Inroduccion

El crecimiento en México es impulsado principalmente por varios factores, como la estabilidad macroeconómica, las reformas estructurales, el aumento de la inversión extranjera y el desarrollo tecnológico.

Datos (Variables Dependientes e Independientes)

La variable dependiente (o respuesta) es PIB. Esta es la variable que estamos tratando de predecir o explicar en función de las otras variables. Las variables independientes (o predictores) son Años, Activos, Tax, Desocupacion, Matriculacion, GastoT, Poblacion, Turismo, GastoI, Inflacion, Exchange, Homicidios, y Interes. Estas son las variables que se utilizan para predecir o explicar la variabilidad en la variable PIB.

Variables

PIB: El Producto Interno Bruto (PIB) de México ha experimentado un crecimiento variable en los últimos años, con fluctuaciones debido a factores como la economía global, la política interna y la demanda de exportaciones. Años: El crecimiento del PIB ha sido variable a lo largo de los años, con algunos períodos de crecimiento más robusto y otros de desaceleración.

Activos: El mercado de activos en México, incluyendo bienes raíces, acciones y otros instrumentos financieros, ha sido influenciado por el crecimiento económico, la política monetaria y la confianza de los inversionistas. Tasa de impuestos (Tax): Las tasas de impuestos en México han sido objeto de cambios en los últimos años, con reformas fiscales que afectan tanto a individuos como a empresas. Desocupación: La tasa de desempleo en México ha variado, reflejando la dinámica del mercado laboral y la salud general de la economía.

Gasto Total (GastoT): El gasto total del gobierno, que incluye gasto en infraestructura, programas sociales y otros sectores, ha sido un componente importante del crecimiento económico. Población: El crecimiento de la población en México ha influido en la demanda interna, el mercado laboral y otros aspectos económicos y sociales.

Turismo: La industria turística en México ha experimentado un crecimiento significativo en los últimos años, contribuyendo al PIB y generando empleo en sectores como la hotelería, el transporte y la restauración.

Gasto de Inversión (GastoI): El gasto en inversión, tanto público como privado, ha sido crucial para el desarrollo de infraestructura, innovación y crecimiento a largo plazo en México.

Homicidios: Aunque el crecimiento económico ha sido un factor importante, México ha enfrentado desafíos significativos en términos de seguridad, con un aumento en la tasa de homicidios en ciertas regiones del país. Este fenómeno puede tener repercusiones en la percepción de seguridad, la inversión y el turismo.

Tasas de interés: Los cambios en las tasas de interés pueden ser utilizados para controlar la inflación, estimular la economía o mantener la estabilidad financiera.

Utilizamos estas variables ya que cada una de estas tiene un impacto importante en el crecimiento de México, hay que considerar todas en el modelo de regresión para saber realmente cuál es el impacto general en el país.

Resumen del Modelo

modelo3 <- lm(PIB ~ Años + Activos + Tax + Desocupacion + Matriculacion + GastoT + Poblacion + Turismo + GastoI + Inflacion + Exchange + Homicidios + Interes, data = Ventas)

modelo3 <- lm(PIB ~ Años + Activos + Tax + Desocupacion + Matriculacion + GastoT + Poblacion + Turismo + GastoI + Inflacion + Exchange + Homicidios + Interes, data = Ventas)
summary(modelo3)
## 
## Call:
## lm(formula = PIB ~ Años + Activos + Tax + Desocupacion + Matriculacion + 
##     GastoT + Poblacion + Turismo + GastoI + Inflacion + Exchange + 
##     Homicidios + Interes, data = Ventas)
## 
## Residuals:
##         1         2         3         4         5         6         7         8 
## -0.014879 -0.009824  0.047243 -0.057151  0.250789 -0.391003  0.311542 -0.319469 
##         9        10        11        12        13        14        15 
##  0.303178 -0.096419 -0.066356  0.041881  0.007882 -0.060106  0.052693 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)
## (Intercept)    8.191e+03  5.294e+03   1.547    0.365
## Años          -4.020e+00  2.628e+00  -1.530    0.369
## Activos       -1.727e+00  9.152e-01  -1.887    0.310
## Tax           -9.145e+00  2.812e+00  -3.252    0.190
## Desocupacion  -2.339e+01  4.935e+00  -4.740    0.132
## Matriculacion  9.246e-01  1.356e+00   0.682    0.619
## GastoT        -6.788e-01  9.234e-01  -0.735    0.596
## Poblacion      1.285e-06  4.255e-07   3.020    0.204
## Turismo       -1.145e-09  5.013e-10  -2.284    0.263
## GastoI         2.665e+02  1.085e+02   2.457    0.246
## Inflacion     -3.772e+00  1.546e+00  -2.440    0.248
## Exchange      -4.499e+00  1.985e+00  -2.266    0.265
## Homicidios     3.414e-01  5.173e-01   0.660    0.629
## Interes        5.272e+00  3.674e+00   1.435    0.388
## 
## Residual standard error: 0.7311 on 1 degrees of freedom
## Multiple R-squared:  0.9974, Adjusted R-squared:  0.9641 
## F-statistic: 29.93 on 13 and 1 DF,  p-value: 0.1422
names(Ventas)
##  [1] "PIB"           "Años"          "Poblacion"     "Inflacion"    
##  [5] "Activos"       "Desocupacion"  "Exportacion"   "Exchange"     
##  [9] "Importacion"   "Matriculacion" "Turismo"       "Homicidios"   
## [13] "Tax"           "GastoT"        "GastoI"        "Interes"

