Proyecto Regresión

Unidad Profesional Interdisciplinaria de Ingeniería
Campus Guanajuato IPN
IPN
PROYECTO: “Modelos de Regresión en Acción”
MATERIA: Estadística
Docente: Edgar Reyes Ayona
Integrantes:
Suarez Sánchez Héctor
Trujillo Jasso Víctor Manuel
Osvaldo Martínez Rodríguez
Tabla de contenido
INTRODUCCIÓN..................................................................................................................................3
PLANTEAMIENTO DEL PROBLEMA.....................................................................................................3
DESARROLLO......................................................................................................................................4
CONCLUSION....................................................................................................................................26
INTRODUCCIÓN
La empresa se llama “Moreno renta” y se encarga renta de inflables, mesas, sillas
y carpas considerando el número de personas que van a asistir a una fiesta, en
este modelo se basara en las mesas, costo, el tipo de fiesta ; teniendo en cuenta
lo anterior nuestra empresa brinda servicios para fiestas tomando en cuenta el tipo
de ubicación, temática y el día en que se hace el servicio.
PLANTEAMIENTO DEL PROBLEMA

En una microempresa dedicada a la renta de inflables, mesas, sillas y carpas,
considerando el numero de personas que van a asistir a una fiesta, en este
modelo se basara en las mesas, costo, el tipo de fiesta
Variables
Esta variable corresponde a la renta por fiesta
Variable Descripción
y Número de personas
X1 Numero de carpas
X2 El costo al cuadrado
X3 Las mesas al cuadrado
X4 El tipo (codificado)
Datos
DESARROLLO
Aquí se realizo se mete las variables en R el numero de personas (se
metieron todas las variables; carpas, costo, costo al cuadrado, carpa al
cuadrado, inflable, inflable al cuadrado, mesas, mesas al cauadrado, el sexo
del cliente, y el sexo al cuadrado, temática, temática la cuadrado, tipo 1 y
tipo 1 al cauadarado. Tipo 2, tipo 2 al caudarado)
La variable de respuesta es el numero de personas que asistirán a la fiesta
> Dataset <- readXL("C:/Users/jose_/OneDrive/Escritorio/IPN/3er semestre/estadistica/proy.xlsx",
+ rownames=FALSE, header=TRUE, na="", sheet="Hoja1", stringsAsFactors=TRUE)
Se utilizo una ecuación cuadratica
> LinearModel.1 <- lm(No.PER ~ CA +I(CA ^2)+Costo +I(Costo ^2)+IN1 +I(IN1 ^2)+Mesas +I(Mesas
+ ^2)+SE1 +I(SE1 ^2)+SEM1 +I(SEM1 ^2)+TEM +I(TEM ^2)+TIEM +I(TIEM ^2) + TIPO1 +I(TIPO1
+ ^2)+TIPO2 +I(TIPO2 ^2)+Ub1 +I(Ub1 ^2), data=Dataset)
> summary(LinearModel.1)
Call:
lm(formula = No.PER ~ CA + I(CA^2) + Costo + I(Costo^2) + IN1 +
I(IN1^2) + Mesas + I(Mesas^2) + SE1 + I(SE1^2) + SEM1 + I(SEM1^2) +
TEM + I(TEM^2) + TIEM + I(TIEM^2) + TIPO1 + I(TIPO1^2) +
TIPO2 + I(TIPO2^2) + Ub1 + I(Ub1^2), data = Dataset)
Residuals:
Min 1Q Median 3Q Max
-14.231 -4.194 -1.016 3.018 41.702
Coefficients: (8 not defined because of singularities)
Estimate Std. Error t value Pr(>|t|)
(Intercept) 39.77182384 22.18562298 1.793 0.0890 .

CA -42.57620812 16.59417800 -2.566 0.0189 *
I(CA^2) NA NA NA NA
Costo 0.07008103 0.04837426 1.449 0.1637
I(Costo^2) -0.00002029 0.00003055 -0.664 0.5146
IN1 -3.19107769 21.18589067 -0.151 0.8819
I(IN1^2) NA NA NA NA
Mesas -5.11077200 4.23607336 -1.206 0.2424
I(Mesas^2) 0.97276523 0.54459615 1.786 0.0900 .
SE1 -7.41622334 5.69479958 -1.302 0.2084
I(SE1^2) NA NA NA NA
SEM1 0.58312243 7.20071757 0.081 0.9363
I(SEM1^2) NA NA NA NA
TEM -0.16446790 7.40035492 -0.022 0.9825
I(TEM^2) NA NA NA NA
TIEM -0.29952180 0.59018812 -0.508 0.6176
I(TIEM^2) 0.00365048 0.00791081 0.461 0.6497
TIPO1 -9.08158506 16.22158081 -0.560 0.5821
I(TIPO1^2) NA NA NA NA
TIPO2 -20.96561540 8.73838056 -2.399 0.0268 *
I(TIPO2^2) NA NA NA NA
Ub1 -2.76622718 5.29310584 -0.523 0.6073
I(Ub1^2) NA NA NA NA
---Como lo subrayado en amarillo no aporta nada se quitan esas variables

