Análisis de correlación

BBDD CONSUMO DE LECHE

Variables: Edad vs. Importancia de la leche para la salud

Correlaciones
¿Qué tan
importante es
la leche para
Edad su salud?
Tau_b de Kendall Edad Coeficiente de correlación 1.000 .016
Sig. (bilateral) . .680
N 463 463
¿Qué tan importante es la Coeficiente de correlación .016 1.000
leche para su salud? Sig. (bilateral) .680 .
N 463 463
Rho de Spearman Edad Coeficiente de correlación 1.000 .019
Sig. (bilateral) . .680
N 463 463
¿Qué tan importante es la Coeficiente de correlación .019 1.000
leche para su salud? Sig. (bilateral) .680 .
N 463 463
r= 0.019, por lo que podemos decir que no existe asociación entre las variables

Prueba de Hipótesis

Hp: r=0

Ha: r≠0

α=0.05

Tsig=0.680

CRITERIO DE DECISIÓN

Como ns=0.680>0.05 se acepta Hp

CONLUSIÓN

Existe evidencia estadística para afirma con un 95% de confianza que no existe asociación entre las
variables edad y nivel de importancia de la leche para la salud.
Variables: Edad vs Cuánto estaría dispuesto a pagar por un litro de leche que cubra todas sus
expectativas
BBDD CONSUMO DE LECHE

Correlaciones
¿Cuánto estaría
dispuesto a
pagar por un litro
de leche que
cubra todas sus
Edad expectativas?
Edad Correlación de Pearson 1 -.041
Sig. (bilateral) .375
N 463 463
¿Cuánto estaría dispuesto a Correlación de Pearson -.041 1
pagar por un litro de leche que Sig. (bilateral) .375
cubra todas sus expectativas? N 463 463

r=-0.041

No existe asociación entre las variables edad y precio dispuesto a pagar por un litro de leche.

Prueba de Hipótesis

Hp: r=0

Ha: r≠0

α=0.05

Tsig=0.375

CRITERIO DE DECISIÓN

Como ns=0.375>0.05 se acepta Hp

CONLUSIÓN

Existe evidencia estadística para afirma con un 95% de confianza que no existe asociación entre las
variables edad y precio dispuesto a pagar por un litro de leche.
 Correlaciones
¿Estaría
dispuesto a
comprar una
nueva leche que
cumpla todas
sus
Edad expectativas?
Tau_b de Kendall Edad Coeficiente de correlación 1.000 -.031
Sig. (bilateral) . .434
N 463 463
¿Estaría dispuesto a Coeficiente de correlación -.031 1.000
comprar una nueva leche Sig. (bilateral) .434 .
que cumpla todas sus N 463 463
expectativas?
Rho de Spearman Edad Coeficiente de correlación 1.000 -.037
Sig. (bilateral) . .432
N 463 463
¿Estaría dispuesto a Coeficiente de correlación -.037 1.000
comprar una nueva leche Sig. (bilateral) .432 .
que cumpla todas sus N 463 463
expectativas?

Análisis de Regresión Bivariado.

BBSS CACAO

Resumen del modelo

R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
1 .175a .031 .029 .767
a. Predictores: (Constante), ¿CUANDO UD. COMPRA UN PRODUCTO A
BASE DE CACAO, ES CONSCIENTE DEL PORCENTAJE DE CACAO
QUE CONTIENE?

R2=0.029 =2.9%
 ANOVAa
Suma de Media Sig.
Modelo cuadrados gl cuadrática F
1 Regresión 8.635 1 8.635 14.691 .001b
Residuo 272.747 464 .588
Total 281.382 465
a. Variable dependiente: ¿CONSIDERA QUE EL CACAO ES UN PRODUCTO SALUDABLE?
b. Predictores: (Constante), ¿CUANDO UD. COMPRA UN PRODUCTO A BASE DE CACAO, ES
CONSCIENTE DEL PORCENTAJE DE CACAO QUE CONTIENE?
Como el NS<0.05, proseguimos con el análisis de regresión. (El análisis
es aceptado)
Coeficientesa
Coeficientes
Coeficientes no estandarizado
estandarizados s
Modelo B Desv. Error Beta t Sig.
1 (Constante) 3.447 .101 33.970 .001
¿CUANDO UD. .109 .029 .175 3.833 .001
COMPRA UN
PRODUCTO A BASE
DE CACAO, ES
CONSCIENTE DEL
PORCENTAJE DE
CACAO QUE
CONTIENE?
a. Variable dependiente: ¿CONSIDERA QUE EL CACAO ES UN PRODUCTO SALUDABLE?