Correlacion De Pearson

(.9974) Valor de la r al cuadrado. sqrt(.9974) [1] 0.9986992

Con el .9974 podemos determinar que es un modelo de confianza muy alto, esto se puede deber a que hay una gran cantidad de variables y estas si tienen un impacto en nuestra variable independiente.

Opiniones

El intercepto y las variables no cuentan con asterisco, por lo tanto se puede significar que como el intercepto y nuestras betas no son significativos.

Coeficiente de Regresion

Cada coeficiente de regresión proporciona una estimación del cambio esperado en la variable dependiente (PIB)

Aumento de una unidad en la variable de matriculacion (secundaria) se proporciona una estimacion del cambio esperado en la variable dependiente que es (PIB) 9.246

Aumento de una unidad en la variable TAX, se asocia con un descenso de 9.145 unidades en el PIB.

valores P¨

Un valor p menor al nivel de significancia esperado (0.05) nos dice que es una variable estadisticamente significativa En el analisis hay variables las cuales superan este numero por mucho.

Matriculacion Gasto Total Homicidios

Estas variables no son estadisticamente significativas

R-squared ajustado

valor de 0.9641 para el R-squared ajustado indica que aproximadamente el 96.41% de la variabilidad en el PIB es explicada por las variables incluidas en el modelo.

Estadistico-F

el valor del F-statistic es 29.93, con un valor p de 0.1422. Esto sugiere que, en conjunto, las variables independientes del modelo no son estadísticamente significativas para predecir el PIB,

PIB = Intercepto + B Activos + Error

PIB = Intercepto + B Tax + Error

PIB = Intercepto + B Desocupacion + error

PIB = Intercepto + B Matriculacion + eror

PIB = Intercepto + B GastoT + error

PIB = Intercepto + B Poblacion + error

PIB = Intercepto + B Turismo + error

PIB = Intercepto + B GastoI + error

PIB = Intercepto + Inflacion + error

PIB = Intercepto + Exchange + error

PIB = Intercepto + Homicidios + error

PIB = Intercepto + Interes + error

Modelo:

PIB = 8.191 + -1.727 Activos

PIB = 8.191 + -9.145 Tax

PIB = 8.191 + -2.339 Desocupacion

PIB = 8.191 + 9.246 Matriculacion

PIB = 8.191+ -6.788 GastoT

PIB = 8.191+ 1.285 Poblacion

PIB = 8.191 + -1.145 Turismo

PIB = 8.191+ 2.665 GastoI

PIB = 8.191+ -3.772 Inflacion

PIB = 8.191+ -4.499 Exchange

PIB = 8.191+ 3.414 Homicidios

PIB = 8.191+ 5.272 Interes

PIB = 8.191 + (-1.727) + (-9.145) + (-2.339) + (9.246) + (-6.788) + (1.285) + (-1.145) + (2.665) + (-3.772) + (-4.499) + (3.414) + (5.272)

