Con el fin de apoyar la toma de decisiones basadas en datos de la compañía C&A, se presenta el siguiente informe ejecutivo sobre la asesoría para la compra de viviendas teniendo en cuenta las siguientes características requeridas para cada oferta. Se incluyen los métodos y pruebas estadisticas que soportan el análisis junto con las respectivas conclusiones y recomendaciones.

Vivienda Tipo 1: Casas

Inicialmente se analiza el primer caso que corresponde a la oferta de casas ubicadas en la zona norte de la ciudad de Cali, por lo que se crea un filtro de la base de datos original conformada por 13 variables y 8.322 registros, de los cuales se remueven 3 registros faltantes quedando en total con 8.319 datos, y se muestran los 3 primeros registros de la consulta agregada que en total contiene 722 casas.

casas = subset(vivienda2, tipo=="Casa" & zona == "Zona Norte")
head(casas, 3)
query1 = casas %>% group_by(tipo, zona) %>% summarise(Total = n())

query1$Total <- accounting(query1$Total, digits = 0, big.mark = ".", decimal.mark = ",")

query1 %>% kable(align = 'r') %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = F) %>% row_spec(c(0), bold = T, color = "black") %>% column_spec(1, bold = T, color = "black")
tipo zona Total
Casa Zona Norte 722

Luego, es de interés conocer la ubicación de estas viviendas, para lo que se construye un mapa por medio de la librería leaflet de R, que muestra en color naranja aquellas casas con estrato igual o mayor a 5, y en azul las que son de estratos 3 o 4.

Se evidencia que, si bien la mayoría de las viviendas se agrupan en la zona norte de Cali como es de esperarse, existen algunas casas que se ubican en las demás zonas de la ciudad, lo que puede aludirse a una mala captura de la georeferenciación de las viviendas o a errores en la codificación de la zona. También se observa que hacia el nor-oriente de la ciudad se ubican la gran mayoría de casas en estratos 3 y 4, mientras que hacia el nor-occidente se concentran principalmente las de estratos 5 y 6 (color naranja).

Análisis Exploratorio

Para conocer mejor el comportamiento de la variable Precio que se encuentra dada en millones de pesos COP, se crea un histograma que muestra la distribución de esta para el segmento de interés, donde se observa que hay una concentración del precio de las casas de la zona norte especialmente entre los $200 y $500 millones aproximadamente, además se ven algunos valores atípicos por encima de los $1.000 millones, que de no ser tratados podrían perjudicar el ajuste del modelo.

Histograma - Precio

Se muestran algunos estadísticos para las variables de interés:

Resumen
stats Precio Estrato Area Habitaciones Banios Parqueaderos
Min $89,0 3 30,0 0 0 1
Max $1.940,0 6 1.440,0 10 10 10
Promedio $445,9 4 264,9 5 4 2
DesviacionS $268,4 1 167,2 2 2 1

Se revisan ahora los valores faltantes en el conjunto de datos:

faltantes <- colSums(is.na(casas))
faltantes
##           id         zona         piso      estrato      preciom    areaconst 
##            0            0          372            0            0            0 
## parqueaderos       banios habitaciones         tipo       barrio     longitud 
##          287            0            0            0            0            0 
##      latitud 
##            0

Luego, se revisa la correlación del precio con las demás variables para identificar aquellas que puedan tener una influencia sobre este.

query2 = casas %>% select('preciom', 'areaconst', 'estrato', 'banios', 'habitaciones', 'zona')

library(GGally)
g = ggpairs(query2, title=" ") 
p <- ggplotly(g)
p

Correlaciones

Todas las características muestran una relación positiva con el precio. La correlación más notable es entre el precio y el área construida, con un 73%, lo que indica que el precio tiende a aumentar proporcionalmente con el tamaño de la vivienda. De igual forma, el estrato socieconómico de la vivienda es un factor influyente en el valor de esta al igual que la cantidad de baños, mientras que la cantidad de habitaciones parece no influir significativamente en esta variable.