del modelo dejando la ecuación así
Estos son los valores de alfa para rechazar los valores P
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residuos: F:0
Residual standard error: 12.43 on 19 degrees of freedom
Multiple R-squared: 0.6851, Adjusted R-squared: 0.4531

F-statistic: 2.953 on 14 and 19 DF, p-value: 0.01487
> LinearModel.2 <- lm(No.PER ~ CA + Costo + I(Costo^2) + IN1 + Mesas + I(Mesas^2) + SE1
+ + SEM1 + TEM + TIEM + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data=Dataset)
Asi es como quedo el modelo después de quitar los variables que no aportan nada
(Resumen del modelo)
Call:
lm(formula = No.PER ~ CA + Costo + I(Costo^2) + IN1 + Mesas +
I(Mesas^2) + SE1 + SEM1 + TEM + TIEM + I(TIEM^2) + TIPO1 +
TIPO2 + Ub1, data = Dataset)
Residuals:
-14.231 -4.194 -1.016 3.018 41.702
Coefficients:
(Intercept) 39.77182384 22.18562298 1.793 0.0890 .
CA -42.57620812 16.59417800 -2.566 0.0189 *
Costo 0.07008103 0.04837426 1.449 0.1637
I(Costo^2) -0.00002029 0.00003055 -0.664 0.5146
IN1 -3.19107769 21.18589067 -0.151 0.8819
Mesas -5.11077200 4.23607336 -1.206 0.2424
I(Mesas^2) 0.97276523 0.54459615 1.786 0.0900 .
SE1 -7.41622334 5.69479958 -1.302 0.2084
SEM1 0.58312243 7.20071757 0.081 0.9363

TEM -0.16446790 7.40035492 -0.022 0.9825
TIEM -0.29952180 0.59018812 -0.508 0.6176
I(TIEM^2) 0.00365048 0.00791081 0.461 0.6497
TIPO1 -9.08158506 16.22158081 -0.560 0.5821
TIPO2 -20.96561540 8.73838056 -2.399 0.0268 *
Ub1 -2.76622718 5.29310584 -0.523 0.6073
---Como se ve que en algunos valores P son muy altos para el nivel de

confianza 97% (o para un alfa del 0.03) se van eliminando
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Y así uno por uno se fueron quitando las variables

> LinearModel.3 <- lm(No.PER ~ CA + Costo + I(Costo^2) + IN1 + Mesas + I(Mesas^2) + SE1
+ + SEM1 + TIEM + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data=Dataset)
Call:
lm(formula = No.PER ~ CA + Costo + I(Costo^2) + IN1 + Mesas +
I(Mesas^2) + SE1 + SEM1 + TIEM + I(TIEM^2) + TIPO1 + TIPO2 +
Ub1, data = Dataset)
Residuals:
-14.137 -4.223 -1.024 3.006 41.644

