tomemos el parámetro correspondiente con el menor valor t = 0,333,
correspondiente con 𝛽2 , el coeficiente de la variable X2: Logaritmo natural del número de
empleados.
Probemos la hipótesis:
𝐻𝑜 : 𝛽2 = 0 𝑣𝑠 𝐻𝑎 : 𝛽2 ≠ 0
Como el p-valor =2 P(t2 > 0,333) = 0,745, mayor que los niveles de significancia α
≥1%, por lo que se acepta la hipótesis nula. Para α ≥ 0,01. De lo que se desprende en base a
la muestra que la variable X2 : Logaritmo natural del número de empleados, no aporta
suficiente información en la predicción del número de ventas a niveles de significancia
superiores al 1%.
Modelo 3:
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝜀
𝐻𝑜 : 𝛽1 = 0 𝑣𝑠 𝐻𝑎 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝛽1 ≠ 0
Tabla 3
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15,827 1 15,827 210,512 ,000b
Residuo ,977 13 ,075
Total 16,804 14
a. Variable dependiente: Y
b. Predictores: (Constante), X_1
De esta tabla se tiene que el p-valor = P(F1,3) > 210,512) = 2,0799∙10-9, mayor que
los niveles de significancia α ≥1%, por lo que se rechaza la hipótesis nula. Para α ≥ 0,01. Es
decir este modelo es adecuado al nivel de significancia α ≥1%.
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) ,064 ,380 ,168 ,869
X_1 1,001 ,069 ,970 14,509 ,000
a. Variable dependiente: Y
Por lo que el modelo más adecuado encontrado por el método regresivo es:
𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥1
Sustituyendo:
𝑦̂ = 0,064 + 1,001𝑥1
Del resumen del modelo se puede observar que la variación del coeficiente de
determinación en cada uno de los modelos obtenidos, ha variado poco por lo que se puede
considerar que el modelo lineal 3 es el adecuado.