Antes de proceder con la construcción del modelo, se abordan los valores atípicos de la variable ‘precio’ tomando solo los valores menores a $1.000 millones, y se realiza una imputación por regresión lineal, utilizando la librería mice, de los datos de la variable ‘parqueaderos’ que presenta aproximadamente 40% de valores faltantes en el subconjunto de datos, quedando finalmente con 693 registros.

casas2 <- casas[, c("preciom", "areaconst", "estrato", "banios", "habitaciones", "parqueaderos")]
casas2 <- mice(casas2, method = "norm.predict", m = 1, maxit = 5, seed = 500)
casas2 <- complete(casas2)
casas2 = casas2 %>% dplyr::filter(preciom < 1000)
Resumen
stats Precio Estrato Area Habitaciones Banios Parqueaderos
Min $89,0 3 30,0 0 0 1
Max $990,0 6 1.440,0 10 10 10
Promedio $409,3 4 251,0 4 3 2
DesviacionS $197,9 1 149,8 2 1 1

Modelo de Regresión Lineal Múltiple

Para explicar el precio de las viviendas en función de variables predictoras tales como el área construida, el estrato socioeconómico, la cantidad de habitaciones, de baños y de parqueaderos, se crea un modelo de regresión lineal múltiple representado por la siguiente ecuación:

\[ Precio_i \space(\$ millones ) = \beta_0 + \beta_1 \cdot Área \space( m^2) + \beta_2 \cdot estrato + \beta_3 \cdot baños + \beta_4 \cdot habitaciones + \beta_5 \cdot parqueaderos + \varepsilon_i \]

casas2$estrato = as.factor(casas2$estrato)
modelo1=lm(preciom ~ areaconst + estrato + banios + habitaciones + parqueaderos, data=casas2)
summary(modelo1)
## 
## Call:
## lm(formula = preciom ~ areaconst + estrato + banios + habitaciones + 
##     parqueaderos, data = casas2)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -562.53  -60.41  -14.67   42.57  525.99 
## 
## Coefficients:
##               Estimate Std. Error t value             Pr(>|t|)    
## (Intercept)   71.23896   12.73501   5.594    0.000000032099504 ***
## areaconst      0.53924    0.03348  16.104 < 0.0000000000000002 ***
## estrato4      89.48632   12.06505   7.417    0.000000000000355 ***
## estrato5     143.62866   11.34495  12.660 < 0.0000000000000002 ***
## estrato6     284.32885   19.68922  14.441 < 0.0000000000000002 ***
## banios        18.27695    4.10283   4.455    0.000009808977602 ***
## habitaciones  -1.54828    2.94461  -0.526                0.599    
## parqueaderos  27.15256    4.14673   6.548    0.000000000114475 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 107.2 on 685 degrees of freedom
## Multiple R-squared:  0.7095, Adjusted R-squared:  0.7065 
## F-statistic:   239 on 7 and 685 DF,  p-value: < 0.00000000000000022

Se extraen las siguientes conclusiones sobre los resultados del modelo.

Coeficientes:

  • El valor del intercepto indica el precio estimado de una vivienda antes de considerar el efecto de las variables incluidas en el modelo. Aunque en la práctica, tener 0 baños o habitaciones, o un área de construcción de 0 no es realista, este valor establece una base para los cálculos.

  • El área construida de las casas es una variable estadísticamente significativa para la explicación del precio de las viviendas, lo que tiene sentido ya que por lo general se espera que a mayor precio el tamano de la vivienda aumente y así mismo sus espacios incrementen, más baños, más habitaciones, más parqueaderos, etc. Adicionalmente, el coeficiente indica que por cada unidad adicional en el área construida, se espera que el precio de la vivienda aumente en promedio 0.539 unidades.

  • La variación en los coeficientes de los estratos socieconómicos 4, 5 y 6 indican cómo cambia el precio de la vivienda en comparación con el estrato 3. En el estrato 4 aumenta el precio en $89.4 millones, para el estrato 5 en $143.6, y en el estrato 6 en $284.3, todo ello manteniendo las demás variables constantes.

  • En cuanto a los baños, cada baño adicional se asocia con un aumento de 18.27 unidades en el precio de las casas, siendo este efecto también estadísticamente significativo con \(\alpha=0.05\).

