Para filtrar la base de datos “vivienda” y seleccionar únicamente las ofertas de vivienda tipo casa en la zona norte de la ciudad, podemos seguir estos pasos:
base = subset(vivienda, tipo =="Casa")
base1 = subset(base, zona =="Zona Norte")
head(base1,3)
## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1209 Zona N… 02 5 320 150 2 4 6
## 2 1592 Zona N… 02 5 780 380 2 3 3
## 3 4057 Zona N… 02 6 750 445 NA 7 6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>
Para obtener la sumatoria de registros de acuerdo al estrato de viviendas tipo Casa en la Zona Norte de Cali, podemos utilizar la función table()
table(base1$estrato)
##
## 3 4 5 6
## 235 161 271 55
library(leaflet)
map = leaflet(base1) %>%
addTiles() %>%
addMarkers(lat = ~latitud, lng = ~longitud)
# Display the map
map
El mapa muestra que la mayoría de las propiedades tipo casa se encuentran en la zona norte de la ciudad, aunque hay algunas dispersas en otras áreas. Se sugiere que estas dispersiones pueden ser el resultado de errores en los datos, como errores de entrada o digitación. El próximo paso implica realizar un análisis exploratorio de datos para examinar la correlación entre el precio de las casas y diversas variables, como el área construida, el estrato, el número de baños, el número de habitaciones y la ubicación geográfica de la vivienda. Este análisis utilizará gráficos interactivos proporcionados por el paquete plotly.
Construimos un gráfico de dispersión para visualizar la relación entre dos variables cuantitativas. Cada punto en el gráfico representa una observación con valores en ambas variables, mostrando cómo están distribuidos. Esto permite identificar relaciones entre las variables, como proporcionalidad directa o inversa. Los valores atípicos, que son inusuales y se alejan de la mayoría de los datos, también se pueden identificar en el gráfico. Esta visualización es fundamental para el análisis de modelos de regresión, donde se ajusta una línea o curva para predecir una variable en función de otra, siendo útil para realizar predicciones o inferencias basadas en los datos.
scatter_plot = plot_ly(data = base1, x = ~areaconst, y = ~preciom, color = I("lightgreen"),
type = 'scatter', mode = 'markers',
marker = list(size = 10, opacity = 0.6)) %>%
layout(title = "Scatter Plot Area construida vs. Precio",
xaxis = list(title = "Area Construida"),
yaxis = list(title = "Precio de vivienda en millones"))
scatter_plot
box_plot_estrato <- plot_ly(data = base1, x = ~estrato, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
layout(title = "Box Plot",
xaxis = list(title = "Estrato"),
yaxis = list(title = "Precio de vivienda (millones)"))
box_plot_estrato
box_plot_zona <- plot_ly(data = base1, x = ~zona, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
layout(title = "Box Plot",
xaxis = list(title = "Zona"),
yaxis = list(title = "Precio de vivienda (millones)"))
box_plot_zona
Se estimará un modelo de regresión lineal múltiple con variables como área construida, estrato, número de cuartos, número de parqueaderos y número de baños. Se interpretarán los coeficientes y su significancia estadística, contextualizando los resultados y evaluando su lógica. Además, se interpretará el coeficiente R2 y se discutirá el ajuste del modelo y posibles mejoras. La función lm() en R se utiliza para ajustar modelos de regresión lineal, predecir valores y evaluar la calidad del ajuste del modelo. Proporciona estadísticas como R-squared, coeficientes de regresión y p-values para evaluar la relación entre variables y el ajuste del modelo. También puede usarse junto con ggplot2 para visualizar resultados. lm() en R es esencial para el análisis de regresión lineal, permitiendo modelar relaciones y hacer predicciones basadas en datos. Se generará el modelo utilizando los datos filtrados por tipo de vivienda (Casa) y zona (Zona Norte).
model <- lm(preciom ~ areaconst + estrato + habitaciones + parqueaderos + banios, data = base1) #usage of filtered data by "tipo" and "zona"
summary(model)
##
## Call:
## lm(formula = preciom ~ areaconst + estrato + habitaciones + parqueaderos +
## banios, data = base1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -784.29 -77.56 -16.03 47.67 978.61
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -238.17090 44.40551 -5.364 1.34e-07 ***
## areaconst 0.67673 0.05281 12.814 < 2e-16 ***
## estrato 80.63495 9.82632 8.206 2.70e-15 ***
## habitaciones 7.64511 5.65873 1.351 0.177
## parqueaderos 24.00598 5.86889 4.090 5.14e-05 ***
## banios 18.89938 7.48800 2.524 0.012 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 155.1 on 429 degrees of freedom
## (287 observations deleted due to missingness)
## Multiple R-squared: 0.6041, Adjusted R-squared: 0.5995
## F-statistic: 130.9 on 5 and 429 DF, p-value: < 2.2e-16
El modelo parece ser de regresión lineal con la variable dependiente “preciom” y cinco variables independientes: “areaconst”, “estrato”, “habitaciones”, “parqueaderos” y “banios”.
