Clusters y Modelo de Regresión - BAMX
Equipo 6 Gpo 101
2024-03-07
Integrantes del equipo
Ian Abraham Quiroz Cuapio A01731418
Arturo Morales Illana A01735733
Aarón Jácome Mora A01735697
Daniel Fernández Regalado A01351712
Carga de paquetes y librerías de R que servirán para poder hacer el análisis de Clústeres.
ipak <- function(pkg){
new.pkg <- pkg[!(pkg %in% installed.packages()[, "Package"])]
if (length(new.pkg))
install.packages(new.pkg, dependencies = TRUE)
sapply(pkg, require, character.only = TRUE)
}
packages <- c("tidyverse","cluster", "factoextra","NbClust","tidyr")
ipak(packages)## tidyverse cluster factoextra NbClust tidyr
## TRUE TRUE TRUE TRUE TRUECarga de la Base de Datos del cuestionario realizado al BAMX, EL cual se usará para detectar clústeres.
ELF<- read.csv("C://Users/IanAb/Documents/8tavo Semestre/Propósito Para la Organización Consciente/Proyectos/CuestionarioVoluntariosLPZ.csv")datos_numericos <- ELF[sapply(ELF, is.numeric)]
datos_escalados <- scale(datos_numericos)
K <- 4
ind_centr_ini <- sample(1:nrow(datos_escalados), K)
centr_ini <- datos_escalados[ind_centr_ini, ]
set.seed(123) # Para reproducibilidad
wcss <- vector() # Inicializar vector para almacenar los valores de WCSS
max_K <- 10 #Máximo de clusters establecidos
for (K in 1:max_K) {
kmeans_model <- kmeans(datos_escalados, centers = K, nstart = 25)
wcss[K] <- kmeans_model$tot.withinss
}
par(mar = c(4, 4, 1, 1)) # Los números representan los márgenes inferior, izquierdo, superior y derecho respectivamente.
plot(1:max_K, wcss, type = "b", xlab = "Numero de Clusters", ylab = "WCSS", main = "Metodo del Codo", pch = 19, frame = FALSE)
K2 <- kmeans(datos_escalados, centers = 4)
K2## K-means clustering with 4 clusters of sizes 8, 24, 5, 13
##
## Cluster means:
## Liderazgo_1 Liderazgo_2 Liderazgo_3 Liderazgo_4 Liderazgo_5 Liderazgo_6
## 1 -1.14179076 -0.9479904 -0.7575636 -1.25320006 -1.2271755 -1.0239161
## 2 0.58499156 0.5381331 0.5295590 0.56831166 0.5501509 0.5333707
## 3 0.08457709 0.1314046 0.3089094 -0.03885892 0.5118700 -1.3548395
## 4 -0.40987360 -0.4606381 -0.6302658 -0.26304497 -0.4573513 0.1665099
## Liderazgo_7 Liderazgo_8 Liderazgo_9 Liderazgo_10 TrabajoEquipo_1
## 1 -1.4929341 -1.1558544 -1.27133402 -0.9928914 -0.8229897
## 2 0.6234859 0.7045551 0.64688119 0.4709869 0.1972455
## 3 -0.2745626 0.5185141 0.05666113 0.3055050 -0.3808878
## 4 -0.1267212 -0.7888506 -0.43367554 -0.3760062 0.2888050
## TrabajoEquipo_2 TrabajoEquipo_3 TrabajoEquipo_4 TrabajoEquipo_5
## 1 -0.41421719 -1.52913883 -0.8575155 -0.58431490
## 2 