  • A diferencia de las otras variables, el número de habitaciones tiene un efecto negativo muy pequeño en el precio de la casa y no es estadísticamente significativo (p = 0.599). Esto sugiere que, una vez controladas las otras variables en el modelo, el número de habitaciones no influye significativamente en el precio.

  • Cada parqueadero adicional aumenta el precio en 27.1 unidades, y este efecto es estadísticamente significativo.

Ajuste del modelo:

  • El coeficiente de determinación \(R^{2}\) indica que aproximadamente el 70.9% de la variabilidad en el precio de las casas es explicada por las variables incluidas en el modelo. El \(R^{2}\) ajustado, que toma en cuenta el número de predictores en el modelo, es ligeramente menor pero aún indica un buen ajuste del modelo.

  • La desviación estándar de los residuos es de 107.2 unidades, esto da una idea de cuánto se desvían las predicciones del modelo de los precios reales.

  • La prueba F es muy significativa, lo que sugiere que el modelo en su conjunto es significativamente diferente de un modelo sin ninguna de las variables predictoras, es decir, las variables incluidas en el modelo contribuyen significativamente a explicar la variabilidad en el precio de la vivienda.

Para mejorar el ajuste del modelo se podría considerar:

  1. Inclusión de más variables predictoras que aporten información relevante para explicar la variabilidad en el precio de las viviendas.

  2. Transformación de las variables para capturar las relaciones no lineales, si existen.

  3. Identificar y tatar los datos atípicos.

Supuestos del modelo

Normalidad

Para este supuesto el contraste de hipótesis es:

\[ H_0: \varepsilon \sim Normal \ \quad vs \ \quad H_a: \varepsilon \nsim Normal \]

Se utilizan las pruebas Shapiro-Wilks y Kolmogorov-Smirnov para probar la hipótesis, junto con un gráfico de normalidad Q-Q Plot:

library(nortest)
shapiro.test(modelo1$residuals); nortest::lillie.test(modelo1$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  modelo1$residuals
## W = 0.94257, p-value = 0.000000000000001005
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  modelo1$residuals
## D = 0.097451, p-value < 0.00000000000000022
Gráfico de normalidad para los residuos

Gráfico de normalidad para los residuos

Las dos pruebas aplicadas rechazan la hipótesis nula, y en la gráfica se muestra que muchos de los puntos no caen sobre la línea roja con la posible influencia de datos atípicos, lo que demuestra que no hay una distribución normal de los errores, esto puede ser un indicador de que el modelo no captura completamente la relación entre las variables independientes y la variable dependiente, o que existen otros factores no considerados en el modelo que están afectando los resultados. Para este caso, algo que puede mejorar estos resultados, es la transformación de variables, generalmente usando logaritmo o raíz cuadrada, o el uso de más predictores, o incluso un remuestreo usando Bootstrap ya que el tamaño de muestra no es lo suficientemente grande.

Linealidad

Este supuesto puede probarse gráficamente utilizando los valores ajustados del modelo vs los residuales, como se muestra enseguida:

ggplot(data.frame(Fitted = modelo1$fitted.values, Residuals = modelo1$residuals), 
       aes(x = Fitted, y = Residuals)) + geom_point(alpha = 0.4) + 
       geom_hline(yintercept = 0, color = "tomato") +  
       theme_minimal() + xlab("Valores Ajustados") + ylab("Residuos") +
       theme(plot.background=element_rect(colour="gray50",fill=NA,linewidth =0.7))
Residuos vs Valores ajustados - Modelo 1

Residuos vs Valores ajustados - Modelo 1

Se observa que los residuales se concentran especialmente en los valores ajustados entre 250 y 500 aproximadamente, y su dispersión aumenta a medida que los valores ajustados del modelo son mayores, esto indica que el diagrama de dispersión es heterocedástico, y por ende, no se cumple el supuesto de linealidad e indica a su vez el incumplimiento del supuesto de varianza constante.

Una forma de solucionar este problema puede ser, nuevamente, realizando una transformación de las variables, o en su defecto, utilizando modelos no lineales.