Los residuos son las diferencias entre los valores observados y los predichos por el modelo. El resumen incluye estadísticas sobre los residuos como mínimo, primer cuartil, mediana, tercer cuartil y máximo.
La sección de “Coeficientes” muestra los coeficientes estimados para cada variable independiente en el modelo, indicando su significancia estadística.
Los coeficientes estimados indican cómo cada variable independiente afecta la variable dependiente. Por ejemplo, un aumento en “estrato” está asociado con un aumento promedio de “preciom”.
El R-cuadrado mide cuánta variabilidad en “preciom” es explicada por las variables independientes en el modelo. En este caso, alrededor del 60.41% de la variabilidad se puede explicar por las variables independientes.
La estadística F evalúa la significancia general del modelo, indicando si al menos una variable independiente tiene un efecto significativo en “preciom”.
El modelo parece ajustarse bien a los datos, con algunas variables como “areaconst”, “estrato” y “parqueaderos” siendo predictores significativos de “preciom”. Sin embargo, “habitaciones” no parece ser un predictor significativo, lo que sugiere la necesidad de un análisis adicional y posibles mejoras en el modelo.
plot(model$residuals ~ model$fitted.values, xlab = "Valores Ajustados", ylab = "Residuos", main = "Linealidad")
Los puntos en el gráfico de dispersión sugieren una relación lineal
entre las variables. Si están distribuidos alrededor de una línea
horizontal que pasa por cero, el modelo de regresión lineal es adecuado.
Aquí, los datos parecen seguir esta distribución.
plot(model$residuals, xlab = "Orden de Observación", ylab = "Residuos", main = "Independencia de Residuos")
El gráfico de residuos en función del orden de observación es una herramienta para evaluar la independencia de los residuos en un modelo de regresión. La mayoría de los puntos se agrupan alrededor de cero en el eje vertical, lo que sugiere cumplimiento del supuesto de linealidad y ausencia de correlación sistemática. Esto indica que los residuos son independientes entre sí, validando el modelo y sugiriendo que las predicciones son confiables.
plot(model$fitted.values, abs(model$residuals), xlab = "Valores Ajustados", ylab = "|Residuos|", main = "Homocedasticidad")
La dispersión constante de los residuos, sin cambios a medida que
avanzan los valores ajustados, sugiere homocedasticidad. 4. Calculo de
Normalidad de residuos:
library(car)
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:boot':
##
## logit
qqPlot(model$residuals, main = "Normalidad de Residuos")
## 513 405
## 309 239
cor_matrix <- cor(base1[, c("areaconst", "estrato", "habitaciones", "parqueaderos", "banios")])
print(cor_matrix)
## areaconst estrato habitaciones parqueaderos banios
## areaconst 1.0000000 0.4573818 0.3753323 NA 0.4628152
## estrato 0.4573818 1.0000000 0.1073141 NA 0.4083039
## habitaciones 0.3753323 0.1073141 1.0000000 NA 0.5755314
## parqueaderos NA NA NA 1 NA
## banios 0.4628152 0.4083039 0.5755314 NA 1.0000000
Correlaciones Positivas: Se observan correlaciones positivas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, “estrato” y “banios”, y “habitaciones” y “banios”.
Correlaciones Bajas o No Disponibles: Algunas correlaciones son bajas o no están disponibles, como la falta de correlación entre “parqueaderos” y otras variables, posiblemente debido a la falta de variabilidad en “parqueaderos”.
Multicolinealidad Potencial: Existen correlaciones moderadas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, y “habitaciones” y “banios”, lo que sugiere una posible multicolinealidad entre estas variables predictoras.
