REGRESION Y ARBOL FORM

# Cargar base de datos
df <- read.csv("C:\\Users\\ca\\Desktop\\R Studio\\Evidencia 2 RETO\\Encuesta_Evidencia.csv")

# Limpiar algunos datos
df$Edad <- as.integer(sub(" años", "", df$Edad))

REGRESIÓN LINEAL MÚLTIPLE

regresion <- lm( Rotación ~ Salario + Prestaciones + Jornada_Laboral + Herramientas + Temperatura + Estrés + Transporte + Instalaciones + Conflicto.Acoso, data=df)
summary (regresion)

## 
## Call:
## lm(formula = Rotación ~ Salario + Prestaciones + Jornada_Laboral + 
##     Herramientas + Temperatura + Estrés + Transporte + Instalaciones + 
##     Conflicto.Acoso, data = df)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.0624 -0.6444  0.1742  0.7601  2.0695 
## 
## Coefficients:
##                                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                         2.155175   0.604075   3.568 0.000566 ***
## Salario                             0.183708   0.094051   1.953 0.053729 .  
## Prestaciones                        0.299393   0.081487   3.674 0.000395 ***
## Jornada_Laboral                    -0.040359   0.099399  -0.406 0.685630    
## Herramientas                        0.137645   0.090219   1.526 0.130412    
## Temperatura                        -0.162673   0.063386  -2.566 0.011839 *  
## Estrés                              0.001298   0.082590   0.016 0.987494    
## Transporte                          0.094415   0.077552   1.217 0.226454    
## Instalaciones                      -0.014934   0.112110  -0.133 0.894310    
## Conflicto.AcosoPrefiero no decirlo  0.264413   1.134678   0.233 0.816240    
## Conflicto.AcosoSi                   0.175659   0.321619   0.546 0.586230    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.089 on 95 degrees of freedom
## Multiple R-squared:  0.3447, Adjusted R-squared:  0.2758 
## F-statistic: 4.998 on 10 and 95 DF,  p-value: 8.232e-06

regresion <- lm( Rotación ~ Salario + Prestaciones + Temperatura , data=df)
summary (regresion)

## 
## Call:
## lm(formula = Rotación ~ Salario + Prestaciones + Temperatura, 
##     data = df)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.3567 -0.6312  0.2871  0.7267  1.9292 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   2.55741    0.38178   6.699 1.17e-09 ***
## Salario       0.23803    0.08448   2.817  0.00581 ** 
## Prestaciones  0.32148    0.07301   4.403 2.64e-05 ***
## Temperatura  -0.15205    0.06147  -2.474  0.01503 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.08 on 102 degrees of freedom
## Multiple R-squared:  0.3079, Adjusted R-squared:  0.2876 
## F-statistic: 15.13 on 3 and 102 DF,  p-value: 3.241e-08

datos <- data.frame(Salario= 5, Prestaciones= 4, Temperatura= 2)
predict(regresion, datos)

##       1 
## 4.72939

ÁRBOL DE DECISIONES

# Cargar librerías
library(rpart)
library(rpart.plot)

# Generar árbol a partir de las variables más significativas
#df_arbol <- subset(datos, select = puesto_otro)
#df_arbol$Rotación <- as.factor(df_arbol$Rotación)
#df_arbol$Salario <- as.factor(df_arbol$Salario)
#df_arbol$Prestaciones <- as.factor(df_arbol$Prestaciones)
#df_arbol$Temperatura <- as.factor(df_arbol$Temperatura)

#arbol <- rpart(formula= Rotación ~ Salario + Prestaciones + Temperatura,data=df_arbol)
#arbol

# Graficar árbol opción 1
#rpart.plot(arbol)

# Graficar árbol opción 2
#prp(arbol,extra=7)