Coefficients:
(Intercept) 39.81649108 21.53523536 1.849 0.0793 .
CA -42.67539486 15.57826786 -2.739 0.0126 *
Costo 0.07019658 0.04687690 1.497 0.1499
I(Costo^2) -0.00002030 0.00002978 -0.682 0.5032
IN1 -3.42180670 18.00042104 -0.190 0.8512
Mesas -5.11000813 4.12873134 -1.238 0.2302
I(Mesas^2) 0.97132981 0.52706731 1.843 0.0802 .
SE1 -7.45814503 5.23733765 -1.424 0.1699
SEM1 0.61274774 6.89717165 0.089 0.9301
TIEM -0.29970332 0.57519661 -0.521 0.6081
I(TIEM^2) 0.00364125 0.00769998 0.473 0.6414
TIPO1 -9.02385257 15.60699554 -0.578 0.5696
TIPO2 -21.02455970 8.11544030 -2.591 0.0175 *
Ub1 -2.73947299 5.02394698 -0.545 0.5916
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> LinearModel.4 <- lm(No.PER ~ CA + Costo + I(Costo^2) + Mesas + I(Mesas^2) + SE1 + SEM1
+ + TIEM + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data=Dataset)
Call:
lm(formula = No.PER ~ CA + Costo + I(Costo^2) + Mesas + I(Mesas^2) +
SE1 + SEM1 + TIEM + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data = Dataset)
Residuals:
-14.044 -4.154 -1.153 3.003 41.662
Coefficients:
(Intercept) 38.63351287 20.13780778 1.918 0.06875 .
CA -41.17176257 13.10913795 -3.141 0.00494 **
Costo 0.06973371 0.04572667 1.525 0.14218
I(Costo^2) -0.00002087 0.00002894 -0.721 0.47872
Mesas -4.96070137 3.95922187 -1.253 0.22400
I(Mesas^2) 0.95393186 0.50700848 1.881 0.07384 .
SE1 -7.29201001 5.04400552 -1.446 0.16303
SEM1 0.67191147 6.73016588 0.100 0.92142
TIEM -0.28607112 0.55745767 -0.513 0.61319
I(TIEM^2) 0.00358828 0.00751627 0.477 0.63801
TIPO1 -11.34293176 9.50795154 -1.193 0.24618
TIPO2 -20.86700743 7.88556318 -2.646 0.01510 *
Ub1 -3.00025901 4.72079820 -0.636 0.53194
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Apartir de aqui vamos checando los VIF, que son los Factores de inflación
de la varianza, para ver que las variables sean independientes tienen que
ser menor que 3 y las que son mayores se van quitando del modelo, por
ejemplo:
> vif(LinearModel.4)
CA Costo I(Costo^2) Mesas I(Mesas^2) SE1 SEM1 TIEM
7.504127 42.616094 36.673177 14.259259 9.839324 1.522245 1.141094 12.811002
I(TIEM^2) TIPO1 TIPO2 Ub1
12.604001 5.010331 1.566518 1.333412
Y se van quitando uno por uno las variables con VIF mayor a 3
> round(cov2cor(vcov(LinearModel.4)), 3) # Correlations of parameter estimates
(Intercept) CA Costo I(Costo^2) Mesas I(Mesas^2) SE1 SEM1 TIEM
(Intercept) 1.000 -0.248 -0.487 0.534 -0.086 0.129 -0.342 -0.380 -0.555
CA -0.248 1.000 -0.562 0.438 0.604 -0.355 0.258 0.148 0.164
Costo -0.487 -0.562 1.000 -0.965 -0.545 0.357 0.004 0.031 0.058
I(Costo^2) 0.534 0.438 -0.965 1.000 0.499 -0.376 -0.102 -0.061 -0.118
Mesas -0.086 0.604 -0.545 0.499 1.000 -0.889 -0.039 0.087 0.142
I(Mesas^2) 0.129 -0.355 0.357 -0.376 -0.889 1.000 0.038 -0.101 -0.116
SE1 -0.342 0.258 0.004 -0.102 -0.039 0.038 1.000 0.055 0.220
SEM1 -0.380 0.148 0.031 -0.061 0.087 -0.101 0.055 1.000 0.023
TIEM -0.555 0.164 0.058 -0.118 0.142 -0.116 0.220 0.023 1.000
I(TIEM^2) 0.505 -0.181 0.012 0.021 -0.216 0.200 -0.206 -0.042 -0.947
TIPO1 -0.179 0.830 -0.546 0.495 0.615 -0.418 0.059 0.049 0.164
TIPO2 -0.581 0.282 0.146 -0.181 0.159 -0.175 0.287 0.016 0.108
Ub1 0.110 -0.187 -0.042 0.044 -0.181 0.075 0.020 0.132 -0.159
I(TIEM^2) TIPO1 TIPO2 Ub1
(Intercept) 0.505 -0.179 -0.581 0.110

CA -0.181 0.830 0.282 -0.187
Costo 0.012 -0.546 0.146 -0.042
I(Costo^2) 0.021 0.495 -0.181 0.044
Mesas -0.216 0.615 0.159 -0.181
I(Mesas^2) 0.200 -0.418 -0.175 0.075
SE1 -0.206 0.059 0.287 0.020
SEM1 -0.042 0.049 0.016 0.132
TIEM -0.947 0.164 0.108 -0.159
I(TIEM^2) 1.000 -0.202 -0.132 0.163
TIPO1 -0.202 1.000 0.083 -0.302
TIPO2 -0.132 0.083 1.000 -0.103
Ub1 0.163 -0.302 -0.103 1.000
> LinearModel.5 <- lm(No.PER ~ CA + I(Costo^2) + Mesas + I(Mesas^2) + SE1 + SEM1 + TIEM
+ + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + Mesas + I(Mesas^2) +
SE1 + SEM1 + TIEM + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data = Dataset)
Residuals:
-15.391 -6.083 -2.627 4.305 38.917
Coefficients:
(Intercept) 53.590484158 18.110186012 2.959 0.00725 **