Consideraciones para el Modelo: La multicolinealidad puede dificultar la interpretación de los coeficientes y hacer que las estimaciones sean menos estables. Se sugiere explorar opciones como eliminar variables altamente correlacionadas o utilizar técnicas de regularización para mitigar sus efectos.
plot(model$fitted.values, rstandard(model), xlab = "Valores Ajustados", ylab = "Residuos Estandarizados", main = "Outliers")
Se observan puntos lejanos de la línea central en el gráfico, posibles
outliers. Estos pueden impactar el modelo y la precisión de las
predicciones.
residuals = rstandard(model)
fitted_values = fitted(model)
plot(fitted_values, residuals,
main = "Heteroscedasticidad Condicional",
xlab = "Valores Ajustados",
ylab = "Residuos Estandarizados")
La heteroscedasticidad condicional implica que la variabilidad de los
residuos cambia con los valores ajustados. No se observa una tendencia
de dispersión en forma de embudo en el gráfico, lo que indica la
ausencia de heteroscedasticidad condicional.
solicitud1 = data.frame(
areaconst = 200,
estrato = 4,
habitaciones = 4,
parqueaderos = 1,
banios = 2
)
solicitud11 = data.frame(
areaconst = 200,
estrato = 5,
habitaciones = 4,
parqueaderos = 1,
banios = 2
)
solicitud = rbind(solicitud1, solicitud11)
print(solicitud)
## areaconst estrato habitaciones parqueaderos banios
## 1 200 4 4 1 2
## 2 200 5 4 1 2
prediccion1 = predict(model, newdata = solicitud)
prediccion1
## 1 2
## 312.1010 392.7359
Con las predicciones del modelo, se sugerirán ofertas potenciales para la vivienda 1, considerando un crédito pre-aprobado de máximo 350 millones de pesos. Se presentaran las ofertas.
# Realizar la predicción del precio de la vivienda 1
prediccion_precio_vivienda1 = predict(model, newdata = solicitud)
# Definir el presupuesto máximo (350 millones de pesos)
presupuesto_maximo = 350
# Filtrar las ofertas potenciales dentro del presupuesto
ofertas_potenciales = base1 %>%
filter(preciom <= presupuesto_maximo) %>%
select(latitud, longitud, preciom) # Seleccionar columnas relevantes para el mapa
# Visualizar las ofertas potenciales en un mapa (usando leaflet)
library(leaflet)
# Construccion del mapa
mapa_ofertas <- leaflet(data = ofertas_potenciales) %>%
addTiles() %>%
addMarkers(
~longitud, ~latitud,
label = ~paste("Precio: $", preciom, "M"),
popup = ~paste("Precio: $", preciom, "M"),
clusterOptions = markerClusterOptions()
)
# Mostrar el mapa
mapa_ofertas
base2 = subset(vivienda, tipo =="Apartamento")
base3 = subset(base2, zona =="Zona Sur")
head(base3,3)
## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5098 Zona S… 05 4 290 96 1 2 3
## 2 698 Zona S… 02 3 78 40 1 1 2
## 3 8199 Zona S… <NA> 6 875 194 2 5 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>
Para obtener la sumatoria de registros de acuerdo al estrato de viviendas tipo Casa en la Zona Norte de Cali, podemos utilizar la función table()
table(base3$estrato)
##
## 3 4 5 6
## 201 1091 1033 462
library(leaflet)
map = leaflet(base3) %>%
addTiles() %>%
addMarkers(lat = ~latitud, lng = ~longitud)
# Display the map
map
El mapa muestra que la mayoría de las propiedades tipo apartamento que se encuentran en la zona sur de la ciudad, aunque hay algunas dispersas en otras áreas. Se sugiere que estas dispersiones pueden ser el resultado de errores en los datos, como errores de entrada o digitación. El próximo paso implica realizar un análisis exploratorio de datos para examinar la correlación entre el precio de los apartamentos y diversas variables, como el área construida, el estrato, el número de baños, el número de habitaciones y la ubicación geográfica de la vivienda. Este análisis utilizará gráficos interactivos proporcionados por el paquete plotly.
#install.packages("plotly")
library(plotly)
Construimos un gráfico de dispersión para visualizar la relación entre dos variables cuantitativas. Cada punto en el gráfico representa una observación con valores en ambas variables, mostrando cómo están distribuidos. Esto permite identificar relaciones entre las variables, como proporcionalidad directa o inversa. Los valores atípicos, que son inusuales y se alejan de la mayoría de los datos, también se pueden identificar en el gráfico. Esta visualización es fundamental para el análisis de modelos de regresión, donde se ajusta una línea o curva para predecir una variable en función de otra, siendo útil para realizar predicciones o inferencias basadas en los datos.
