Ingresamos datos
ejemplo1 <- data.frame(ganancia=c(20,25,34,30,33,34,36,35,40,37,41,20),
inversion=c(2,4,5,4,6,5,5,7,8,7,8,2))
ejemplo1
## ganancia inversion
## 1 20 2
## 2 25 4
## 3 34 5
## 4 30 4
## 5 33 6
## 6 34 5
## 7 36 5
## 8 35 7
## 9 40 8
## 10 37 7
## 11 41 8
## 12 20 2
pasos para construir un modelo de regresión
Paso 1: Determinar las variables x,y Variable independiente (x): Inversion Variable dependiente (y): Ganancia
Paso 2: Evaluar la relacion entre variables(Correlacion) graficamente
##Diagrama de dispersion o puntos
#Grafica con plot
plot(x=ejemplo1$inversion,y=ejemplo1$ganancia)
#Grafica con pairs
pairs(ejemplo1)
Interpretacion: Segun los resultados, hay relacion lineal positiva o directa entre inversion y la ganancia.
##Coeficiente de correlacion
#Mediante la funcion cor
cor(ejemplo1) #Matriz de correlaciones
## ganancia inversion
## ganancia 1.0000000 0.9369924
## inversion 0.9369924 1.0000000
Coeficiente de Correlacion:
r= 0.9369924
Interpretación: Existe correlacion como positiva muy alta entre la inversion y la ganancia.
(Recordar: Si el r es menor que 0.35 para algunos autores, no es vaible la regresion, para otros autores se debe probar la hipotesis) Como en este caso de coeficiente de correlacion es superior a 0.35, es viable la regresion
Paso 3: Regresion
#Regresion lineal simple
Modelo general \(\hat{Y} = b_0 + b_1X\)
Modelo para el caso: \(\hat{ganancia} = b_0 + b_1 inversion\)
Para obtener el modelo se va a utilizar una funcion de R la funcion se llama > lm
#lm = notacion: Y ~ X, data=
modelo1 <- lm(ganancia ~ inversion, data=ejemplo1)
#Resumen de resultado
summary(modelo1)
##
## Call:
## lm(formula = ganancia ~ inversion, data = ejemplo1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.0631 -1.6306 -0.8198 2.1329 4.7207
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 15.1982 2.1254 7.151 3.10e-05 ***
## inversion 3.2162 0.3792 8.482 7.03e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.579 on 10 degrees of freedom
## Multiple R-squared: 0.878, Adjusted R-squared: 0.8658
## F-statistic: 71.94 on 1 and 10 DF, p-value: 7.032e-06
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 15.1982 2.1254 7.151 3.10e-05 ***
## inversion 3.2162 0.3792 8.482 7.03e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.579 on 10 degrees of freedom
## Multiple R-squared: 0.878, Adjusted R-squared: 0.8658
## F-statistic: 71.94 on 1 and 10 DF, p-value: 7.032e-06
Modelo final de los resultados:
Modelo general
\(\hat{Y} = 15.1982 + 3.2162X\)
Modelo para el caso:
\(\hat{ganancia} = 15.1982 + 3.2162
inversion\)
#Resumen: Regresion linela simple
Paso 1: variable x,y Paso 2: Correlacion entre variable -Metodo grafico - diagrama de dispersion -metodo del coeficiente - r *Paso 3: Modelo Regresion lienal simple
#Practica calificada
Obtener un conjunto de datos para regresion Replica paso a paso lo estudiado Interpretacion cada resultado Publicarlo en Rpubs - Cargar resultado en EVA *Hasta domingo 28 hasta 11:59 p.m