CA -29.929149867 11.161596766 -2.681 0.01363 *
I(Costo^2) 0.000021736 0.000007764 2.800 0.01044 *
Mesas -1.673013538 3.419397525 -0.489 0.62949
I(Mesas^2) 0.678246885 0.487748075 1.391 0.17826
SE1 -7.319180274 5.193719488 -1.409 0.17274
SEM1 0.352447827 6.926613174 0.051 0.95988
TIEM -0.335496633 0.573036534 -0.585 0.56419
I(TIEM^2) 0.003449500 0.007738843 0.446 0.66014
TIPO1 -3.433015741 8.205157028 -0.418 0.67971
TIPO2 -22.621875040 8.032750433 -2.816 0.01006 *
Ub1 -2.696522126 4.856621042 -0.555 0.58434
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
CA I(Costo^2) Mesas I(Mesas^2) SE1 SEM1 TIEM I(TIEM^2)
5.130897 2.489712 10.031484 8.588447 1.522226 1.139988 12.767699 12.602153
TIPO1 TIPO2 Ub1
3.519290 1.533159 1.331038
(Intercept) CA I(Costo^2) Mesas I(Mesas^2) SE1 SEM1 TIEM I(TIEM^2)
(Intercept) 1.000 -0.723 0.282 -0.480 0.371 -0.389 -0.418 -0.604 0.585
CA -0.723 1.000 -0.487 0.429 -0.200 0.314 0.200 0.238 -0.211

I(Costo^2) 0.282 -0.487 1.000 -0.122 -0.132 -0.377 -0.117 -0.238 0.125
Mesas -0.480 0.429 -0.122 1.000 -0.887 -0.045 0.124 0.208 -0.249
I(Mesas^2) 0.371 -0.200 -0.132 -0.887 1.000 0.039 -0.120 -0.147 0.210
SE1 -0.389 0.314 -0.377 -0.045 0.039 1.000 0.055 0.220 -0.206
SEM1 -0.418 0.200 -0.117 0.124 -0.120 0.055 1.000 0.021 -0.042
TIEM -0.604 0.238 -0.238 0.208 -0.147 0.220 0.021 1.000 -0.950
I(TIEM^2) 0.585 -0.211 0.125 -0.249 0.210 -0.206 -0.042 -0.950 1.000
TIPO1 -0.607 0.756 -0.147 0.453 -0.285 0.073 0.078 0.234 -0.233
TIPO2 -0.590 0.445 -0.155 0.287 -0.246 0.289 0.012 0.101 -0.135
Ub1 0.102 -0.256 0.011 -0.243 0.097 0.020 0.134 -0.157 0.164
TIPO1 TIPO2 Ub1
(Intercept) -0.607 -0.590 0.102
CA 0.756 0.445 -0.256
I(Costo^2) -0.147 -0.155 0.011
Mesas 0.453 0.287 -0.243
I(Mesas^2) -0.285 -0.246 0.097
SE1 0.073 0.289 0.020
SEM1 0.078 0.012 0.134
TIEM 0.234 0.101 -0.157
I(TIEM^2) -0.233 -0.135 0.164
TIPO1 1.000 0.196 -0.388
TIPO2 0.196 1.000 -0.098
Ub1 -0.388 -0.098 1.000
> LinearModel.6 <- lm(No.PER ~ CA + I(Costo^2) + Mesas + I(Mesas^2) + SE1 + SEM1 +
+ I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + Mesas + I(Mesas^2) +
SE1 + SEM1 + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data = Dataset)
Residuals:
-15.364 -6.282 -2.229 4.276 38.603
Coefficients:
(Intercept) 47.188860122 14.229121913 3.316 0.00301 **
CA -28.370958430 10.683657597 -2.656 0.01413 *
I(Costo^2) 0.000020652 0.000007431 2.779 0.01067 *
Mesas -1.257605026 3.296836221 -0.381 0.70636
I(Mesas^2) 0.636379345 0.475534013 1.338 0.19390
SE1 -6.650003699 4.993482838 -1.332 0.19599
SEM1 0.438836010 6.825383066 0.064 0.94929
I(TIEM^2) -0.000852889 0.002391592 -0.357 0.72463
TIPO1 -2.308703843 7.862469768 -0.294 0.77167
TIPO2 -22.147119845 7.876707563 -2.812 0.00990 **
Ub1 -3.142534021 4.727475333 -0.665 0.51283
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