scatter_plot = plot_ly(data = base3, x = ~areaconst, y = ~preciom, color = I("lightgreen"),
type = 'scatter', mode = 'markers',
marker = list(size = 10, opacity = 0.6)) %>%
layout(title = "Scatter Plot Area construida vs. Precio",
xaxis = list(title = "Area Construida"),
yaxis = list(title = "Precio de vivienda en millones"))
scatter_plot
box_plot_estrato <- plot_ly(data = base3, x = ~estrato, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
layout(title = "Box Plot",
xaxis = list(title = "Estrato"),
yaxis = list(title = "Precio de vivienda (millones)"))
box_plot_estrato
box_plot_zona <- plot_ly(data = base3, x = ~zona, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
layout(title = "Box Plot",
xaxis = list(title = "Zona"),
yaxis = list(title = "Precio de vivienda (millones)"))
box_plot_zona
Se estimará un modelo de regresión lineal múltiple con variables como área construida, estrato, número de cuartos, número de parqueaderos y número de baños. Se interpretarán los coeficientes y su significancia estadística, contextualizando los resultados y evaluando su lógica. Además, se interpretará el coeficiente R2 y se discutirá el ajuste del modelo y posibles mejoras. La función lm() en R se utiliza para ajustar modelos de regresión lineal, predecir valores y evaluar la calidad del ajuste del modelo. Proporciona estadísticas como R-squared, coeficientes de regresión y p-values para evaluar la relación entre variables y el ajuste del modelo. También puede usarse junto con ggplot2 para visualizar resultados. lm() en R es esencial para el análisis de regresión lineal, permitiendo modelar relaciones y hacer predicciones basadas en datos. Se generará el modelo utilizando los datos filtrados por tipo de vivienda (Casa) y zona (Zona Norte).
model2 <- lm(preciom ~ areaconst + estrato + habitaciones + parqueaderos + banios, data = base3)
summary(model2)
##
## Call:
## lm(formula = preciom ~ areaconst + estrato + habitaciones + parqueaderos +
## banios, data = base3)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1092.02 -42.28 -1.33 40.58 926.56
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -261.62501 15.63220 -16.736 < 2e-16 ***
## areaconst 1.28505 0.05403 23.785 < 2e-16 ***
## estrato 60.89709 3.08408 19.746 < 2e-16 ***
## habitaciones -24.83693 3.89229 -6.381 2.11e-10 ***
## parqueaderos 72.91468 3.95797 18.422 < 2e-16 ***
## banios 50.69675 3.39637 14.927 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 98.02 on 2375 degrees of freedom
## (406 observations deleted due to missingness)
## Multiple R-squared: 0.7485, Adjusted R-squared: 0.748
## F-statistic: 1414 on 5 and 2375 DF, p-value: < 2.2e-16
Se concluye lo siguiente:
Descripción del Modelo: Se ajustó un modelo de regresión lineal utilizando la fórmula “preciom ~ areaconst + estrato + habitaciones + parqueaderos + banios” en un conjunto de datos llamado “base3”.
Residuos: La sección de “Residuals” muestra estadísticas descriptivas de los residuos del modelo, que son las diferencias entre los valores observados y los valores predichos. Esto incluye el mínimo, primer cuartil, mediana, tercer cuartil y máximo de los residuos.
Coeficientes: La sección de “Coefficients” muestra los coeficientes de regresión estimados para cada variable independiente en el modelo, incluyendo el intercepto. Se proporciona la estimación, error estándar, valor t y valor p para cada coeficiente, indicando su significancia estadística.
R-cuadrado: El coeficiente de determinación (R-squared) es aproximadamente 0.7485, indicando cuánta variabilidad en la variable dependiente es explicada por el modelo.
F-statistic: El valor del F-statistic es 1414, con un valor p extremadamente pequeño (< 2.2e-16), lo que sugiere que el modelo en su conjunto es estadísticamente significativo.
En resumen, el summary() del modelo proporciona información sobre la calidad del ajuste, significancia de los coeficientes y la cantidad de variabilidad explicada. Aunque el modelo parece tener un buen ajuste con coeficientes significativos y un alto R-cuadrado, es importante considerar otras validaciones del modelo y sus supuestos.
plot(model2$residuals ~ model2$fitted.values, xlab = "Valores Ajustados", ylab = "Residuos", main = "Linealidad")
Los puntos en el gráfico de dispersión sugieren una relación lineal
entre las variables. Si están distribuidos alrededor de una línea
horizontal que pasa por cero, el modelo de regresión lineal es adecuado.