Y= β0 + β1 + E

Y=3.447 + 0.109 X1 => Y12=3.337 + 0.109 P9

R2 = 0.029 = 2.9%

1. Si no tomáramos en consideración la pregunta 9, P12=3.447

Es decir, las personas consideran que el cacao es un producto “medianamente saludable”
2. Por cada unidad en la medida de “porcentaje de cacao que contiene”, el nivel de que tan
saludable sea el cacao para el consumidor se incrementara en 0.109.
3. Por ejemplo, P9=3 a veces, entonces:

P12=3.447+0.109(3) = 3.774 = 4

P12= SALUDABLE
ANALISIS DE REGRESION LINEAL MULTIPLE

P1 VS P3

ANALIZAR, CORRELACIONAR, BIVARIADA

Existe Relación entre la variable Y: P1: “Que tan necesario es el servicio de internet” con
X1
3.1 Nivel de importancia para el trabajo
X2
3.2 Nivel de importancia para los estudios
X3
3.3 Nivel de importancia para ver películas o series
X4 3.4 Nivel de importancia para juegos
X5 3.5 Nivel de importancia para comunicación con familiares y amigos
Analizar, Regresión, lineal

SE ELIMINA X4, PORQUE EL NS ES MAYOR A 0.05 Y LA VARIABLE X4 SALE DEL MODELO

Y= f(X1, X2, X3, X5)

Resumen del modelo

R cuadrado R cuadrado Error estándar
Modelo R ajustado de la estimación
1 .482a .233 .230 .582
a. Predictores: (Constante), 3.5¿Qué tan importantes son para los
miembros de su hogar las siguientes razones en el uso del servicio de
internet: Comunicación con amigos y familiares, 3.1¿Qué tan importantes
son para los miembros de su hogar las siguientes razones en el uso del
servicio de internet: Trabajo, 3.2¿Qué tan importantes son para los
miembros de su hogar las siguientes razones en el uso del servicio de
internet: Estudio, 3.3¿Qué tan importantes son para los miembros de su
hogar las siguientes razones en el uso del servicio de internet: Ver
películas o series
R2 =0.23=2.3%
El modelo explica el 23% del comportamiento de la variable Y, es decir, “nivel de importancia
del servicio de internet para el hogar”
ANOVAa
Suma de Media Sig.
Modelo cuadrados gl cuadrática F
1 Regresión 100.217 4 25.054 74.027 .000b
Residuo 330.324 976 .338
Total 430.540 980
a. Variable dependiente: 1.¿Qué tan necesario es el servicio de internet en su hogar?
b. Predictores: (Constante), 3.5¿Qué tan importantes son para los miembros de su hogar las
siguientes razones en el uso del servicio de internet: Comunicación con amigos y familiares,
3.1¿Qué tan importantes son para los miembros de su hogar las siguientes razones en el uso del
servicio de internet: Trabajo, 3.2¿Qué tan importantes son para los miembros de su hogar las
siguientes razones en el uso del servicio de internet: Estudio, 3.3¿Qué tan importantes son para
los miembros de su hogar las siguientes razones en el uso del servicio de internet: Ver películas o
series