Homoscedasticidad

\[ H_0: V[\varepsilon_i] = \sigma^2 \quad vs \quad H_a: V[\varepsilon_i] \neq \sigma^2 \]

Si bien, el gráfico de residuos vs valores ajustados del modelo indica que no se cumple con la homocedasticidad, se aplica el test de Breusch-Pagan para probar formalmente este supuesto:

bptest(modelo1)
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo1
## BP = 94.084, df = 7, p-value < 0.00000000000000022

La prueba rechaza la hipótesis nula, es decir, los errores del modelo no tienen varianza constante. Una vez más, transformar variables puede ayudar a estabilizar la varianza. También, es posible usar modelos robustos a la heterocedasticidad o que modelen explícitamente la varianza.

No Autocorrelación de Errores

Finalmente, se contrasta la siguiente hipótesis sobre la autocorrelación de los errores, usando el test de Durbin-Watson.

\[ H_0: E[\varepsilon_i, \varepsilon_j] = 0 \quad vs \quad H_a: E[\varepsilon_i, \varepsilon_j] \neq 0 \]

lmtest::dwtest(modelo1)
## 
##  Durbin-Watson test
## 
## data:  modelo1
## DW = 1.687, p-value = 0.00001358
## alternative hypothesis: true autocorrelation is greater than 0

Con p-valor cercano a cero, se rechaza la hipótesis nula y se concluye que los errores del modelo están autocorrelacionados. Para corregir este comportamiento si se debe a la agrupación en los datos, se pueden considerar modelos mixtos o efectos aleatorios que tomen en cuenta la estructura de agrupación.

En este escenario, donde ninguno de los supuestos se cumple, la transformación de variables, agregar más variables predictoras o probar modelos más robustos, pueden ser algunas de las formas de encontrar un modelo que se ajuste mejor a los datos y pueda generar predicciones más confiables.

Predicción del Valor de la Vivienda

A continuación se muestra el resultado de la predicción del precio estimado para viviendas con las características requeridas para esta primera oferta; casas de la zona norte con área construida de 200m2, 4 habitaciones, 2 baños y 1 parqueadero en estratos 4 o 5.

nueva_vivienda <- data.frame(
  areaconst = c(200, 200),
  parqueaderos = c(1, 1),
  banios = c(2, 2),
  habitaciones = c(4, 4),
  estrato = factor(c("4", "5"), levels = c("3", "4", "5", "6"))
)

precio_predicho <- predict(modelo1, newdata = nueva_vivienda)

precio_predicho
##        1        2 
## 326.0872 380.2295

Las predicciones del modelo construido muestran que una vivienda con las especificaciones dadas en estrato 4 puede costar cerca de $326.08 millones, mientras que en el estrato 5 el valor oscila sobre $380.22 millones. Con esta información se extrae un conjunto de viviendas que cumplan con los requerimientos y su precio esté entre los $326 y los $350 millones correspondientes al crédito aprobado por la empresa multinacional para sus empleados.

viviendas_seleccionadas <- casas %>%
  dplyr::filter(preciom > 326.0872, preciom <= 350, 
         areaconst >= 200, banios >= 2, habitaciones >= 4, parqueaderos >= 1, 
         estrato %in% c("4", "5")) %>%
  head(5)

viviendas_seleccionadas 

Se obtiene un grupo de 5 viviendas que se ajustan a las características requeridas y al presupuesto. Todas se ubican en el barrio El Bosque y todas pertenecen al estrato 5.

  • La casa ‘4209’ se muestra como la oferta más atractiva ya que cuenta con un área de 300m2, 6 habitaciones, 5 baños, 3 parqueaderos y 2 pisos, por un valor de $350 millones.

  • Seguidamente, la casa ‘4422’ cumple con el presupuesto y brinda espacios amplios con 6 habitaciones, 3 baños, 2 parqueaderos y 2 pisos en un área de 240m2.

  • La opción con un precio más llamativo es la casa ‘4267’ que por $335 millones ofrece 5 habitaciones, 4 baños, 1 parqueaderos y 1 piso en un área de 202m2, sin dejar de lado ninguno de los requerimientos y ahorrando un poco en la inversión.

