REGRESIONlinealmultipleta

Universidad de San Carlos de Guatemala
Área de Tecnológica
Sub-area de Métodos de Cuantificación e investigación
Catedrático: Dr. Ezequiel López
Aux. P. Agra. Sheila Méndez
Victor Moises Carías Donis 201210842
“Tarea de regresión lineal múltiple”
Ejercicio 1.
Un productor desea predecir el rendimiento de café, utilizando las siguientes variables:
Los datos presentados para realizar una prueba de regresión lineal múltiple, se ingresaron a infostat
para poder llegar a concluir sobre las variables utilizadas para elaborar un modelo que se ajuste a
dichos datos. Los datos utilizados son:
Variables regresoras:
Edad (años)
Densidad (cafeto/ha)
Variable dependiente
Rendimiento de café cereza (Kg/planta)
Se procesaron los datos en infostat y los resultados son los siguientes
Análisis de regresión lineal
Variable N R² R² Aj ECMP AIC BIC

Rend 73 0.17 0.15 0.52 156.22 165.38
En el cuadro anterior se muestra el valor de R2 el cual aparentemente es bajo. Sin embargo este no
infiere mucho en la correlación múltiple.
Para evaluar la significancia del modelo se plantean las siguientes hipótesis:
Ho: β0 = β1= β2=0

Ha: Por lo menos un valor de βn≠ 0
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo. 6.64 2 3.32 7.14 0.0015
Edad 0.30 1 0.30 0.65 0.4218
Dens 6.23 1 6.23 13.41 0.0005
Error 32.56 70 0.47
Total 39.19 72
A partir del cuadro anterior se rechaza la hipótesis nula, y se concluye que al menos una de los
valores de Beta no es igual a 0 por lo tanto sí existe regresión lineal múltiple. Luego a este paso se
evalúan de manera individual los valores de beta 1 y beta 2. Para evaluar su significancia dentro del
modelo para lo cual se generó el cuadro de coeficientes de regresión y sus estadísticos asociados.
Coeficientes de regresión y estadísticos asociados
Coef Est. E.E. LI(95%) LS(95%) T p-valor CpMallows VIF

const 2.14 0.45 1.24 3.03 4.76 <0.0001
Edad -0.01 0.01 -0.02 0.01-0.81 0.4218 2.6 1.25
Dens -5.4E-04 1.5E-04 -8.3E-04 -2.5E-04 -3.66 0.0005 15.23 1.25
El cuadro anterior muestra los valores de β para el modelo y su intercepto correspondiente, además
indica el valor de p para cada una de los valores respectivos de β. Para cada uno de los valores de
Beta probó su significancia dentro del modelo a partir de las siguientes hipótesis.
En este caso las hipótesis serían así

Para β0 :
Ho: β0 =0
Ha: β0 ≠ 0
En este caso se rechaza la hipótesis nula, debido a que p < 0.05 y se concluye que el modelo no
inicia de 0.
Para β1
Ho: β1 =0
Ha: β1 ≠ 0
Para β1 no se rechaza la hipótesis nula debido a que p>0.05 y por lo tanto el valor de beta es igual a
0 estadísticamente.
Para β2
Ho: β2 =0
Ha: β2 ≠ 0
Para β2 se rechaza la hipótesis nula, debido a que p <0.05 y se concluye que el valor beta no es igual
a 0.
En base a las decisiones de las hipótesis el modelo quedaría de la siguiente manera.
El modelo es el siguiente:
−4
y=2.14−5.04 x 2 10
Donde
Y: Rendimiento estimado de café en (kg/planta)

X1: Densidad de siembra (cafetos/ha)
Luego de probar la significancia y descartar Beta 1, se digitalizaron los datos nuevamente a infostat
para poder generar un nuevo modelo sólo con la variable significativa dentro del modelo, el cual
quedó de la siguiente manera.
Variable N R² R² Aj ECMP AIC BIC

Rend 73 0.16 0.15 0.50 154.89 161.77
Coef Est. E.E. LI(95%) LS(95%) T p-valor CpMallows VIF const

1.89 0.33 1.23 2.55 5.73 <0.0001
Dens -4.9E-04 1.3E-4 -7.5E-0 -2.2E-04 -3.70 0.0004 14.51 1.00
Según estos valores el modelo queda de la siguiente manera:

−4
y=1.89−4.9 x 10
Donde:
Y: Rendimiento estimado de café en (kg/planta)

X1: Densidad de siembra (cafetos/ha)
Sin embargo el valor de r2 indica que el modelo sólo explica el 16% del comportamiento de los
datos. Por lo tanto se trata de un modelo no apropiado para estimar los datos de rendimiento en
función de la densidad de siembra.
La grafica de dispersión indica que los valores no se distribuyen de manera normal, es por ello que
el modelo generado no es util para estimar el rendimineto a partir de la densidad de siembra.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
QQ-PLOT
3.94
Versión Estudiantil2.36
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Cuantiles observados - RE (Rend)
0.78
Versión Estudiantil Versión-0.80
Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
-2.39
-2.39 -0.80 0.78 2.36 3.94
Cuantiles de una Normal(0,1)
Además de esta gráfica se puede hacer la prueba de Shapiro-wilks, las hipotesis son las siguientes:
Ho: e N ~N (0,1) es decir los datos se distribuyen de manera normal

Ha: e, no siguen la distribución normal.
Variable n Media D.E. W* p(Unilateral D)

Rend 73 0.71 0.74 0.52 <0.0001
En función del valor de p se concluye que los datos no siguen una distribución normal por lo tanto
el modelo no es util para estimar el rendimiento.
Ejercicio 2.
Un economista está interesado en predecir la demanda anual de cierto producto, utilizando las
siguientes variables:
PRECIO = precio del producto (en dólares)
INGRESO = ingreso del consumidor (en dólares)
SUB = precio de un bien sustituto (en dólares)
Nota: un bien sustituto es aquel que puede suplir a otro bien. Por ejemplo, la margarina es un bien
sustituto de la mantequilla.
Los datos presentados para realizar una prueba de regresión lineal múltiple, se ingresaron a Excel®
para poder llegar a concluir sobre las variables utilizadas para elaborar un modelo que se ajuste a
dichos datos. Los datos utilizados son:
PRECIO = precio del producto (en dólares)

INGRESO = ingreso del consumidor (en dólares)
SUB = precio de un bien sustituto (en dólares)
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.98
Coeficiente de determinación R^2 0.95
R^2 ajustado 0.94
Error típico 4.53
Observaciones 15
En el cuadro anterior se muestra el valor de R2 el cual aparentemente es alto. Sin embargo este no
infiere mucho en la correlación múltiple.
Para evaluar la significancia del modelo se plantean las siguientes hipótesis:
Ho: β0 = β1= β2=0

Ha: Por lo menos un valor de βn≠ 0
Grados
de Suma de Promedio de Valor crítico
libertad cuadrados los cuadrados F de F
Regresión 3.00E+00 4.37E+03 1.46E+03 7.11E+01 1.73E-07
Residuos 1.10E+01 2.25E+02 2.05E+01
Total 1.40E+01 4.60E+03
A partir del cuadro anterior se rechaza la hipótesis nula, debido a que F calculada es mayor que el
valor crítico de F, por lo tatnto se concluye que al menos una de los valores de Beta no es igual a 0
por lo tanto sí existe regresión lineal múltiple. Luego a este paso se evalúan de manera individual
los valores de beta 1 y beta 2.
Error Estadístico Inferior Superior Inferior Superior

Coeficientes Probabilidad
típico t 95% 95% 95.0% 95.0%
Intercepción 79.11 19.78 4.00 0.0021 35.57 122.65 35.57 122.65
Precio -4.93 1.61 -3.06 0.0109 -8.47 -1.38 -8.47 -1.38
INGRESO 0.02 0.01 2.15 0.0551 0.00 0.03 0.00 0.03
PRECIO
0.17 0.64 0.27 0.7888 -1.23 1.58 -1.23 1.58
P.SUS.
El cuadro anterior muestra los valores de β para el modelo y su intercepto correspondiente, además
indica el valor de p para cada una de los valores respectivos de β. Para cada uno de los valores de
Beta probó su significancia dentro del modelo a partir de las siguientes hipótesis.
En este caso las hipótesis serían así
Para β0 (intercepción):
Ho: β0 =0
Ha: β0 ≠ 0
En este caso se rechaza la hipótesis nula, debido a que la probabilidad es < 0.05 y se concluye que
el modelo no inicia de 0.
Para β1 (Precio):
Ho: β1 =0
Ha: β1 ≠ 0
Para β1 se rechaza la hipótesis nula debido a que la probabilidad es >0.05 y por lo tanto el valor de
beta es igual a 0 estadísticamente.
Para β2 (INGRESO):
Ho: β2 =0
Ha: β2 ≠ 0
Para β2 no se rechaza la hipótesis nula, debido a que la probabilidad es <0.05 y se concluye que el
valor beta es estadísticamente igual a 0.
Para β3 (PRECIO DEL PRODUCTOR SUSTITUTO):