0.03117764 0.44702098 0.2980019 0.44957562
## 3 -0.01336184 0.06541770 -0.8757605 -0.06403451
## 4 0.20248334 0.09057836 0.3143756 -0.44577870
## TrabajoEquipo_6 TrabajoEquipo_7 Motivacion_1 Motivacion_2 Motivacion_3
## 1 -1.0897544 -0.09834151 -0.3931880 -0.73138593 -0.65561007
## 2 0.6259284 0.39336604 0.6479641 0.41140458 0.27317086
## 3 0.2413788 0.13112201 -0.5585475 -0.04571162 -0.39336604
## 4 -0.5777801 -0.71612792 -0.7394536 -0.29185111 0.05043154
## Motivacion_4 Motivacion_5 Motivacion_6 Motivacion_7 Motivacion_8
## 1 -0.04772573 -0.8122001 -0.37199728 -1.1247223 -0.8449293
## 2 0.39970301 0.4682955 0.35515789 0.7563012 0.6429965
## 3 -1.36018336 0.4682955 -0.07348094 -0.2490735 -0.9565238
## 4 -0.18539611 -0.5448438 -0.39849281 -0.6083140 -0.2992203
## Comunicacion_1 Comunicacion_2 Comunicacion_3 Cambio_1 Cambio_2
## 1 -0.2361526 -0.6621556 -0.8570752 -1.8157738 -0.85371561
## 2 0.3627852 0.5603872 0.3837470 0.3708517 0.20811973
## 3 -0.2874902 -1.2370811 -1.0749757 0.3358657 -0.02548405
## 4 -0.4138595 -0.1512801 0.2324272 0.3035709 0.15094398
## Cambio_3 Infra_1 Infra_2
## 1 -0.3674813 0.01492104 -1.31280679
## 2 0.1324932 0.34649962 0.52277317
## 3 -1.2299372 -1.75073490 -0.03524314
## 4 0.4545922 0.02448580 -0.14368355
##
## Clustering vector:
## [1] 4 4 4 1 4 2 2 1 1 1 2 2 2 1 2 3 3 2 4 2 2 3 2 2 1 2 4 4 4 2 2 4 2 4 1 3 2 2
## [39] 4 2 2 2 2 4 2 1 4 3 2 2
##
## Within cluster sum of squares by cluster:
## [1] 221.6566 289.8205 154.0279 384.1000
## (between_SS / total_SS = 35.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"str(K2)## List of 9
## $ cluster : int [1:50] 4 4 4 1 4 2 2 1 1 1 ...
## $ centers : num [1:4, 1:33] -1.1418 0.585 0.0846 -0.4099 -0.948 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ : chr [1:4] "1" "2" "3" "4"
## .. ..$ : chr [1:33] "Liderazgo_1" "Liderazgo_2" "Liderazgo_3" "Liderazgo_4" ...
## $ totss : num 1617
## $ withinss : num [1:4] 222 290 154 384
## $ tot.withinss: num 1050
## $ betweenss : num 567
## $ size : int [1:4] 8 24 5 13
## $ iter : int 3
## $ ifault : int 0
## - attr(*, "class")= chr "kmeans"#Se quita la columana de edad ya que afecta a los datos que queremos analizar
ds_2<- datos_escalados
K2_1<-kmeans(ds_2,centers=4)
K2_1## K-means clustering with 4 clusters of sizes 8, 10, 8, 24
##
## Cluster means:
## Liderazgo_1 Liderazgo_2 Liderazgo_3 Liderazgo_4 Liderazgo_5 Liderazgo_6
## 1 -1.14179076 -0.9479904 -0.7575636 -1.2532001 -1.22717552 -1.0239161
## 2 0.08457709 0.2252650 0.2353596 -0.1360062 -0.01312487 -0.8097892
## 3 -0.71890529 -0.9479904 -1.1253129 -0.2817271 -0.40687103 0.4360403
## 4 0.58499156 0.5381331 0.5295590 0.5683117 0.55015088 0.5333707
## Liderazgo_7 Liderazgo_8 Liderazgo_9 Liderazgo_10 TrabajoEquipo_1
## 1 -1.4929341 -1.1558544 -1.27133402 -0.99289140 -0.82298975
## 2 -0.2059219 0.1584349 -0.08499169 0.07637626 0.02720627
## 3 -0.1201211 -1.1558544 -0.56306994 -0.51553977 0.19724548
## 4 0.6234859 0.7045551 0.64688119 0.47098695 0.19724548
## TrabajoEquipo_2 TrabajoEquipo_3 TrabajoEquipo_4 TrabajoEquipo_5
## 1 -0.41421719 -1.5291388 -0.8575155 -0.5843149
## 2 0.18706583 0.0654177 -0.1459601 -0.3041639
## 3 0.08685199 0.1063038 0.1459601 -0.3842071
## 4 0.03117764 0.4470210 0.2980019 0.4495756
## TrabajoEquipo_6 TrabajoEquipo_7 Motivacion_1 Motivacion_2 Motivacion_3
## 1 -1.0897544 -0.09834151 -0.3931880 -0.7313859 -0.6556101
## 2 -0.3265713 0.26224403 -0.4115613 -0.2742697 -0.6556101
## 3 -0.3798167 -1.40956165 -1.0362526 -0.1599907 0.6556101
## 4 0.6259284 0.39336604 0.6479641 0.4114046 0.2731709
## Motivacion_4 Motivacion_5 Motivacion_6 Motivacion_7 Motivacion_8
## 1 -0.04772573 -0.81220005 -0.37199728 -1.1247223 -0.8449293
## 2 -0.76361171 -0.40975858 -0.07348094 -0.4825798 -0.9565238
## 3 -0.19686864 -0.08048829 -0.60162522 -0.5409564 0.1115944
## 4 0.39970301 0.46829553 0.35515789 0.7563012 0.6429965
## Comunicacion_1 Comunicacion_2 Comunicacion_3 Cambio_1 Cambio_2 Cambio_3
## 1 -0.23615265 -0.6621556 -0.85707523 -1.8157738 -0.8537156 -0.3674813
## 2 -0.69819043 -0.9991809 -0.27600728 0.3358657 0.1019362 -0.3299832
## 3 0.02053501 0.2299702 0.05084345 0.2833867 0.1019362 0.3824805
## 4 0.36278522 0.5603872 0.38374696 0.3708517 0.2081197 0.1324932
## Infra_1 Infra_2
## 1 0.01492104 -1.31280679
## 2 -0.95494631 -0.03524314
## 3 0.13926300 -0.21145881
## 4 0.34649962 0.52277317
##
## Clustering vector:
## [1] 2 3 2 1 3 4 4 1 1 1 4 4 4 1 4 2 2 4 3 4 4 2 4 4 1 4 3 3 3 4 4 3 4 3 1 2 4 4
## [39] 2 4 4 4 4 2 4 1 2 2 4 4
##
## Within cluster sum of squares by cluster:
## [1] 221.6566 293.2245 244.7473 289.8205
## (between_SS / total_SS = 35.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"colores_base <- c("#ff2412", "#ffd700", "darkorange", "brown")
generar_variantes <- function(color, n) {
color_fun <- colorRampPalette(c("ivory", color))
return(color_fun(n))
}
mi_paleta <- c(colores_base, generar_variantes(colores_base[1], 10), generar_variantes(colores_base[2], 10), generar_variantes(colores_base[3], 10))
#Visualización/Gráfico 1
fviz_cluster(K2_1, data = ds_2, ellipse.type = "norm",palette =mi_paleta, ggtheme = theme_minimal())
set.seed(200)
kmeans_result <- kmeans(ds_2, centers = 4)
kmeans_result$centers## Liderazgo_1 Liderazgo_2 Liderazgo_3 Liderazgo_4 Liderazgo_5 Liderazgo_6
## 1 -1.1417908 -0.9479904 -0.7575636 -1.2532001 -1.2271755 -1.02391610
## 2 -0.5074626 -0.4451666 -0.5736889 -0.3858135 -0.2662474 -0.06451617
## 3 0.5920397 0.1314046 0.3089094 0.3497303 0.1181238 -1.04338218
## 4 0.5773306 0.5721405 0.5455481 0.5947104 0.5632282 0.62223765
## Liderazgo_7 Liderazgo_8 Liderazgo_9 Liderazgo_10 TrabajoEquipo_1
## 1 -1.4929341 -1.1558544 -1.2713340 -0.9928914 -0.82298975
## 2 -0.1078639 -0.7057553 -0.4998321 -0.3382377 0.02720627
## 3 -0.2745626 0.5185141 0.4816196 0.3055050 0.16323764
## 4 0.6446252 0.7189061 0.6417488 0.4848232 0.23421052
## TrabajoEquipo_2 TrabajoEquipo_3 TrabajoEquipo_4 TrabajoEquipo_5
## 1 -0.41421719 -1.52913883 -0.8575155 -0.58431490
## 2 0.44475855 0.13550810 0.1980887 -0.44138073
## 3 -0.81507253 -0.09812656 -0.7298004 -0.06403451
## 4 0.05054263 0.47072304 0.3363428 0.48582704
## TrabajoEquipo_6 TrabajoEquipo_7 Motivacion_1 Motivacion_2 Motivacion_3
## 1 -1.0897544 -0.09834151 -0.39318804 -0.7313859 -0.65561007
## 2 -0.6206884 -0.44956119 -0.80002480 -0.4048744 0.09365858
## 3 0.6673414 -0.39336604 0.02939724 0.4114046 -0.65561007
## 4 0.6117811 0.39336604 0.61734197 0.4114046 0.31355264
## Motivacion_4 Motivacion_5 Motivacion_6 Motivacion_7 Motivacion_8
## 1 -0.04772573 -0.8122001 -0.37199728 -1.12472233 -0.84492935
## 2 -0.55907286 -0.2634162 -0.06035935 -0.63825073 -0.58302402
## 3 -0.40566872 -0.1170739 -0.99199274 -0.09340255 0.06376825
## 4 0.44509433 0.4682955 0.38178142 0.80001311 0.63490999
## Comunicacion_1 Comunicacion_2 Comunicacion_3 Cambio_1 Cambio_2 Cambio_3
## 1 -0.2361526 -0.66215558 -0.8570752 -1.8157738 -0.8537156 -0.3674813
## 2 -0.3461616 -0.53470904 0.1805461 0.3208717 0.3749796 0.5699709
## 3 -0.6981904 0.03172003 -0.9297087 0.3358657 -1.0448460 -1.5299219
## 4 0.4446277 0.54889439 0.3903261 0.3632460 0.2958366 0.1134725
## Infra_1 Infra_2
## 1 0.01492104 -1.3128068
## 2 -0.42915742 -0.2743930
## 3 -0.35810487 0.4934039
## 4 0.33388521 0.5163885DFEF<- ELF
DFEF$cluster<-as.factor(K2_1$cluster)
# DFEFgetwd()## [1] "C:/Users/IanAb/Documents/8tavo Semestre/Propósito Para la Organización Consciente/Proyectos"library(openxlsx)
write.xlsx(DFEF, "ClustersBAMX.xlsx")Cálculo de la Matriz de Distancia
Este cálculo se hace con la finalidad de poder visualizar las relaciones existentes entre los datos presentes en la base de datos del Cuestionario realizado al BAMX.
m.distancia <- get_dist(ELF, method = "euclidean")## Warning in stats::dist(x, method = method, ...): NAs introducidos por coerciónfviz_dist(m.distancia, gradient = list(low = "orange", mid = "white", high = "#9b111e"))
## Análisis de Regresión Lineal
dataRG<-ELF
summary(dataRG)## Escolaridad Genero Rango.Edad Sistema
## Length:50 Length:50 Length:50 Length:50
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Liderazgo_1 Liderazgo_2 Liderazgo_3 Liderazgo_4 Liderazgo_5
## Min. :1.0 Min. :1.00 Min. :1.00 Min. :1.00 Min. :1.00
## 1st Qu.:3.0 1st Qu.:4.00 1st Qu.:3.00 1st Qu.:3.00 1st Qu.:3.00
## Median :5.0 Median :5.00 Median :4.00 Median :4.00 Median :4.00
## Mean :4.1 Mean :4.26 Mean :3.78 Mean :4.04 Mean :3.62
## 3rd Qu.:5.0 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.00
## Max. :5.0 Max. :5.00 Max. :5.00 Max. :5.00 Max. :5.00
## Liderazgo_6 Liderazgo_7 Liderazgo_8 Liderazgo_9 Liderazgo_10
## Min. :1.00 Min. :1.0 Min. :1.00 Min. :1.00 Min. :1.0
## 1st Qu.:3.00 1st Qu.:3.0 1st Qu.:3.00 1st Qu.:3.00 1st Qu.:3.0
## Median :4.50 Median :4.0 Median :4.00 Median :5.00 Median :4.0
## Mean :3.94 Mean :3.8 Mean :3.48 Mean :3.92 Mean :3.8
## 3rd Qu.:5.00 3rd Qu.:5.0 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.0
## Max. :5.00 Max. :5.0 Max. :5.00 Max. :5.00 Max. :5.0
## TrabajoEquipo_1 TrabajoEquipo_2 TrabajoEquipo_3 TrabajoEquipo_4
## Min. :2.00 Min. :1.00 Min. :1.00 Min. :1.0
## 1st Qu.:4.00 1st Qu.:3.00 1st Qu.:3.00 1st Qu.:2.0
## Median :5.00 Median :4.00 Median :5.00 Median :3.0
## Mean :4.48 Mean :3.62 Mean :4.12 Mean :2.8
## 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:4.0
## Max. :5.00 Max. :5.00 Max. :5.00 Max. :5.0
## TrabajoEquipo_5 TrabajoEquipo_6 TrabajoEquipo_7 Motivacion_1 Motivacion_2
## Min. :1.00 Min. :1.00 Min. :2.0 Min. :1.00 Min. :3.00
## 1st Qu.:2.25 1st Qu.:3.00 1st Qu.:5.0 1st Qu.:2.25 1st Qu.:5.00
## Median :3.00 Median :4.00 Median :5.0 Median :3.00 Median :5.00
## Mean :3.48 Mean :3.66 Mean :4.7 Mean :3.16 Mean :4.82
## 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.0 3rd Qu.:4.00 3rd Qu.:5.00
## Max. :5.00 Max. :5.00 Max. :5.0 Max. :5.00 Max. :5.00
## Motivacion_3 Motivacion_4 Motivacion_5 Motivacion_6 Motivacion_7
## Min. :2.0 Min. :1.00 Min. :3.00 Min. :1.00 Min. :1.00
## 1st Qu.:4.0 1st Qu.:4.00 1st Qu.:5.00 1st Qu.:4.00 1st Qu.:2.00
## Median :5.0 Median :5.00 Median :5.00 Median :5.00 Median :3.00
## Mean :4.5 Mean :4.54 Mean :4.68 Mean :4.28 Mean :3.32
## 3rd Qu.:5.0 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:4.00
## Max. :5.0 Max. :5.00 Max. :5.00 Max. :5.00 Max. :5.00
## Motivacion_8 Motivacion_9 Motivacion_10 Comunicacion_1
## Min. :1.0 Length:50 Length:50 Min. :3.00
## 1st Qu.:3.0 Class :character Class :character 1st Qu.:5.00
## Median :4.5 Mode :character Mode :character Median :5.00
## Mean :3.7 Mean :4.74
## 3rd Qu.:5.0 3rd Qu.:5.00
## Max. :5.0 Max. :5.00
## Comunicacion_2 Comunicacion_3 Cambio_1 Cambio_2 Cambio_3
## Min. :1.00 Min. :1.00 Min. :1.00 Min. :2.00 Min. :2.00
## 1st Qu.:3.00 1st Qu.:3.00 1st Qu.:4.00 1st Qu.:4.00 1st Qu.:4.00
## Median :4.00 Median :4.00 Median :5.00 Median :5.00 Median :5.00
## Mean :3.96 Mean :3.68 Mean :4.48 Mean :4.42 Mean :4.62
## 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.00 3rd Qu.:5.00
## Max. :5.00 Max. :5.00 Max. :5.00 Max. :5.00 Max. :5.00
## Cambio_4 Cambio_5 Cambio_6 Infra_1
## Length:50 Length:50 Length:50 Min. :1.00
## Class :character Class :character Class :character 1st Qu.:4.00
## Mode :character Mode :character Mode :character Median :5.00
## Mean :4.36
## 3rd Qu.:5.00
## Max. :5.00
## Infra_2
## Min. :1.00
## 1st Qu.:3.25
## Median :5.00
## Mean :4.24
## 3rd Qu.:5.00
## Max. :5.00datademo <- select(dataRG, "Rango.Edad", "Genero", "Sistema", "Escolaridad", "Motivacion_9", "Motivacion_10", "Cambio_4","Cambio_5", "Cambio_6")
summary(datademo)## Rango.Edad Genero Sistema Escolaridad
## Length:50 Length:50 Length:50 Length:50
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
## Motivacion_9 Motivacion_10 Cambio_4 Cambio_5
## Length:50 Length:50 Length:50 Length:50
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
## Cambio_6
## Length:50
## Class :character
## Mode :characterregresionBAMX <- lm( Motivacion_4 ~ Liderazgo_1 + Liderazgo_2 + Liderazgo_3 + Liderazgo_4 + Liderazgo_5 + Liderazgo_6 + Liderazgo_7 + Liderazgo_8 + Liderazgo_9 + Liderazgo_10 +TrabajoEquipo_1 + TrabajoEquipo_2 + TrabajoEquipo_3 + TrabajoEquipo_4 + TrabajoEquipo_5 + TrabajoEquipo_6 + TrabajoEquipo_7 + Motivacion_1 + Motivacion_2 + Motivacion_3 + Motivacion_5 + Motivacion_6 + Motivacion_7 + Motivacion_8 + Motivacion_9 + Cambio_1 + Cambio_2 + Cambio_3 + Cambio_5 + Cambio_6 + Comunicacion_1 + Comunicacion_2 + Comunicacion_3 + Infra_1 + Infra_2, data=dataRG)
summary (regresionBAMX)##
## Call:
## lm(formula = Motivacion_4 ~ Liderazgo_1 + Liderazgo_2 + Liderazgo_3 +
## Liderazgo_4 + Liderazgo_5 + Liderazgo_6 + Liderazgo_7 + Liderazgo_8 +
## Liderazgo_9 + Liderazgo_10 + TrabajoEquipo_1 + TrabajoEquipo_2 +
## TrabajoEquipo_3 + TrabajoEquipo_4 + TrabajoEquipo_5 + TrabajoEquipo_6 +
## TrabajoEquipo_7 + Motivacion_1 + Motivacion_2 + Motivacion_3 +
## Motivacion_5 + Motivacion_6 + Motivacion_7 + Motivacion_8 +
## Motivacion_9 + Cambio_1 + Cambio_2 + Cambio_3 + Cambio_5 +
## Cambio_6 + Comunicacion_1 + Comunicacion_2 + Comunicacion_3 +
## Infra_1 + Infra_2, data = dataRG)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.31549 -0.11424 -0.02574 0.07559 0.59578
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.635441 3.384736 0.188 0.85525
