Regresion Logistica Simple
Natalia Narvaez, Felipe Tovar, Camilo Perez.
2024-05-19
INTRODUCCION
La elección de carrera es un proceso multifacético influenciado por una variedad de factores, siendo el estrato socioeconómico uno de los más destacados. En el contexto urbano de Neiva, la interacción entre el estrato socioeconómico y la elección de carrera, específicamente en el campo de la Economía, plantea un área de estudio de gran interés y relevancia. La ciudad de Neiva, al igual que muchas otras áreas urbanas, exhibe disparidades económicas y sociales que pueden impactar las decisiones de los estudiantes en cuanto a su futuro académico y profesional. En este sentido, es plausible que el valor de la matrícula universitaria, en particular para la carrera de Economía, esté vinculado estrechamente con el estrato socioeconómico de los estudiantes. El análisis de la relación entre el estrato socioeconómico y el valor de la matrícula de los estudiantes de Economía en Neiva puede proporcionar una comprensión más profunda de los factores que influyen en las decisiones educativas y financieras de la comunidad estudiantil. Este estudio no solo puede revelar patrones y tendencias significativas, sino también ofrecer información valiosa para orientar políticas educativas y de financiamiento dirigidas a promover la equidad y la accesibilidad en la educación superior. En este estudio, examinaremos cómo el estrato socioeconómico influye en el valor de la matrícula de los estudiantes de Economía en Neiva. Al hacerlo, buscamos contribuir al entendimiento de la compleja interacción entre factores socioeconómicos y financieros en la toma de decisiones educativas y profesionales de los jóvenes en entornos urbanos como el de Neiva.
PLANTEAMIENTO DEL PROBLEMA
En la ciudad de Neiva, la elección de carrera de los estudiantes de Economía puede estar influenciada por su estrato socioeconómico, el cual puede afectar el valor de la matrícula universitaria. Sin embargo, existe una falta de estudios que examinen esta relación específica en el contexto local. Por lo tanto, surge la necesidad de investigar cómo el estrato socioeconómico de los estudiantes de Economía en Neiva se relaciona con el costo de la matrícula universitaria, con el fin de comprender mejor los factores que influyen en las decisiones educativas y financieras de la comunidad estudiantil en la ciudad.
¿Cómo se relaciona el estrato socioeconómico de los estudiantes de Economía en la ciudad de Neiva con el valor de derechos de matrícula universitaria?
Hipótesis nula (H0): No hay diferencia en el costo de derechos matrícula entre los estudiantes de Economía de diferentes estratos socioeconómicos en Neiva.
Hipótesis alternativa (H1): Existe una diferencia significativa en el costo de derechos matrícula entre los estudiantes de Economía de diferentes estratos socioeconómicos en Neiva.
METODOLOGIA
Para llevar a cabo esta inferencia, primero se tomó el programa de economía de la base de datos de la Universidad Surcolombiana. Seguidamente se procede a determinar el tamaño de la muestra para la población. Teniendo el tamaño de la muestra, se realizará una selección aleatoria en las bases de datos. Ya con la muestra seleccionada, se procede a realizar los test de normalidad. Teniendo en cuenta el resultado del test, se les aplicara la prueba de hipótesis y dependiendo si los datos tienen una distribución normal o no, se realizará una prueba paramétrica o no paramétrica. Teniendo en cuenta lo anterior, se hace Prueba de Shapiro-Wilk en las dos variables. Seguidamente, se hace inferencia y la correlación de estas. Por ultimo, se genere el modelo de regresión logístico. En base a los resultados arrojados por la prueba de hipótesis aplicada se procede a analizar los resultados y determinar si se rechaza o no la hipótesis nula (H_0). Por último se harán las conclusiones pertinentes respecto al informe realizado.