Aquí, los datos parecen seguir esta distribución.
plot(model2$residuals, xlab = "Orden de Observación", ylab = "Residuos", main = "Independencia de Residuos")
El gráfico de residuos en función del orden de observación es una herramienta para evaluar la independencia de los residuos en un modelo de regresión. La mayoría de los puntos se agrupan alrededor de cero en el eje vertical, lo que sugiere cumplimiento del supuesto de linealidad y ausencia de correlación sistemática. Esto indica que los residuos son independientes entre sí, validando el modelo y sugiriendo que las predicciones son confiables.
plot(model2$fitted.values, abs(model2$residuals), xlab = "Valores Ajustados", ylab = "|Residuos|", main = "Homocedasticidad")
La dispersión constante de los residuos, sin cambios a medida que
avanzan los valores ajustados, sugiere homocedasticidad. 4. Calculo de
Normalidad de residuos:
#library(car)
qqPlot(model2$residuals, main = "Normalidad de Residuos")
## 2383 1533
## 2042 1316
cor_matrix2 <- cor(base3[, c("areaconst", "estrato", "habitaciones", "parqueaderos", "banios")])
print(cor_matrix2)
## areaconst estrato habitaciones parqueaderos banios
## areaconst 1.0000000 0.4815593 0.4339608 NA 0.6618179
## estrato 0.4815593 1.0000000 0.2125953 NA 0.5686171
## habitaciones 0.4339608 0.2125953 1.0000000 NA 0.5149227
## parqueaderos NA NA NA 1 NA
## banios 0.6618179 0.5686171 0.5149227 NA 1.0000000
Correlaciones Positivas: Se observan correlaciones positivas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, “estrato” y “banios”, y “habitaciones” y “banios”.
Correlaciones Bajas o No Disponibles: Algunas correlaciones son bajas o no están disponibles, como la falta de correlación entre “parqueaderos” y otras variables, posiblemente debido a la falta de variabilidad en “parqueaderos”.
Multicolinealidad Potencial: Existen correlaciones moderadas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, y “habitaciones” y “banios”, lo que sugiere una posible multicolinealidad entre estas variables predictoras.
Consideraciones para el Modelo: La multicolinealidad puede dificultar la interpretación de los coeficientes y hacer que las estimaciones sean menos estables. Se sugiere explorar opciones como eliminar variables altamente correlacionadas o utilizar técnicas de regularización para mitigar sus efectos.
plot(model2$fitted.values, rstandard(model2), xlab = "Valores Ajustados", ylab = "Residuos Estandarizados", main = "Outliers")
Se observan puntos lejanos de la línea central en el gráfico, posibles
outliers. Estos pueden impactar el modelo y la precisión de las
predicciones.
residuals2 = rstandard(model2)
fitted_values2 = fitted(model2)
plot(fitted_values2, residuals2,
main = "Heteroscedasticidad Condicional",
xlab = "Valores Ajustados",
ylab = "Residuos Estandarizados")
La heteroscedasticidad condicional implica que la variabilidad de los
residuos cambia con los valores ajustados. No se observa una tendencia
de dispersión en forma de embudo en el gráfico, lo que indica la
ausencia de heteroscedasticidad condicional.
solicitud2 = data.frame(
areaconst = 300,
estrato = 5,
habitaciones = 5,
parqueaderos = 3,
banios = 3
)
solicitud21 = data.frame(
areaconst = 300,
estrato = 6,
habitaciones = 5,
parqueaderos = 3,
banios = 3
)
solicitud3 = rbind(solicitud2, solicitud21)
print(solicitud3)
## areaconst estrato habitaciones parqueaderos banios
## 1 300 5 5 3 3
## 2 300 6 5 3 3
prediccion2 = predict(model2, newdata = solicitud3)
prediccion2
## 1 2
## 675.0247 735.9218
Con las predicciones del modelo, se sugerirán ofertas potenciales para la vivienda 2, considerando un crédito pre-aprobado de máximo 850 millones de pesos. Se presentaran las ofertas.
# Realizar la predicción del precio de la vivienda 2
prediccion_precio_vivienda2 = predict(model2, newdata = solicitud3)
# Definir el presupuesto máximo (850 millones de pesos)
presupuesto_maximo2 = 850
# Filtrar las ofertas potenciales dentro del presupuesto
ofertas_potenciales2 = base3 %>%
filter(preciom <= presupuesto_maximo2) %>%
select(latitud, longitud, preciom) # Seleccionar columnas relevantes para el mapa
# Visualizar las ofertas potenciales en un mapa (usando leaflet)
library(leaflet)
# Construccion del mapa
mapa_ofertas2 <- leaflet(data = ofertas_potenciales2) %>%
addTiles() %>%
addMarkers(
~longitud, ~latitud,
label = ~paste("Precio: $", preciom, "M"),
popup = ~paste("Precio: $", preciom, "M"),
clusterOptions = markerClusterOptions()
)
# Mostrar el mapa
mapa_ofertas2