COMO EL NS<0.05, ENTONCES ES APROPIADO EL USO DEL ANÁLISIS DE REGRESIÓN LINEAL MULTIPLE (ARLM)
CON ESTAS VARIABLES
P1 = 2.634 + 0.14 P3.1 + 0.167 P3.2 + 0.85 03.3 + 0.83 P3.5
R2=23%
1. El modelo explica en un 23% el comportamiento de la P1: “nivel de importancia del
servicio del internet para el hogar”
2. Si no tomamos en cuenta la preguntas las P3.1, P3.2, P3.3, P3.5; P1 vale 2.634, es decir:
“nivel de importancia del servicio del internet para el hogar” es medianamente
importante.
3. Por cada unidad que varie la valoración de P3.1 la P1 se incrementara en 0.14
4. Por cada unidad que varie la valoración de P3.2 la P1 se incrementara en 0.167
5. Por cada unidad que varie la valoración de P3.3 la P1 se incrementara en 0.85
6. Por cada unidad que varie la valoración de P3.5 la P1 se incrementara en 0.83
7. Por ejemplo
P3.1 =5 P3.3 =3
P3.2 =5 P3.5=5
P1= 2.634 = 0.14(5) + 0.167(5) + 0.85(3) + 0.83 (5) = 4.839 = 5
ejem
P10 VS P11
 Existe Relación entre la variable Y: P10: “Que tan frecuente ocurren los problemas” con
X1
11.1 Nivel frecuente de baja velocidad
X2 11.2 Nivel frecuente de mala conectividad, lenta e interrumpida
X3 11.3 Nivel frecuente de cobertura deficiente, lugares sin servicio
X4 11.4 Nivel frecuente de mala atención al cliente
X5
11.5 Nivel frecuente de soporte técnico deficiente
 SE ELIMINA X5, PORQUE EL NS ES MAYOR A 0.05 Y LAS VARIABLES X4 Y X5 SALE DEL MODELO

Y =f(X1, X2, X3, X4)

R2 =0.363=3.63%
El modelo explica el 36.3% del comportamiento de la variable Y, es decir, “Que tan frecuente
ocurren los problemas”
 COMO EL NS<0.05, ENTONCES ES APROPIADO EL USO DEL ANÁLISIS DE REGRESIÓN LINEAL MULTIPLE
(ARLM) CON ESTAS VARIABLES.

P10= 1.413 + 0.140 P11.1 + 0.260 P11.2 + 0.096 P11.3 + 0.82 P11.4
R2=36.3%
1. El modelo explica en un 35% el comportamiento de la P10: “Que tan frecuente ocurren los
problemas”
2. Si no tomamos en cuenta la preguntas las P11.1, P11.2, P11.3; P1 vale 1.503 = 2, es decir:
“Que tan frecuente ocurren los problemas” es casi nunca.
3. Por cada unidad que varie la valoración de P11.1 la P10 se incrementara en 0.140
4. Por cada unidad que varie la valoración de P11.2 la P10 se incrementara en 0.260
5. Por cada unidad que varie la valoración de P11.3 la P10 se incrementara en 0.096
6. Por cada unidad que varie la valoración de P11.4 la P10 se incrementara en 0.082

A CONTINUACION UN EJEMPLO:
P11.1 = 4 P11.3=4
P11.2= 3 P11.4=2
Y= 1.413 + 0.140(4) + 0.260(3) + 0.096(4) + 0.82(2) = 4.777 = 5
Y= 5 ‘Siempre’

Regresión lineal múltiple

Y variables ordinales (cualitativas ordinales y las numéricas o cuantitativas)
X variables ordinales (cualitativas ordinales y las numéricas o cuantitativas)

REGRESION LOGISTICA semana 7

Y VARIABLES DICOTOMICA (2 alternativas de respuesta: éxito (1) – fracaso (0))
X VARIABLE ODRDINAL (cualitativa ordinal y numéricas o cuantitativas)

Analizar, regresión, logística binaria

<0.05
Tiene que ser mayor a 1
Interpretación
1. EL modelo representa el 77.9% del comportamiento de la variable “nivel de satisfacción
del servicio delivery”
2. La variable cantidad de veces que solicita el servicio delivery al mes es 1.5 veces mas
importante que las otras variables.
3. La variable “ experiencia negativa en el uso del servicio delivery” es 261.762 veces mas
importante que las otras variables

Ejemplo: