Estudiar desde el punto de vista de la estadística descriptiva multivariante (cálculos, visualizaciones e interpretaciones) a un conjunto de datos sobre el comportamiento de los compradores en Amazon.
Fuentes del conjunto de datos
El conjunto de datos de trabajo se obtuvo casi totalmente de Kaggle: kaggle.com. Es conveniente anotar que Kaggle es una compañía subsidiaria de Google LLC que mantiene una comunidad online de científicos de datos y profesionales del aprendizaje automático. Esta empresa permite a sus usuarios encontrar y publicar conjuntos de datos, explorar y crear modelos en un entorno de ciencia de datos basado en la web, trabajar con otros científicos de datos e ingenieros de aprendizaje automático y participar en concursos para resolver desafíos de ciencia de datos.
Contexto del conjunto de datos
El conjunto de datos incluye métricas sobre características de las compras de un grupo de clientes en el sitio web de Amazon, la última actualización verificada es del 2023.
Descripción del conjuto de datos
El conjunto de datos contiene 22 campos y 602 registros. No contando el campo “ID” que es simplemente un identificador numérico secuencial de los registros. Contamos con un grupo flexible de variables en las cuales tenemos un conjunto de datos con 3 variables cualitativas dicotomicas, 14 variables cualitativas politomicas y 5 variables cuantitativas.
(tipo_de_variable::escala_de_medición[ordenamiento]):
age ()
Gender (cualitativa::nomina): registra el sexo de la persona de la cual se registraron los datos: “Male” corresponde con una persona de sexo masculino, “Female” con un estudiante de sexo femenino.
Search_Frequency_Montly ()
Purchase_Categories ()
Personalized_Recommendation_Frequency ()
Purchases_Costumer_Montly ()
Product_Search_Method ()
Search_Result_Exploration ()
Customer_Reviews_Importance ()
Add_to_Cart_Browsing ()
Cart_Completion_Frequency ()
Cart_Abandonment_Factors ()
Saveforlater_Frequency ()
Review_Left ()
Review_Reliability ()
Average_Product_Rating ()
Recommendation_Helpfulness ()
Rating_Accuracy ()
Shopping_Satisfaction ()
Service_Appreciation ()
Improvement_Areas ()
Review_Helpfulness ()
str(Comportamiento_de_compradores_Amazon)
## tibble [602 × 23] (S3: tbl_df/tbl/data.frame)
## $ ID : num [1:602] 1 2 3 4 5 6 7 8 9 10 ...
## $ age : num [1:602] 23 23 24 24 22 21 22 21 20 23 ...
## $ Gender : chr [1:602] "Female" "Female" "Prefer not to say" "Female" ...
## $ Search_Frequency_Montly : num [1:602] 6 14 28 21 12 16 8 7 6 18 ...
## $ Purchase_Categories : chr [1:602] "Beauty and Personal Care" "Clothing and Fashion" "Groceries and Gourmet Food;Clothing and Fashion" "Beauty and Personal Care;Clothing and Fashion;others" ...
## $ Personalized_Recommendation_Frequency: chr [1:602] "Yes" "Yes" "No" "Sometimes" ...
## $ Purchases_Costumer_Montly : num [1:602] 17 23 14 2 9 2 10 16 4 15 ...
## $ Product_Search_Method : chr [1:602] "Keyword" "Keyword" "Keyword" "Keyword" ...
## $ Search_Result_Exploration : chr [1:602] "Multiple pages" "Multiple pages" "Multiple pages" "First page" ...
## $ Customer_Reviews_Importance : num [1:602] 20 10 2 3 12 25 10 3 10 10 ...
## $ Add_to_Cart_Browsing : chr [1:602] "Yes" "Yes" "Yes" "Maybe" ...
## $ Cart_Completion_Frequency : chr [1:602] "Sometimes" "Often" "Sometimes" "Sometimes" ...
## $ Cart_Abandonment_Factors : chr [1:602] "Found a better price elsewhere" "High shipping costs" "Found a better price elsewhere" "Found a better price elsewhere" ...
## $ Saveforlater_Frequency : chr [1:602] "Sometimes" "Rarely" "Rarely" "Sometimes" ...
## $ Review_Left : chr [1:602] "Yes" "No" "No" "Yes" ...
## $ Review_Reliability : chr [1:602] "Occasionally" "Heavily" "Occasionally" "Heavily" ...
## $ Average_Product_Rating : num [1:602] 10 5 3 1 8 11 5 7 8 1 ...
## $ Recommendation_Helpfulness : chr [1:602] "Yes" "Sometimes" "No" "Sometimes" ...
## $ Rating_Accuracy : num [1:602] 1 3 3 3 2 5 3 1 2 3 ...
## $ Shopping_Satisfaction : num [1:602] 1 2 3 4 2 2 3 3 2 4 ...
## $ Service_Appreciation : chr [1:602] "Competitive prices" "Wide product selection" "Competitive prices" "Competitive prices" ...
## $ Improvement_Areas : chr [1:602] "Reducing packaging waste" "Reducing packaging waste" "Product quality and accuracy" "Product quality and accuracy" ...
## $ Review_Helpfulness : chr [1:602] "Yes" "Yes" "No" "Yes" ...
Comportamiento_de_compradores_Amazon
## # A tibble: 602 × 23
## ID age Gender Search_Frequency_Montly Purchase_Categories
## <dbl> <dbl> <chr> <dbl> <chr>
## 1 1 23 Female 6 Beauty and Personal Ca…
## 2 2 23 Female 14 Clothing and Fashion
## 3 3 24 Prefer not to say 28 Groceries and Gourmet …
## 4 4 24 Female 21 Beauty and Personal Ca…
## 5 5 22 Female 12 Beauty and Personal Ca…
## 6 6 21 Female 16 Clothing and Fashion
## 7 7 22 Female 8 Clothing and Fashion
## 8 8 21 Female 7 Beauty and Personal Ca…
## 9 9 20 Female 6 Beauty and Personal Ca…
## 10 10 23 Female 18 Beauty and Personal Ca…
## # ℹ 592 more rows
## # ℹ 18 more variables: Personalized_Recommendation_Frequency <chr>,
## # Purchases_Costumer_Montly <dbl>, Product_Search_Method <chr>,
## # Search_Result_Exploration <chr>, Customer_Reviews_Importance <dbl>,
## # Add_to_Cart_Browsing <chr>, Cart_Completion_Frequency <chr>,
## # Cart_Abandonment_Factors <chr>, Saveforlater_Frequency <chr>,
## # Review_Left <chr>, Review_Reliability <chr>, …
[escriba aquí un párrafo introductorio]
Planteamiento del Problema
[escriba un párrafo planteando el problema que resuelven las estimaciones multivariadas]
Desarrollo del Análisis
[escriba una interpretación de las estimaciones multivariadas que obtuvo del procesamiento del conjunto de datos]
apply(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], 2, mean)
## age Search_Frequency_Montly
## 30.790698 25.438538
## Purchases_Costumer_Montly Customer_Reviews_Importance
## 13.392027 12.465116
## Average_Product_Rating
## 7.857143
Comportamiento_de_compradores_Amazon_reducido = Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,20,21,22,23)]
par(mfrow = c(1, ncol(Comportamiento_de_compradores_Amazon_reducido)))
invisible(lapply(1:ncol(Comportamiento_de_compradores_Amazon_reducido), function(i) boxplot(Comportamiento_de_compradores_Amazon_reducido[, i])))
round(cov(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)]),2)
## age Search_Frequency_Montly
## age 103.90 -9.54
## Search_Frequency_Montly -9.54 204.39
## Purchases_Costumer_Montly -1.03 -1.86
## Customer_Reviews_Importance -1.92 -1.19
## Average_Product_Rating -2.03 -2.44
## Purchases_Costumer_Montly
## age -1.03
## Search_Frequency_Montly -1.86
## Purchases_Costumer_Montly 50.74
## Customer_Reviews_Importance 4.36
## Average_Product_Rating 1.80
## Customer_Reviews_Importance Average_Product_Rating
## age -1.92 -2.03
## Search_Frequency_Montly -1.19 -2.44
## Purchases_Costumer_Montly 4.36 1.80
## Customer_Reviews_Importance 53.61 0.74
## Average_Product_Rating 0.74 19.19
round(cor(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)]),2)
## age Search_Frequency_Montly
## age 1.00 -0.07
## Search_Frequency_Montly -0.07 1.00
## Purchases_Costumer_Montly -0.01 -0.02
## Customer_Reviews_Importance -0.03 -0.01
## Average_Product_Rating -0.05 -0.04
## Purchases_Costumer_Montly
## age -0.01
## Search_Frequency_Montly -0.02
## Purchases_Costumer_Montly 1.00
## Customer_Reviews_Importance 0.08
## Average_Product_Rating 0.06
## Customer_Reviews_Importance Average_Product_Rating
## age -0.03 -0.05
## Search_Frequency_Montly -0.01 -0.04
## Purchases_Costumer_Montly 0.08 0.06
## Customer_Reviews_Importance 1.00 0.02
## Average_Product_Rating 0.02 1.00
En la guía de clase de [@AMEDAristizabal2017] se menciona que, en general, los gráficos multivariados cumplen dos objetivos esenciales: primero, ayudan a comparar el comportamiento de poblaciones de estudio con base en variables categóricas y suavizan la comprensión de la estructura de correlación entre varias variables. En este sentido, el conjunto de datos de trabajo tendrá apoyo descriptivo gráfico a través de tres diagramas: uno conjunto que integra dispersión, distribución y correlaciones; otro basado en la renderización de polígonos, y por último, uno que recurre a las caras de Chernoff.
Planteamiento del Problema
Basados en el conjunto de datos ubicado en la sección 2 se llevará a cabo un estudio en donde se interpretará el comportamiento de los compradores en Amazón dando de manera gráfica una explicación más explicita sobre dicho comportamiento, y se podrán realizar mediante variables numéricas, las gráficas multivariadas de diagrama de correlaciones, matriz de diagrama de dispersión, diagrama de estrellas y caras de Chernoff. Se recuerda que las variables numéricas (en escalada de medición de razón) son:
Desarrollo del Análisis
ggpairs(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)])
### Diagrama Conjunto de Dispersión, Distribución y Correlaciones
[CA:GE]
ggpairs(Comportamiento_de_compradores_Amazon, columns = c(2,4,7,10,17), aes(color = Gender, alpha = 0.5), upper = list(continuous = wrap("cor", size = 2.5)))
ggpairs(Comportamiento_de_compradores_Amazon, columns = c(2,4,7,10,17), aes(color = Personalized_Recommendation_Frequency, alpha = 0.5), upper = list(continuous = wrap("cor", size = 2.5)))
Como menciona [@CPEMPorras2016] para indagar o establecer el tipo de distribución multivariada de un conjunto de datos se puede recurrir a procedimientos descriptivos, como los gráficos, o a procedimientos inferenciales, como las pruebas estadísticas. En este sentido, se alcanza generalización de resultados al usar las estos últimos, si bien los primeros apoyan a las interpretaciones.
En este apartado se contempla el uso de procedimientos inferenciales para determinar si el conjunto de datos de trabajo, en relación con sus variables numéricas, se distribuye normal multivariado (DNM). Las pruebas de normalidad multivariada (PNM) a las que será sometido son: Mardia, Henze-Zirkler, Doornik-Hansen y Royston. Para estas pruebas de normalidad los test obedecen a un nivel de significancia \(\alpha = 0.05\) y a las hipótesis:\[H_0: \text {Las variables tienen una DNM}\] \[H_1: \text {Las variables NO tienen una DNM}\]
La prueba de Mardia se basa en extensiones de asimetría y curtosis, el cuadrado de la distancia de Mahalanobis, la cantidad de variables \(p\) por tratar y la cantidad de registros \(n\). Además, considera que la prueba estadística para la asimetría tiene una distribución \(\chi^2\) y la prueba estadística para la curtosis se distirbuye aproximadamente normal. Los detalles sobre los parámetros de las distribuciones pueden consultarse en el trabajo de [@CPEMPorras2016].
La prueba de Henze-Zirkler se basa en la distancia funcional, dado que si el conjunto de datos presenta una distribución normal multivariada, el estadístico de la prueba se distribuye aproximadamente como una lognormal, cuyos parámetros de media \(\mu\) y varianza \(\sigma^2\) pueden ser consultados en [@CPEMPorras2016].
La prueba de Doornik-Hansen está basada en la asimetría y la curtosis de un conjunto de datos multivariados, que se transforma para garantizar la independencia. Es considerada más potente que la prueba de Shapiro-Wilk para casos multivariados. Su estadístico de prueba está definido como la suma de las transformaciones al cuadrado de la asimetría y la curtosis, y sigue, aproximadamente, una distribución \(\chi^2\). Los detalles de la prueba pueden ser consultados en [@OTUMNDoornik_Hansen2008].
La prueba de Royston recurre a las pruebas Shapiro-Wilk o Shapiro-Francia para probar la normalidad multivariada. Así, si la curtosis es mayor que 3, la prueba de Royston usa Shapiro-Francia para distribuciones leptocurticas. Mientras que para distribuciones platicurticas usa Shapiro-Wilk. En ella los parámetros son obtenidos por aproximaciones polinomiales, esto puede ser consultado en [@CPEMPorras2016].
Planteamiento del Problema
Con base en el conjunto de datos descrito en la sección 2 se hará una prueba estadística de normalidad multivariada, con un nivel de significancia \(\alpha=0.05\), para establecer si sus datos métricos provienen de una población normal multivariada. Se recuerda que las variables numéricas del conjunto de datos (en escalada de medición de razón) son:
Desarrollo del Análisis
mvn(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], mvnTest="mardia")
## $multivariateNormality
## Test Statistic p value Result
## 1 Mardia Skewness 130.531484949709 6.14924915165681e-13 NO
## 2 Mardia Kurtosis -6.42456529731465 1.32246880113485e-10 NO
## 3 MVN <NA> <NA> NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling age 24.3870 <0.001 NO
## 2 Anderson-Darling Search_Frequency_Montly 7.3478 <0.001 NO
## 3 Anderson-Darling Purchases_Costumer_Montly 6.6471 <0.001 NO
## 4 Anderson-Darling Customer_Reviews_Importance 8.8359 <0.001 NO
## 5 Anderson-Darling Average_Product_Rating 9.5083 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th
## age 602 30.790698 10.193276 26.0 3 67 23 36
## Search_Frequency_Montly 602 25.438538 14.296377 25.5 1 50 13 37
## Purchases_Costumer_Montly 602 13.392027 7.123522 14.0 1 25 7 20
## Customer_Reviews_Importance 602 12.465116 7.322130 12.0 1 25 6 19
## Average_Product_Rating 602 7.857143 4.380739 7.0 1 15 4 12
## Skew Kurtosis
## age 1.00284031 0.5300047
## Search_Frequency_Montly 0.01373031 -1.2175192
## Purchases_Costumer_Montly -0.08711758 -1.1613613
## Customer_Reviews_Importance 0.05375160 -1.2602008
## Average_Product_Rating 0.04324766 -1.2536304
mvn(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], mvnTest="hz")
## $multivariateNormality
## Test HZ p value MVN
## 1 Henze-Zirkler 2.458681 0 NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling age 24.3870 <0.001 NO
## 2 Anderson-Darling Search_Frequency_Montly 7.3478 <0.001 NO
## 3 Anderson-Darling Purchases_Costumer_Montly 6.6471 <0.001 NO
## 4 Anderson-Darling Customer_Reviews_Importance 8.8359 <0.001 NO
## 5 Anderson-Darling Average_Product_Rating 9.5083 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th
## age 602 30.790698 10.193276 26.0 3 67 23 36
## Search_Frequency_Montly 602 25.438538 14.296377 25.5 1 50 13 37
## Purchases_Costumer_Montly 602 13.392027 7.123522 14.0 1 25 7 20
## Customer_Reviews_Importance 602 12.465116 7.322130 12.0 1 25 6 19
## Average_Product_Rating 602 7.857143 4.380739 7.0 1 15 4 12
## Skew Kurtosis
## age 1.00284031 0.5300047
## Search_Frequency_Montly 0.01373031 -1.2175192
## Purchases_Costumer_Montly -0.08711758 -1.1613613
## Customer_Reviews_Importance 0.05375160 -1.2602008
## Average_Product_Rating 0.04324766 -1.2536304
mvn(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], mvnTest="dh")
## $multivariateNormality
## Test E df p value MVN
## 1 Doornik-Hansen 147.972 10 9.737939e-27 NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling age 24.3870 <0.001 NO
## 2 Anderson-Darling Search_Frequency_Montly 7.3478 <0.001 NO
## 3 Anderson-Darling Purchases_Costumer_Montly 6.6471 <0.001 NO
## 4 Anderson-Darling Customer_Reviews_Importance 8.8359 <0.001 NO
## 5 Anderson-Darling Average_Product_Rating 9.5083 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th
## age 602 30.790698 10.193276 26.0 3 67 23 36
## Search_Frequency_Montly 602 25.438538 14.296377 25.5 1 50 13 37
## Purchases_Costumer_Montly 602 13.392027 7.123522 14.0 1 25 7 20
## Customer_Reviews_Importance 602 12.465116 7.322130 12.0 1 25 6 19
## Average_Product_Rating 602 7.857143 4.380739 7.0 1 15 4 12
## Skew Kurtosis
## age 1.00284031 0.5300047
## Search_Frequency_Montly 0.01373031 -1.2175192
## Purchases_Costumer_Montly -0.08711758 -1.1613613
## Customer_Reviews_Importance 0.05375160 -1.2602008
## Average_Product_Rating 0.04324766 -1.2536304
En términos generales, esta segunda etapa de estudio mostrará cálculos, visualizaciones e interpretaciones con base en el conjunto de datos tratado en la fase 1, pero ahora desde un enfoque de análisis de componentes principales sobre las variables cuantitativas, que incluirá: selección, calidad de representación, contribuciones e interpretación.
Recuérdese que el conjunto de datos de trabajo es descrito en la sección 2 y los referentes teóricos en la sección 1.
Como es mencionado en el trabajo de [@AEDMDiaz-Morales1ed] el Análisis de Componentes Principales (en adelante ACP) reestructura un conjunto de datos multivariado a través de la reducción de la cantidad de sus variables, en cuyo transfondo es innecesario asumir ninguna distribución de probabilidad de ellas. Esta reducción es lograda a través de combinaciones lineales de las variables originales, que deberán contener la mayor variabilidad posible presente en el conjunto de datos. En este sentido, el ACP logra crear nuevas variables, conocidas como componentes principales, que poseen características estadísticas de independencia (con base en el supuesto de normalidad) y no correlación.
El ACP se logra a lo largo de las siguientes fases: generación de nuevas variables, reducción dimensional del espacio de los datos, eliminación de varaibles de poco aporte e interpretación de los componentes resultantes en el contexto del problema del cual se obtuvieron los datos. Estas fases se desarrollan entre las secciones 7, 8, 9 y 10.
Planteamiento del Problema
Con base a la navegacion en pestañas se puede apreciar que el conjunto de datos, relacionado con sus variables numericas puede ser representado por unos conjuntos mas pequeños que llegan a retener el \(63,78\) \(\%\) de la variabilidad del conjunto, estas en particular:
La Matriz ACP muestra seis dimensiones donde solo la primera retiene el \(22,63\) \(\%\), la siguiente el \(21,31\) \(\%\) , y la siguiente un \(19,83\) \(\%\). En este sentido, la representatividad de la combinación lineal que define a la dimensión 1 es significativamente alta en comparación con las demás. Como esta matriz es muda en relación con las variables originales se sigue indagando la identificación de las variables que más contribuyan a la dimensión de valor propio más alto.