A continuación, se visualiza la ubicación de estas 5 ofertas para conocer las amenidades de la zona donde se encuentran ubicadas.

casas_selec <- leaflet(data = viviendas_seleccionadas) %>%
  addTiles() %>%  # Añade el mapa base predeterminado
  setView(lng = -76.53300, lat = 3.46500, zoom = 13.2) %>% # Centra el mapa en Cali
  addCircleMarkers(
    ~longitud, ~latitud, 
    radius = 6,
    color = ~ifelse(estrato == 5, "#F51E62", "darkblue"),
    label = ~paste("Precio: ", preciom, "<br> Area: ", areaconst, "<br>Estrato: ", estrato),
    opacity = 0.75,
    fillOpacity = 0.6
  )

casas_selec

Vivienda Tipo 2: Apartamentos

El segundo caso, que corresponde a la oferta de apartamentos ubicados en la zona sur de la ciudad de Cali, cuenta con un conjunto de opciones más grande de 2.787 registros, para el que se muestran los primeros 3 datos.

aptos = subset(vivienda2, tipo=="Apartamento" & zona == "Zona Sur")
head(aptos, 3)
query1 = aptos %>% group_by(tipo, zona) %>% summarise(Total = n())
query1$Total <- accounting(query1$Total, digits = 0, big.mark = ".", decimal.mark = ",")

query1 %>% kable(align = 'r') %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = F) %>% row_spec(c(0), bold = T, color = "black") %>% column_spec(1, bold = T, color = "black")
tipo zona Total
Apartamento Zona Sur 2.787

Posteriormente se muestra la distribución geográfica de estas viviendas.

Si bien la mayoría de las viviendas se agrupan en la zona sur de Cali como es de esperarse, existen algunos apartamentos que se ubican en las demás zonas de la ciudad, lo que puede aludirse a una mala captura de la georeferenciación de las viviendas o a errores en la codificación de la zona. También se observa que entre más al sur de la ciudad, más se ubican la gran mayoría de casas en estratos 5 y 6 (color naranja), mientras que más hacia el centro se concentran principalmente las de estratos 3 y 4 (color azul).

Análisis Exploratorio

El siguiente histograma muestra la distribución del precio de los apartamentos, donde se observa que hay una concentración de esta variable especialmente entre los $120 y $360 millones aproximadamente, además se ven algunos valores atípicos por encima de los $1.000 millones.

Histograma - Precio

Resumen
stats Precio Estrato Area Habitaciones Banios Parqueaderos
Min $75,0 3 40,0 0 0 1
Max $1.750,0 6 932,0 6 8 10
Promedio $297,3 5 97,5 3 2 1
DesviacionS $191,6 1 52,6 1 1

Se revisan ahora los valores faltantes por cada variable:

faltantes <- colSums(is.na(aptos))
faltantes
##           id         zona         piso      estrato      preciom    areaconst 
##            0            0          622            0            0            0 
## parqueaderos       banios habitaciones         tipo       barrio     longitud 
##          406            0            0            0            0            0 
##      latitud 
##            0

Posteriormente se analiza la correlación de las características de los apartamentos contra su valor.

query3 = aptos %>% select('preciom', 'areaconst', 'estrato', 'banios', 'habitaciones', 'zona')

library(GGally)
g2 = ggpairs(query3, title=" ") 
p2 <- ggplotly(g2)
p2

Correlaciones

Las características muestran una relación positiva con el precio. Las correlaciones más notables son entre el precio y el área construida, y el precio y la cantidad de baños, con 76% y 72% respectivamente. El estrato socieconómico de la vivienda también es un factor bastante influyente en el valor de esta con una correlación de 67%. Por otro lado, la cantidad de habitaciones parece no influir significativamente en esta variable.