Summary Ventas

summary(Ventas)
##       PIB               Años        Poblacion           Inflacion    
##  Min.   :-9.3135   Min.   :2008   Min.   : 48225238   Min.   :2.721  
##  1st Qu.:-0.3978   1st Qu.:2012   1st Qu.: 94320851   1st Qu.:3.522  
##  Median : 1.0062   Median :2015   Median :119938473   Median :4.112  
##  Mean   : 0.1765   Mean   :2015   Mean   :121292763   Mean   :4.468  
##  3rd Qu.: 2.0474   3rd Qu.:2018   3rd Qu.:153067452   3rd Qu.:5.211  
##  Max.   : 5.2474   Max.   :2022   Max.   :184842140   Max.   :7.896  
##     Activos       Desocupacion    Exportacion           Exchange    
##  Min.   :56.48   Min.   :3.260   Min.   :2.501e+11   Min.   :10.90  
##  1st Qu.:60.48   1st Qu.:3.665   1st Qu.:3.850e+11   1st Qu.:12.53  
##  Median :60.56   Median :4.310   Median :4.145e+11   Median :13.29  
##  Mean   :60.38   Mean   :4.295   Mean   :4.237e+11   Mean   :14.95  
##  3rd Qu.:60.87   3rd Qu.:4.900   3rd Qu.:4.686e+11   3rd Qu.:18.80  
##  Max.   :61.25   Max.   :5.360   Max.   :6.251e+11   Max.   :21.49  
##   Importacion        Matriculacion      Turismo            Homicidios   
##  Min.   :2.649e+11   Min.   :79.40   Min.   :1.145e+10   Min.   :12.77  
##  1st Qu.:4.002e+11   1st Qu.:82.40   1st Qu.:1.258e+10   1st Qu.:18.75  
##  Median :4.324e+11   Median :83.90   Median :1.431e+10   Median :22.89  
##  Mean   :4.416e+11   Mean   :83.72   Mean   :1.624e+10   Mean   :23.06  
##  3rd Qu.:4.887e+11   3rd Qu.:85.10   3rd Qu.:1.967e+10   3rd Qu.:28.68  
##  Max.   :6.665e+11   Max.   :88.30   Max.   :2.585e+10   Max.   :29.79  
##       Tax             GastoT          GastoI          Interes     
##  Min.   : 9.235   Min.   :78.33   Min.   :0.2839   Min.   :3.439  
##  1st Qu.: 9.646   1st Qu.:79.54   1st Qu.:0.3460   1st Qu.:4.718  
##  Median :12.346   Median :80.53   Median :0.4210   Median :5.281  
##  Mean   :11.647   Mean   :80.52   Mean   :0.3954   Mean   :6.016  
##  3rd Qu.:12.950   3rd Qu.:81.49   3rd Qu.:0.4396   3rd Qu.:7.686  
##  Max.   :16.127   Max.   :82.56   Max.   :0.4949   Max.   :8.706

EXCEL

Ventas
## # A tibble: 15 × 16
##       PIB  Años  Poblacion Inflacion Activos Desocupacion   Exportacion Exchange
##     <dbl> <dbl>      <dbl>     <dbl>   <dbl>        <dbl>         <dbl>    <dbl>
##  1 -0.328  2008  48225238       5.12    60.7         3.87 313852456087.     10.9
##  2 -7.45   2009  66846833       5.30    60.7         5.36 250136106516.     10.9
##  3  3.59   2010  81249645       4.16    60.5         5.3  320766037581.     11.1
##  4  1.98   2011  91158290       3.41    60.6         5.17 374148226662.     13.5
##  5  2.12   2012  97483412       4.11    61.2         4.89 395854929793.     12.6
##  6 -0.468  2013 103263388       3.81    61.1         4.91 408263658324.     12.4
##  7  1.24   2014 112336538       4.02    60.5         4.81 429314956761.     13.2
##  8  1.51   2015 119938473       2.72    60.6         4.31 414495031034.     12.8
##  9  0.626  2016 126014024       2.82    60.5         3.85 409476294705.     13.3
## 10  0.777  2017 139449728       6.04    60.3         3.42 446688309687.     15.8
## 11  1.01   2018 148528210.      4.90    60.5         3.27 490508969545.     18.7
## 12 -1.13   2019 157606693.      3.64    61.2         3.48 502467565594.     18.9
## 13 -9.31   2020 166685175.      3.40    56.5         4.44 439853110557.     19.2
## 14  5.25   2021 175763658.      5.69    59.9         4.09 533930800426.     19.3
## 15  3.25   2022 184842140.      7.90    61.0         3.26 625095923308.     21.5
## # ℹ 8 more variables: Importacion <dbl>, Matriculacion <dbl>, Turismo <dbl>,
## #   Homicidios <dbl>, Tax <dbl>, GastoT <dbl>, GastoI <dbl>, Interes <dbl>
modelo3 <- lm(PIB ~ Años + Activos + Tax + Desocupacion + Matriculacion + GastoT + Poblacion + Turismo + GastoI + Inflacion + Exchange + Homicidios + Interes, data = Ventas)
library(broom)
resultados <- tidy(modelo3)

Grafico Residuos vs Valores Ajustados

g1 <- ggplot(data = modelo3, aes(.fitted, .resid)) +
geom_point() +
geom_smooth(se = FALSE)
g2 <- ggplot(data = modelo3, aes(sample = .stdresid)) +
stat_qq() + stat_qq_line()

Grafico Residuos Estandar

html <- paste0(
"<html><head><title>Informe de Regresión</title></head><body>",
"<h1>Resultados de la Regresión</h1>",
kable(resultados, format = "html", table.attr = "style='width:100%'") %>% kable_styling(bootstrap_options = "striped"),
"<h2>Gráfico de Residuos vs Valores Ajustados</h2>", plot(g1),
"<h2>Gráfico Q-Q de los Residuos</h2>",
plot(g2),"</body></html>" )
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'

writeLines(html, "reporte.html")