La Matriz de Correlaciones permite continuar con el proceso de las descripciones de las combinaciones lineales que conforman las dimensiones de mayor interés: Dimensión 1 a 4. Así mismo esta matriz como se describió anteriormente, ayudará a verificar que la intensidad de correlaciones es relativamente aceptable y positiva entre las variables: age , Search_Frequency_Montly y Purchases_Costumer_Montly , lo cual muestra una relación con el fenómeno que se está estudiando, por lo tanto, se podría esperar que estas variables participen de manera significativa en la combinación Lineal que define a la dimensión 1 a 3.
get_eigenvalue(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F))
## eigenvalue variance.percent cumulative.variance.percent
## Dim.1 1.1316918 22.63384 22.63384
## Dim.2 1.0655155 21.31031 43.94415
## Dim.3 0.9918822 19.83764 63.78179
## Dim.4 0.9209928 18.41986 82.20165
## Dim.5 0.8899177 17.79835 100.00000
round(cor(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)]),2)
## age Search_Frequency_Montly
## age 1.00 -0.07
## Search_Frequency_Montly -0.07 1.00
## Purchases_Costumer_Montly -0.01 -0.02
## Customer_Reviews_Importance -0.03 -0.01
## Average_Product_Rating -0.05 -0.04
## Purchases_Costumer_Montly
## age -0.01
## Search_Frequency_Montly -0.02
## Purchases_Costumer_Montly 1.00
## Customer_Reviews_Importance 0.08
## Average_Product_Rating 0.06
## Customer_Reviews_Importance Average_Product_Rating
## age -0.03 -0.05
## Search_Frequency_Montly -0.01 -0.04
## Purchases_Costumer_Montly 0.08 0.06
## Customer_Reviews_Importance 1.00 0.02
## Average_Product_Rating 0.02 1.00
princomp(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], cor = TRUE)$sdev^2
## Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
## 1.1316918 1.0655155 0.9918822 0.9209928 0.8899177
princomp(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], cor = TRUE)$loadings[ ,1:5]
## Comp.1 Comp.2 Comp.3 Comp.4
## age 0.2710132 0.676348387 0.2766360 0.3674009
## Search_Frequency_Montly 0.1430472 -0.729044883 0.2429790 0.4314188
## Purchases_Costumer_Montly -0.6082787 0.094106592 0.2565243 0.6306795
## Customer_Reviews_Importance -0.5379673 -0.002673396 0.5582141 -0.5179643
## Average_Product_Rating -0.4966664 0.046724948 -0.6978725 0.1133611
## Comp.5
## age 0.5075370
## Search_Frequency_Montly 0.4504111
## Purchases_Costumer_Montly -0.3969629
## Customer_Reviews_Importance 0.3615162
## Average_Product_Rating 0.5012610
par(mfrow=c(1,1))
corrplot::corrplot(cor(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)]), method = "color", type = "upper", number.cex = 0.4)
corrplot::corrplot(cor(princomp(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], cor = TRUE)$scores), method = "color", type = "upper", number.cex = 0.4)
fviz_eig(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], scale.unit = T, graph = F), addlabels = T, ylim=c(0,90), main = "")
scree(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)],factors = FALSE, pc = TRUE, main ="")
Al retomar el trabajo de [@AEDMDiaz-Morales1ed] se verifica que, una vez reducida la dimensionalidad del conjunto de datos y entendido que sus variables (estandarizadas) están representadas gráficamente por proyecciones de la hiperesfera de correlaciones, es necesario iniciar la interpretación de componentes a partir de dichas correlaciones, para luego la calidad de sus representaciones dada la reducción dimensional del conjunto de datos en términos de sus variables.
Planteamiento del problema
Con base en el conjunto de datos descrito en la sección 2 se demanda determinar la calidad de representación de las variables cuantitativas respecto a la cantidad de dimensiones calculadas que retienen la mayor cantidad de variabilidad, ver la sección 7.
Desarrollo del Análisis
La navegación a través de las pestañas muestra que la reducción de la dimensionalidad del conjunto de datos conduce analizar las calidades de representación en términos de la escala de contribuciones relativas basada en un cociente de proyecciones con propiedades aditivas y de respuesta en escala continua entre \(0\) y \(1\). Así, en particular:
El Círculo de correlaciones nos muestra de manera visual cómo se comportan las variables de interés. En este caso, dos de ellas están bastante próximas a las fronteras del círculo unitario y cerca de los dos ejes principales, dependiendo de la variable que se tome como referencia. Esto indica que estas variables tienen una buena representación en el plano de los componentes principales. Además, podemos observar tanto correlaciones positivas como negativas entre ellas. Un aspecto importante a destacar es la correlación existente entre las variables. Un ejemplo representativo es la relación entre Purchases_Costumer_Montly y Average_Product_Rating . Estas dos variables muestran cómo las correlaciones pueden variar significativamente, reflejando relaciones complejas que pueden ser positivas o negativas dependiendo de su posición relativa en el círculo.
La Matriz de Representación muestra algunos valores signicativamente cercanos a 0 y pocos cercanos a 1,los valores anteriormente mencionados son los cocientes de las proyecciones coseno cuadrado que estan relacionados con la dimensión 1. así de la misma manera la Calidad de Representación en cuanto se relaciona con la componente 1 esta encabezada Purchases_Costumer_Montly y cierra con Search_Frequency_Montly; Tambien es importante mencionar que la escala que muestra la Calidad de Representación indica su escala un piso alto de \(0.04\).
fviz_pca_var(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], scale.unit = T, graph = F),col.var="#3B83BD", repel = T, col.circle = "#CDCDCD", ggtheme = theme_bw())
(get_pca_var(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F)))$cos2
## Dim.1 Dim.2 Dim.3 Dim.4
## age 0.08312069 4.874170e-01 0.07590625 0.12431877
## Search_Frequency_Montly 0.02315723 5.663284e-01 0.05855951 0.17141715
## Purchases_Costumer_Montly 0.41872939 9.436260e-03 0.06527053 0.36633099
## Customer_Reviews_Importance 0.32752161 7.615291e-06 0.30907351 0.24709040
## Average_Product_Rating 0.27916286 2.326256e-03 0.48307243 0.01183545
## Dim.5
## age 0.2292373
## Search_Frequency_Montly 0.1805377
## Purchases_Costumer_Montly 0.1402328
## Customer_Reviews_Importance 0.1163069
## Average_Product_Rating 0.2236030
fviz_pca_var(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F), col.var="cos2", gradient.cols=c("#00AFBB","#E7B800","#FC4E07"), repel = TRUE)
head((PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F))$ind$coord, n = 23L)
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## 1 1.50751675 0.54255750 -0.17896255 -1.02638132 -0.5846536
## 2 0.63749887 0.16386745 0.20754857 0.32537471 -1.7337704
## 3 -1.11365828 -0.62167122 -0.14304296 0.50138851 -1.3649004
## 4 -2.22249948 -0.44478400 -0.29942829 -0.89592147 -1.0959805
## 5 -0.02484686 0.04572523 -0.68391633 -1.07552104 -0.6234728
## 6 0.65980851 -0.29010979 -0.38173583 -2.45372888 0.8291652
## 7 -0.38680202 0.23180308 -0.39020368 -1.04381945 -1.2477559
## 8 -0.12520026 0.31967064 -1.07110461 -0.03105813 -1.7806132
## 9 -0.48591377 0.15375746 -1.17310354 -1.63032451 -0.7322954
## 10 -0.54012442 -0.18875533 0.62501074 -0.36627987 -1.6195446
## 11 1.90961329 -0.99250938 0.51780108 0.01153896 0.3511309
## 12 -1.09138377 -1.14825726 0.52467326 -0.32935525 -0.2203937
## 13 1.61496891 -0.05898540 1.38404728 -0.70440206 -0.8106603
## 14 -0.14011358 0.58915503 -2.08852216 -1.11593748 -0.2274467
## 15 0.09796584 -0.84205466 0.01030817 -1.57938702 0.4180675
## 16 -0.11948510 -0.38607230 -1.13819678 0.03518612 -0.4615569
## 17 -1.09021353 -1.60162763 -0.17977878 0.04699409 -1.2451665
## 18 -1.49743689 -1.40360026 -0.20978371 -0.54919227 -0.3113058
## 19 -0.75769832 0.18972487 -2.73898351 -0.78593581 -0.1027406
## 20 1.24825059 0.72834800 -1.81344118 1.19300250 -1.2994798
## 21 -0.24119092 3.00128906 0.30641179 -0.29105173 2.3398418
## 22 1.42680434 -0.83129071 -0.88136925 0.30275687 0.6237516
## 23 -0.63967991 0.12986119 -1.50025911 -1.29555344 -0.6531232
La interpretación de los resultados en el análisis de componentes principales (ACP) se ve enriquecida por el cálculo de diversas métricas, tales como coordenadas, contribuciones y cosenos cuadrados. Estos indicadores son fundamentales para comprender la relación entre las variables originales y los componentes principales generados. Es crucial que las variables estén claramente conceptualizadas, contextualizadas en el marco del problema de estudio, para poder interpretar con precisión sus contribuciones a los componentes.
El cálculo de las contribuciones de cada variable a cada componente permite entender el grado de influencia de cada una en la formación de los componentes principales. Este análisis facilita la identificación de aquellas variables que más contribuyen a la estructura de cada componente y, por ende, a la variabilidad general de los datos. Además, proporciona insights sobre las relaciones subyacentes entre las variables y cómo estas se reflejan en los componentes.
Planteamiento del Problema
Con base en las variables cuantitativas del conjunto de datos descrito en la fase 1 se requiere determinar las contribuciones que cada variable realiza en la construcción de cada componente. Este análisis permitirá comprender el papel de cada variable en la estructura subyacente de los datos y su impacto en la formación de los componentes principales. Mediante el cálculo de estas contribuciones, será posible identificar qué variables tienen una influencia más significativa en cada componente, lo que facilitará la interpretación de los resultados del análisis de componentes principales y proporcionará información valiosa para el estudio del problema en cuestión.
Desarrollo del Análisis
Con base a través de las pestañas de navegación nos permite reconocer las representaciones numéricas y graficas de las contribuciones de cada variable del conjunto de datos de manera porcentual a la construcción de cada componente. Entonces en particular llegamos a encontrar lo siguiente:
La Matriz de contribuciones nos muestra en términos numéricos la retención de la variabilidad que tiene cada variable en su respectiva componente, de la misma se harán diagramas de barras que nos expliquen de manera visual las Contribuciones a D1 hasta Contribuciones a D5 y esta misma se hará a través de la navegación de pestañas. También de manera complementaria cada grafico tendrá su propia línea que nos ayudara a identificar la contribución media, esto nos ayudará a identificar las variables que contribuyan de mejor manera a sus respectivas dimensiones.
En Contribuciones a D1 se visualizan que las variables que están por encima de la contribución media son: Purchases_Costumer_Montly y Customer_Reviews_Importance que retiene aproximadamente el \(65,94\) \(%\) de la variabilidad de la componente 1.
En Contribuciones a D2 se visualizan que las variables que están por encima de la contribución media son: age y Search_Frequency_Montly que retiene aproximadamente el \(98.90\) \(%\) de la variabilidad de la componente 2.
En Contribuciones a D3 se visualizan que las variables que están por encima de la contribución media son: Customer_Reviews_Importance y Average_Product_Rating que retiene aproximadamente el \(79,86\) \(%\) de la variabilidad de la componente 3.
En Contribuciones a D4 se visualizan que las variables que están por encima de la contribución media son: Purchases_Costumer_Montly y Customer_Reviews_Importance que retiene aproximadamente el \(66.60\) \(%\) de la variabilidad de la componente 4.
En Contribuciones a D5 se visualizan que las variables que están por encima de la contribución media son: Search_Frequency_Montly y Average_Product_Rating que retiene aproximadamente el \(60.09\) \(%\) de la variabilidad de la componente 5.
Con los datos procesados hasta este momento podemos seguir con el siguiente paso que seria la interpretación de cada componente.
(get_pca_var(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F)))$contrib
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## age 7.344817 4.574471e+01 7.652749 13.498344 25.75938
## Search_Frequency_Montly 2.046249 5.315064e+01 5.903877 18.612214 20.28701
## Purchases_Costumer_Montly 37.000303 8.856051e-01 6.580471 39.775665 15.75796
## Customer_Reviews_Importance 28.940884 7.147048e-04 31.160303 26.828702 13.06940
## Average_Product_Rating 24.667746 2.183221e-01 48.702600 1.285075 25.12626
fviz_contrib(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F), choice = "var", axes = 1, top = 10)
fviz_contrib(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F), choice = "var", axes = 2, top = 10)
fviz_contrib(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F), choice = "var", axes = 3, top = 10)
fviz_contrib(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F), choice = "var", axes = 4, top = 10)
fviz_contrib(PCA(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], ncp = 5, scale.unit = TRUE, graph = F), choice = "var", axes = 5, top = 10)
Se sabe que, a partir de las coordenadas de los registros dimensionalmente reducidos, es posible ubicarlos en un plano de factores para análisis e interpretación. En este proceso, las variables reducidas actúan como las componentes principales, que se representan como ejes en el plano, mientras que los valores que toman son los puntajes de las componentes. Como se explica en el mismo trabajo, las distancias entre los puntos definidos por los puntajes de las componentes tienen un significado relevante al ayudar a establecer semejanzas de perfiles en las observaciones realizadas.
Es importante destacar que los valores semejantes de las variables pueden darse solo en algunas de ellas, sin que sea necesario que suceda en todas. Sin embargo, se espera que las distancias en el espacio dimensional original de las observaciones queden bien representadas en el espacio reducido de las componentes. Este proceso de reducción dimensional conserva la estructura subyacente de las relaciones entre las observaciones, lo que permite una representación más compacta y comprensible de los datos mientras se mantienen las distancias relevantes para la interpretación de semejanzas y diferencias entre observaciones.
Planteamiento del Problema
Con base en las variables cuantitativas del conjunto de datos descrito en la fase 1 se requiere definir e interpretar sus componentes principales. La definición de cada componente principal implica comprender cómo se combinan linealmente las variables originales para formarlos, así como su contribución relativa a la variabilidad total de los datos. Por otro lado, la interpretación de los componentes implica analizar qué aspectos o patrones de los datos representan, y cómo se relacionan con el problema o fenómeno estudiado.
Desarrollo del Análisis
La navegación a través de las pestañas permite visualizar objetos gráficos y matriciales que, al incluir lo hecho en las secciones anteriores, ayudan a robustecer la interpretación de las componentes calculadas. Como se mostró en la sección 2.3, la cantidad de componentes seleccionadas se redujo (según el criterio de Kaiser) a dos, y se estableció que la componente 1 y 2 retiene el \(43,9\) \(%\) de la variabilidad de los datos. Así, en el círculo de correlaciones de la sección 2.4 se observa que la representación de las variables conjugadas en la componente 1 y 2 la configura como una de tipo tamaño, lo que puede interpretarse como una especie de índice de proporcionalidad directa. Esto también se respalda con el hecho de que todas las variables presentan calidades de representación entre 0.3 y 0.5. debido a esto se puede analizar con que frecuencia el usuario realiza busqueda de un producto en linea, cual es la frecuencia de compra y la edad del usuario. Así, dada la naturaleza de las variables, se puede deducir la frecuencia con la que un usuario realiza busquedas de productos por amazon. Al respecto:
Las pestañas de Biplot Variables y Registros Totales en S (Gender), PRF (Personalized_Recommendation_Frequency), PRF (Personalized_Recommendation_Frequency), CAF (Cart_Abandonment_Factors) y SA (Service_Appreciation), se muestran con base en las agrupaciones que estas variables categóricas cualitativas se prestan para establecer la representación en una dimensionalidad reducida en el plano de factores de registros y dimensiones con base en los puntajes por componentes.
data_HD <- Comportamiento_de_compradores_Amazon[,-c(1,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)]
data_All <- cbind(Comportamiento_de_compradores_Amazon[-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], data_HD$Gender)
fviz_pca_biplot(PCA(data_All, ncp = 5, scale.unit = TRUE, graph = F, quali.sup = 6), axes = c(1, 2), repel = TRUE, habillage = 6)
data_HD <- Comportamiento_de_compradores_Amazon[,-c(1,3,5,8,9,11,12,13,14,15,16,18,19,20,21,22,23)]
data_All <- cbind(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], data_HD$Personalized_Recommendation_Frequency)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = TRUE, graph = F, quali.sup = 6), axes = c(1, 2), repel = TRUE, habillage = 6)
data_HD <- Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,14,15,16,18,19,20,21,22,23)]
data_All <- cbind(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], data_HD$Cart_Abandonment_Factors)
fviz_pca_biplot(PCA(data_All, ncp = 5, scale.unit = TRUE, graph = F, quali.sup = 6), axes = c(1, 2), repel = TRUE, habillage = 6)
data_HD <- Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,22,23)]
data_All <- cbind(Comportamiento_de_compradores_Amazon[,-c(1,3,5,6,8,9,11,12,13,14,15,16,18,19,20,21,22,23)], data_HD$Service_Appreciation)
fviz_pca_biplot(PCA(data_All, ncp = 5, scale.unit = TRUE, graph = F, quali.sup = 6), axes = c(1, 2), repel = TRUE, habillage = 6)
En términos generales, esta tercera etapa de estudio presentará cálculos, visualizaciones e interpretaciones basadas en el conjunto de datos tratado en las fases 1 y 2. En esta fase, se utilizará un enfoque de análisis de correspondencias simples y múltiples aplicado a las variables cualitativas. Este análisis incluirá la construcción de tablas de contingencia y tablas disyuntivas completas, así como la evaluación de las calidades de representación, contribuciones y las correspondientes interpretaciones. Es importante recordar que el conjunto de datos de trabajo está descrito en la sección 2 y los fundamentos teóricos se encuentran en la sección 1.
Se sabe que el análisis de correspondencias simple (ACS) busca representar en un espacio multidimensional reducido la relación existente entre las categorías de un par de variables categóricas. En este sentido, el ACS muestra las distancias entre los niveles de dos variables categóricas y, en consecuencia, ayuda a visualizar tablas de contingencia. Además, se establece que el número máximo de dimensiones que expliquen la asociación entre las variables fila y columna es igual a uno menos el menor número de categorías de alguna de las variables involucradas. Por lo tanto, el análisis de correspondencias permite describir la proximidad existente entre los perfiles de los objetos observados.
El ACS, que basa sus cálculos en tablas de contingencia, puede extenderse a más de dos variables categóricas, lo cual se conoce como análisis de correspondencias múltiples (ACM), basado en una estructura llamada tabla disyuntiva completa.
Esta sección trata el análisis de correspondencias simples basándose en pares de variables categóricas del conjunto de datos descrito.
Planteamiento del problema
A partir de las variables cualitativas del conjunto de datos descrito, se requiere desarrollar un análisis de correspondencias simple. Este análisis se basará en tablas de contingencia y de frecuencias relativas, y se apoyará en gráficos de perfiles y de puntos superpuestos en el primer plano factorial.
Desarrollo del análisis
Con base en la navegación en pestañas esta nos permitirá visualizar objetos matriciales y gráficos que nos ayudaran a darle peso a la interpretación del análisis de correspondencias simples o binarias entre cada par de variables categóricas que mostraron mayor relevancia en el biplot de la sección 2.5 del conjunto de datos: Gender, Personalized_Recommendation_Frequency y Cart_Abandonment_Factors. Por ser una baja cantidad de variables se trabajará con las parejas combinadas sin repetición de estas tres variables.
addmargins(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency))
##
## No Sometimes Yes Sum
## Female 151 126 75 352
## Male 68 48 26 142
## Others 7 6 6 19
## Prefer not to say 25 49 15 89
## Sum 251 229 122 602
addmargins(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors))
##
## Changed my mind or no longer need the item
## Female 137
## Male 61
## Others 8
## Prefer not to say 35
## Sum 241
##
## Found a better price elsewhere High shipping costs others
## Female 150 49 16
## Male 59 9 13
## Others 6 3 2
## Prefer not to say 40 9 5
## Sum 255 70 36
##
## Sum
## Female 352
## Male 142
## Others 19
## Prefer not to say 89
## Sum 602
addmargins(table(Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors))
##
## Changed my mind or no longer need the item
## No 103
## Sometimes 100
## Yes 38
## Sum 241
##
## Found a better price elsewhere High shipping costs others Sum
## No 101 33 14 251
## Sometimes 94 20 15 229
## Yes 60 17 7 122
## Sum 255 70 36 602
addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency))*100)
##
## No Sometimes Yes Sum
## Female 25.0830565 20.9302326 12.4584718 58.4717608
## Male 11.2956811 7.9734219 4.3189369 23.5880399
## Others 1.1627907 0.9966777 0.9966777 3.1561462
## Prefer not to say 4.1528239 8.1395349 2.4916944 14.7840532
## Sum 41.6943522 38.0398671 20.2657807 100.0000000
addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors))*100)
##
## Changed my mind or no longer need the item
## Female 22.7574751
## Male 10.1328904
## Others 1.3289037
## Prefer not to say 5.8139535
## Sum 40.0332226
##
## Found a better price elsewhere High shipping costs
## Female 24.9169435 8.1395349
## Male 9.8006645 1.4950166
## Others 0.9966777 0.4983389
## Prefer not to say 6.6445183 1.4950166
## Sum 42.3588040 11.6279070
##
## others Sum
## Female 2.6578073 58.4717608
## Male 2.1594684 23.5880399
## Others 0.3322259 3.1561462
## Prefer not to say 0.8305648 14.7840532
## Sum 5.9800664 100.0000000
addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors))*100)
##
## Changed my mind or no longer need the item
## No 17.109635
## Sometimes 16.611296
## Yes 6.312292
## Sum 40.033223
##
## Found a better price elsewhere High shipping costs others
## No 16.777409 5.481728 2.325581
## Sometimes 15.614618 3.322259 2.491694
## Yes 9.966777 2.823920 1.162791
## Sum 42.358804 11.627907 5.980066
##
## Sum
## No 41.694352
## Sometimes 38.039867
## Yes 20.265781
## Sum 100.000000
round(addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency), 1)*100, 2), 2)
##
## No Sometimes Yes Sum
## Female 42.90 35.80 21.31 100.00
## Male 47.89 33.80 18.31 100.00
## Others 36.84 31.58 31.58 100.00
## Prefer not to say 28.09 55.06 16.85 100.00
round(addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency), 2)*100, 1), 2)
##
## No Sometimes Yes
## Female 60.16 55.02 61.48
## Male 27.09 20.96 21.31
## Others 2.79 2.62 4.92
## Prefer not to say 9.96 21.40 12.30
## Sum 100.00 100.00 100.00
round(addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors), 1)*100, 2), 2)
##
## Changed my mind or no longer need the item
## Female 38.92
## Male 42.96
## Others 42.11
## Prefer not to say 39.33
##
## Found a better price elsewhere High shipping costs others
## Female 42.61 13.92 4.55
## Male 41.55 6.34 9.15
## Others 31.58 15.79 10.53
## Prefer not to say 44.94 10.11 5.62
##
## Sum
## Female 100.00
## Male 100.00
## Others 100.00
## Prefer not to say 100.00
round(addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors), 2)*100, 1), 2)
##
## Changed my mind or no longer need the item
## Female 56.85
## Male 25.31
## Others 3.32
## Prefer not to say 14.52
## Sum 100.00
##
## Found a better price elsewhere High shipping costs others
## Female 58.82 70.00 44.44
## Male 23.14 12.86 36.11
## Others 2.35 4.29 5.56
## Prefer not to say 15.69 12.86 13.89
## Sum 100.00 100.00 100.00
round(addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors), 1)*100, 2), 2)
##
## Changed my mind or no longer need the item
## No 41.04
## Sometimes 43.67
## Yes 31.15
##
## Found a better price elsewhere High shipping costs others Sum
## No 40.24 13.15 5.58 100.00
## Sometimes 41.05 8.73 6.55 100.00
## Yes 49.18 13.93 5.74 100.00
round(addmargins(prop.table(table(Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors), 2)*100, 1), 2)
##
## Changed my mind or no longer need the item
## No 42.74
## Sometimes 41.49
## Yes 15.77
## Sum 100.00
##
## Found a better price elsewhere High shipping costs others
## No 39.61 47.14 38.89
## Sometimes 36.86 28.57 41.67
## Yes 23.53 24.29 19.44
## Sum 100.00 100.00 100.00
plotct(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency),"row")
plotct(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency),"col")
plotct(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors),"row")
plotct(table(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors),"col")
plotct(table(Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors),"row")
plotct(table(Comportamiento_de_compradores_Amazon$Personalized_Recommendation_Frequency, Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors),"col")
En términos generales, esta cuarta etapa de estudio mostrará cálculos, visualizaciones e interpretaciones con base en el conjunto de datos tratado en las fases 1, 2 y 3, pero ahora desde un enfoque de análisis de conglomerados en versión jerárquica (dendogramas) y no-jerárquica (K-medias).