Antes de continuar con el modelo, se abordan los valores atípicos de la variable ‘precio’ tomando los valores menores a $1.000 millones, y se realiza una imputación por regresión lineal, utilizando la librería mice, de los datos de la variable ‘parqueaderos’ que presenta aproximadamente 15% de valores faltantes en el subconjunto de datos, quedando finalmente con 2.761 registros.

aptos2 <- aptos[, c("preciom", "areaconst", "estrato", "banios", "habitaciones", "parqueaderos")]
aptos2 <- mice(aptos2, method = "norm.predict", m = 1, maxit = 5, seed = 500)
aptos2 <- complete(aptos2)
aptos2 = aptos2 %>% dplyr::filter(preciom < 1000)
Resumen
stats Precio Estrato Area Habitaciones Banios Parqueaderos
Min $75,0 3 40,0 0 0 1
Max $980,0 6 932,0 6 8 10
Promedio $287,6 5 95,5 3 2 1
DesviacionS $162,4 1 48,2 1 1

Modelo de Regresión Lineal Múltiple

Se crea el modelo de regresión lineal múltiple representado por la siguiente ecuación:

\[ Precio_i \space(\$ millones ) = \beta_0 + \beta_1 \cdot Área \space( m^2) + \beta_2 \cdot estrato + \beta_3 \cdot baños + \beta_4 \cdot habitaciones + \beta_5 \cdot parqueaderos + \varepsilon_i \]

aptos2$estrato = as.factor(aptos2$estrato)
modelo2=lm(preciom ~ areaconst + estrato + banios + habitaciones + parqueaderos, data=aptos2)
summary(modelo2)
## 
## Call:
## lm(formula = preciom ~ areaconst + estrato + banios + habitaciones + 
##     parqueaderos, data = aptos2)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -789.25  -35.79   -2.45   34.78  395.13 
## 
## Coefficients:
##               Estimate Std. Error t value             Pr(>|t|)    
## (Intercept)  -21.72552    8.09516  -2.684              0.00732 ** 
## areaconst      0.96225    0.03948  24.373 < 0.0000000000000002 ***
## estrato4      27.12552    5.47025   4.959          0.000000753 ***
## estrato5      60.77919    5.67002  10.719 < 0.0000000000000002 ***
## estrato6     207.68128    7.16449  28.988 < 0.0000000000000002 ***
## banios        39.91558    2.34288  17.037 < 0.0000000000000002 ***
## habitaciones  -8.12543    2.55162  -3.184              0.00147 ** 
## parqueaderos  57.00892    2.88841  19.737 < 0.0000000000000002 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 69.75 on 2753 degrees of freedom
## Multiple R-squared:  0.8159, Adjusted R-squared:  0.8154 
## F-statistic:  1743 on 7 and 2753 DF,  p-value: < 0.00000000000000022

Se extraen las siguientes conclusiones sobre los resultados del modelo, donde todas las variables resultan ser estadísticamente significativas.

Coeficientes:

  • El precio estimado cuando todas las demás variables son cero (lo que no es un escenario realista) sería negativo, lo cual no tiene sentido en el contexto y simplemente indica que el modelo no está destinado a ser interpretado en esa zona del espacio de características.

  • Cada m2 adicional de área construida está asociada con un aumento promedio en el precio del apartamento de aproximadamente 0.96 unidades. Este es un efecto significativo y esperado, ya que el tamaño de un apartamento suele influir directamente en su precio.

  • En cuanto a los estratos socieconómicos la variación en los coeficientes indica cómo cambia el precio de la vivienda en comparación con el estrato 3. En el estrato 4 aumenta el precio en $27.1 millones, para el estrato 5 en $60.8, y con un gran salto, en el estrato 6 en $207.6, todo ello manteniendo las demás variables constantes.

  • La presencia de cada baño adicional está asociada con un aumento significativo de 39.9 unidades en el precio del apartamento, lo cual tiene sentido ya que más baños suelen ser un indicativo de un apartamento más grande.

  • Sorprendentemente, cada habitación adicional está asociada con una disminución en el precio. Esto es contrario a la intuición y podría sugerir que hay otros factores no capturados en el modelo que están interactuando con el número de habitaciones.

  • Cada parqueadero adicional está asociado con un aumento significativo de 57 unidades en el precio, lo cual es razonable ya que los parqueaderos adicionales pueden ser muy valiosos, especialmente en zonas urbanas donde el espacio es limitado.

Ajuste del modelo:

  • El coeficiente de determinación \(R^{2}\) indica que el modelo explica aproximadamente el 81% de la variabilidad en el precio de los apartamentos, lo cual es bastante alto y sugiere un buen ajuste del modelo a los datos.