CA I(Costo^2) Mesas I(Mesas^2) SE1 SEM1 I(TIEM^2) TIPO1
4.839174 2.348148 9.599562 8.403832 1.448505 1.139471 1.238961 3.326518
TIPO2 Ub1
1.517535 1.298289
(Intercept) CA I(Costo^2) Mesas I(Mesas^2) SE1 SEM1 I(TIEM^2) TIPO1
(Intercept) 1.000 -0.748 0.178 -0.455 0.358 -0.330 -0.508 0.045 -0.601
CA -0.748 1.000 -0.456 0.400 -0.172 0.276 0.201 0.050 0.741
I(Costo^2) 0.178 -0.456 1.000 -0.077 -0.174 -0.343 -0.116 -0.335 -0.096
Mesas -0.455 0.400 -0.077 1.000 -0.885 -0.095 0.122 -0.170 0.425
I(Mesas^2) 0.358 -0.172 -0.174 -0.885 1.000 0.074 -0.119 0.228 -0.261
SE1 -0.330 0.276 -0.343 -0.095 0.074 1.000 0.052 0.010 0.023
SEM1 -0.508 0.201 -0.116 0.122 -0.119 0.052 1.000 -0.071 0.076
I(TIEM^2) 0.045 0.050 -0.335 -0.170 0.228 0.010 -0.071 1.000 -0.036
TIPO1 -0.601 0.741 -0.096 0.425 -0.261 0.023 0.076 -0.036 1.000
TIPO2 -0.667 0.436 -0.136 0.273 -0.235 0.275 0.010 -0.127 0.179
Ub1 0.010 -0.227 -0.028 -0.218 0.076 0.056 0.139 0.048 -0.366
TIPO2 Ub1
(Intercept) -0.667 0.010
CA 0.436 -0.227
I(Costo^2) -0.136 -0.028
Mesas 0.273 -0.218
I(Mesas^2) -0.235 0.076
SE1 0.275 0.056
SEM1 0.010 0.139
I(TIEM^2) -0.127 0.048
TIPO1 0.179 -0.366

TIPO2 1.000 -0.084
Ub1 -0.084 1.000
> LinearModel.7 <- lm(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + SEM1 + I(TIEM^2) +
+ TIPO1 + TIPO2 + Ub1, data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + SEM1 +
I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data = Dataset)
Residuals:
-16.284 -5.818 -2.003 4.192 39.159
Coefficients:
(Intercept) 44.721219233 12.445949800 3.593 0.00146 **
CA -26.742696465 9.617959815 -2.780 0.01039 *
I(Costo^2) 0.000020435 0.000007276 2.808 0.00974 **
I(Mesas^2) 0.475850517 0.217461078 2.188 0.03862 *
SE1 -6.830242811 4.881781278 -1.399 0.17457
SEM1 0.756591458 6.652671352 0.114 0.91040
I(TIEM^2) -0.001008043 0.002314416 -0.436 0.66706
TIPO1 -1.033305018 6.988318460 -0.148 0.88369
TIPO2 -21.325591612 7.440463414 -2.866 0.00851 **
Ub1 -3.535988804 4.530706872 -0.780 0.44276
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
CA I(Costo^2) I(Mesas^2) SE1 SEM1 I(TIEM^2) TIPO1 TIPO2
4.066696 2.334355 1.822308 1.435536 1.122499 1.203125 2.724970 1.404086
Ub1
1.236486
(Intercept) CA I(Costo^2) I(Mesas^2) SE1 SEM1 I(TIEM^2) TIPO1 TIPO2
(Intercept) 1.000 -0.693 0.162 -0.107 -0.421 -0.512 -0.037 -0.506 -0.633
CA -0.693 1.000 -0.466 0.425 0.344 0.167 0.131 0.688 0.370
I(Costo^2) 0.162 -0.466 1.000 -0.521 -0.353 -0.107 -0.354 -0.071 -0.120
I(Mesas^2) -0.107 0.425 -0.521 1.000 -0.021 -0.023 0.168 0.273 0.016
SE1 -0.421 0.344 -0.353 -0.021 1.000 0.064 -0.006 0.070 0.315
SEM1 -0.512 0.167 -0.107 -0.023 0.064 1.000 -0.051 0.026 -0.025
I(TIEM^2) -0.037 0.131 -0.354 0.168 -0.006 -0.051 1.000 0.041 -0.085
TIPO1 -0.506 0.688 -0.071 0.273 0.070 0.026 0.041 1.000 0.072
TIPO2 -0.633 0.370 -0.120 0.016 0.315 -0.025 -0.085 0.072 1.000
Ub1 -0.103 -0.157 -0.046 -0.259 0.037 0.171 0.011 -0.309 -0.026
Ub1
(Intercept) -0.103
CA -0.157
I(Costo^2) -0.046
I(Mesas^2) -0.259
SE1 0.037
SEM1 0.171
I(TIEM^2) 0.011
TIPO1 -0.309
TIPO2 -0.026
Ub1 1.000
> LinearModel.9 <- lm(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + SEM1 + I(TIEM^2) +
+ TIPO2 + Ub1, data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + SEM1 +
I(TIEM^2) + TIPO2 + Ub1, data = Dataset)
Residuals:
-16.496 -5.834 -1.580 4.040 39.157
Coefficients:
(Intercept) 43.790817004 10.525975664 4.160 0.000328 ***
CA -25.763633383 6.837931766 -3.768 0.000897 ***
I(Costo^2) 0.000020358 0.000007115 2.861 0.008402 **
I(Mesas^2) 0.484641252 0.205043430 2.364 0.026181 *
SE1 -6.779894362 4.773672340 -1.420 0.167882
SEM1 0.782507209 6.518964771 0.120 0.905414