Recuérdese que el conjunto de datos de trabajo está descrito en la sección 2 y los referentes teóricos en la sección 1.
Este modelo, que eventualmente será llamado en este estudio como RLS, está conformado por dos variables estadísticas \(x\) y \(Y\), donde \(Y\) se asume que está influida por \(x\). La relación está dada matemáticamente por: \[Y = \beta_0 + \beta_1 x + \varepsilon \hspace{10mm} \hspace{10mm}(1)\] donde:
En comparación con el modelo lineal simple determinístico \(y = \beta_0 + \beta_1 x\), el probablístico supone que el valor esperado de \(Y\) es una función lineal de \(x\), pero que con \(x\) fija, la variable \(Y\) difiere de su valor esperado en una cantidad aleatoria \(\varepsilon\). Además, la cantidad \(\varepsilon\) en la ecuación de modelo \((1)\) se supone normalmente distribuida con \(E(\varepsilon)=0\) y \(V(\varepsilon)=\sigma^2\). La variable aleatoria \(\varepsilon\) también se conoce como término de error aleatorio o desviación aleatoria en el modelo.
Complementariamente, casi nunca serán conocidos los valores \(\beta_0\), \(\beta_1\) y \(\sigma^2\), a cambio estará disponible una muestra de datos compuesta de pares ordenados \((x_1,y_1)... (x_n,y_n)\) con la que los parámetros del modelo y la línea de regresión verdadera pueden ser estimados, bajo el supuesto de independencia de las observaciones. Así, \(y_i\) es el valor observado de una variable aleatoria \(Y_i\), donde \(Y_i=\beta_0+\beta_1x_i+\varepsilon_i\) y las \(n\) desviaciones \(\varepsilon_1\), \(\varepsilon_2\), \(...\), \(\varepsilon_n\) son variables independientes.
De acuerdo con el modelo, los puntos observados estarán distribuidos aleatoriamente alrededor de la línea de regresión verdadera. En este sentido, la estimación de \(y=\beta_0+\beta_1x\) deberá ser una línea que se ajuste lo mejor posible a los puntos muestra. Tal línea deberá poseer la característica de que las distancias verticales (desviaciones) de los puntos observados a la línea misma son pequeñas. La medida de la bondad de ajuste será la suma de los cuadrados de estas desviaciones. En consecuencia, la línea que mejor se ajusta será la que tenga la suma más pequeña posible de desviaciones al cuadrado. El resultado que implica las ideas expuestas se conoce como: principio de los mínimos cuadrados y se remonta a los matemáticos Carl Friedrich Gauss y Adrien-Marie Legendre, entre el último lustro del siglo XVIII y el primero del siglo XIX.
El principio de los mínimos cuadrados establece que la desviación vertical del punto \((x_i,y_i)\) con respecto a la línea \(y=b_0+b_1x\) es \(y_i-(b_0+b_1x)\) y la suma de las desviaciones verticales al cuadrado de los puntos \((x_i,y_i)\) a la línea es \(f(b_0,b_1)=\sum_{i=1}^n (y_i-(b_0+b_1x_i))^2\). Así, las estimaciones puntuales de \(\beta_0\) y \(\beta_1\), representadas como \(\hat{\beta}_0\) y \(\hat{\beta}_1\) y llamadas estimaciones de mínimos cuadrados, son los valores que minimizan a \(f(b_0,b_1)\); es decir, \(f(\hat{\beta}_0,\hat{\beta}_1)\leq f(b_0,b_1)\) para cualesquiera \(\beta_0\) y \(\beta_1\). Por lo tanto, la línea de regresión estimada o línea de mínimos cuadrados es \(y=\hat{\beta}_0+\hat{\beta}_1x\).
Luego de calcular y resolver las ecuaciones en derivadas parciales de \(f(b_0,b_1)\) respecto a \(b_0\) y \(b_1\) igualadas a cero, se obtiene un sistemas de ecuaciones llamadas normales que son lineales en \(b_0\) y \(b_1\) y para las cuales, siempre que por lo menos dos de las \(x_i\) sean diferentes, las estimaciones de los mínimos cuadrados son la única solución del sistema. En consecuencia, la estimación de los mínimos cuadrados de \(\beta_1\) de la línea de regresión verdadera es: \[\hat{\beta}_1=\dfrac{\sum_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^n(x_i-\bar{x})^2}=\dfrac{S_{xy}}{S_{xx}}\hspace{10mm}(2)\] y la estimación de los mínimos cuadrados de \(\beta_0\) de la línea de regresión verdadera es: \[\hat{\beta}_0=\dfrac{\sum_{i=1}^ny_i-\hat{\beta}_1\sum_{i=1}^nx_i}{n}=\bar{y}-\hat{\beta}_1\bar{x}\hspace{10mm}(3)\] Para hacer los cálculos que las ecuaciones anteriores demandan es necesario reducir al mínimo los efectos de redondeo. También, antes de calcular \(\hat{\beta}_1\) y \(\hat{\beta}_0\) se debe examir gráficamente el conjunto de datos por usar para percibir la factibilidad de uso de un modelo probabilístico lineal, es decir, si gráficamente los puntos están lejos de tender a aglomerarse en torno a una línea recta con aproximadamente el mismo grado de dispersión de todas las \(x_i\), entonces deben ser indagados otros modelos.
Es indispensable mencionar que la línea de mínimos cuadrados debe usarse restringidamente para predecir valores de \(x\) lejanos del rango de los datos, porque la relación ajustada puede carecer de validez para ellos.
Ahora, el parámetro \(\sigma^2\) que determina la cantidad de variabilidad es inherente en el modelo de regresión descrito: su valor conducirá a establecer que los valores observados estarán dispersos en mayor o menor medida en torno a la línea de regresión verdadera. Así, los residuos \(y_i - \hat{y_i}\) son las desviaciones verticales con respecto a la línea estimada. Si todos los residuos son pequeños comparados con cero, entonces la variabilidad de los valores \(y\) observados se debería en una elevada medida a la relación lineal entre \(x\) y \(y\), mientras que si los residuos son grandes comparados con cero, entonces queda sugerida una variabilidad inherente en \(y\) con respecto a la cantidad debida a la relación lineal. Así, la estimación de \(\sigma^2\) en un análisis de regresión está basada en el cálculo de la suma de cuadrados residuales (o suma de cuadrados del error SCE) que se reduce a: \[SCE=\sum_{i=1}^ny_i^2-\hat{\beta}_0\sum_{i=1}^ny_i-\hat{\beta}_1\sum_{i=1}^nx_iy_i\hspace{10mm}(4)\] \[\hat\sigma^2=s^2=\dfrac{SCE}{n-2}\hspace{10mm}(5)\] Si se ha entendido que la cantidad SCE establece una medida de cuánta variación de \(y\) es inexplicada por el modelo; es decir, sin atribución a la relación lineal, se entenderá también que existe otra cantidad llamada la suma total de los cuadrados STC, que permite obtener una medida de la cantidad de variación total en los valores \(y\) observados: \[STC=\sum_{i=1}^ny_i^2-\frac{(\sum_{i=1}^ny_i)^2}{n}\hspace{10mm}(6)\] Si se formula la razón \(SCE/STC\) se calcula la proporción de variación total inexplicada por el modelo de regresión lineal simple; por lo tanto, se llega a la definición del coeficiente de determinación \(r^2\): \[r^2=1-\frac{SCE}{STC}\hspace{10mm}(7)\] que se interpreta como la proporción de variación \(y\) observada que puede ser explicada por el modelo de regresión lineal simple; es decir, aquella atribuida a una relación lineal aproximada entre \(x\) y \(y\): mientras más cercano a 1 sea \(r^2\), más exitoso es el modelo de regresión lineal simple al explicar la variación de \(y\). Una forma alternativa de calcular el coeficiente de determinación se basa en la suma de cuadrados debidad a la regresión SCR (o al modelo de regresión SCM), que es la cantidad de variación total que es explicada por el modelo. Con base en ella el coeficiente de determinación se expresa como: \[r^2=1-\frac{SCE}{STC}=\frac{STC-SCE}{STC}=\frac{SCR}{STC}\hspace{10mm}(8)\]Como se sabe, cualquier cantidad calculada a partir de datos muestrales varía de una cantidad a otra, en este sentido, los procedimientos inferenciales estandarizan un estimador restando su valor medio y luego dividiéndolo entre su desviación estándar estimada. En particular, para un modelo supuesto de regresión lineal simple se implica que las variables estándares: \(t_{(n-2)}=\dfrac{\hat{\beta}_0-\beta_0}{\hat{\sigma} \sqrt{1/n+\bar{x}^2/S_{xx}}}\) y \(t_{(n-2)}=\dfrac{\hat{\beta}_1-\beta_1}{ \hat{\sigma} \sqrt{1/S_{xx}}}\) tienen distribuciones \(t\) con \(n-2\) grados de libertad. De esto se deduce que los intervalos de confianza de \(100*(1-\alpha)\%\) para la pendiente \(\beta_1\) y el intercepto \(\beta_0\) de la línea de regrasión verdadera son: \[\hat{\beta}_0 \pm t_{\alpha/2, n-2} \cdot \hat{\sigma} \sqrt{1/n+\bar{x}^2/S_{xx}}\hspace{10mm}(9)\] \[\hat{\beta}_1 \pm t_{\alpha/2, n-2} \cdot \hat{\sigma} \sqrt{1/S_{xx}} \hspace{10mm} (10)\]estos intervalos están centarados en la en la estimación puntual de cada parámetro y la cantidad abarcada a cada lado de la estimación depende del nivel de confianza deseado y de la cantidad de variabilidad del estimador.
Dado lo anterior, para los procedimientos de prueba de hipótesis, y como se procede habitualmente, las hipótesis nulas respecto a los beta del modelo de regresión lineal simple serán enunciados de igualdad. Los valores nulos para \(\beta_0\) y \(\beta_1\) se representan respectivamente como \(\beta_{00}\) (“beta cero cero”) y \(\beta_{10}\) (“beta uno cero”). Además, como los estadísticos de prueba tienen distribuciones \(t\) con \(n-2\) grados de libertad cuando \(H_0\) es verdadera, la probabilidad de error Tipo I permanece al nivel deseado \(\alpha\) usando un valor crítico \(t\) adecuado. Así, las hipótesis comúnmente usadas para \(\beta_0\)son: \[H_0: \beta_0 = \beta_{00}\hspace{10mm}(11)\] \[H_1: \beta_0 \neq \beta_{00}\hspace{10mm}(12)\]cuyo estadístico de prueba es: \[t_{(n-2)}=\dfrac{\hat{\beta}_0-\beta_{00}}{\hat{\sigma} \sqrt{1/n+\bar{x}^2/S_{xx}}}\hspace{10mm}(13)\]y para \(\beta_1\) son: \[H_0: \beta_1 = \beta_{10}\hspace{10mm}(14)\] \[H_1: \beta_1 \neq \beta_{10}\hspace{10mm}(15)\]cuyo estadístico de prueba es:\[t_{(n-2)}=\dfrac{\hat{\beta}_1-\beta_{10}}{\hat{\sigma} \sqrt{1/S_{xx}}}\hspace{10mm}(16)\]el par de hipótesis definidas por \(14\), \(15\) y \(16\) se conoce como la prueba de utilidad del modelo de regresión lineal simple, donde: la región de rechazo de \(H_0\) para una prueba a nivel \(\alpha\) a favor de \(H_1: \beta_1>\beta_{10}\) es \(t\geq t_{\alpha,n-2}\); la región de rechazo de \(H_0\) para una prueba a nivel \(\alpha\) a favor de \(H_1: \beta_1<\beta_{10}\) es \(t\leq -t_{\alpha,n-2}\); y la región de rechazo de \(H_0\) para una prueba a nivel \(\alpha\) a favor de \(H_1: \beta_1\neq\beta_{10}\) es \(t\leq -t_{\alpha/2,n-2}\) o \(t\geq t_{\alpha/2,n-2}\). Además, se sabe que la prueba de utilidad del modelo de regresión simple puede ser probada con una tabla ANOVA: rechazando \(H_0\) si \(f\geq F_{\alpha,1,n-2}\). La prueba \(F\) da exactamente el mismo resultado que la prueba \(t\) de utilidad del modelo de regresión lineal simple.
Por último, se entiende que en un modelo de regresión lineal simple un valor futuro de \(Y\) no es parámetro sino una variable aleatoria, por lo que se debe hacer referencia a un intervalo de valores factibles para un valor futuro de \(Y\), al cual se le llama intervalo de predicción. Cuando se predice con base en el modelo de regresión lineal simple, el error de predicción es \(Y-( \hat{\beta}_0+ \hat{\beta}_1 x^*)\) que corresponde con una diferencia entre dos variables aleatorias, por lo que, en comparación con una estimación, habrá más incertidumbre en ese; por lo tanto, un intervalo de predicción será más ancho que un intervalo de confianza. Además, a partir de la varianza del error de predicción se puede establecer que la variable estandarizada: \[T=\dfrac{Y-(\hat{\beta}_0+ \hat{\beta}_1 x^*)}{S \displaystyle\sqrt{1+\dfrac{1}{n} + \dfrac{(x^*-\bar{x})^2}{S_{xx}}}}\hspace{10mm}(17)\] tiene una distribución \(t\) con \(n-2\) grados de libertad, a partir de la cual se obtine un intervalo de predicción de \(100*(1-\alpha)\%\) para una observación \(Y\) futura que se hará cuando \(x=x^*\) igual a: \[\hat{\beta}_0+\hat{\beta}_1 x^*\pm t_{n-2,\alpha/2}\cdot s \displaystyle\sqrt{1+\dfrac{1}{n}+\dfrac{(x^*-\bar{x})^2}{S_{xx}}}\hspace{10mm}(18)\] La interpretación del nivel de predicción de \(100*(1-\alpha)\%\) establece que al usar \((18)\) repetidamente, los intervalos resultantes contendrán los valores \(y\) observados el \(100*(1-\alpha)\%\) del tiempo. Además, el número \(1\) en la raíz cuadrada hace que el intervalo de predicción sea más ancho que intervalos de confianza como \((9)\) y \((10)\). Asimismo, a medida que \(n\to\infty\) el ancho del intervalo no tiende a cero, porque la incertidumbre en la predicción será permanente, incluso al tener conocimiento perfecto sobre \(\beta_0\) y \(\beta_1\).
Planteamiento del Problema
Con base en el conjunto de datos descrito en la fase 2 se formulará un modelo de regresión lineal simple para estudiar la relación lineal supuesta entre las variables definidas por los campos: Search_Frequency_Montly (Variable dependiente) y age (variable independiente).
Desarrollo del Análisis
En el siguiente desarrollo del análisis se hará en R Stutio y este mismo contara con varias secciones que se presentaran a continuación.
En base a la navegacion a través de pestañas muestra el resumen estadistico de las variables de interes: Search_Frequency_Montly (Variable dependiente) y age (variable independiente) junto con sus repectivos diagramas de caja. Además de manera complementaria se incluye el diagrama de dispersion de sus valores conjuntos donde se comparan con las dos combinaciones posibles entre estas variables.
Con base a la navegacion a través de pestañas muestra el resumen estadistico de las variables de interes: Search_frequency_montly (Variable dependiente) y age (variable independiente) junto con sus repectivos diagramas de caja. Además de manera complementaria se incluye el diagrama de dispersion de sus valores conjuntos donde se comparan con las dos combinaciones posibles entre estas variables.
En base en la pestaña Resumen de age se puede apreciar que la variable age presenta un sesgo lijeramente negativo con un rango cuartilico muy ancho entre el segundo y tercer cuartil esto debido a la presencia de valores que presentan cierta anomali los cuales estan generando el sesgo. En comparacion segun la pestaña *Resumen de Search_frequency_montly, la variable **Search_frequency_montly* se puede apreciar que tiene un sesgo mas simetrico que el anterior dado que su media y mediana se encuentran en valores extremadamente cercanas entre si lo cual nos indica que no muestra valores atipicos y esto lo podemos comprobar de manera grafica.
De manera complementaria el Diagrama de Dispersion Search_frequency_montly vs. age se puede observar que existe una dispersino moderada en donde nos muestra que la frecuencia de busqueda predomina sobre la edad de 20 a 40 años Search_frequency_montly y *age, cabe recalcar que tambien existe una variante donde las posiciones de las variables se invierten. Si se observa el grafico de **Diagramas Totales de Dispersion* (en donde se excluyen las variables cualitativas::nominales) es razonable mencionar que el unico par que muestra mas relacion entre si son las variables Search_frequency_montly y age.
summary(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 13.00 25.50 25.44 37.00 50.00
boxplot(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, main = "Diagrama de Caja de Search_Frequency_Montly", col = c("orange"))
summary(Comportamiento_de_compradores_Amazon$age)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.00 23.00 26.00 30.79 36.00 67.00
boxplot(Comportamiento_de_compradores_Amazon$age, main = "Diagrama de Caja de Average_Product_Rating", col = c("orange"))
plot(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, Comportamiento_de_compradores_Amazon$age , main = "Diagrama de Dispersión Search_Frequency_Montly vs. age")
plot(Comportamiento_de_compradores_Amazon$age, Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, main = "Diagrama de Dispersión age vs. Search_Frequency_Montly")
pairs(~age + Search_Frequency_Montly + Purchases_Costumer_Montly + Customer_Reviews_Importance + Average_Product_Rating , data = Comportamiento_de_compradores_Amazon)
Con base a la navegacion a través de la pestañas se muestran los coeficientes del modelo de regrecion linela simple, su resumen estadistico y su tabla ANOVA. Se menciona de nuevo que las variables de interes son Search_Frequency_Montly (variable dependiente) y age (variable independiente). * Se considero las dos posibles combinaciones pero finalmente se utilizaran los resultados de la pestaña Coeficientes del Modelo RLS age/SFM y a traves de este se pudo establecer que el modelo de regresion lineal simple que relaciona a las variables de interes, las cuales se resumiran como \(SFM\) y \(age\), se tiene la formulacion: \(SFM = 31,97749541 -0,04665354*age\) \((19)\) Para este modelo se obvia la interpretacion del intercepto por caracter de sentido dado que para Search_Frequency_Montly se obtendria un valor moderado si el sucede un valor nulo en age lo que es imposible, y la ultima situacion en especial carece de sentido, sin embargo, el coeficiente lineal muestra una correlacion de proporcionalidad directa entre las dos variables de interes, aunque con un crecimiento medianamente moderado en Search_Frequency_Montly por cada unidad marginal de age.
De manera complementaria, la pestaña de Resumen Estadistico del Modelo RLS age/SFM se consta que a cualquier nivel de significancia las evidencias a favor son un poco bajas pero esto era de esperar dado el nivel de correlacion existente entre las variables de interes. Ademas, el nivel del coeficiente de determinacion esta a favor de la correlacion con un resultado bajo del \(0,26\) \(%\) de la variabilidad de Search_Frequency_Montly es explicado por age, en resumen lo que nos indica este resultado nos sugiere que la frecuencia de busqueda en el mes no es un valor signifcativo para poder determinar con que frecuencia realizan las compras los usurarios por amazon, y lo anteriormente mencionado quedo confirmado a traves de la pestaña Tabla ANOVA para el Modelo RLS age/SFM
modelo_RL_Simple_SFM_age = lm(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly~Comportamiento_de_compradores_Amazon$age)
coef(modelo_RL_Simple_SFM_age)
## (Intercept)
## 28.26425423
## Comportamiento_de_compradores_Amazon$age
## -0.09177174
modelo_RL_Simple_age_SFM = lm(Comportamiento_de_compradores_Amazon$age~Comportamiento_de_compradores_Amazon$Search_Frequency_Montly)
coef(modelo_RL_Simple_age_SFM)
## (Intercept)
## 31.97749541
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly
## -0.04665354
summary(modelo_RL_Simple_SFM_age)
##
## Call:
## lm(formula = Comportamiento_de_compradores_Amazon$Search_Frequency_Montly ~
## Comportamiento_de_compradores_Amazon$age)
##
## Residuals:
## Min 1Q Median 3Q Max
## -25.2453 -12.5111 -0.1393 11.9572 25.0395
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.26425 1.85298 15.253 <2e-16
## Comportamiento_de_compradores_Amazon$age -0.09177 0.05714 -1.606 0.109
##
## (Intercept) ***
## Comportamiento_de_compradores_Amazon$age
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 14.28 on 600 degrees of freedom
## Multiple R-squared: 0.004281, Adjusted R-squared: 0.002622
## F-statistic: 2.58 on 1 and 600 DF, p-value: 0.1088
summary(modelo_RL_Simple_age_SFM)
##
## Call:
## lm(formula = Comportamiento_de_compradores_Amazon$age ~ Comportamiento_de_compradores_Amazon$Search_Frequency_Montly)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.298 -7.625 -4.148 5.246 35.722
##
## Coefficients:
## Estimate
## (Intercept) 31.97750
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly -0.04665
## Std. Error t value
## (Intercept) 0.84740 37.736
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 0.02905 -1.606
## Pr(>|t|)
## (Intercept) <2e-16 ***
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 0.109
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.18 on 600 degrees of freedom
## Multiple R-squared: 0.004281, Adjusted R-squared: 0.002622
## F-statistic: 2.58 on 1 and 600 DF, p-value: 0.1088
anova(modelo_RL_Simple_age_SFM)
## Analysis of Variance Table
##
## Response: Comportamiento_de_compradores_Amazon$age
## Df Sum Sq Mean Sq
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 1 267 267.36
## Residuals 600 62178 103.63
## F value Pr(>F)
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 2.5799 0.1088
## Residuals
Con base a la navegacion a traves de pestañas muestran el intervalo de confianza para \(\beta_1\) y para la prediccion del modelo de regresion lineal, ambos estarán al \(95\) \(%\) . Se volvera a recapitular sobre cuales son las variables de interes que son: Search_Frequency_Montly (variable dependiente) y age (variable independiente).
El analisis del modelo RLS muestra que no muestra un gran aporte como en cuanto a la variable predictora posiblemente por diversos factores aun asi fue relevante estimar Search_Frequency_Montly a partir de age. Esto debido a que el intervalo de confianza de \(age\) en el modelo excluye al cero:
\(-0.1036969 < \beta_1 < 0.01038988\) \((20)\)
Por ultimo, la pestaña Predicciones y Intervalos de Prediccion muestran los calculos con base en el modelo, bajo un intervalo de predicccion al \(95\) \(%\), de las predicciones de todas las pestañas del conjunto de datos para la variable Search_Frequency_Montly. Cabe recalcar que estos intervalos resultan mas anchos que en aquellos calculados en la pestaña Predicciones y sus intervalos de confianza y esta misma como lo dice su nombre a un mismo nivel de significancia.
confint(modelo_RL_Simple_age_SFM, level = 0.95)
## 2.5 %
## (Intercept) 30.3132681
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly -0.1036969
## 97.5 %
## (Intercept) 33.64172275
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 0.01038988
predict(modelo_RL_Simple_age_SFM, data.frame(seq(1,602)), interval='prediction', level = 0.95)
## fit lwr upr
## 1 31.69757 11.657701 51.73745
## 2 31.32435 11.304537 51.34415
## 3 30.67120 10.661490 50.68090
## 4 30.99777 10.986997 51.00855
## 5 31.41765 11.393801 51.44150
## 6 31.23104 11.214624 51.24745
## 7 31.60427 11.570383 51.63815
## 8 31.65092 11.614123 51.68772
## 9 31.69757 11.657701 51.73745
## 10 31.13773 11.124060 51.15140
## 11 30.29797 10.279728 50.31621
## 12 30.20466 10.182662 50.22666
## 13 31.13773 11.124060 51.15140
## 14 31.79088 11.744372 51.83739
## 15 30.71785 10.708479 50.72722
## 16 30.90446 10.894808 50.91412
## 17 30.29797 10.279728 50.31621
## 18 30.25131 10.231276 50.27135
## 19 31.51096 11.482416 51.53950
## 20 31.60427 11.570383 51.63815
## 21 31.55761 11.526480 51.58875
## 22 30.39128 10.376143 50.40641
## 23 31.60427 11.570383 51.63815
## 24 31.83753 11.787465 51.88761
## 25 30.39128 10.376143 50.40641
## 26 29.92474 9.887573 49.96191
## 27 31.93084 11.873165 51.98852
## 28 31.51096 11.482416 51.53950
## 29 29.97139 9.937160 50.00563
## 30 29.78478 9.737841 49.83172
## 31 30.85781 10.848470 50.86715
## 32 30.25131 10.231276 50.27135
## 33 29.87809 9.837824 49.91835
## 34 31.74423 11.701117 51.78734
## 35 29.78478 9.737841 49.83172
## 36 30.53124 10.519548 50.54292
## 37 29.92474 9.887573 49.96191
## 38 31.04442 11.032847 51.05600
## 39 30.53124 10.519548 50.54292
## 40 31.69757 11.657701 51.73745
## 41 31.69757 11.657701 51.73745
## 42 30.43793 10.424108 50.45175
## 43 31.37100 11.349250 51.39275
## 44 30.90446 10.894808 50.91412
## 45 31.37100 11.349250 51.39275
## 46 29.64482 9.586654 49.70298
## 47 31.27769 11.259662 51.29572
## 48 30.62454 10.614339 50.63475
## 49 31.37100 11.349250 51.39275
## 50 30.99777 10.986997 51.00855
## 51 30.43793 10.424108 50.45175
## 52 29.64482 9.586654 49.70298
## 53 31.93084 11.873165 51.98852
## 54 31.65092 11.614123 51.68772
## 55 30.25131 10.231276 50.27135
## 56 31.09108 11.078535 51.10362
## 57 30.39128 10.376143 50.40641
## 58 31.60427 11.570383 51.63815
## 59 29.69147 9.637211 49.74573
## 60 29.83143 9.787913 49.87495
## 61 31.65092 11.614123 51.68772
## 62 30.34462 10.328017 50.36123
## 63 31.13773 11.124060 51.15140
## 64 31.65092 11.614123 51.68772
## 65 30.20466 10.182662 50.22666
## 66 31.88419 11.830396 51.93798
## 67 31.13773 11.124060 51.15140
## 68 30.25131 10.231276 50.27135
## 69 30.25131 10.231276 50.27135
## 70 30.34462 10.328017 50.36123
## 71 29.73813 9.687607 49.78864
## 72 31.18439 11.169423 51.19935
## 73 31.88419 11.830396 51.93798
## 74 31.60427 11.570383 51.63815
## 75 30.06470 10.035847 50.09355
## 76 31.46431 11.438190 51.49042
## 77 31.37100 11.349250 51.39275
## 78 31.46431 11.438190 51.49042
## 79 30.25131 10.231276 50.27135
## 80 31.79088 11.744372 51.83739
## 81 30.62454 10.614339 50.63475
## 82 31.46431 11.438190 51.49042
## 83 30.90446 10.894808 50.91412
## 84 30.20466 10.182662 50.22666
## 85 29.83143 9.787913 49.87495
## 86 31.41765 11.393801 51.44150
## 87 31.04442 11.032847 51.05600
## 88 30.48458 10.471909 50.49726
## 89 30.67120 10.661490 50.68090
## 90 31.51096 11.482416 51.53950
## 91 30.11135 10.084948 50.13776
## 92 30.95112 10.940984 50.96125
## 93 31.65092 11.614123 51.68772
## 94 30.06470 10.035847 50.09355
## 95 31.51096 11.482416 51.53950
## 96 30.90446 10.894808 50.91412
## 97 31.41765 11.393801 51.44150
## 98 31.23104 11.214624 51.24745
## 99 30.81116 10.801969 50.82035
## 100 30.01805 9.986584 50.04951
## 101 31.65092 11.614123 51.68772
## 102 31.23104 11.214624 51.24745
## 103 30.43793 10.424108 50.45175
## 104 31.83753 11.787465 51.88761
## 105 30.43793 10.424108 50.45175
## 106 29.78478 9.737841 49.83172
## 107 30.15801 10.133886 50.18213
## 108 31.09108 11.078535 51.10362
## 109 30.62454 10.614339 50.63475
## 110 30.34462 10.328017 50.36123
## 111 29.83143 9.787913 49.87495
## 112 31.93084 11.873165 51.98852
## 113 30.81116 10.801969 50.82035
## 114 30.25131 10.231276 50.27135
## 115 30.95112 10.940984 50.96125
## 116 31.09108 11.078535 51.10362
## 117 31.65092 11.614123 51.68772
## 118 31.37100 11.349250 51.39275
## 119 30.67120 10.661490 50.68090
## 120 31.79088 11.744372 51.83739
## 121 31.83753 11.787465 51.88761
## 122 30.67120 10.661490 50.68090
## 123 30.25131 10.231276 50.27135
## 124 29.73813 9.687607 49.78864
## 125 31.09108 11.078535 51.10362
## 126 30.53124 10.519548 50.54292
## 127 29.64482 9.586654 49.70298
## 128 31.32435 11.304537 51.34415
## 129 30.81116 10.801969 50.82035
## 130 29.87809 9.837824 49.91835
## 131 31.51096 11.482416 51.53950
## 132 30.01805 9.986584 50.04951
## 133 30.81116 10.801969 50.82035
## 134 31.60427 11.570383 51.63815
## 135 30.76450 10.755305 50.77370
## 136 29.92474 9.887573 49.96191
## 137 31.18439 11.169423 51.19935
## 138 30.85781 10.848470 50.86715
## 139 30.29797 10.279728 50.31621
## 140 30.11135 10.084948 50.13776
## 141 29.69147 9.637211 49.74573
## 142 30.43793 10.424108 50.45175
## 143 29.92474 9.887573 49.96191
## 144 31.79088 11.744372 51.83739
## 145 31.23104 11.214624 51.24745
## 146 31.60427 11.570383 51.63815
## 147 31.93084 11.873165 51.98852
## 148 31.27769 11.259662 51.29572
## 149 31.51096 11.482416 51.53950
## 150 31.55761 11.526480 51.58875
## 151 31.27769 11.259662 51.29572
## 152 31.60427 11.570383 51.63815
## 153 30.25131 10.231276 50.27135
## 154 29.87809 9.837824 49.91835
## 155 30.39128 10.376143 50.40641
## 156 30.29797 10.279728 50.31621
## 157 31.13773 11.124060 51.15140
## 158 31.60427 11.570383 51.63815
## 159 30.53124 10.519548 50.54292
## 160 30.90446 10.894808 50.91412
## 161 30.57789 10.567025 50.58875
## 162 31.13773 11.124060 51.15140
## 163 30.25131 10.231276 50.27135
## 164 31.55761 11.526480 51.58875
## 165 31.65092 11.614123 51.68772
## 166 30.29797 10.279728 50.31621
## 167 29.87809 9.837824 49.91835
## 168 31.18439 11.169423 51.19935
## 169 30.25131 10.231276 50.27135
## 170 29.78478 9.737841 49.83172
## 171 31.18439 11.169423 51.19935
## 172 31.74423 11.701117 51.78734
## 173 29.64482 9.586654 49.70298
## 174 31.51096 11.482416 51.53950
## 175 30.71785 10.708479 50.72722
## 176 31.32435 11.304537 51.34415
## 177 30.95112 10.940984 50.96125
## 178 30.53124 10.519548 50.54292
## 179 30.76450 10.755305 50.77370
## 180 31.93084 11.873165 51.98852
## 181 29.73813 9.687607 49.78864
## 182 29.69147 9.637211 49.74573
## 183 29.73813 9.687607 49.78864
## 184 29.92474 9.887573 49.96191
## 185 29.87809 9.837824 49.91835
## 186 29.64482 9.586654 49.70298
## 187 30.53124 10.519548 50.54292
## 188 30.01805 9.986584 50.04951
## 189 29.87809 9.837824 49.91835
## 190 31.23104 11.214624 51.24745
## 191 31.18439 11.169423 51.19935
## 192 30.11135 10.084948 50.13776
## 193 30.53124 10.519548 50.54292
## 194 30.81116 10.801969 50.82035
## 195 31.37100 11.349250 51.39275
## 196 30.53124 10.519548 50.54292
## 197 31.93084 11.873165 51.98852
## 198 30.34462 10.328017 50.36123
## 199 31.46431 11.438190 51.49042
## 200 30.90446 10.894808 50.91412
## 201 30.11135 10.084948 50.13776
## 202 31.04442 11.032847 51.05600
## 203 29.78478 9.737841 49.83172
## 204 30.29797 10.279728 50.31621
## 205 30.90446 10.894808 50.91412
## 206 30.01805 9.986584 50.04951
## 207 30.71785 10.708479 50.72722
## 208 29.64482 9.586654 49.70298
## 209 31.46431 11.438190 51.49042
## 210 30.43793 10.424108 50.45175
## 211 29.97139 9.937160 50.00563
## 212 31.41765 11.393801 51.44150
## 213 30.71785 10.708479 50.72722
## 214 30.25131 10.231276 50.27135
## 215 31.27769 11.259662 51.29572
## 216 30.29797 10.279728 50.31621
## 217 31.74423 11.701117 51.78734
## 218 31.65092 11.614123 51.68772
## 219 31.04442 11.032847 51.05600
## 220 30.90446 10.894808 50.91412
## 221 31.69757 11.657701 51.73745
## 222 29.87809 9.837824 49.91835
## 223 30.43793 10.424108 50.45175
## 224 31.32435 11.304537 51.34415
## 225 30.57789 10.567025 50.58875
## 226 30.01805 9.986584 50.04951
## 227 30.53124 10.519548 50.54292
## 228 30.34462 10.328017 50.36123
## 229 30.01805 9.986584 50.04951
## 230 29.73813 9.687607 49.78864
## 231 29.69147 9.637211 49.74573
## 232 30.48458 10.471909 50.49726
## 233 29.92474 9.887573 49.96191
## 234 30.85781 10.848470 50.86715
## 235 30.15801 10.133886 50.18213
## 236 30.20466 10.182662 50.22666
## 237 30.20466 10.182662 50.22666
## 238 29.97139 9.937160 50.00563
## 239 31.37100 11.349250 51.39275
## 240 30.57789 10.567025 50.58875
## 241 30.48458 10.471909 50.49726
## 242 29.97139 9.937160 50.00563
## 243 31.32435 11.304537 51.34415
## 244 31.41765 11.393801 51.44150
## 245 29.92474 9.887573 49.96191
## 246 30.20466 10.182662 50.22666
## 247 31.37100 11.349250 51.39275
## 248 31.27769 11.259662 51.29572
## 249 31.41765 11.393801 51.44150
## 250 30.85781 10.848470 50.86715
## 251 30.01805 9.986584 50.04951
## 252 30.39128 10.376143 50.40641
## 253 30.20466 10.182662 50.22666
## 254 30.53124 10.519548 50.54292
## 255 30.48458 10.471909 50.49726
## 256 30.90446 10.894808 50.91412
## 257 31.23104 11.214624 51.24745
## 258 29.97139 9.937160 50.00563
## 259 29.69147 9.637211 49.74573
## 260 30.34462 10.328017 50.36123
## 261 31.46431 11.438190 51.49042
## 262 30.71785 10.708479 50.72722
## 263 31.32435 11.304537 51.34415
## 264 29.83143 9.787913 49.87495
## 265 30.25131 10.231276 50.27135
## 266 30.39128 10.376143 50.40641
## 267 31.13773 11.124060 51.15140
## 268 30.62454 10.614339 50.63475
## 269 30.62454 10.614339 50.63475
## 270 31.93084 11.873165 51.98852
## 271 31.51096 11.482416 51.53950
## 272 30.53124 10.519548 50.54292
## 273 31.41765 11.393801 51.44150
## 274 29.92474 9.887573 49.96191
## 275 31.04442 11.032847 51.05600
## 276 31.60427 11.570383 51.63815
## 277 31.74423 11.701117 51.78734
## 278 30.43793 10.424108 50.45175
## 279 30.67120 10.661490 50.68090
## 280 31.88419 11.830396 51.93798
## 281 30.29797 10.279728 50.31621
## 282 30.20466 10.182662 50.22666
## 283 30.39128 10.376143 50.40641
## 284 31.09108 11.078535 51.10362
## 285 30.81116 10.801969 50.82035
## 286 30.15801 10.133886 50.18213
## 287 31.74423 11.701117 51.78734
## 288 31.27769 11.259662 51.29572
## 289 31.09108 11.078535 51.10362
## 290 31.74423 11.701117 51.78734
## 291 30.95112 10.940984 50.96125
## 292 31.04442 11.032847 51.05600
## 293 31.60427 11.570383 51.63815
## 294 31.04442 11.032847 51.05600
## 295 30.76450 10.755305 50.77370
## 296 29.92474 9.887573 49.96191
## 297 31.32435 11.304537 51.34415
## 298 30.48458 10.471909 50.49726
## 299 29.97139 9.937160 50.00563
## 300 30.25131 10.231276 50.27135
## 301 31.13773 11.124060 51.15140
## 302 30.90446 10.894808 50.91412
## 303 30.85781 10.848470 50.86715
## 304 29.64482 9.586654 49.70298
## 305 31.32435 11.304537 51.34415
## 306 30.76450 10.755305 50.77370
## 307 30.20466 10.182662 50.22666
## 308 30.34462 10.328017 50.36123
## 309 31.32435 11.304537 51.34415
## 310 31.32435 11.304537 51.34415
## 311 31.18439 11.169423 51.19935
## 312 31.27769 11.259662 51.29572
## 313 31.13773 11.124060 51.15140
## 314 29.64482 9.586654 49.70298
## 315 30.06470 10.035847 50.09355
## 316 31.79088 11.744372 51.83739
## 317 31.09108 11.078535 51.10362
## 318 31.79088 11.744372 51.83739
## 319 30.25131 10.231276 50.27135
## 320 31.79088 11.744372 51.83739
## 321 31.79088 11.744372 51.83739
## 322 31.69757 11.657701 51.73745
## 323 30.39128 10.376143 50.40641
## 324 30.25131 10.231276 50.27135
## 325 29.69147 9.637211 49.74573
## 326 31.55761 11.526480 51.58875
## 327 29.73813 9.687607 49.78864
## 328 31.09108 11.078535 51.10362
## 329 30.76450 10.755305 50.77370
## 330 29.78478 9.737841 49.83172
## 331 31.79088 11.744372 51.83739
## 332 29.83143 9.787913 49.87495
## 333 30.76450 10.755305 50.77370
## 334 31.69757 11.657701 51.73745
## 335 30.39128 10.376143 50.40641
## 336 30.53124 10.519548 50.54292
## 337 31.09108 11.078535 51.10362
## 338 31.27769 11.259662 51.29572
## 339 31.51096 11.482416 51.53950
## 340 30.71785 10.708479 50.72722
## 341 30.11135 10.084948 50.13776
## 342 30.06470 