  • La desviación estándar de los residuos de 69.7, da una idea del error típico de las predicciones del modelo.

  • La prueba F es muy significativa, indicando que el modelo en su conjunto tiene predictores que son significativamente efectivos en predecir el precio del apartamento.

Para mejorar el ajuste del modelo se podría considerar:

  1. Inclusión de más variables predictoras que aporten información relevante para explicar la variabilidad en el precio de las viviendas.

  2. Transformación de las variables para capturar las relaciones no lineales, si existen.

  3. Identificar y tatar los valores atípicos o errores en los datos.

Supuestos del modelo

Normalidad

Contraste de hipótesis es:

\[ H_0: \varepsilon \sim Normal \ \quad vs \ \quad H_a: \varepsilon \nsim Normal \]

Se utilizan las pruebas Shapiro-Wilks y Kolmogorov-Smirnov para probar la hipótesis, junto con un gráfico de normalidad Q-Q Plot:

library(nortest)
shapiro.test(modelo2$residuals); nortest::lillie.test(modelo2$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  modelo2$residuals
## W = 0.9212, p-value < 0.00000000000000022
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  modelo2$residuals
## D = 0.067404, p-value < 0.00000000000000022
Gráfico de normalidad para los residuos

Gráfico de normalidad para los residuos

Las pruebas aplicadas rechazan a hipótesis nula, es decir, los residuales del modelo no cumplen con el supuesto de normalidad. Esto podría ser tratado aplicando transformaciones en los datos o ingresando más datos al conjunto.

Linealidad

Este supuesto puede probarse gráficamente utilizando los valores ajustados del modelo vs los residuales, como se muestra enseguida:

ggplot(data.frame(Fitted = modelo2$fitted.values, Residuals = modelo2$residuals), 
       aes(x = Fitted, y = Residuals)) + geom_point(alpha = 0.4) + 
       geom_hline(yintercept = 0, color = "tomato") +  
       theme_minimal() + xlab("Valores Ajustados") + ylab("Residuos") +
       theme(plot.background=element_rect(colour="gray50",fill=NA,linewidth =0.7))
Residuos vs Valores ajustados - Modelo 2

Residuos vs Valores ajustados - Modelo 2

Los residuales se concentran especialmente en los valores ajustados entre 120 y 500, sin embargo su dispersión aumenta a medida que los valores ajustados del modelo son mayores, esto indica que el diagrama de dispersión es heterocedástico, por tanto no se cumple el supuesto de linealidad e indica a su vez el incumplimiento del supuesto de varianza constante.

Una forma de solucionar este problema puede ser realizando una transformación de las variables, generalmente usando logaritmo o raíz cuadrada. Otra forma puede ser utilizando modelos no lineales.

Homoscedasticidad

\[H_0: V[\varepsilon_i] = \sigma^2 \quad vs \quad H_a: V[\varepsilon_i] \neq \sigma^2\]

Si bien, el gráfico de residuos vs valores ajustados del modelo indica que no se cumple con la homocedasticidad, se aplica el test de Breusch-Pagan para probar formalmente este supuesto:

bptest(modelo2)
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo2
## BP = 928.61, df = 7, p-value < 0.00000000000000022

Se rechaza la hipótesis nula concluyendo que los errores del modelo no tienen varianza constante. Una vez más, transformar variables puede ayudar a estabilizar la varianza. También, es posible usar modelos robustos a la heterocedasticidad o modelos que modelen explícitamente la varianza.

No Autocorrelación de Errores

Finalmente, se contrasta la siguiente hipótesis sobre la autocorrelación de los errores, usando el test de Durbin-Watson.

\[ H_0: E[\varepsilon_i, \varepsilon_j] = 0 \ \quad vs \quad H_a: E[\varepsilon_i, \varepsilon_j] \neq 0 \]

lmtest::dwtest(modelo2)
## 
##  Durbin-Watson test
## 
## data:  modelo2
## DW = 1.7233, p-value = 0.0000000000001324
## alternative hypothesis: true autocorrelation is greater than 0

Se rechaza la hipótesis nula y se concluye que los errores del modelo están autocorrelacionados. Para corregir este comportamiento si se debe a la agrupación en los datos, se pueden considerar modelos mixtos o efectos aleatorios que tomen en cuenta la estructura de agrupación.