# Cargar el archivo CSV
datos_csv <- read.csv("regresion Logistica.csv")
# Separar la columna en tres partes utilizando punto y coma como separador
separado <- strsplit(datos_csv[, 1], ";") # Usamos el índice de la columna en lugar del nombre
# Crear un dataframe con las partes separadas
nuevos_datos <- data.frame(
PROGRAMAS = sapply(separado, function(x) x[1]),
Estrato_Social = as.numeric(sapply(separado, function(x) x[2])),
Der_Matricula = as.numeric(sapply(separado, function(x) x[3]))
)
# Mostrar todas las filas del nuevo dataframe
nuevos_datos## PROGRAMAS Estrato_Social Der_Matricula
## 1 NEIVA - ECONOMIA 0 287764
## 2 NEIVA - ECONOMIA 0 1627812
## 3 NEIVA - ECONOMIA 0 427656
## 4 NEIVA - ECONOMIA 0 303520
## 5 NEIVA - ECONOMIA 0 303520
## 6 NEIVA - ECONOMIA 0 448655
## 7 NEIVA - ECONOMIA 0 674314
## 8 NEIVA - ECONOMIA 0 403830
## 9 NEIVA - ECONOMIA 0 269834
## 10 NEIVA - ECONOMIA 0 313233
## 11 NEIVA - ECONOMIA 0 313233
## 12 NEIVA - ECONOMIA 0 1425626
## 13 NEIVA - ECONOMIA 0 303044
## 14 NEIVA - ECONOMIA 0 303044
## 15 NEIVA - ECONOMIA 0 313233
## 16 NEIVA - ECONOMIA 0 313233
## 17 NEIVA - ECONOMIA 0 386679
## 18 NEIVA - ECONOMIA 0 313233
## 19 NEIVA - ECONOMIA 0 423259
## 20 NEIVA - ECONOMIA 0 636144
## 21 NEIVA - ECONOMIA 0 310013
## 22 NEIVA - ECONOMIA 0 635149
## 23 NEIVA - ECONOMIA 0 420386
## 24 NEIVA - ECONOMIA 0 1005534
## 25 NEIVA - ECONOMIA 0 414395
## 26 NEIVA - ECONOMIA 0 414395
## 27 NEIVA - ECONOMIA 0 1214191
## 28 NEIVA - ECONOMIA 0 283220
## 29 NEIVA - ECONOMIA 0 295781
## 30 NEIVA - ECONOMIA 0 287764
## 31 NEIVA - ECONOMIA 0 287764
## 32 NEIVA - ECONOMIA 0 427656
## 33 NEIVA - ECONOMIA 0 313233
## 34 NEIVA - ECONOMIA 0 303520
## 35 NEIVA - ECONOMIA 0 1302074
## 36 NEIVA - ECONOMIA 0 403830
## 37 NEIVA - ECONOMIA 0 303520
## 38 NEIVA - ECONOMIA 0 1140218
## 39 NEIVA - ECONOMIA 0 274166
## 40 NEIVA - ECONOMIA 0 867132
## 41 NEIVA - ECONOMIA 0 867132
## 42 NEIVA - ECONOMIA 0 1320714
## 43 NEIVA - ECONOMIA 0 1244008
## 44 NEIVA - ECONOMIA 0 313233
## 45 NEIVA - ECONOMIA 0 423259
## 46 NEIVA - ECONOMIA 0 674314
## 47 NEIVA - ECONOMIA 0 321731
## 48 NEIVA - ECONOMIA 0 674314
## 49 NEIVA - ECONOMIA 0 286473
## 50 NEIVA - ECONOMIA 0 310013
## 51 NEIVA - ECONOMIA 0 310013
## 52 NEIVA - ECONOMIA 0 989492
## 53 NEIVA - ECONOMIA 0 420386
## 54 NEIVA - ECONOMIA 0 989652
## 55 NEIVA - ECONOMIA 0 403830
## 56 NEIVA - ECONOMIA 0 636144
## 57 NEIVA - ECONOMIA 0 636144
## 58 NEIVA - ECONOMIA 0 462918
## 59 NEIVA - ECONOMIA 0 295781
## 60 NEIVA - ECONOMIA 0 328613
## 61 NEIVA - ECONOMIA 0 420386
## 62 NEIVA - ECONOMIA 0 