10.035847 50.09355
## 343 31.69757 11.657701 51.73745
## 344 31.51096 11.482416 51.53950
## 345 30.57789 10.567025 50.58875
## 346 31.88419 11.830396 51.93798
## 347 30.81116 10.801969 50.82035
## 348 31.79088 11.744372 51.83739
## 349 30.76450 10.755305 50.77370
## 350 30.20466 10.182662 50.22666
## 351 30.06470 10.035847 50.09355
## 352 31.51096 11.482416 51.53950
## 353 31.60427 11.570383 51.63815
## 354 30.25131 10.231276 50.27135
## 355 30.25131 10.231276 50.27135
## 356 31.55761 11.526480 51.58875
## 357 30.29797 10.279728 50.31621
## 358 30.85781 10.848470 50.86715
## 359 31.65092 11.614123 51.68772
## 360 31.23104 11.214624 51.24745
## 361 31.60427 11.570383 51.63815
## 362 30.25131 10.231276 50.27135
## 363 30.39128 10.376143 50.40641
## 364 30.99777 10.986997 51.00855
## 365 30.99777 10.986997 51.00855
## 366 31.46431 11.438190 51.49042
## 367 30.62454 10.614339 50.63475
## 368 30.81116 10.801969 50.82035
## 369 31.69757 11.657701 51.73745
## 370 31.41765 11.393801 51.44150
## 371 30.81116 10.801969 50.82035
## 372 31.65092 11.614123 51.68772
## 373 29.78478 9.737841 49.83172
## 374 30.20466 10.182662 50.22666
## 375 29.73813 9.687607 49.78864
## 376 31.46431 11.438190 51.49042
## 377 30.57789 10.567025 50.58875
## 378 31.46431 11.438190 51.49042
## 379 31.60427 11.570383 51.63815
## 380 31.13773 11.124060 51.15140
## 381 30.53124 10.519548 50.54292
## 382 30.34462 10.328017 50.36123
## 383 31.93084 11.873165 51.98852
## 384 30.39128 10.376143 50.40641
## 385 30.11135 10.084948 50.13776
## 386 30.71785 10.708479 50.72722
## 387 31.23104 11.214624 51.24745
## 388 31.23104 11.214624 51.24745
## 389 29.83143 9.787913 49.87495
## 390 31.69757 11.657701 51.73745
## 391 30.39128 10.376143 50.40641
## 392 29.78478 9.737841 49.83172
## 393 31.83753 11.787465 51.88761
## 394 31.79088 11.744372 51.83739
## 395 31.83753 11.787465 51.88761
## 396 29.73813 9.687607 49.78864
## 397 29.64482 9.586654 49.70298
## 398 31.27769 11.259662 51.29572
## 399 29.78478 9.737841 49.83172
## 400 30.43793 10.424108 50.45175
## 401 31.93084 11.873165 51.98852
## 402 30.48458 10.471909 50.49726
## 403 31.74423 11.701117 51.78734
## 404 30.85781 10.848470 50.86715
## 405 30.39128 10.376143 50.40641
## 406 29.69147 9.637211 49.74573
## 407 30.34462 10.328017 50.36123
## 408 31.60427 11.570383 51.63815
## 409 29.83143 9.787913 49.87495
## 410 30.11135 10.084948 50.13776
## 411 29.73813 9.687607 49.78864
## 412 30.15801 10.133886 50.18213
## 413 30.01805 9.986584 50.04951
## 414 31.18439 11.169423 51.19935
## 415 29.73813 9.687607 49.78864
## 416 30.90446 10.894808 50.91412
## 417 30.85781 10.848470 50.86715
## 418 29.83143 9.787913 49.87495
## 419 31.79088 11.744372 51.83739
## 420 31.69757 11.657701 51.73745
## 421 30.81116 10.801969 50.82035
## 422 29.92474 9.887573 49.96191
## 423 30.71785 10.708479 50.72722
## 424 31.27769 11.259662 51.29572
## 425 30.67120 10.661490 50.68090
## 426 30.81116 10.801969 50.82035
## 427 30.71785 10.708479 50.72722
## 428 29.92474 9.887573 49.96191
## 429 31.13773 11.124060 51.15140
## 430 31.23104 11.214624 51.24745
## 431 30.06470 10.035847 50.09355
## 432 30.15801 10.133886 50.18213
## 433 29.69147 9.637211 49.74573
## 434 30.67120 10.661490 50.68090
## 435 29.83143 9.787913 49.87495
## 436 31.88419 11.830396 51.93798
## 437 29.69147 9.637211 49.74573
## 438 31.93084 11.873165 51.98852
## 439 30.25131 10.231276 50.27135
## 440 30.71785 10.708479 50.72722
## 441 30.85781 10.848470 50.86715
## 442 29.69147 9.637211 49.74573
## 443 30.29797 10.279728 50.31621
## 444 30.15801 10.133886 50.18213
## 445 29.73813 9.687607 49.78864
## 446 31.18439 11.169423 51.19935
## 447 30.15801 10.133886 50.18213
## 448 29.73813 9.687607 49.78864
## 449 30.15801 10.133886 50.18213
## 450 30.95112 10.940984 50.96125
## 451 31.18439 11.169423 51.19935
## 452 30.95112 10.940984 50.96125
## 453 31.55761 11.526480 51.58875
## 454 30.71785 10.708479 50.72722
## 455 31.51096 11.482416 51.53950
## 456 30.67120 10.661490 50.68090
## 457 30.25131 10.231276 50.27135
## 458 31.69757 11.657701 51.73745
## 459 30.25131 10.231276 50.27135
## 460 31.32435 11.304537 51.34415
## 461 31.27769 11.259662 51.29572
## 462 30.76450 10.755305 50.77370
## 463 30.20466 10.182662 50.22666
## 464 31.46431 11.438190 51.49042
## 465 30.76450 10.755305 50.77370
## 466 30.15801 10.133886 50.18213
## 467 31.41765 11.393801 51.44150
## 468 30.20466 10.182662 50.22666
## 469 31.04442 11.032847 51.05600
## 470 30.62454 10.614339 50.63475
## 471 31.18439 11.169423 51.19935
## 472 31.23104 11.214624 51.24745
## 473 31.51096 11.482416 51.53950
## 474 30.43793 10.424108 50.45175
## 475 30.95112 10.940984 50.96125
## 476 31.88419 11.830396 51.93798
## 477 31.27769 11.259662 51.29572
## 478 31.88419 11.830396 51.93798
## 479 30.95112 10.940984 50.96125
## 480 30.62454 10.614339 50.63475
## 481 30.29797 10.279728 50.31621
## 482 30.67120 10.661490 50.68090
## 483 30.01805 9.986584 50.04951
## 484 30.01805 9.986584 50.04951
## 485 30.43793 10.424108 50.45175
## 486 31.51096 11.482416 51.53950
## 487 30.62454 10.614339 50.63475
## 488 31.32435 11.304537 51.34415
## 489 30.25131 10.231276 50.27135
## 490 31.27769 11.259662 51.29572
## 491 30.81116 10.801969 50.82035
## 492 30.76450 10.755305 50.77370
## 493 31.46431 11.438190 51.49042
## 494 31.32435 11.304537 51.34415
## 495 30.15801 10.133886 50.18213
## 496 30.20466 10.182662 50.22666
## 497 30.90446 10.894808 50.91412
## 498 30.20466 10.182662 50.22666
## 499 30.95112 10.940984 50.96125
## 500 31.18439 11.169423 51.19935
## 501 31.55761 11.526480 51.58875
## 502 29.69147 9.637211 49.74573
## 503 31.69757 11.657701 51.73745
## 504 30.43793 10.424108 50.45175
## 505 31.46431 11.438190 51.49042
## 506 29.97139 9.937160 50.00563
## 507 31.04442 11.032847 51.05600
## 508 31.60427 11.570383 51.63815
## 509 30.53124 10.519548 50.54292
## 510 30.11135 10.084948 50.13776
## 511 31.32435 11.304537 51.34415
## 512 29.83143 9.787913 49.87495
## 513 31.18439 11.169423 51.19935
## 514 31.93084 11.873165 51.98852
## 515 31.09108 11.078535 51.10362
## 516 30.15801 10.133886 50.18213
## 517 31.55761 11.526480 51.58875
## 518 30.71785 10.708479 50.72722
## 519 30.34462 10.328017 50.36123
## 520 29.64482 9.586654 49.70298
## 521 31.41765 11.393801 51.44150
## 522 31.46431 11.438190 51.49042
## 523 30.43793 10.424108 50.45175
## 524 30.67120 10.661490 50.68090
## 525 30.11135 10.084948 50.13776
## 526 31.04442 11.032847 51.05600
## 527 31.23104 11.214624 51.24745
## 528 30.25131 10.231276 50.27135
## 529 30.99777 10.986997 51.00855
## 530 30.15801 10.133886 50.18213
## 531 31.93084 11.873165 51.98852
## 532 30.67120 10.661490 50.68090
## 533 30.39128 10.376143 50.40641
## 534 30.67120 10.661490 50.68090
## 535 29.97139 9.937160 50.00563
## 536 31.79088 11.744372 51.83739
## 537 31.04442 11.032847 51.05600
## 538 31.55761 11.526480 51.58875
## 539 31.46431 11.438190 51.49042
## 540 31.65092 11.614123 51.68772
## 541 30.67120 10.661490 50.68090
## 542 31.27769 11.259662 51.29572
## 543 29.78478 9.737841 49.83172
## 544 30.39128 10.376143 50.40641
## 545 30.53124 10.519548 50.54292
## 546 31.23104 11.214624 51.24745
## 547 31.60427 11.570383 51.63815
## 548 30.15801 10.133886 50.18213
## 549 30.15801 10.133886 50.18213
## 550 30.95112 10.940984 50.96125
## 551 30.99777 10.986997 51.00855
## 552 31.09108 11.078535 51.10362
## 553 29.83143 9.787913 49.87495
## 554 31.13773 11.124060 51.15140
## 555 30.43793 10.424108 50.45175
## 556 29.83143 9.787913 49.87495
## 557 30.06470 10.035847 50.09355
## 558 31.46431 11.438190 51.49042
## 559 31.74423 11.701117 51.78734
## 560 30.90446 10.894808 50.91412
## 561 31.74423 11.701117 51.78734
## 562 30.67120 10.661490 50.68090
## 563 30.39128 10.376143 50.40641
## 564 30.06470 10.035847 50.09355
## 565 31.46431 11.438190 51.49042
## 566 30.25131 10.231276 50.27135
## 567 30.99777 10.986997 51.00855
## 568 31.83753 11.787465 51.88761
## 569 30.90446 10.894808 50.91412
## 570 30.71785 10.708479 50.72722
## 571 30.29797 10.279728 50.31621
## 572 30.67120 10.661490 50.68090
## 573 29.73813 9.687607 49.78864
## 574 31.27769 11.259662 51.29572
## 575 31.88419 11.830396 51.93798
## 576 31.51096 11.482416 51.53950
## 577 31.79088 11.744372 51.83739
## 578 29.87809 9.837824 49.91835
## 579 31.69757 11.657701 51.73745
## 580 30.11135 10.084948 50.13776
## 581 30.99777 10.986997 51.00855
## 582 30.57789 10.567025 50.58875
## 583 30.25131 10.231276 50.27135
## 584 29.83143 9.787913 49.87495
## 585 31.79088 11.744372 51.83739
## 586 29.64482 9.586654 49.70298
## 587 30.95112 10.940984 50.96125
## 588 29.64482 9.586654 49.70298
## 589 29.73813 9.687607 49.78864
## 590 29.78478 9.737841 49.83172
## 591 30.01805 9.986584 50.04951
## 592 31.09108 11.078535 51.10362
## 593 30.76450 10.755305 50.77370
## 594 30.34462 10.328017 50.36123
## 595 31.37100 11.349250 51.39275
## 596 31.88419 11.830396 51.93798
## 597 31.46431 11.438190 51.49042
## 598 31.79088 11.744372 51.83739
## 599 31.13773 11.124060 51.15140
## 600 29.97139 9.937160 50.00563
## 601 30.90446 10.894808 50.91412
## 602 31.55761 11.526480 51.58875
predict(modelo_RL_Simple_age_SFM, data.frame(seq(1,602)), interval='confidence', level = 0.95)
## fit lwr upr
## 1 31.69757 30.32153 33.07361
## 2 31.32435 30.28046 32.36824
## 3 30.67120 29.84336 31.49903
## 4 30.99777 30.14450 31.85104
## 5 31.41765 30.29890 32.53640
## 6 31.23104 30.25439 32.20769
## 7 31.60427 30.31838 32.89015
## 8 31.65092 30.32042 32.98142
## 9 31.69757 30.32153 33.07361
## 10 31.13773 30.21903 32.05643
## 11 30.29797 29.28460 31.31134
## 12 30.20466 29.11958 31.28974
## 13 31.13773 30.21903 32.05643
## 14 31.79088 30.32135 33.26041
## 15 30.71785 29.89816 31.53754
## 16 30.90446 30.07784 31.73109
## 17 30.29797 29.28460 31.31134
## 18 30.25131 29.20303 31.29960
## 19 31.51096 30.31115 32.71077
## 20 31.60427 30.31838 32.89015
## 21 31.55761 30.31533 32.79989
## 22 30.39128 29.44129 31.34126
## 23 31.60427 30.31838 32.89015
## 24 31.83753 30.32021 33.35486
## 25 30.39128 29.44129 31.34126
## 26 29.92474 28.58869 31.26079
## 27 31.93084 30.31611 33.54557
## 28 31.51096 30.31115 32.71077
## 29 29.97139 28.68008 31.26271
## 30 29.78478 28.30941 31.26015
## 31 30.85781 30.03885 31.67677
## 32 30.25131 29.20303 31.29960
## 33 29.87809 28.49639 31.25978
## 34 31.74423 30.32182 33.16664
## 35 29.78478 28.30941 31.26015
## 36 30.53124 29.65682 31.40565
## 37 29.92474 28.58869 31.26079
## 38 31.04442 30.17253 31.91632
## 39 30.53124 29.65682 31.40565
## 40 31.69757 30.32153 33.07361
## 41 31.69757 30.32153 33.07361
## 42 30.43793 29.51597 31.35989
## 43 31.37100 30.29054 32.45146
## 44 30.90446 30.07784 31.73109
## 45 31.37100 30.29054 32.45146
## 46 29.64482 28.02403 31.26561
## 47 31.27769 30.26848 32.28691
## 48 30.62454 29.78476 31.46432
## 49 31.37100 30.29054 32.45146
## 50 30.99777 30.14450 31.85104
## 51 30.43793 29.51597 31.35989
## 52 29.64482 28.02403 31.26561
## 53 31.93084 30.31611 33.54557
## 54 31.65092 30.32042 32.98142
## 55 30.25131 29.20303 31.29960
## 56 31.09108 30.19729 31.98486
## 57 30.39128 29.44129 31.34126
## 58 31.60427 30.31838 32.89015
## 59 29.69147 28.11973 31.26321
## 60 29.83143 28.40327 31.25959
## 61 31.65092 30.32042 32.98142
## 62 30.34462 29.36409 31.32515
## 63 31.13773 30.21903 32.05643
## 64 31.65092 30.32042 32.98142
## 65 30.20466 29.11958 31.28974
## 66 31.88419 30.31844 33.44994
## 67 31.13773 30.21903 32.05643
## 68 30.25131 29.20303 31.29960
## 69 30.25131 29.20303 31.29960
## 70 30.34462 29.36409 31.32515
## 71 29.73813 28.21488 31.26137
## 72 31.18439 30.23799 32.13078
## 73 31.88419 30.31844 33.44994
## 74 31.60427 30.31838 32.89015
## 75 30.06470 28.85974 31.26966
## 76 31.46431 30.30572 32.62289
## 77 31.37100 30.29054 32.45146
## 78 31.46431 30.30572 32.62289
## 79 30.25131 29.20303 31.29960
## 80 31.79088 30.32135 33.26041
## 81 30.62454 29.78476 31.46432
## 82 31.46431 30.30572 32.62289
## 83 30.90446 30.07784 31.73109
## 84 30.20466 29.11958 31.28974
## 85 29.83143 28.40327 31.25959
## 86 31.41765 30.29890 32.53640
## 87 31.04442 30.17253 31.91632
## 88 30.48458 29.58789 31.38127
## 89 30.67120 29.84336 31.49903
## 90 31.51096 30.31115 32.71077
## 91 30.11135 28.94778 31.27493
## 92 30.95112 30.11301 31.78923
## 93 31.65092 30.32042 32.98142
## 94 30.06470 28.85974 31.26966
## 95 31.51096 30.31115 32.71077
## 96 30.90446 30.07784 31.73109
## 97 31.41765 30.29890 32.53640
## 98 31.23104 30.25439 32.20769
## 99 30.81116 29.99594 31.62638
## 100 30.01805 28.77047 31.26563
## 101 31.65092 30.32042 32.98142
## 102 31.23104 30.25439 32.20769
## 103 30.43793 29.51597 31.35989
## 104 31.83753 30.32021 33.35486
## 105 30.43793 29.51597 31.35989
## 106 29.78478 28.30941 31.26015
## 107 30.15801 29.03444 31.28157
## 108 31.09108 30.19729 31.98486
## 109 30.62454 29.78476 31.46432
## 110 30.34462 29.36409 31.32515
## 111 29.83143 28.40327 31.25959
## 112 31.93084 30.31611 33.54557
## 113 30.81116 29.99594 31.62638
## 114 30.25131 29.20303 31.29960
## 115 30.95112 30.11301 31.78923
## 116 31.09108 30.19729 31.98486
## 117 31.65092 30.32042 32.98142
## 118 31.37100 30.29054 32.45146
## 119 30.67120 29.84336 31.49903
## 120 31.79088 30.32135 33.26041
## 121 31.83753 30.32021 33.35486
## 122 30.67120 29.84336 31.49903
## 123 30.25131 29.20303 31.29960
## 124 29.73813 28.21488 31.26137
## 125 31.09108 30.19729 31.98486
## 126 30.53124 29.65682 31.40565
## 127 29.64482 28.02403 31.26561
## 128 31.32435 30.28046 32.36824
## 129 30.81116 29.99594 31.62638
## 130 29.87809 28.49639 31.25978
## 131 31.51096 30.31115 32.71077
## 132 30.01805 28.77047 31.26563
## 133 30.81116 29.99594 31.62638
## 134 31.60427 30.31838 32.89015
## 135 30.76450 29.94904 31.57997
## 136 29.92474 28.58869 31.26079
## 137 31.18439 30.23799 32.13078
## 138 30.85781 30.03885 31.67677
## 139 30.29797 29.28460 31.31134
## 140 30.11135 28.94778 31.27493
## 141 29.69147 28.11973 31.26321
## 142 30.43793 29.51597 31.35989
## 143 29.92474 28.58869 31.26079
## 144 31.79088 30.32135 33.26041
## 145 31.23104 30.25439 32.20769
## 146 31.60427 30.31838 32.89015
## 147 31.93084 30.31611 33.54557
## 148 31.27769 30.26848 32.28691
## 149 31.51096 30.31115 32.71077
## 150 31.55761 30.31533 32.79989
## 151 31.27769 30.26848 32.28691
## 152 31.60427 30.31838 32.89015
## 153 30.25131 29.20303 31.29960
## 154 29.87809 28.49639 31.25978
## 155 30.39128 29.44129 31.34126
## 156 30.29797 29.28460 31.31134
## 157 31.13773 30.21903 32.05643
## 158 31.60427 30.31838 32.89015
## 159 30.53124 29.65682 31.40565
## 160 30.90446 30.07784 31.73109
## 161 30.57789 29.72252 31.43326
## 162 31.13773 30.21903 32.05643
## 163 30.25131 29.20303 31.29960
## 164 31.55761 30.31533 32.79989
## 165 31.65092 30.32042 32.98142
## 166 30.29797 29.28460 31.31134
## 167 29.87809 28.49639 31.25978
## 168 31.18439 30.23799 32.13078
## 169 30.25131 29.20303 31.29960
## 170 29.78478 28.30941 31.26015
## 171 31.18439 30.23799 32.13078
## 172 31.74423 30.32182 33.16664
## 173 29.64482 28.02403 31.26561
## 174 31.51096 30.31115 32.71077
## 175 30.71785 29.89816 31.53754
## 176 31.32435 30.28046 32.36824
## 177 30.95112 30.11301 31.78923
## 178 30.53124 29.65682 31.40565
## 179 30.76450 29.94904 31.57997
## 180 31.93084 30.31611 33.54557
## 181 29.73813 28.21488 31.26137
## 182 29.69147 28.11973 31.26321
## 183 29.73813 28.21488 31.26137
## 184 29.92474 28.58869 31.26079
## 185 29.87809 28.49639 31.25978
## 186 29.64482 28.02403 31.26561
## 187 30.53124 29.65682 31.40565
## 188 30.01805 28.77047 31.26563
## 189 29.87809 28.49639 31.25978
## 190 31.23104 30.25439 32.20769
## 191 31.18439 30.23799 32.13078
## 192 30.11135 28.94778 31.27493
## 193 30.53124 29.65682 31.40565
## 194 30.81116 29.99594 31.62638
## 195 31.37100 30.29054 32.45146
## 196 30.53124 29.65682 31.40565
## 197 31.93084 30.31611 33.54557
## 198 30.34462 29.36409 31.32515
## 199 31.46431 30.30572 32.62289
## 200 30.90446 30.07784 31.73109
## 201 30.11135 28.94778 31.27493
## 202 31.04442 30.17253 31.91632
## 203 29.78478 28.30941 31.26015
## 204 30.29797 29.28460 31.31134
## 205 30.90446 30.07784 31.73109
## 206 30.01805 28.77047 31.26563
## 207 30.71785 29.89816 31.53754
## 208 29.64482 28.02403 31.26561
## 209 31.46431 30.30572 32.62289
## 210 30.43793 29.51597 31.35989
## 211 29.97139 28.68008 31.26271
## 212 31.41765 30.29890 32.53640
## 213 30.71785 29.89816 31.53754
## 214 30.25131 29.20303 31.29960
## 215 31.27769 30.26848 32.28691
## 216 30.29797 