I(TIEM^2) -0.000993923 0.002266756 -0.438 0.664806
TIPO2 -21.246827159 7.274739431 -2.921 0.007301 **
Ub1 -3.742846960 4.224162348 -0.886 0.384031
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
CA I(Costo^2) I(Mesas^2) SE1 SEM1 I(TIEM^2) TIPO2 Ub1
2.139236 2.322666 1.686102 1.428551 1.121720 1.201077 1.396889 1.118592
Como aqui se ve todas las VIF son menores que 3, dando a entender que
todas son independientes, ahora se seguirá descartando variable con un
valor p mayor a 0.03
(Intercept) CA I(Costo^2) I(Mesas^2) SE1 SEM1 I(TIEM^2) TIPO2 Ub1
(Intercept) 1.000 -0.551 0.146 0.037 -0.448 -0.578 -0.019 -0.694 -0.316
CA -0.551 1.000 -0.576 0.340 0.409 0.206 0.141 0.444 0.081
I(Costo^2) 0.146 -0.576 1.000 -0.522 -0.349 -0.106 -0.352 -0.115 -0.071
I(Mesas^2) 0.037 0.340 -0.522 1.000 -0.042 -0.031 0.163 -0.003 -0.190
SE1 -0.448 0.409 -0.349 -0.042 1.000 0.063 -0.009 0.311 0.061
SEM1 -0.578 0.206 -0.106 -0.031 0.063 1.000 -0.052 -0.026 0.188
I(TIEM^2) -0.019 0.141 -0.352 0.163 -0.009 -0.052 1.000 -0.088 0.025
TIPO2 -0.694 0.444 -0.115 -0.003 0.311 -0.026 -0.088 1.000 -0.004
Ub1 -0.316 0.081 -0.071 -0.190 0.061 0.188 0.025 -0.004 1.000
> LinearModel.10 <- lm(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + I(TIEM^2) + TIPO2 +
+ Ub1, data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + I(TIEM^2) +
TIPO2 + Ub1, data = Dataset)
Residuals:
-16.490 -5.752 -1.808 4.079 39.265
Coefficients:
(Intercept) 44.520898536 8.426456745 5.283 0.0000159 ***
CA -25.932533831 6.563537304 -3.951 0.000531 ***
I(Costo^2) 0.000020449 0.000006939 2.947 0.006695 **
I(Mesas^2) 0.485408541 0.201021803 2.415 0.023082 *
SE1 -6.815712046 4.673163140 -1.458 0.156684
I(TIEM^2) -0.000979666 0.002220323 -0.441 0.662697
TIPO2 -21.223702704 7.133021842 -2.975 0.006247 **
Ub1 -3.838392477 4.069101055 -0.943 0.354210
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
R CUADRADO que significa que tan bueno es el modelo

> LinearModel.11 <- lm(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + TIPO2 + Ub1,
+ data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + TIPO2 +
Ub1, data = Dataset)
Residuals:
-16.387 -5.779 -2.308 3.805 39.242
Coefficients:
(Intercept) 44.297681891 8.284867308 5.347 0.000012 ***
CA -25.481448577 6.386006342 -3.990 0.000454 ***
I(Costo^2) 0.000019346 0.000006377 3.034 0.005286 **
I(Mesas^2) 0.499740122 0.195399374 2.558 0.016473 *
SE1 -6.826938586 4.602874975 -1.483 0.149604
TIPO2 -21.505584988 6.997603291 -3.073 0.004797 **
Ub1 -3.774862469 4.005447921 -0.942 0.354328
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