403830
## 63 NEIVA - ECONOMIA 0 1026895
## 64 NEIVA - ECONOMIA 0 1026895
## 65 NEIVA - ECONOMIA 0 427656
## 66 NEIVA - ECONOMIA 0 427656
## 67 NEIVA - ECONOMIA 0 303044
## 68 NEIVA - ECONOMIA 0 1263972
## 69 NEIVA - ECONOMIA 0 303520
## 70 NEIVA - ECONOMIA 0 392885
## 71 NEIVA - ECONOMIA 0 420386
## 72 NEIVA - ECONOMIA 0 413747
## 73 NEIVA - ECONOMIA 0 413747
## 74 NEIVA - ECONOMIA 0 944070
## 75 NEIVA - ECONOMIA 0 313233
## 76 NEIVA - ECONOMIA 0 427656
## 77 NEIVA - ECONOMIA 0 313233
## 78 NEIVA - ECONOMIA 0 256230
## 79 NEIVA - ECONOMIA 0 303044
## 80 NEIVA - ECONOMIA 0 1982345
## 81 NEIVA - ECONOMIA 0 495808
## 82 NEIVA - ECONOMIA 0 684093
## 83 NEIVA - ECONOMIA 0 307909
## 84 NEIVA - ECONOMIA 0 645343
## 85 NEIVA - ECONOMIA 0 307909
## 86 NEIVA - ECONOMIA 0 328613
## 87 NEIVA - ECONOMIA 0 328613
## 88 NEIVA - ECONOMIA 0 328613
## 89 NEIVA - ECONOMIA 0 321731
## 90 NEIVA - ECONOMIA 0 454132
## 91 NEIVA - ECONOMIA 0 454132
## 92 NEIVA - ECONOMIA 0 369420
## 93 NEIVA - ECONOMIA 0 369420
## 94 NEIVA - ECONOMIA 0 303044
## 95 NEIVA - ECONOMIA 0 287764
## 96 NEIVA - ECONOMIA 0 287764
## 97 NEIVA - ECONOMIA 0 287764
## 98 NEIVA - ECONOMIA 0 307909
## 99 NEIVA - ECONOMIA 0 274166
## 100 NEIVA - ECONOMIA 0 967253
## 101 NEIVA - ECONOMIA 0 310013
## 102 NEIVA - ECONOMIA 0 310013
## 103 NEIVA - ECONOMIA 0 386679
## 104 NEIVA - ECONOMIA 0 287764
## 105 NEIVA - ECONOMIA 0 674314
## 106 NEIVA - ECONOMIA 0 307909
## 107 NEIVA - ECONOMIA 0 287764
## 108 NEIVA - ECONOMIA 0 2034208
## 109 NEIVA - ECONOMIA 0 386679
## 110 NEIVA - ECONOMIA 0 505867
## 111 NEIVA - ECONOMIA 0 697717
## 112 NEIVA - ECONOMIA 0 678953
## 113 NEIVA - ECONOMIA 0 738137
## 114 NEIVA - ECONOMIA 0 1380226
## 115 NEIVA - ECONOMIA 0 1380226
## 116 NEIVA - ECONOMIA 0 479608
## 117 NEIVA - ECONOMIA 0 536219
## 118 NEIVA - ECONOMIA 0 964091
## 119 NEIVA - ECONOMIA 0 964091
## 120 NEIVA - ECONOMIA 0 536219
## 121 NEIVA - ECONOMIA 0 1515868
## 122 NEIVA - ECONOMIA 0 1888034
## 123 NEIVA - ECONOMIA 0 930310
## 124 NEIVA - ECONOMIA 0 743181
## 125 NEIVA - ECONOMIA 0 407631
## 126 NEIVA - ECONOMIA 0 513182
## 127 NEIVA - ECONOMIA 0 750901
## 128 NEIVA - ECONOMIA 0 418691
## 129 NEIVA - ECONOMIA 0 368574
## 130 NEIVA - ECONOMIA 0 1335335
## 131 NEIVA - ECONOMIA 0 2156417
## 132 NEIVA - ECONOMIA 0 400703
## 133 NEIVA - ECONOMIA 0 427648
## 134 NEIVA - ECONOMIA 0 384922
## 135 NEIVA - ECONOMIA 0 522055
## 136 NEIVA - ECONOMIA 0 2171150
## 137 NEIVA - ECONOMIA 0 1303330
## 138 NEIVA - ECONOMIA 0 513182
## 139 NEIVA - ECONOMIA 0 513182
## 140 NEIVA - ECONOMIA 0 394374
## 141 NEIVA - ECONOMIA 0 709066
## 142 NEIVA - ECONOMIA 0 400703
## 143 NEIVA - ECONOMIA 0 726478
## 144 NEIVA - ECONOMIA 0 729037
## 145 NEIVA - ECONOMIA 0 394992
## 146 NEIVA - ECONOMIA 0 1548294
## 147 NEIVA - ECONOMIA 0 611509
## 148 NEIVA - ECONOMIA 0 479608
## 149 NEIVA - ECONOMIA 0 709779
## 150 NEIVA - ECONOMIA 0 394374
## 151 NEIVA - ECONOMIA 0 352506
## 152 NEIVA - ECONOMIA 0 1718562
## 153 NEIVA - ECONOMIA 0 505075
## 154 NEIVA - ECONOMIA 0 1506152
## 155 NEIVA - ECONOMIA 0 750901
## 156 NEIVA - ECONOMIA 0 418691
## 157 NEIVA - ECONOMIA 0 1007223
## 158 NEIVA - ECONOMIA 0 1716953
## 159 NEIVA - ECONOMIA 0 1208554
## 160 NEIVA - ECONOMIA 0 1208554
## 161 NEIVA - ECONOMIA 0 709779
## 162 NEIVA - ECONOMIA 0 771273
## 163 NEIVA - ECONOMIA 0 407631
## 164 NEIVA - ECONOMIA 0 407631
## 165 NEIVA - ECONOMIA 0 479608
## 166 NEIVA - ECONOMIA 0 505075
## 167 NEIVA - ECONOMIA 0 505075
## 168 NEIVA - ECONOMIA 0 697716
## 169 NEIVA - ECONOMIA 0 2171150
## 170 NEIVA - ECONOMIA 0 1321801
## 171 NEIVA - ECONOMIA 0 332531
## 172 NEIVA - ECONOMIA 0 332531
## 173 NEIVA - ECONOMIA 0 726478
## 174 NEIVA - ECONOMIA 0 403441
## 175 NEIVA - ECONOMIA 0 758772
## 176 NEIVA - ECONOMIA 0 394992
## 177 NEIVA - ECONOMIA 0 1801366
## 178 NEIVA - ECONOMIA 0 1150256
## 179 NEIVA - ECONOMIA 0 1150256
## 180 NEIVA - ECONOMIA 0 743181
## 181 NEIVA - ECONOMIA 0 1242146
## 182 NEIVA - ECONOMIA 0 505074
## 183 NEIVA - ECONOMIA 0 400703
## 184 NEIVA - ECONOMIA 0 1207564
## 185 NEIVA - ECONOMIA 0 522055
## 186 NEIVA - ECONOMIA 0 384922
## 187 NEIVA - ECONOMIA 0 472033
## 188 NEIVA - ECONOMIA 0 472033
## 189 NEIVA - ECONOMIA 0 403441
## 190 NEIVA - ECONOMIA 0 505075
## 191 NEIVA - ECONOMIA 0 1168717
## 192 NEIVA - ECONOMIA 0 472033
## 193 NEIVA - ECONOMIA 0 575993
## 194 NEIVA - ECONOMIA 0 575993
## 195 NEIVA - ECONOMIA 0 709779
## 196 NEIVA - ECONOMIA 0 1176703
## 197 NEIVA - ECONOMIA 0 505075
## 198 NEIVA - ECONOMIA 0 505075
## 199 NEIVA - ECONOMIA 0 516688
## 200 NEIVA - ECONOMIA 0 1506153
## 201 NEIVA - ECONOMIA 0 1366038
## 202 NEIVA - ECONOMIA 0 1356768
## 203 NEIVA - ECONOMIA 0 492970
## 204 NEIVA - ECONOMIA 0 1281895
## 205 NEIVA - ECONOMIA 0 600492
## 206 NEIVA - ECONOMIA 0 2125680
## 207 NEIVA - ECONOMIA 0 1247978
## 208 NEIVA - ECONOMIA 0 374488
## 209 NEIVA - ECONOMIA 0 418691
## 210 NEIVA - ECONOMIA 0 1226942
## 211 NEIVA - ECONOMIA 0 1335529
## 212 NEIVA - ECONOMIA 0 1716954
## 213 NEIVA - ECONOMIA 0 819435
## 214 NEIVA - ECONOMIA 0 750962
## 215 NEIVA - ECONOMIA 0 697716
## 216 NEIVA - ECONOMIA 0 1366038
## 217 NEIVA - ECONOMIA 0 989332
## 218 NEIVA - ECONOMIA 