## Liderazgo_1 0.843235 0.191665 4.400 0.00172 **
## Liderazgo_2 0.199260 0.193198 1.031 0.32928
## Liderazgo_3 0.079720 0.224589 0.355 0.73080
## Liderazgo_4 -0.082517 0.308784 -0.267 0.79531
## Liderazgo_5 -0.313940 0.188004 -1.670 0.12929
## Liderazgo_6 0.031391 0.154384 0.203 0.84340
## Liderazgo_7 0.363744 0.250200 1.454 0.17996
## Liderazgo_8 0.073411 0.208053 0.353 0.73232
## Liderazgo_9 -0.471380 0.175925 -2.679 0.02523 *
## Liderazgo_10 0.006860 0.192971 0.036 0.97242
## TrabajoEquipo_1 0.093453 0.249813 0.374 0.71700
## TrabajoEquipo_2 0.019599 0.105391 0.186 0.85660
## TrabajoEquipo_3 -0.088116 0.195130 -0.452 0.66226
## TrabajoEquipo_4 0.165050 0.135984 1.214 0.25573
## TrabajoEquipo_5 -0.237504 0.172045 -1.380 0.20076
## TrabajoEquipo_6 0.323173 0.188620 1.713 0.12080
## TrabajoEquipo_7 -0.166860 0.293301 -0.569 0.58334
## Motivacion_1 -0.412732 0.116429 -3.545 0.00627 **
## Motivacion_2 -0.050551 0.442604 -0.114 0.91158
## Motivacion_3 -0.304898 0.156520 -1.948 0.08324 .
## Motivacion_5 0.099497 0.245046 0.406 0.69420
## Motivacion_6 -0.071256 0.106558 -0.669 0.52046
## Motivacion_7 -0.375608 0.204539 -1.836 0.09949 .
## Motivacion_8 0.448724 0.308364 1.455 0.17959
## Motivacion_9Panaderia -0.003902 0.541318 -0.007 0.99441
## Motivacion_9Seleccion de Productos -0.574286 0.291633 -1.969 0.08044 .
## Motivacion_9Verduleria -1.077730 0.594575 -1.813 0.10331
## Cambio_1 -0.557547 0.316756 -1.760 0.11223
## Cambio_2 -0.045945 0.247055 -0.186 0.85659
## Cambio_3 0.148026 0.236668 0.625 0.54720
## Cambio_5Falta de Interes 0.903115 0.536612 1.683 0.12667
## Cambio_5Miedo a lo Nuevo -0.448962 0.407461 -1.102 0.29912
## Cambio_5Sobrecarga Laboral -0.407751 0.668091 -0.610 0.55674
## Cambio_6Auditiva -2.035259 1.126122 -1.807 0.10418
## Cambio_6Visual 0.152981 0.296752 0.516 0.61861
## Comunicacion_1 1.206459 0.631082 1.912 0.08822 .
## Comunicacion_2 -0.009355 0.189818 -0.049 0.96177
## Comunicacion_3 0.036553 0.178337 0.205 0.84216
## Infra_1 0.004110 0.236269 0.017 0.98650
## Infra_2 -0.069772 0.269659 -0.259 0.80165
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4374 on 9 degrees of freedom
## Multiple R-squared: 0.95, Adjusted R-squared: 0.7276
## F-statistic: 4.272 on 40 and 9 DF, p-value: 0.01268regresionBAMX_1 <- lm( Motivacion_4 ~ Liderazgo_5 + Liderazgo_7 + Liderazgo_9 + TrabajoEquipo_6 + TrabajoEquipo_4 + Motivacion_2 + Motivacion_9 + Cambio_1 + Cambio_5 + Cambio_6 + Comunicacion_1 + Infra_1 + Infra_2, data=dataRG)
summary (regresionBAMX_1)##
## Call:
## lm(formula = Motivacion_4 ~ Liderazgo_5 + Liderazgo_7 + Liderazgo_9 +
## TrabajoEquipo_6 + TrabajoEquipo_4 + Motivacion_2 + Motivacion_9 +
## Cambio_1 + Cambio_5 + Cambio_6 + Comunicacion_1 + Infra_1 +
## Infra_2, data = dataRG)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.8187 -0.2458 0.1004 0.3323 1.0536
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.48348 1.84429 3.515 0.00137 **