> LinearModel.12 <- lm(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + TIPO2, data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + TIPO2,
data = Dataset)
Residuals:
-14.333 -6.770 -2.596 3.873 37.467
Coefficients:
(Intercept) 42.292879081 7.991102696 5.292 0.0000125 ***
CA -25.248206886 6.368453966 -3.965 0.000462 ***
I(Costo^2) 0.000019091 0.000006358 3.003 0.005582 **
I(Mesas^2) 0.463560275 0.191208101 2.424 0.022042 *
SE1 -6.606568526 4.587743270 -1.440 0.160942
TIPO2 -21.477552181 6.983553274 -3.075 0.004657 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Y al final después de quitar aquellas variables con VIF alto y valor P mayor
que 0.03 el modelo final queda así
> LinearModel.13 <- lm(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + TIPO2, data=Dataset)
Call:
lm(formula = No.PER ~ CA + I(Costo^2) + I(Mesas^2) + TIPO2, data = Dataset)
Residuals:
-12.843 -7.166 -0.792 4.557 40.493
Dejando los valores p y valores de Beta de la siguiente forma:

Coefficients:
(Intercept) 36.409934980 6.993922102 5.206 0.0000143 ***
CA -21.482409094 5.913303953 -3.633 0.00107 **
I(Costo^2) 0.000015695 0.000006013 2.610 0.01417 *
I(Mesas^2) 0.455237970 0.194626749 2.339 0.02643 *
TIPO2 -18.314957820 6.750850906 -2.713 0.01110 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Ahora se calculan los valores ajustados y los errores
> Dataset<- within(Dataset, {
+ fitted.LinearModel.13 <- fitted(LinearModel.13)
+ residuals.LinearModel.13 <- residuals(LinearModel.13)
+ })
> library(zoo, pos=17)
> library(lmtest, pos=17)
> bptest(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + TIPO2, varformula = ~
+ fitted.values(LinearModel.13), studentize=FALSE, data=Dataset)
Ahora con la prueba de heterosedasticidad de Breusch-Pagan cuya prueba

de hipótesis es:
H0: Los errores tienen una varianza constante
H1: Los errores NO tienen una varianza constante
Breusch-Pagan test
data: No.PER ~ CA + I(Costo^2) + I(Mesas^2) + TIPO2
BP = 0.095318, df = 1, p-value = 0.7575
Y como Podemos ver el Alpha es menor que el valor p así que no hay
evidencia para rechazar la hipótesis nula
Ahora con la prueba de normalidad de los errores usaremos la prueba de

Chi-cuadrada de Pearson cuya prueba de hipótesis es:
H0: 𝞊∼N(0,𝞼^2)
H1: : 𝞊≁N(0,𝞼^2)
> normalityTest(~residuals.LinearModel.13, test="pearson.test", data=Dataset)
Pearson chi-square normality test
data: residuals.LinearModel.13
P = 12.588, p-value = 0.05006
Ahora con la prueba de no linealidad usaremos la prueba de test RESET de

no linealidad cuya prueba de hipótesis es:
H0: E(y)=𝞫0+ 𝞫CA(CA)+ 𝞫I(Mesas^2)(I(Mesas^2))+ 𝞫TIPO2(TIPO2)
H1: E(y)≠𝞫0+ 𝞫CA(CA)+ 𝞫I(Mesas^2)(I(Mesas^2))+ 𝞫TIPO2(TIPO2)
> resettest(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + TIPO2, power=2:3, type="fitted",
+ data=Dataset)
RESET test
data: No.PER ~ CA + I(Costo^2) + I(Mesas^2) + TIPO2
RESET = 3.6354, df1 = 2, df2 = 27, p-value = 0.03999
CONCLUSION
En conclusión nuestro modelo resulto bien porque cumples todas las condiciones para
cumplir un modelo lineal funcional que los valores son independientes, que el error tenga
una varianza contante, que cumpla la homocedasticidad que los errores siguen una
distribución normal con media cero y varianza sigma cuadrada.