Para este caso, donde ninguno de los supuestos se cumple, nuevamente la transformación de variables, agregar más variables predictoras o probar modelos más robustos, pueden ser algunas de las formas de encontrar un modelo que se ajuste mejor a los datos y pueda generar predicciones más confiables.

Predicción del Valor de la Vivienda

A continuación, se muestra el resultado de la predicción del precio estimado para los apartamentos de la zona sur con área construida de 300m2, 5 habitaciones, 3 baños y 3 parqueaderos en estratos 5 o 6.

nueva_vivienda2 <- data.frame(
  areaconst = c(300, 300),
  parqueaderos = c(3, 3),
  banios = c(3, 3),
  habitaciones = c(5, 5),
  estrato = factor(c("5", "6"), levels = c("3", "4", "5", "6"))
)

precio_predicho <- predict(modelo2, newdata = nueva_vivienda2)
precio_predicho
##        1        2 
## 577.8748 724.7768

Las predicciones del modelo construido muestran que una vivienda con las especificaciones dadas puede costar cerca de $577.8 millones en estrato 5, mientras que en estrato 6 el valor oscila sobre $724.7 millones. Con esta información se extrae un conjunto de viviendas que cumplan con los requerimientos y su precio esté entre los $577 y los $850 millones tomando en cuenta el presupuesto.

viviendas_seleccionadas2 <- aptos %>%
  dplyr::filter(preciom > 577.8748, preciom <= 850, 
         areaconst >= 300, banios >= 3, habitaciones >= 5, parqueaderos >= 3, 
         estrato %in% c("5", "6")) %>%
  head(5)

viviendas_seleccionadas2 

Para este caso, solo se cuenta con dos opciones que cumplen los requerimientos del cliente. La primera oferta es un apartamoento en el barrio Guadalupe, que cuenta con 573m2, 5 habitaciones, 8 baños y 3 parqueaderos, por un valor de $730 millones.

La segunda, es un apartamento del barrio Seminario que cuenta con una distribución más atractiva, pues es un espacio de 300m2 donde se tienen 6 habitaciones, 5 baños y 3 parqueaderos, por un valor bastante ranozable de $670 millones.

En el siguiente mapa se observa la ubicación de estas dos tentadoras ofertas:

aptos_selec <- leaflet(data = viviendas_seleccionadas2) %>%
  addTiles() %>%  # Añade el mapa base predeterminado
  setView(lng = -76.548, lat = 3.408, zoom = 13) %>% # Centra el mapa en Cali
  addCircleMarkers(
    ~longitud, ~latitud, 
    radius = 6,
    color = ~ifelse(estrato == 5, "#F51E62", "darkblue"),
    label = ~paste("Precio: ", preciom, "<br> Area: ", areaconst, "<br>Estrato: ", estrato),
    opacity = 0.75,
    fillOpacity = 0.5
  )

aptos_selec

Conclusiones

La aplicación de la Regresión Lineal Múltiple demostró ser una herramienta eficaz para comprender los factores que influyen en los precios de las viviendas y, a su vez, hacer ofertas personalizadas a los clientes basándose en sus gustos, necesidades y presupuesto.

Además, los resultados del modelo muestran que variables como el área construida, el estrato, el número de baños y de parqueaderos, tienen influencias predecibles y significativas sobre el precio, lo cual está en línea con las expectativas del mercado y proporciona a la agencia A&C una guía clara sobre qué características valoran más los compradores. Esto es particularmente útil para hacer coincidir las expectativas y presupuestos de los clientes con las propiedades disponibles.

Sin embargo, hay oportunidades de mejora. Por ejemplo, la relación negativa entre el número de habitaciones y el precio es contra-intuitiva y sugiere que puede haber variables de confusión o interacciones no capturadas en el modelo actual. Investigar más a fondo estas relaciones y considerar en algunos casos la transformación de variables, la inclusión de más predictores y de más datos, podría revelar insights más complejos sobre cómo las características de las viviendas afectan su valor en el mercado y proporcionar predicciones más precisas.