29.28460 31.31134
## 217 31.74423 30.32182 33.16664
## 218 31.65092 30.32042 32.98142
## 219 31.04442 30.17253 31.91632
## 220 30.90446 30.07784 31.73109
## 221 31.69757 30.32153 33.07361
## 222 29.87809 28.49639 31.25978
## 223 30.43793 29.51597 31.35989
## 224 31.32435 30.28046 32.36824
## 225 30.57789 29.72252 31.43326
## 226 30.01805 28.77047 31.26563
## 227 30.53124 29.65682 31.40565
## 228 30.34462 29.36409 31.32515
## 229 30.01805 28.77047 31.26563
## 230 29.73813 28.21488 31.26137
## 231 29.69147 28.11973 31.26321
## 232 30.48458 29.58789 31.38127
## 233 29.92474 28.58869 31.26079
## 234 30.85781 30.03885 31.67677
## 235 30.15801 29.03444 31.28157
## 236 30.20466 29.11958 31.28974
## 237 30.20466 29.11958 31.28974
## 238 29.97139 28.68008 31.26271
## 239 31.37100 30.29054 32.45146
## 240 30.57789 29.72252 31.43326
## 241 30.48458 29.58789 31.38127
## 242 29.97139 28.68008 31.26271
## 243 31.32435 30.28046 32.36824
## 244 31.41765 30.29890 32.53640
## 245 29.92474 28.58869 31.26079
## 246 30.20466 29.11958 31.28974
## 247 31.37100 30.29054 32.45146
## 248 31.27769 30.26848 32.28691
## 249 31.41765 30.29890 32.53640
## 250 30.85781 30.03885 31.67677
## 251 30.01805 28.77047 31.26563
## 252 30.39128 29.44129 31.34126
## 253 30.20466 29.11958 31.28974
## 254 30.53124 29.65682 31.40565
## 255 30.48458 29.58789 31.38127
## 256 30.90446 30.07784 31.73109
## 257 31.23104 30.25439 32.20769
## 258 29.97139 28.68008 31.26271
## 259 29.69147 28.11973 31.26321
## 260 30.34462 29.36409 31.32515
## 261 31.46431 30.30572 32.62289
## 262 30.71785 29.89816 31.53754
## 263 31.32435 30.28046 32.36824
## 264 29.83143 28.40327 31.25959
## 265 30.25131 29.20303 31.29960
## 266 30.39128 29.44129 31.34126
## 267 31.13773 30.21903 32.05643
## 268 30.62454 29.78476 31.46432
## 269 30.62454 29.78476 31.46432
## 270 31.93084 30.31611 33.54557
## 271 31.51096 30.31115 32.71077
## 272 30.53124 29.65682 31.40565
## 273 31.41765 30.29890 32.53640
## 274 29.92474 28.58869 31.26079
## 275 31.04442 30.17253 31.91632
## 276 31.60427 30.31838 32.89015
## 277 31.74423 30.32182 33.16664
## 278 30.43793 29.51597 31.35989
## 279 30.67120 29.84336 31.49903
## 280 31.88419 30.31844 33.44994
## 281 30.29797 29.28460 31.31134
## 282 30.20466 29.11958 31.28974
## 283 30.39128 29.44129 31.34126
## 284 31.09108 30.19729 31.98486
## 285 30.81116 29.99594 31.62638
## 286 30.15801 29.03444 31.28157
## 287 31.74423 30.32182 33.16664
## 288 31.27769 30.26848 32.28691
## 289 31.09108 30.19729 31.98486
## 290 31.74423 30.32182 33.16664
## 291 30.95112 30.11301 31.78923
## 292 31.04442 30.17253 31.91632
## 293 31.60427 30.31838 32.89015
## 294 31.04442 30.17253 31.91632
## 295 30.76450 29.94904 31.57997
## 296 29.92474 28.58869 31.26079
## 297 31.32435 30.28046 32.36824
## 298 30.48458 29.58789 31.38127
## 299 29.97139 28.68008 31.26271
## 300 30.25131 29.20303 31.29960
## 301 31.13773 30.21903 32.05643
## 302 30.90446 30.07784 31.73109
## 303 30.85781 30.03885 31.67677
## 304 29.64482 28.02403 31.26561
## 305 31.32435 30.28046 32.36824
## 306 30.76450 29.94904 31.57997
## 307 30.20466 29.11958 31.28974
## 308 30.34462 29.36409 31.32515
## 309 31.32435 30.28046 32.36824
## 310 31.32435 30.28046 32.36824
## 311 31.18439 30.23799 32.13078
## 312 31.27769 30.26848 32.28691
## 313 31.13773 30.21903 32.05643
## 314 29.64482 28.02403 31.26561
## 315 30.06470 28.85974 31.26966
## 316 31.79088 30.32135 33.26041
## 317 31.09108 30.19729 31.98486
## 318 31.79088 30.32135 33.26041
## 319 30.25131 29.20303 31.29960
## 320 31.79088 30.32135 33.26041
## 321 31.79088 30.32135 33.26041
## 322 31.69757 30.32153 33.07361
## 323 30.39128 29.44129 31.34126
## 324 30.25131 29.20303 31.29960
## 325 29.69147 28.11973 31.26321
## 326 31.55761 30.31533 32.79989
## 327 29.73813 28.21488 31.26137
## 328 31.09108 30.19729 31.98486
## 329 30.76450 29.94904 31.57997
## 330 29.78478 28.30941 31.26015
## 331 31.79088 30.32135 33.26041
## 332 29.83143 28.40327 31.25959
## 333 30.76450 29.94904 31.57997
## 334 31.69757 30.32153 33.07361
## 335 30.39128 29.44129 31.34126
## 336 30.53124 29.65682 31.40565
## 337 31.09108 30.19729 31.98486
## 338 31.27769 30.26848 32.28691
## 339 31.51096 30.31115 32.71077
## 340 30.71785 29.89816 31.53754
## 341 30.11135 28.94778 31.27493
## 342 30.06470 28.85974 31.26966
## 343 31.69757 30.32153 33.07361
## 344 31.51096 30.31115 32.71077
## 345 30.57789 29.72252 31.43326
## 346 31.88419 30.31844 33.44994
## 347 30.81116 29.99594 31.62638
## 348 31.79088 30.32135 33.26041
## 349 30.76450 29.94904 31.57997
## 350 30.20466 29.11958 31.28974
## 351 30.06470 28.85974 31.26966
## 352 31.51096 30.31115 32.71077
## 353 31.60427 30.31838 32.89015
## 354 30.25131 29.20303 31.29960
## 355 30.25131 29.20303 31.29960
## 356 31.55761 30.31533 32.79989
## 357 30.29797 29.28460 31.31134
## 358 30.85781 30.03885 31.67677
## 359 31.65092 30.32042 32.98142
## 360 31.23104 30.25439 32.20769
## 361 31.60427 30.31838 32.89015
## 362 30.25131 29.20303 31.29960
## 363 30.39128 29.44129 31.34126
## 364 30.99777 30.14450 31.85104
## 365 30.99777 30.14450 31.85104
## 366 31.46431 30.30572 32.62289
## 367 30.62454 29.78476 31.46432
## 368 30.81116 29.99594 31.62638
## 369 31.69757 30.32153 33.07361
## 370 31.41765 30.29890 32.53640
## 371 30.81116 29.99594 31.62638
## 372 31.65092 30.32042 32.98142
## 373 29.78478 28.30941 31.26015
## 374 30.20466 29.11958 31.28974
## 375 29.73813 28.21488 31.26137
## 376 31.46431 30.30572 32.62289
## 377 30.57789 29.72252 31.43326
## 378 31.46431 30.30572 32.62289
## 379 31.60427 30.31838 32.89015
## 380 31.13773 30.21903 32.05643
## 381 30.53124 29.65682 31.40565
## 382 30.34462 29.36409 31.32515
## 383 31.93084 30.31611 33.54557
## 384 30.39128 29.44129 31.34126
## 385 30.11135 28.94778 31.27493
## 386 30.71785 29.89816 31.53754
## 387 31.23104 30.25439 32.20769
## 388 31.23104 30.25439 32.20769
## 389 29.83143 28.40327 31.25959
## 390 31.69757 30.32153 33.07361
## 391 30.39128 29.44129 31.34126
## 392 29.78478 28.30941 31.26015
## 393 31.83753 30.32021 33.35486
## 394 31.79088 30.32135 33.26041
## 395 31.83753 30.32021 33.35486
## 396 29.73813 28.21488 31.26137
## 397 29.64482 28.02403 31.26561
## 398 31.27769 30.26848 32.28691
## 399 29.78478 28.30941 31.26015
## 400 30.43793 29.51597 31.35989
## 401 31.93084 30.31611 33.54557
## 402 30.48458 29.58789 31.38127
## 403 31.74423 30.32182 33.16664
## 404 30.85781 30.03885 31.67677
## 405 30.39128 29.44129 31.34126
## 406 29.69147 28.11973 31.26321
## 407 30.34462 29.36409 31.32515
## 408 31.60427 30.31838 32.89015
## 409 29.83143 28.40327 31.25959
## 410 30.11135 28.94778 31.27493
## 411 29.73813 28.21488 31.26137
## 412 30.15801 29.03444 31.28157
## 413 30.01805 28.77047 31.26563
## 414 31.18439 30.23799 32.13078
## 415 29.73813 28.21488 31.26137
## 416 30.90446 30.07784 31.73109
## 417 30.85781 30.03885 31.67677
## 418 29.83143 28.40327 31.25959
## 419 31.79088 30.32135 33.26041
## 420 31.69757 30.32153 33.07361
## 421 30.81116 29.99594 31.62638
## 422 29.92474 28.58869 31.26079
## 423 30.71785 29.89816 31.53754
## 424 31.27769 30.26848 32.28691
## 425 30.67120 29.84336 31.49903
## 426 30.81116 29.99594 31.62638
## 427 30.71785 29.89816 31.53754
## 428 29.92474 28.58869 31.26079
## 429 31.13773 30.21903 32.05643
## 430 31.23104 30.25439 32.20769
## 431 30.06470 28.85974 31.26966
## 432 30.15801 29.03444 31.28157
## 433 29.69147 28.11973 31.26321
## 434 30.67120 29.84336 31.49903
## 435 29.83143 28.40327 31.25959
## 436 31.88419 30.31844 33.44994
## 437 29.69147 28.11973 31.26321
## 438 31.93084 30.31611 33.54557
## 439 30.25131 29.20303 31.29960
## 440 30.71785 29.89816 31.53754
## 441 30.85781 30.03885 31.67677
## 442 29.69147 28.11973 31.26321
## 443 30.29797 29.28460 31.31134
## 444 30.15801 29.03444 31.28157
## 445 29.73813 28.21488 31.26137
## 446 31.18439 30.23799 32.13078
## 447 30.15801 29.03444 31.28157
## 448 29.73813 28.21488 31.26137
## 449 30.15801 29.03444 31.28157
## 450 30.95112 30.11301 31.78923
## 451 31.18439 30.23799 32.13078
## 452 30.95112 30.11301 31.78923
## 453 31.55761 30.31533 32.79989
## 454 30.71785 29.89816 31.53754
## 455 31.51096 30.31115 32.71077
## 456 30.67120 29.84336 31.49903
## 457 30.25131 29.20303 31.29960
## 458 31.69757 30.32153 33.07361
## 459 30.25131 29.20303 31.29960
## 460 31.32435 30.28046 32.36824
## 461 31.27769 30.26848 32.28691
## 462 30.76450 29.94904 31.57997
## 463 30.20466 29.11958 31.28974
## 464 31.46431 30.30572 32.62289
## 465 30.76450 29.94904 31.57997
## 466 30.15801 29.03444 31.28157
## 467 31.41765 30.29890 32.53640
## 468 30.20466 29.11958 31.28974
## 469 31.04442 30.17253 31.91632
## 470 30.62454 29.78476 31.46432
## 471 31.18439 30.23799 32.13078
## 472 31.23104 30.25439 32.20769
## 473 31.51096 30.31115 32.71077
## 474 30.43793 29.51597 31.35989
## 475 30.95112 30.11301 31.78923
## 476 31.88419 30.31844 33.44994
## 477 31.27769 30.26848 32.28691
## 478 31.88419 30.31844 33.44994
## 479 30.95112 30.11301 31.78923
## 480 30.62454 29.78476 31.46432
## 481 30.29797 29.28460 31.31134
## 482 30.67120 29.84336 31.49903
## 483 30.01805 28.77047 31.26563
## 484 30.01805 28.77047 31.26563
## 485 30.43793 29.51597 31.35989
## 486 31.51096 30.31115 32.71077
## 487 30.62454 29.78476 31.46432
## 488 31.32435 30.28046 32.36824
## 489 30.25131 29.20303 31.29960
## 490 31.27769 30.26848 32.28691
## 491 30.81116 29.99594 31.62638
## 492 30.76450 29.94904 31.57997
## 493 31.46431 30.30572 32.62289
## 494 31.32435 30.28046 32.36824
## 495 30.15801 29.03444 31.28157
## 496 30.20466 29.11958 31.28974
## 497 30.90446 30.07784 31.73109
## 498 30.20466 29.11958 31.28974
## 499 30.95112 30.11301 31.78923
## 500 31.18439 30.23799 32.13078
## 501 31.55761 30.31533 32.79989
## 502 29.69147 28.11973 31.26321
## 503 31.69757 30.32153 33.07361
## 504 30.43793 29.51597 31.35989
## 505 31.46431 30.30572 32.62289
## 506 29.97139 28.68008 31.26271
## 507 31.04442 30.17253 31.91632
## 508 31.60427 30.31838 32.89015
## 509 30.53124 29.65682 31.40565
## 510 30.11135 28.94778 31.27493
## 511 31.32435 30.28046 32.36824
## 512 29.83143 28.40327 31.25959
## 513 31.18439 30.23799 32.13078
## 514 31.93084 30.31611 33.54557
## 515 31.09108 30.19729 31.98486
## 516 30.15801 29.03444 31.28157
## 517 31.55761 30.31533 32.79989
## 518 30.71785 29.89816 31.53754
## 519 30.34462 29.36409 31.32515
## 520 29.64482 28.02403 31.26561
## 521 31.41765 30.29890 32.53640
## 522 31.46431 30.30572 32.62289
## 523 30.43793 29.51597 31.35989
## 524 30.67120 29.84336 31.49903
## 525 30.11135 28.94778 31.27493
## 526 31.04442 30.17253 31.91632
## 527 31.23104 30.25439 32.20769
## 528 30.25131 29.20303 31.29960
## 529 30.99777 30.14450 31.85104
## 530 30.15801 29.03444 31.28157
## 531 31.93084 30.31611 33.54557
## 532 30.67120 29.84336 31.49903
## 533 30.39128 29.44129 31.34126
## 534 30.67120 29.84336 31.49903
## 535 29.97139 28.68008 31.26271
## 536 31.79088 30.32135 33.26041
## 537 31.04442 30.17253 31.91632
## 538 31.55761 30.31533 32.79989
## 539 31.46431 30.30572 32.62289
## 540 31.65092 30.32042 32.98142
## 541 30.67120 29.84336 31.49903
## 542 31.27769 30.26848 32.28691
## 543 29.78478 28.30941 31.26015
## 544 30.39128 29.44129 31.34126
## 545 30.53124 29.65682 31.40565
## 546 31.23104 30.25439 32.20769
## 547 31.60427 30.31838 32.89015
## 548 30.15801 29.03444 31.28157
## 549 30.15801 29.03444 31.28157
## 550 30.95112 30.11301 31.78923
## 551 30.99777 30.14450 31.85104
## 552 31.09108 30.19729 31.98486
## 553 29.83143 28.40327 31.25959
## 554 31.13773 30.21903 32.05643
## 555 30.43793 29.51597 31.35989
## 556 29.83143 28.40327 31.25959
## 557 30.06470 28.85974 31.26966
## 558 31.46431 30.30572 32.62289
## 559 31.74423 30.32182 33.16664
## 560 30.90446 30.07784 31.73109
## 561 31.74423 30.32182 33.16664
## 562 30.67120 29.84336 31.49903
## 563 30.39128 29.44129 31.34126
## 564 30.06470 28.85974 31.26966
## 565 31.46431 30.30572 32.62289
## 566 30.25131 29.20303 31.29960
## 567 30.99777 30.14450 31.85104
## 568 31.83753 30.32021 33.35486
## 569 30.90446 30.07784 31.73109
## 570 30.71785 29.89816 31.53754
## 571 30.29797 29.28460 31.31134
## 572 30.67120 29.84336 31.49903
## 573 29.73813 28.21488 31.26137
## 574 31.27769 30.26848 32.28691
## 575 31.88419 30.31844 33.44994
## 576 31.51096 30.31115 32.71077
## 577 31.79088 30.32135 33.26041
## 578 29.87809 28.49639 31.25978
## 579 31.69757 30.32153 33.07361
## 580 30.11135 28.94778 31.27493
## 581 30.99777 30.14450 31.85104
## 582 30.57789 29.72252 31.43326
## 583 30.25131 29.20303 31.29960
## 584 29.83143 28.40327 31.25959
## 585 31.79088 30.32135 33.26041
## 586 29.64482 28.02403 31.26561
## 587 30.95112 30.11301 31.78923
## 588 29.64482 28.02403 31.26561
## 589 29.73813 28.21488 31.26137
## 590 29.78478 28.30941 31.26015
## 591 30.01805 28.77047 31.26563
## 592 31.09108 30.19729 31.98486
## 593 30.76450 29.94904 31.57997
## 594 30.34462 29.36409 31.32515
## 595 31.37100 30.29054 32.45146
## 596 31.88419 30.31844 33.44994
## 597 31.46431 30.30572 32.62289
## 598 31.79088 30.32135 33.26041
## 599 31.13773 30.21903 32.05643
## 600 29.97139 28.68008 31.26271
## 601 30.90446 30.07784 31.73109
## 602 31.55761 30.31533 32.79989
Este modelo, que puede inicialmente pensarse como una extensión de la regresión lineal simple para facilitar su comprensión, y que eventualmente será llamado en este estudio como RLM, tiene como ecuación general aditiva:
\[y_i=\beta_0+\beta_1 x_{i1}+\cdots+\beta_k x_{ik}+\varepsilon_i, \hspace{3mm}i=1,2,\dots,n\hspace{10mm}(21)\]
donde \(E(\epsilon)=0\) y \(V(\epsilon)=\sigma^2\). También, para hacer pruebas de hipótesis y calcular intervalos de confianza y de predicción, se supone que \(\epsilon\) está normalmente distribuida. Complementariamente, con base en el enfoque de los mínimos cuadrados ordinarios, la estimación de sus parámetros se plantea en términos de la minimización de una función de ensayo desde la cual se observan los cuadrados de las desviaciones de la variable estudiada. La función de ensayo se representa como \(f(b_0,b_1,...,b_k)= \sum_{j}[y_i-(b_0+b_1x_{1j}+b_2x_{2j}+...+b_kx_{kj})]^2\). Esto conduce a un conjunto de ecuaciones normales lineales en \(b_0,b_1,...,b_k\), que al ser resueltas entregan las estimaciones de mínimos cuadrados de \(\hat{\beta_0},\hat{\beta_1},...,, \hat{\beta_k}\).
Complementariamente, la proporción de variación total explicada por el modelo de regresión múltiple a través del coeficiente de determinación múltiple se ajusta, generalmente, con base en el número de parámetros del modelo.
Además, una prueba de utilidad del modelo de regresión lineal múltiple consiste en una prueba de hipótesis basada en un estadístico que tiene una distribución \(F\) particular cuando \(H_0\) es verdadera, esto de expresa en el par:
\[H_0:\beta_1=\beta_2=\cdots=\beta_k=0\hspace{10mm}(22)\] \[H_1: \text {al menos una }\beta_i\neq 0\hspace{5mm}(i=1,...,k)\hspace{10mm}(23)\]
el valor del estadístico de prueba es:
\[f=\frac{R^2/k}{(1-R^2)(n-(k+1))}=\frac{SCR/k}{SCE/(n-(k+1))}=\frac{RMC}{CME}\hspace{10mm}(24)\]
donde \(SCR=STC-SCE\), que es la suma de cuadrados de regresión, y la región de rechazo para una prueba de nivel \(\alpha\) es:
\[f\geq F_{\alpha, k,n-(k+1)}\hspace{10mm}(25)\]
Por último, un intervalo de confianza al \(100(1-\alpha)\%\) para \(\beta_i\) es:
\[\hat\beta_i\pm t_{\alpha/2,n-(k+1)}\cdot s_{\hat\beta_{i}}\hspace{10mm}(26)\] y un intervalo de confianza al mismo nivel de significancia para un valor futuro está dado por:
\[\hat y\pm t_{\alpha/2,n-(k+1)}\cdot \sqrt{s^2+s^2_{\hat Y}}\hspace{10mm}(27)\]
Para cerrar, es necesario mencionar que eventualmente surgen problemas en los análisis de regresión múltiple que implican considerar técnicas de solución relacionadas con transformaciones de no-linealidad, estandarización y selección de variables, identificación de observaciones influyentes, multicolinealidad, entre otras.
Planteaminto del problema
Basandonos en el conjunto descrito en la fase 1 se formulara un modelo de regresion lineal multiple para estudiar la relacion lineal multiple supuesta entre las varaibles definidas por los campos: Search_Frequency_Montly (Variable dependiente) y las demas como variables independientes: age, Purchases_Costumer_Montly, Customer_Reviews_Importance, y Average_Product_Rating
Desarrollo del análisis
En el siguiente desarrollo del análisis se hara en R Stutio y este mismo contara con varias secciones que se presentaran a continuacion.
En base a la navegacion a través de pestañas muestran un resumen estadistico de todas la variables del conjunto de datos, Sin embargo, para las variables qeu son de naturaleza Cuantitativas::Razon el resumen se hara de manera tradiconal, pero para las variables que son de naturaleza Cualitativas::Nominal el resumen estadistico solo considerara conteos, proporciones y diagramas de barra. Se recalca de nuevo que la variable dependiente es Search_Frequency_Montly.
summary(Comportamiento_de_compradores_Amazon$age)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.00 23.00 26.00 30.79 36.00 67.00
summary(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 13.00 25.50 25.44 37.00 50.00
summary(Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 6.00 12.00 12.47 19.00 25.00
summary(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 7.00 14.00 13.39 20.00 25.00
summary(Comportamiento_de_compradores_Amazon$Average_Product_Rating)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 4.000 7.000 7.857 12.000 15.000
table(Comportamiento_de_compradores_Amazon$Gender)
##
## Female Male Others Prefer not to say
## 352 142 19 89
prop.table(table(Comportamiento_de_compradores_Amazon$Gender))
##
## Female Male Others Prefer not to say
## 0.58471761 0.23588040 0.03156146 0.14784053
barplot(table(Comportamiento_de_compradores_Amazon$Gender))
table(Comportamiento_de_compradores_Amazon$Purchase_Categories)
##
## Beauty and Personal Care
## 106
## Beauty and Personal Care;Clothing and Fashion
## 46
## Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 42
## Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## 8
## Beauty and Personal Care;Clothing and Fashion;others
## 12
## Beauty and Personal Care;Home and Kitchen
## 21
## Beauty and Personal Care;Home and Kitchen;others
## 5
## Beauty and Personal Care;others
## 7
## Clothing and Fashion
## 106
## Clothing and Fashion;Home and Kitchen
## 27
## Clothing and Fashion;Home and Kitchen;others
## 16
## Clothing and Fashion;others
## 14
## Groceries and Gourmet Food
## 14
## Groceries and Gourmet Food;Beauty and Personal Care
## 7
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion
## 10
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 14
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## 32
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others
## 1
## Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen
## 4
## Groceries and Gourmet Food;Beauty and Personal Care;others
## 3
## Groceries and Gourmet Food;Clothing and Fashion
## 6
## Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen
## 4
## Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others
## 3
## Groceries and Gourmet Food;Clothing and Fashion;others
## 2
## Groceries and Gourmet Food;Home and Kitchen
## 5
## Groceries and Gourmet Food;Home and Kitchen;others
## 6
## Home and Kitchen
## 24
## Home and Kitchen;others
## 9
## others
## 48
prop.table(table(Comportamiento_de_compradores_Amazon$Purchase_Categories))
##
## Beauty and Personal Care
## 0.176079734
## Beauty and Personal Care;Clothing and Fashion
## 0.076411960
## Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 0.069767442
## Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## 0.013289037
## Beauty and Personal Care;Clothing and Fashion;others
## 0.019933555
## Beauty and Personal Care;Home and Kitchen
## 0.034883721
## Beauty and Personal Care;Home and Kitchen;others
## 0.008305648
## Beauty and Personal Care;others
## 0.011627907
## Clothing and Fashion
## 0.176079734
## Clothing and Fashion;Home and Kitchen
## 0.044850498
## Clothing and Fashion;Home and Kitchen;others
## 0.026578073
## Clothing and Fashion;others
## 0.023255814
## Groceries and Gourmet Food
## 0.023255814
## Groceries and Gourmet Food;Beauty and Personal Care
## 0.011627907
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion
## 0.016611296
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 0.023255814
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## 0.053156146
## Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others
## 0.001661130
## Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen
## 0.006644518
## Groceries and Gourmet Food;Beauty and Personal Care;others
## 0.004983389
## Groceries and Gourmet Food;Clothing and Fashion
## 0.009966777
## Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen
## 0.006644518
## Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others
## 0.004983389
## Groceries and Gourmet Food;Clothing and Fashion;others
## 0.003322259
## Groceries and Gourmet Food;Home and Kitchen
## 0.008305648
## Groceries and Gourmet Food;Home and Kitchen;others
## 0.009966777
## Home and Kitchen
## 0.039867110
## Home and Kitchen;others
## 0.014950166
## others
## 0.079734219
barplot(table(Comportamiento_de_compradores_Amazon$Purchase_Categories))
table(Comportamiento_de_compradores_Amazon$Product_Search_Method)
##
## categories Filter Keyword others
## 223 127 214 36
prop.table(table(Comportamiento_de_compradores_Amazon$Product_Search_Method))
##
## categories Filter Keyword others
## 0.3716667 0.2116667 0.3566667 0.0600000
barplot(table(Comportamiento_de_compradores_Amazon$Product_Search_Method))
table(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)
##
## Changed my mind or no longer need the item
## 241
## Found a better price elsewhere
## 255
## High shipping costs
## 70
## others
## 36
prop.table(table(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors))
##
## Changed my mind or no longer need the item
## 0.40033223
## Found a better price elsewhere
## 0.42358804
## High shipping costs
## 0.11627907
## others
## 0.05980066
barplot(table(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors))
table(Comportamiento_de_compradores_Amazon$Service_Appreciation)
##
## . All the above
## 1 1
## Competitive prices Customer service
## 182 2
## Product recommendations Quick delivery
## 185 1
## User-friendly website/app interface Wide product selection
## 80 150
prop.table(table(Comportamiento_de_compradores_Amazon$Service_Appreciation))
##
## . All the above
## 0.001661130 0.001661130
## Competitive prices Customer service
## 0.302325581 0.003322259
## Product recommendations Quick delivery
## 0.307308970 0.001661130
## User-friendly website/app interface Wide product selection
## 0.132890365 0.249169435
barplot(table(Comportamiento_de_compradores_Amazon$Service_Appreciation))
table(Comportamiento_de_compradores_Amazon$Improvement_Areas)
##
## .
## 1
## Add more familiar brands to the list
## 1
## better app interface and lower shipping charges
## 1
## Customer service responsiveness
## 217
## I don't have any problem with Amazon
## 1
## I have no problem with Amazon yet. But others tell me about the refund issues
## 1
## Irrelevant product suggestions
## 1
## Nil
## 1
## No problems with Amazon
## 1
## Nothing
## 1
## Product quality and accuracy
## 159
## Quality of product is very poor according to the big offers
## 1
## Reducing packaging waste
## 133
## Scrolling option would be much better than going to next page
## 1
## Shipping speed and reliability
## 79
## UI
## 1
## User interface
## 1
## User interface of app
## 1
prop.table(table(Comportamiento_de_compradores_Amazon$Improvement_Areas))
##
## .
## 0.00166113
## Add more familiar brands to the list
## 0.00166113
## better app interface and lower shipping charges
## 0.00166113
## Customer service responsiveness
## 0.36046512
## I don't have any problem with Amazon
## 0.00166113
## I have no problem with Amazon yet. But others tell me about the refund issues
## 0.00166113
## Irrelevant product suggestions
## 0.00166113
## Nil
## 0.00166113
## No problems with Amazon
## 0.00166113
## Nothing
## 0.00166113
## Product quality and accuracy
## 0.26411960
## Quality of product is very poor according to the big offers
## 0.00166113
## Reducing packaging waste
## 0.22093023
## Scrolling option would be much better than going to next page
## 0.00166113
## Shipping speed and reliability
## 0.13122924
## UI
## 0.00166113
## User interface
## 0.00166113
## User interface of app
## 0.00166113
barplot(table(Comportamiento_de_compradores_Amazon$Improvement_Areas))
pairs(~age + Search_Frequency_Montly + Customer_Reviews_Importance + Purchases_Costumer_Montly + Average_Product_Rating, data = Comportamiento_de_compradores_Amazon)
Con base a la navegacion a traves de las pestañas muestra el resumen y la tabla ANOVA del modelo de regresion lineal multiple total y los coeficientes tanto del modelo mencionado anteriormente como el logrado luego de reducirlo. Con base en la exploracion de lo datos mencionados anteriormente y la tabla ANOVA del modelo total se formularan para comparaciones del modelo RLM: uno que incluye a todas las variables del conjunto de datos y se excluyeron las variables Personalized_Recommendation_Frequency, age y Cart_Abandonment_Factors .Se menciona de nuevo que Search_Frequency_Montly es la variable dependiente
Al considerar los resultados que se presentan en la pestaña de Coeficientes del Modelo RLM Total se puede establecer que el modelo de regresion lineal multiple que relaciona a la variable de interes, las cuales se resumirian como: \(SFM\) (Search_Frequency_Montly), \(A\) (age), \(CRI\) (Customer_Reviews_Importance), \(PCM\) (Purchases_Costumer_Montly), \(APR\) (Average_Product_Rating), \(GM\) (Gender male), \(GO\) (gender other), \(GNS\) (genders Prefer not to say ) \(PCBP\) (Purchase_Categories Beauty and Personal Care;Clothing and Fashion) \(PCBPC\) (Purchase_Categories Beauty and Personal Care;Clothing and Fashion;Home and Kitchen), \(PCBPCHO\) (Purchase_Categories Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others ), \(PCBPCO\) (Purchase_Categories Beauty and Personal Care;Clothing and Fashion;others), \(PCBPH\) (Purchase_Categories Beauty and Personal Care;Home and Kitchen), \(PCBPHO\) (Purchase_Categories Beauty and Personal Care;Home and Kitchen;others), tiene la formulacion (con unos coeficientes redondeados a 4 cifras decimales por tema de estetica)
\(SFM = 5.938657-0.152213*A-0.005817*CRI-0.063183*PCM-0.132178*APR+1.696073*GM-2.142884*GO+0.039071*GNS\) $ -2.109265PCBP+ 1.474792PCBPC-5.473318PCBPCHO -4.188560PCBPCO-3.537719PCBPH-2.025101PCBPHO$ \((28)\)
Por otro lado, luego de revisar el resumen estadistico y la tabal ANOVA del modelo RLM total (con nombre de pestaña homonimo a este), se puede establecer, con el apoyo de los resumenes estadisticos de las variables de estudio, que pueden excluirse directamente del modelo por baja significancia a las variables Purchases_Costumer_Montly y Average_Product_Rating. Esto implico que se calculase un modelo reducido con la formulacion (Con base ne las mismas consideraciones de edicion del modelo total):
\(SFM = 9.68239830-0.1522134*A+0.01014656*CRI+1.24889241*GM-2.78113719*GO-0.20136945*GNS\) $ -2.15075991PCBP+0.97630633PCBPC-7.17510007PCBPCHO-4.33943419PCBPCO-3.40103624PCBPH-4.19738614PCBPHO$ \((29)\)
summary(lm(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly~Comportamiento_de_compradores_Amazon$age+
Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance+
Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly+Comportamiento_de_compradores_Amazon$Average_Product_Rating+as.factor(Comportamiento_de_compradores_Amazon$Gender)+as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)+
as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)+
as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)+
as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)))
##
## Call:
## lm(formula = Comportamiento_de_compradores_Amazon$Search_Frequency_Montly ~
## Comportamiento_de_compradores_Amazon$age + Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance +
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly +
## Comportamiento_de_compradores_Amazon$Average_Product_Rating +
## as.factor(Comportamiento_de_compradores_Amazon$Gender) +
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories) +
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method) +
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors) +
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation))
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.8159 -11.7430 0.1413 10.8114 30.3503
##
## Coefficients:
## Estimate
## (Intercept) 5.938657
## Comportamiento_de_compradores_Amazon$age -0.152213
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance -0.005817
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly -0.063183
## Comportamiento_de_compradores_Amazon$Average_Product_Rating -0.132178
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Male 1.696073
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Others -2.142884
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Prefer not to say 0.039071
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion -2.109265
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 1.474792
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others -5.473318
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;others -4.188560
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen -3.537719
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen;others -2.025101
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;others 1.007346
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion -1.372546
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen -7.429132
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen;others 2.086177
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;others -1.691053
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food 1.400790
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care -8.181075
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion -1.080190
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 1.333678
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others 4.696741
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others -16.014940
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen -7.651433
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;others -15.595216
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion 1.237017
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen -6.413291
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others -3.298303
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;others 5.152049
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen 4.384729
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen;others 3.999103
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen 1.992865
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen;others -7.065747
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)others 1.650456
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Filter -0.927908
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Keyword -1.190525
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)others 3.811592
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)Found a better price elsewhere -0.307115
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)High shipping costs 0.775879
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)others -0.417247
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)All the above 9.307596
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Competitive prices 27.035809
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Customer service 22.728228
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Product recommendations 28.741230
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Quick delivery 4.263837
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)User-friendly website/app interface 27.004905
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Wide product selection 25.427956
## Std. Error
## (Intercept) 14.976496
## Comportamiento_de_compradores_Amazon$age 0.062382
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance 0.083888
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly 0.086935
## Comportamiento_de_compradores_Amazon$Average_Product_Rating 0.139441
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Male 1.597226
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Others 3.473935
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Prefer not to say 1.780513
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion 2.605135
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 2.726967
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others 5.657673
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;others 4.443117
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen 3.457926
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen;others 6.657664
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;others 5.676498
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion 1.999647
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen 3.162353
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen;others 3.908296
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;others 4.259716
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food 4.156904
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care 5.639265
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion 4.854524
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 4.124267
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others 3.017113
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others 14.560462
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen 7.463098
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;others 8.522744
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion 6.095976
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen 7.435831
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others 8.544319
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;others 10.276718
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen 6.676139
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen;others 6.273843
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen 3.366465
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen;others 5.295016
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)others 2.799616
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Filter 1.657610
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Keyword 1.539333
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)others 2.858445
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)Found a better price elsewhere 1.352802
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)High shipping costs 2.051049
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)others 2.771118
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)All the above 20.886848
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Competitive prices 14.836578
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Customer service 18.152364
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Product recommendations 14.844094
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Quick delivery 20.815758
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)User-friendly website/app interface 14.817918
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Wide product selection 14.818278
## t value
## (Intercept) 0.397
## Comportamiento_de_compradores_Amazon$age -2.440
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance -0.069
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly -0.727
## Comportamiento_de_compradores_Amazon$Average_Product_Rating -0.948
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Male 1.062
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Others -0.617
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Prefer not to say 0.022
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion -0.810
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 0.541
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others -0.967
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;others -0.943
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen -1.023
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen;others -0.304
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;others 0.177
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion -0.686
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen -2.349
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen;others 0.534
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;others -0.397
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food 0.337
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care -1.451
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion -0.223
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 0.323
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others 1.557
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others -1.100
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen -1.025
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;others -1.830
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion 0.203
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen -0.862
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others -0.386
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;others 0.501
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen 0.657
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen;others 0.637
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen 0.592
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen;others -1.334
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)others 0.590
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Filter -0.560
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Keyword -0.773
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)others 1.333
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)Found a better price elsewhere -0.227
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)High shipping costs 0.378
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)others -0.151
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)All the above 0.446
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Competitive prices 1.822
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Customer service 1.252
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Product recommendations 1.936
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Quick delivery 0.205
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)User-friendly website/app interface 1.822
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Wide product selection 1.716
## Pr(>|t|)
## (Intercept) 0.6919
## Comportamiento_de_compradores_Amazon$age 0.0150
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance 0.9447
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly 0.4677
## Comportamiento_de_compradores_Amazon$Average_Product_Rating 0.3436
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Male 0.2888
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Others 0.5376
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Prefer not to say 0.9825
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion 0.4185
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 0.5889
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others 0.3338
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;others 0.3462
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen 0.3067
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen;others 0.7611
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;others 0.8592
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion 0.4928
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen 0.0192
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen;others 0.5937
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;others 0.6915
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food 0.7363
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care 0.1474
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion 0.8240
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen 0.7465
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others 0.1201
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others 0.2719
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen 0.3057
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;others 0.0678
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion 0.8393
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen 0.3888
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others 0.6996
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;others 0.6163
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen 0.5116
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen;others 0.5241
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen 0.5541
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen;others 0.1826
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)others 0.5557
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Filter 0.5759
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Keyword 0.4396
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)others 0.1829
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)Found a better price elsewhere 0.8205
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)High shipping costs 0.7054
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)others 0.8804
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)All the above 0.6560
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Competitive prices 0.0690
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Customer service 0.2111
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Product recommendations 0.0534
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Quick delivery 0.8378
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)User-friendly website/app interface 0.0689
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Wide product selection 0.0867
##
## (Intercept)
## Comportamiento_de_compradores_Amazon$age *
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly
## Comportamiento_de_compradores_Amazon$Average_Product_Rating
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Male
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Others
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Prefer not to say
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen *
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;others .
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen;others
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)others
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Filter
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Keyword
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)others
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)Found a better price elsewhere
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)High shipping costs
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)others
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)All the above
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Competitive prices .
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Customer service
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Product recommendations .
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Quick delivery
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)User-friendly website/app interface .
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Wide product selection .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 14.3 on 551 degrees of freedom
## (2 observations deleted due to missingness)
## Multiple R-squared: 0.07472, Adjusted R-squared: -0.005887
## F-statistic: 0.927 on 48 and 551 DF, p-value: 0.615
anova(lm(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly~Comportamiento_de_compradores_Amazon$age+
Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance+
Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly+
Comportamiento_de_compradores_Amazon$Average_Product_Rating+
as.factor(Comportamiento_de_compradores_Amazon$Gender)+
as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)+
as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)+
as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)+
as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)))
## Analysis of Variance Table
##
## Response: Comportamiento_de_compradores_Amazon$Search_Frequency_Montly
## Df
## Comportamiento_de_compradores_Amazon$age 1
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance 1
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly 1
## Comportamiento_de_compradores_Amazon$Average_Product_Rating 1
## as.factor(Comportamiento_de_compradores_Amazon$Gender) 3
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories) 28
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method) 3
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors) 3
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation) 7
## Residuals 551
## Sum Sq
## Comportamiento_de_compradores_Amazon$age 495
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance 8
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly 39
## Comportamiento_de_compradores_Amazon$Average_Product_Rating 203
## as.factor(Comportamiento_de_compradores_Amazon$Gender) 68
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories) 5382
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method) 710
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors) 29
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation) 2165
## Residuals 112677
## Mean Sq
## Comportamiento_de_compradores_Amazon$age 495.05
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance 8.44
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly 38.62
## Comportamiento_de_compradores_Amazon$Average_Product_Rating 202.90
## as.factor(Comportamiento_de_compradores_Amazon$Gender) 22.64
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories) 192.20
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method) 236.63
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors) 9.81
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation) 309.28
## Residuals 204.50
## F value
## Comportamiento_de_compradores_Amazon$age 2.4208
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance 0.0413
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly 0.1888
## Comportamiento_de_compradores_Amazon$Average_Product_Rating 0.9922
## as.factor(Comportamiento_de_compradores_Amazon$Gender) 0.1107
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories) 0.9399
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method) 1.1571
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors) 0.0480
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation) 1.5124
## Residuals
## Pr(>F)
## Comportamiento_de_compradores_Amazon$age 0.1203
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance 0.8391
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly 0.6641
## Comportamiento_de_compradores_Amazon$Average_Product_Rating 0.3196
## as.factor(Comportamiento_de_compradores_Amazon$Gender) 0.9538
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories) 0.5560
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method) 0.3255
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors) 0.9861
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation) 0.1603
## Residuals
coefficients(lm(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly~Comportamiento_de_compradores_Amazon$age+Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance+Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly+Comportamiento_de_compradores_Amazon$Average_Product_Rating+as.factor(Comportamiento_de_compradores_Amazon$Gender)+as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)+as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)+as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)+as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)))
## (Intercept)
## 5.938656533
## Comportamiento_de_compradores_Amazon$age
## -0.152213054
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance
## -0.005816775
## Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly
## -0.063183383
## Comportamiento_de_compradores_Amazon$Average_Product_Rating
## -0.132178309
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Male
## 1.696073215
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Others
## -2.142884221
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Prefer not to say
## 0.039070965
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion
## -2.109265378
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 1.474792436
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## -5.473317647
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;others
## -4.188560389
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen
## -3.537719237
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen;others
## -2.025100665
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;others
## 1.007345982
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion
## -1.372546497
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen
## -7.429132076
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen;others
## 2.086177484
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;others
## -1.691052766
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food
## 1.400790213
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care
## -8.181075268
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion
## -1.080190143
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 1.333677695
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## 4.696740989
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others
## -16.014939902
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen
## -7.651432757
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;others
## -15.595216142
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion
## 1.237017071
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen
## -6.413291160
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others
## -3.298303436
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;others
## 5.152048591
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen
## 4.384729237
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen;others
## 3.999102835
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen
## 1.992865340
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen;others
## -7.065746935
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)others
## 1.650455575
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Filter
## -0.927908215
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Keyword
## -1.190524711
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)others
## 3.811591617
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)Found a better price elsewhere
## -0.307115319
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)High shipping costs
## 0.775879050
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)others
## -0.417247062
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)All the above
## 9.307596168
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Competitive prices
## 27.035809483
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Customer service
## 22.728227843
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Product recommendations
## 28.741229784
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Quick delivery
## 4.263837312
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)User-friendly website/app interface
## 27.004904936
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Wide product selection
## 25.427955864
coefficients(lm(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly~Comportamiento_de_compradores_Amazon$age+Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance+as.factor(Comportamiento_de_compradores_Amazon$Gender)+as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)+as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)+as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)+as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)+as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)+as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)))
## (Intercept)
## 9.68239830
## Comportamiento_de_compradores_Amazon$age
## -0.15265894
## Comportamiento_de_compradores_Amazon$Customer_Reviews_Importance
## 0.01014656
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Male
## 1.24889241
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Others
## -2.78113719
## as.factor(Comportamiento_de_compradores_Amazon$Gender)Prefer not to say
## -0.20136945
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion
## -2.15075991
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 0.97630633
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## -7.17510007
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Clothing and Fashion;others
## -4.33943419
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen
## -3.40103624
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;Home and Kitchen;others
## -4.19738614
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Beauty and Personal Care;others
## 0.78047474
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion
## -2.11119843
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen
## -7.42822768
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;Home and Kitchen;others
## 2.26616706
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Clothing and Fashion;others
## -0.73153800
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food
## 1.99824704
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care
## -9.52993697
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion
## -0.38956257
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen
## 2.23829298
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;Home and Kitchen;others
## 5.17392200
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Clothing and Fashion;others
## -18.16166719
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;Home and Kitchen
## -8.93627278
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Beauty and Personal Care;others
## -15.70984690
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion
## 0.53378165
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen
## -6.08721217
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;Home and Kitchen;others
## -3.40434065
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Clothing and Fashion;others
## 8.17494709
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen
## 5.16658732
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Groceries and Gourmet Food;Home and Kitchen;others
## 5.13760221
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen
## 1.55350163
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)Home and Kitchen;others
## -7.84905046
## as.factor(Comportamiento_de_compradores_Amazon$Purchase_Categories)others
## 1.86713260
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)2
## -6.49583506
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)3
## -5.27542292
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)4
## -2.43381082
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)5
## -3.12678652
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)6
## -5.92871401
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)7
## -2.07390712
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)8
## -9.98885442
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)9
## -9.41370705
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)10
## -6.83773640
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)11
## -1.52561296
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)12
## -5.56615006
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)13
## -10.35224658
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)14
## -1.39639189
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)15
## -1.89104240
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)16
## -3.37651407
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)17
## -4.19098350
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)18
## -4.53061919
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)19
## 1.58003605
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)20
## -6.34062783
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)21
## -4.54260684
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)22
## -2.64625645
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)23
## -2.15685806
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)24
## -7.21960338
## as.factor(Comportamiento_de_compradores_Amazon$Purchases_Costumer_Montly)25
## -8.73282897
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Filter
## -0.77354107
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)Keyword
## -1.21497185
## as.factor(Comportamiento_de_compradores_Amazon$Product_Search_Method)others
## 3.53039914
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)2
## -3.88462192
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)3
## -2.99596311
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)4
## 2.05140624
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)5
## -5.15639990
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)6
## -0.19027971
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)7
## -3.49276642
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)8
## -3.68924983
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)9
## -1.60159999
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)10
## -3.66605554
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)11
## -2.50436085
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)12
## -2.22350287
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)13
## -1.87630994
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)14
## -3.15919669
## as.factor(Comportamiento_de_compradores_Amazon$Average_Product_Rating)15
## -3.80990507
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)Found a better price elsewhere
## -0.96281420
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)High shipping costs
## 0.10784704
## as.factor(Comportamiento_de_compradores_Amazon$Cart_Abandonment_Factors)others
## -1.15859990
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)All the above
## 16.83436457
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Competitive prices
## 28.68287491
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Customer service
## 21.45179358
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Product recommendations
## 30.59860549
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Quick delivery
## 8.58014131
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)User-friendly website/app interface
## 29.31270723
## as.factor(Comportamiento_de_compradores_Amazon$Service_Appreciation)Wide product selection
## 27.16099828
Este modelo, eventualmente llamado RLogS, difiere del modelo de regresión lineal simple al relacionar una variable categórica dicotómica (con valores posibles \(1\) (éxito) y \(0\) (fracaso)) dependiente \(y\) con el valor de probabilidad \(p(x)\in [0, 1]\) que depende de alguna variable cuantitativa \(x\).