## Liderazgo_5 -0.13752 0.12383 -1.111 0.27532
## Liderazgo_7 0.40895 0.15148 2.700 0.01114 *
## Liderazgo_9 -0.13747 0.12296 -1.118 0.27218
## TrabajoEquipo_6 0.11288 0.13393 0.843 0.40577
## TrabajoEquipo_4 0.06709 0.09304 0.721 0.47627
## Motivacion_2 0.10914 0.30894 0.353 0.72628
## Motivacion_9Panaderia -0.14457 0.42383 -0.341 0.73533
## Motivacion_9Seleccion de Productos -0.50599 0.30747 -1.646 0.10994
## Motivacion_9Verduleria -0.09171 0.39261 -0.234 0.81683
## Cambio_1 -0.52940 0.20452 -2.589 0.01454 *
## Cambio_5Falta de Interes -0.03051 0.48340 -0.063 0.95008
## Cambio_5Miedo a lo Nuevo 0.09525 0.39480 0.241 0.81095
## Cambio_5Sobrecarga Laboral -0.62707 0.32961 -1.902 0.06643 .
## Cambio_6Auditiva -1.39210 0.89039 -1.563 0.12809
## Cambio_6Visual -0.14362 0.26204 -0.548 0.58756
## Comunicacion_1 -0.60940 0.27158 -2.244 0.03212 *
## Infra_1 0.29481 0.11836 2.491 0.01831 *
## Infra_2 0.20601 0.15605 1.320 0.19645
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7125 on 31 degrees of freedom
## Multiple R-squared: 0.5428, Adjusted R-squared: 0.2774
## F-statistic: 2.045 on 18 and 31 DF, p-value: 0.03893Se seleccionan solo las variables de Liderazgo_1, Liderazgo_7, Liderazgo_9, Motivacion_1, Motivacion_3,Motivacion_7, Motivacion_9Panaderia, Motivacion_9Seleccion de Productos, Motivacion_9Verduleria, Comunicacion_1, Cambio_1, Cambio_5Falta de Interes, Cambio_5Miedo a lo Nuevo, Cambio_5Sobrecarga Laboral e Infra_1; ya que son las que indica el modelo que tienen más relevancia (Esto se puede ver con los *).
regresionF_BAMX <- lm( Motivacion_4 ~ Liderazgo_1 + Liderazgo_7 + Liderazgo_9 + Motivacion_1 + Motivacion_3 + Motivacion_7 + Motivacion_9 + Comunicacion_1 + Cambio_1 + Cambio_5 + Infra_1, data=dataRG)
summary (regresionF_BAMX)##
## Call:
## lm(formula = Motivacion_4 ~ Liderazgo_1 + Liderazgo_7 + Liderazgo_9 +
## Motivacion_1 + Motivacion_3 + Motivacion_7 + Motivacion_9 +
## Comunicacion_1 + Cambio_1 + Cambio_5 + Infra_1, data = dataRG)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.9445 -0.2207 0.1073 0.3051 1.1452
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.8579 1.5847 2.434 0.02032 *
## Liderazgo_1 0.4235 0.1393 3.041 0.00451 **
## Liderazgo_7 0.3037 0.1310 2.318 0.02658 *
## Liderazgo_9 -0.1211 0.1126 -1.075 0.28984
## Motivacion_1 -0.1375 0.1033 -1.331 0.19212
## Motivacion_3 -0.2372 0.1572 -1.509 0.14045
## Motivacion_7 -0.2346 0.1367 -1.716 0.09518 .
## Motivacion_9Panaderia -0.2135 0.3914 -0.546 0.58897
## Motivacion_9Seleccion de Productos -0.6708 0.2790 -2.405 0.02178 *
## Motivacion_9Verduleria -0.3799 0.4191 -0.906 0.37111
## Comunicacion_1 0.1862 0.3130 0.595 0.55592
## Cambio_1 -0.3087 0.1630 -1.894 0.06675 .
## Cambio_5Falta de Interes 0.3169 0.4771 0.664 0.51105
## Cambio_5Miedo a lo Nuevo -0.4031 0.3483 -1.157 0.25514
## Cambio_5Sobrecarga Laboral -0.6091 0.3171 -1.921 0.06314 .
## Infra_1 0.3723 0.1190 3.127 0.00360 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6804 on 34 degrees of freedom
## Multiple R-squared: 0.5427, Adjusted R-squared: 0.3409
## F-statistic: 2.69 on 15 and 34 DF, p-value: 0.008315