Proyecto Regresión

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Proyecto Regresión

Cargado por

Copyright:

Formatos disponibles

Unidad Profesional Interdisciplinaria de Ingeniería

Campus Guanajuato IPN

PROYECTO: “Modelos de Regresión en Acción”

Docente: Edgar Reyes Ayona

PLANTEAMIENTO DEL PROBLEMA

+ rownames=FALSE, header=TRUE, na="", sheet="Hoja1", stringsAsFactors=TRUE)

Se utilizo una ecuación cuadratica

+ ^2)+TIPO2 +I(TIPO2 ^2)+Ub1 +I(Ub1 ^2), data=Dataset)

lm(formula = No.PER ~ CA + I(CA^2) + Costo + I(Costo^2) + IN1 +

I(IN1^2) + Mesas + I(Mesas^2) + SE1 + I(SE1^2) + SEM1 + I(SEM1^2) +

TEM + I(TEM^2) + TIEM + I(TIEM^2) + TIPO1 + I(TIPO1^2) +

TIPO2 + I(TIPO2^2) + Ub1 + I(Ub1^2), data = Dataset)

Min 1Q Median 3Q Max

-14.231 -4.194 -1.016 3.018 41.702

Coefficients: (8 not defined because of singularities)

Estimate Std. Error t value Pr(>|t|)

(Intercept) 39.77182384 22.18562298 1.793 0.0890 .

Costo 0.07008103 0.04837426 1.449 0.1637

I(Costo^2) -0.00002029 0.00003055 -0.664 0.5146

IN1 -3.19107769 21.18589067 -0.151 0.8819

Mesas -5.11077200 4.23607336 -1.206 0.2424

I(Mesas^2) 0.97276523 0.54459615 1.786 0.0900 .

SE1 -7.41622334 5.69479958 -1.302 0.2084

SEM1 0.58312243 7.20071757 0.081 0.9363

TEM -0.16446790 7.40035492 -0.022 0.9825

TIEM -0.29952180 0.59018812 -0.508 0.6176

I(TIEM^2) 0.00365048 0.00791081 0.461 0.6497

TIPO1 -9.08158506 16.22158081 -0.560 0.5821

TIPO2 -20.96561540 8.73838056 -2.399 0.0268 *

Ub1 -2.76622718 5.29310584 -0.523 0.6073

---Como lo subrayado en amarillo no aporta nada se quitan esas variables

Residual standard error: 12.43 on 19 degrees of freedom

Multiple R-squared: 0.6851, Adjusted R-squared: 0.4531

+ + SEM1 + TEM + TIEM + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data=Dataset)

(Resumen del modelo)

lm(formula = No.PER ~ CA + Costo + I(Costo^2) + IN1 + Mesas +

I(Mesas^2) + SE1 + SEM1 + TEM + TIEM + I(TIEM^2) + TIPO1 +

TIPO2 + Ub1, data = Dataset)

Min 1Q Median 3Q Max

-14.231 -4.194 -1.016 3.018 41.702

Estimate Std. Error t value Pr(>|t|)

(Intercept) 39.77182384 22.18562298 1.793 0.0890 .

CA -42.57620812 16.59417800 -2.566 0.0189 *

Costo 0.07008103 0.04837426 1.449 0.1637

I(Costo^2) -0.00002029 0.00003055 -0.664 0.5146

IN1 -3.19107769 21.18589067 -0.151 0.8819

Mesas -5.11077200 4.23607336 -1.206 0.2424

I(Mesas^2) 0.97276523 0.54459615 1.786 0.0900 .

SE1 -7.41622334 5.69479958 -1.302 0.2084

SEM1 0.58312243 7.20071757 0.081 0.9363

TIEM -0.29952180 0.59018812 -0.508 0.6176

I(TIEM^2) 0.00365048 0.00791081 0.461 0.6497

TIPO1 -9.08158506 16.22158081 -0.560 0.5821

TIPO2 -20.96561540 8.73838056 -2.399 0.0268 *

Ub1 -2.76622718 5.29310584 -0.523 0.6073

---Como se ve que en algunos valores P son muy altos para el nivel de

Residual standard error: 12.43 on 19 degrees of freedom

Multiple R-squared: 0.6851, Adjusted R-squared: 0.4531

F-statistic: 2.953 on 14 and 19 DF, p-value: 0.01487

Y así uno por uno se fueron quitando las variables

+ + SEM1 + TIEM + I(TIEM^2) + TIPO1 + TIPO2 + Ub1, data=Dataset)

lm(formula = No.PER ~ CA + Costo + I(Costo^2) + IN1 + Mesas +

I(Mesas^2) + SE1 + SEM1 + TIEM + I(TIEM^2) + TIPO1 + TIPO2 +

Ub1, data = Dataset)