Como se mencionó en la sección 1, los modelos de regresión usados en este estudio pueden ser vistos como casos particulares del Modelo Lineal Generalizado (GLM). Este modelo extiende el modelo lineal general al relacionar la variable dependiente linealmente con sus factores y covariables a través de alguna función de enlace, permitiendo que la variable dependiente tenga una distribución diferente a la normal. Además de los modelos usados en este estudio, el GLM también cubre modelos loglineales para datos de recuento, modelos log-log complementarios para datos de supervivencia censurados por intervalos, y otros modelos estadísticos a través de la formulación general del modelo.
Como el GLM permite especificar distribuciones diferentes a la normal y una función de enlace diferente a la identidad, se pueden trabajar con muchas combinaciones posibles de distribuciones y funciones de enlace, varias de las cuales pueden ser adecuadas para un conjunto de datos en particular. La elección de la combinación estará orientada por consideraciones teóricas a priori, la naturaleza de las variables, la experiencia del investigador y los resultados al comparar combinaciones.
En este caso, se trabajará con una distribución binomial (adecuada para variables que representan una respuesta binaria) con función de enlace logit:
\[\pi(x)=\dfrac{e^{\beta_0+\beta_1 x}}{1+ e^{\beta_0 +\beta_1 x}}= \dfrac{1}{1+ e^{-(\beta_0+\beta_1 x)}}\hspace{10mm}(30)\]
Este enfoque, conocido como regresión logística binaria, es apropiado para la distribución binomial. El término “logístico” se refiere a que la función de enlace constituye un refinamiento del modelo exponencial de crecimiento, descrito por la función sigmoidea, de una magnitud asociada con un conjunto \(C\).
Para facilitar las interpretaciones, la función de enlace \(\pi(x)\) proviene de una razón de probabilidades (conocida en inglés como ODDS ratio (OR)), que a su vez es el argumento de un logaritmo: \(\log\left(\frac{\pi(x)}{1-\pi(x)}\right)\). Así, se modela la probabilidad de que la variable de respuesta pertenezca al nivel de referencia \(1\) en función del valor de los predictores. La transformación conserva la monotonicidad de sentidos y convierte el intervalo de probabilidad \([0,1]\) a \((-\infty,\infty)\).
Las propiedades entre las probabilidades complementarias de éxito y fracaso, sus razones y la función de enlace logit son:
| \(p(éxito)=p(fracaso)\) | \(OR=1\) | \(Logit\left(OR\right)=0\) |
| \(p(éxito)<p(fracaso)\) | \(OR<1\) | \(Logit\left(OR\right)<0\) |
| \(p(éxito)>p(fracaso)\) | \(OR>1\) | \(Logit\left(OR\right)>0\) |
Es importante tener en cuenta que la transformación Logit carece de sentido para la certeza del éxito o del fracaso.
Plantemiento del problema
Tomando como base el conjunto de datos descrito en la fase 2 se formulara un modelo de regresion logistica simple para estudiar la relacion logistica supuesta entre las variables definidas por campos: Search_Frequency_Montly (variable independiente) y age (varaible dependiente), con base en una distribucion binomial y la funcion de enlace \(Logit\).
Desarrollo del Análisis
En el siguiente desarrollo del análisis se hara en R Stutio y este mismo contara con varias secciones que se presentaran a continuacion.
Con base a la navegacion de las pestañas se muestra el resumen estadistico de la variable independiente *Search_Frequency_Montly, se presenta su bloxpot e histograma. De la variable dependiente **age* se mostrara su diagrama de barras, asi como su media y mediana. Ademas, se exhibira un diagrama de Cajas conjunto entre aquellas variables que mencionamos.
En base en la pestaña Resumen y Bloxplot de Search_Frequency_Montly se puede comentar que la variable Search_Frequency_Montly como se menciono en la seccion 4.2.1. presenta un sesgo mas simetrico dado que su media y mediana se encuentran en valores extremadamente cercanas entre si lo cual nos indica que no muestra valores atipicos. Lo anterior mencionado tambien es contable a traves de la pestaña Histograma de Search_Frequency_Montly.
Continuando, segun la pestaña Resumen y Diagrama de Barras de gender la variable cualitativa::nominal gender muestra una mayor proporcionalidad para el genero femenino (female), que para masculino (male), otros (others) y prefiere no responder (prefer not to say): \(58,47\) \(%\) , \(23,59\) \(%\) , \(3,15\) \(%\) y \(14,78\) \(%\) repespectivamente.
Complementariamente, el Resumen y el Diagrama de Cajas Conjunto muestran que las observaciones son consistentes con el contexto del problema. Es decir, para los casos con gender female (genero femenino) , los valores de Search_Frequency_Montly son más similares en comparación con los casos con gender male (genero masculino). Además, ambos grupos muestran sesgo, aunque la asimetría negativa es más notoria para el grupo con gender male.
En cuanto a la dispersión, se observan diferencias opuestas entre los grupos: el grupo con genero femenino gender female muestra una mayor similitud en los datos y en el rango intercuartílico, mientras que el grupo con genero masculino gender male muestra una dispersión más centrada pero con ligera asimetría que tiende hacia un valor mas elevado en busqueda. Los atípicos en ambos grupos se presentan en los extremos inferiores de las distribuciones, sugiriendo que los valores bajos de Search_Frequency_Montly son más extraños. #### Resumen y Boxplot de Search_Frequency_Montly
summary(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 13.00 25.50 25.44 37.00 50.00
boxplot(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, main = "Diagrama de Caja de Search_Frequency_Montly", col = c("orange"))
summary(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 13.00 25.50 25.44 37.00 50.00
hist(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, main = "Histograma de Search_Frequency_Montly", col = c("gold"))
table(Comportamiento_de_compradores_Amazon$Gender)
##
## Female Male Others Prefer not to say
## 352 142 19 89
prop.table(table(Comportamiento_de_compradores_Amazon$Gender))
##
## Female Male Others Prefer not to say
## 0.58471761 0.23588040 0.03156146 0.14784053
barplot(table(Comportamiento_de_compradores_Amazon$Gender))
tapply(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, Comportamiento_de_compradores_Amazon$Gender, mean)
## Female Male Others Prefer not to say
## 25.36080 25.88028 25.21053 25.08989
tapply(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, Comportamiento_de_compradores_Amazon$Gender, median)
## Female Male Others Prefer not to say
## 25.0 26.5 26.0 24.0
boxplot(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly~Comportamiento_de_compradores_Amazon$Gender, main = "Boxplot Conjunto: Search_Frequency_Montly - Gender", col = c("orange", "gold"))
En base a la navegacion a traves de pestañas se muestran los coeficientes del modelo RLogS y su resumen estadistico. Se menciona de nuevo las variables que son de interes: Search_Frequency_Montly (Variable independiente) y gender (Variable dependiente).
La pestaña Coeficientes del Modelo RLogS nos permite establecer que el modelo RLogS selcciona a \(\pi(x)\) con \(x\) a través de la función de enlace \(Logit\) de la siguiente manera:\[\frac{\pi(x)}{1-\pi(x)}=e^{-2.656607e+01+2.343523e-15\cdot x}\hspace{10mm}(31)\]
De la misma forma, la pestaña Resumen Estadistico del Modelo RLogS muestra para efectos de comparacion, los resumenes del modelo estudiado y uno alternativo tomando como base la variable cualitativa::nominal *gender. Con base en el criterio de informacion que nos proporciona el Akaike (AIC por sus siglas en ingles), del cual se sabe que es una medida de bondad de ajuste de un modelo estadistico que describe la relacion entre el sesgo y la varianza en la formulacion del modelo, es decir, entre su exatitud y complejidad, se verifica que en base a los resultados podemos verificar que el mejor modelo es con la variable **Search_Frequency_Montly* que con la variable gender por una diferencia muy corta, porque: \(AIC_C = 4 < 4 = AIC_A\). Tambien, para apoyar que el modelo basado en la variable Search_Frequency_Montly es mejor que el modelo basado en la variable *gender, el cociente entre la desviacion nula (Null Deviance) y la desviacion residual (Residual Desviance), observable en la pestaña Resumen Estadistico del Modelo RLogS, es un poco mayor en el modelo propuesto que en el de comparacion.
Comportamiento_de_compradores_Amazon$Gender <- ifelse(Comportamiento_de_compradores_Amazon$Gender == "SI", 1, 0)
modelo_RLog_Simple = glm(Comportamiento_de_compradores_Amazon$Gender~Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, family = "binomial", data = data.frame(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, Comportamiento_de_compradores_Amazon$Gender))
## Warning: glm.fit: algorithm did not converge
coef(modelo_RLog_Simple)
## (Intercept)
## -2.656607e+01
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly
## 2.343523e-15
Comportamiento_de_compradores_Amazon$Gender <- ifelse(Comportamiento_de_compradores_Amazon$Gender == "SI", 1, 0)
summary(modelo_RLog_Simple)
##
## Call:
## glm(formula = Comportamiento_de_compradores_Amazon$Gender ~ Comportamiento_de_compradores_Amazon$Search_Frequency_Montly,
## family = "binomial", data = data.frame(Comportamiento_de_compradores_Amazon$Search_Frequency_Montly,
## Comportamiento_de_compradores_Amazon$Gender))
##
## Coefficients:
## Estimate
## (Intercept) -2.657e+01
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 2.344e-15
## Std. Error z value
## (Intercept) 2.964e+04 -0.001
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 1.016e+03 0.000
## Pr(>|z|)
## (Intercept) 0.999
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 1.000
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 0.0000e+00 on 601 degrees of freedom
## Residual deviance: 3.4926e-09 on 600 degrees of freedom
## AIC: 4
##
## Number of Fisher Scoring iterations: 25
modelo_RLog_Simple_AN = glm(Comportamiento_de_compradores_Amazon$Gender~Comportamiento_de_compradores_Amazon$Search_Frequency_Montly, family = "binomial", data = data.frame(Comportamiento_de_compradores_Amazon$Gender, Comportamiento_de_compradores_Amazon$Search_Frequency_Montly))
## Warning: glm.fit: algorithm did not converge
summary(modelo_RLog_Simple_AN)
##
## Call:
## glm(formula = Comportamiento_de_compradores_Amazon$Gender ~ Comportamiento_de_compradores_Amazon$Search_Frequency_Montly,
## family = "binomial", data = data.frame(Comportamiento_de_compradores_Amazon$Gender,
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly))
##
## Coefficients:
## Estimate
## (Intercept) -2.657e+01
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 2.344e-15
## Std. Error z value
## (Intercept) 2.964e+04 -0.001
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 1.016e+03 0.000
## Pr(>|z|)
## (Intercept) 0.999
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly 1.000
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 0.0000e+00 on 601 degrees of freedom
## Residual deviance: 3.4926e-09 on 600 degrees of freedom
## AIC: 4
##
## Number of Fisher Scoring iterations: 25
Con base a las pestañas se mostraran los resultados de algunas predicciones obtenidas a traves del modelo RLogS para identificar en sus respuestas la correspondencia de sentido en las razones de probabilidades ODDS a favor o en contra del evento considerando: \(\frac{\pi}{1-\pi}\) y \(\frac{1-\pi}{\pi}\), respectivamente. Se menciona de nuevo que las variables de interes son Search_Frequency_Montly (variable independiente) y gender (variable dependiente).
La pestaña Variable Predictora igual a Cero plantea dos situaciones interpretativas. La primera nos permite comprender el coeficiente del factor en el cual esta presente la variable predictora, y una probabilidad cercana a cero de que un caso sea favorable pero dado el contexto de la variable predictora esta es imposible que se torne cero por lo tanto carece de sentido, la segunda situacion conlleva una interpretacion mas delicada: como la variable Search_Frequency_Montly se mide en el intervalo \([1 , 50]\) un rango que se ve bastante definido por dos variables que influyen signiicativamente sobre el que son la edad (age) y el genero (gender).
coef(modelo_RLog_Simple)
## (Intercept)
## -2.656607e+01
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly
## 2.343523e-15
round(exp(coef(modelo_RLog_Simple)),6)
## (Intercept)
## 0
## Comportamiento_de_compradores_Amazon$Search_Frequency_Montly
## 1
predict(modelo_RLog_Simple, data.frame(seq(1, 602)), type = "response")
## 1 2 3 4 5 6
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 7 8 9 10 11 12
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 13 14 15 16 17 18
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 19 20 21 22 23 24
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 25 26 27 28 29 30
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 31 32 33 34 35 36
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 37 38 39 40 41 42
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 43 44 45 46 47 48
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 49 50 51 52 53 54
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 55 56 57 58 59 60
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 61 62 63 64 65 66
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 67 68 69 70 71 72
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 73 74 75 76 77 78
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 79 80 81 82 83 84
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 85 86 87 88 89 90
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 91 92 93 94 95 96
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 97 98 99 100 101 102
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 103 104 105 106 107 108
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 109 110 111 112 113 114
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 115 116 117 118 119 120
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 121 122 123 124 125 126
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 127 128 129 130 131 132
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 133 134 135 136 137 138
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 139 140 141 142 143 144
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 145 146 147 148 149 150
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 151 152 153 154 155 156
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 157 158 159 160 161 162
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 163 164 165 166 167 168
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 169 170 171 172 173 174
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 175 176 177 178 179 180
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 181 182 183 184 185 186
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 187 188 189 190 191 192
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 193 194 195 196 197 198
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 199 200 201 202 203 204
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 205 206 207 208 209 210
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 211 212 213 214 215 216
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 217 218 219 220 221 222
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 223 224 225 226 227 228
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 229 230 231 232 233 234
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 235 236 237 238 239 240
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 241 242 243 244 245 246
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 247 248 249 250 251 252
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 253 254 255 256 257 258
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 259 260 261 262 263 264
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 265 266 267 268 269 270
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 271 272 273 274 275 276
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 277 278 279 280 281 282
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 283 284 285 286 287 288
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 289 290 291 292 293 294
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 295 296 297 298 299 300
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 301 302 303 304 305 306
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 307 308 309 310 311 312
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 313 314 315 316 317 318
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 319 320 321 322 323 324
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 325 326 327 328 329 330
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 331 332 333 334 335 336
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 337 338 339 340 341 342
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 343 344 345 346 347 348
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 349 350 351 352 353 354
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 355 356 357 358 359 360
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 361 362 363 364 365 366
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 367 368 369 370 371 372
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 373 374 375 376 377 378
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 379 380 381 382 383 384
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 385 386 387 388 389 390
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 391 392 393 394 395 396
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 397 398 399 400 401 402
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 403 404 405 406 407 408
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 409 410 411 412 413 414
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 415 416 417 418 419 420
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 421 422 423 424 425 426
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 427 428 429 430 431 432
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 433 434 435 436 437 438
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 439 440 441 442 443 444
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 445 446 447 448 449 450
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 451 452 453 454 455 456
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 457 458 459 460 461 462
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 463 464 465 466 467 468
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 469 470 471 472 473 474
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 475 476 477 478 479 480
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 481 482 483 484 485 486
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 487 488 489 490 491 492
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 493 494 495 496 497 498
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 499 500 501 502 503 504
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 505 506 507 508 509 510
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 511 512 513 514 515 516
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 517 518 519 520 521 522
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 523 524 525 526 527 528
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 529 530 531 532 533 534
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 535 536 537 538 539 540
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 541 542 543 544 545 546
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 547 548 549 550 551 552
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 553 554 555 556 557 558
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 559 560 561 562 563 564
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 565 566 567 568 569 570
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 571 572 573 574 575 576
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 577 578 579 580 581 582
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 583 584 585 586 587 588
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 589 590 591 592 593 594
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 595 596 597 598 599 600
## 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12 2.900701e-12
## 601 602
## 2.900701e-12 2.900701e-12
Search_Frequency_Montly <- Comportamiento_de_compradores_Amazon$Search_Frequency_Montly
Gender <- Comportamiento_de_compradores_Amazon$Gender
dataPlot <- data.frame(Gender, Search_Frequency_Montly)
plot(Gender~Search_Frequency_Montly, data = dataPlot, main = "Modelo RLogS: Search_Frequency_Montly - Gender", xlab = "Search_Frequency_Montly", ylab = "Gender = 0 | Gender = 1", col = "gold", pch = "I")
curve(predict(glm(Gender~Search_Frequency_Montly, family = "binomial", data = dataPlot), data.frame(Search_Frequency_Montly = x), type = "response"), col = "orange", lwd = 3, add = TRUE)
## Warning: glm.fit: algorithm did not converge
Complementariamente a los analisis que fueron expuestos en las fases anteriores de estudio de cada modelo tratado en este trabajo es importante hacer una mencion global sobre el problema que se esta tratando abordar considerando a la luz de todo lo obtenido:
En el caso de comprar y ventas, en este caso comprar en línea, los aspectos mas importantes a la hora de tener en cuenta son la edad y el sexo, tomando como base el estudio estadistico de las veces que las mujeres de temprana edad realizan busquedas por internet sin que influya sobre ello las recomendaciones o puntuaciones que posean las plataformas, en este caso Amazon, es importante mencionar que como generaciones que estan inmersas en avances tecnologícos, el acceso a dichas plataformas se ha facilitado, tomando como críterios actuales que categorías buscan con mas frecuencia, encontramos que se evidencia mayor flujo de busquedas en articulos para el hogar, cocina, entre otros, llevando así un porcentaje de busqueda del \(58,5\) \(%\) y por la parte de los hombres, otros y los que prefirieron no responder está el otro \(41,5\) \(%\) tambien se puede apreciar que los rangos de edades muestran poca dispersion entre las edades jovenes entre 20 a 30 años de edad y son los mayores consumidores de la tienda en linea, sin embargo hace falta esclarecer de si se realizaron las compras o no, informacion que como tal se desconoce en la base de datos y que para estudios posteriores podría abarcar un aporte significativo ya que se podría hayas mas a fondo un publico objetivo. Por último, es importante resaltar el aspecto técnico relacionado con el procesamiento estadístico hecho en este estudio a nivel de robustez, eficiencia e integración que R, RStudio y RMarkdown ofrecen al usuario para que este se pueda enfocar en él sin pasar mayores inconvenientes con el soporte documental para presentarlo.