Ho: β3 =0
Ha: β3 ≠ 0
Para β3 no se rechaza la hipótesis nula, debido a que la probabilidad es <0.05 y se concluye que el
valor beta es estadísticamente igual a 0.
En base a las decisiones de las hipótesis el modelo quedaría de la siguiente manera.
El modelo es el siguiente:
y=279.11−4.93 x 1
Donde
Y: Demanda estimada en artículos del producto evaluado.

X1: Precio por artículo en dólares US.$.
Luego de probar la significancia y descartar Beta 2 y 3, se digitalizaron los datos nuevamente en

Excel ® para poder generar un nuevo modelo sólo con la variable significativa dentro del modelo,
el cual quedó de la siguiente manera.

Erro
Inferio
Coeficient r Estadísti Probabilid Inferior Superior Superior
r
es típic co t ad 95% 95% 95.0%
95.0%
o
Intercepci 4.23 4.26898E- 111.35 111.35
120.500 28.460 129.647 129.647
ón 4 13 3 3
Variable X 0.66 1.19286E-
-8.417 -12.572 -9.863 -6.970 -9.863 -6.970
1 9 08
Según estos valores el modelo queda de la siguiente manera:

y=120−8.417 x
Donde:
Y: Demanda estimada en artículos del producto evaluado.

X1: Precio por artículo en dólares US.$.
El valor de r2 indica que el modelo explica el 91% del comportamiento de los datos. Por lo tanto el
modelo se ajusta para estimar datos de demanda en función del precio del artículo en estudio.

REGRESIONlinealmultipleta

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

REGRESIONlinealmultipleta

Cargado por

Copyright:

Formatos disponibles

Universidad de San Carlos de Guatemala

Victor Moises Carías Donis 201210842

“Tarea de regresión lineal múltiple”

Un productor desea predecir el rendimiento de café, utilizando las siguientes variables:

Se procesaron los datos en infostat y los resultados son los siguientes

Análisis de regresión lineal

Variable N R² R² Aj ECMP AIC BIC

Para evaluar la significancia del modelo se plantean las siguientes hipótesis:

Ho: β0 = β1= β2=0

Coeficientes de regresión y estadísticos asociados

Coef Est. E.E. LI(95%) LS(95%) T p-valor CpMallows VIF

En este caso las hipótesis serían así

Y: Rendimiento estimado de café en (kg/planta)

Análisis de regresión lineal

Variable N R² R² Aj ECMP AIC BIC

Coeficientes de regresión y estadísticos asociados

Coef Est. E.E. LI(95%) LS(95%) T p-valor CpMallows VIF const

Según estos valores el modelo queda de la siguiente manera:

Y: Rendimiento estimado de café en (kg/planta)

Ho: e N ~N (0,1) es decir los datos se distribuyen de manera normal

Variable n Media D.E. W* p(Unilateral D)

PRECIO = precio del producto (en dólares)

Análisis de regresión lineal

Para evaluar la significancia del modelo se plantean las siguientes hipótesis:

Ho: β0 = β1= β2=0

Coeficientes de regresión y estadísticos asociados

Error Estadístico Inferior Superior Inferior Superior

En este caso las hipótesis serían así

Para β3 (PRECIO DEL PRODUCTOR SUSTITUTO):

Y: Demanda estimada en artículos del producto evaluado.

Luego de probar la significancia y descartar Beta 2 y 3, se digitalizaron los datos nuevamente en

Análisis de regresión lineal

Coeficientes de regresión y estadísticos asociados

Según estos valores el modelo queda de la siguiente manera:

Y: Demanda estimada en artículos del producto evaluado.

También podría gustarte