0 653993
## 219 NEIVA - ECONOMIA 0 418691
## 220 NEIVA - ECONOMIA 0 1398064
## 221 NEIVA - ECONOMIA 0 407631
## 222 NEIVA - ECONOMIA 0 368574
## 223 NEIVA - ECONOMIA 0 400702
## 224 NEIVA - ECONOMIA 0 1335335
## 225 NEIVA - ECONOMIA 0 787019
## 226 NEIVA - ECONOMIA 0 1094169
## 227 NEIVA - ECONOMIA 0 384922
## 228 NEIVA - ECONOMIA 0 505075
## 229 NEIVA - ECONOMIA 0 400703
## 230 NEIVA - ECONOMIA 0 689846
## 231 NEIVA - ECONOMIA 0 689846
## 232 NEIVA - ECONOMIA 0 479608
## 233 NEIVA - ECONOMIA 0 787772
## 234 NEIVA - ECONOMIA 0 1268004
## 235 NEIVA - ECONOMIA 0 407631
## 236 NEIVA - ECONOMIA 0 516688
## 237 NEIVA - ECONOMIA 0 1366038
## 238 NEIVA - ECONOMIA 0 407631
## 239 NEIVA - ECONOMIA 0 513182
## 240 NEIVA - ECONOMIA 0 1058583
## 241 NEIVA - ECONOMIA 0 479608
## 242 NEIVA - ECONOMIA 0 771273
## 243 NEIVA - ECONOMIA 0 400703
## 244 NEIVA - ECONOMIA 0 1226942
## 245 NEIVA - ECONOMIA 0 400703
## 246 NEIVA - ECONOMIA 0 522056
## 247 NEIVA - ECONOMIA 0 686694
## 248 NEIVA - ECONOMIA 0 342953
## 249 NEIVA - ECONOMIA 0 374488
## 250 NEIVA - ECONOMIA 0 383433
## 251 NEIVA - ECONOMIA 0 678953
## 252 NEIVA - ECONOMIA 0 472033
## 253 NEIVA - ECONOMIA 0 565616
## 254 NEIVA - ECONOMIA 0 1247978
## 255 NEIVA - ECONOMIA 0 418691
## 256 NEIVA - ECONOMIA 0 798542
## 257 NEIVA - ECONOMIA 0 394374
## 258 NEIVA - ECONOMIA 0 1176703
## 259 NEIVA - ECONOMIA 0 384922
## 260 NEIVA - ECONOMIA 0 492970
## 261 NEIVA - ECONOMIA 0 407631
## 262 NEIVA - ECONOMIA 0 407631
## 263 NEIVA - ECONOMIA 0 492970
## 264 NEIVA - ECONOMIA 0 384922
## 265 NEIVA - ECONOMIA 0 505867
## 266 NEIVA - ECONOMIA 0 513182
## 267 NEIVA - ECONOMIA 0 403441
## 268 NEIVA - ECONOMIA 0 512887
## 269 NEIVA - ECONOMIA 0 400703
## 270 NEIVA - ECONOMIA 0 678953
## 271 NEIVA - ECONOMIA 0 368574
## 272 NEIVA - ECONOMIA 0 368574
## 273 NEIVA - ECONOMIA 0 1298504
## 274 NEIVA - ECONOMIA 0 505075
## 275 NEIVA - ECONOMIA 0 836963
## 276 NEIVA - ECONOMIA 0 479608
## 277 NEIVA - ECONOMIA 0 1176703
## 278 NEIVA - ECONOMIA 0 513182
## 279 NEIVA - ECONOMIA 0 1480597
## 280 NEIVA - ECONOMIA 0 479608
## 281 NEIVA - ECONOMIA 0 908097
## 282 NEIVA - ECONOMIA 0 908097
## 283 NEIVA - ECONOMIA 0 470206
## 284 NEIVA - ECONOMIA 0 505075
## 285 NEIVA - ECONOMIA 0 522055
## 286 NEIVA - ECONOMIA 0 418691
## 287 NEIVA - ECONOMIA 0 882018
## 288 NEIVA - ECONOMIA 0 505075
## 289 NEIVA - ECONOMIA 0 887181
## 290 NEIVA - ECONOMIA 0 887181
## 291 NEIVA - ECONOMIA 0 1303330
## 292 NEIVA - ECONOMIA 0 1303330
## 293 NEIVA - ECONOMIA 0 492970
## 294 NEIVA - ECONOMIA 0 536219
## 295 NEIVA - ECONOMIA 0 516688
## 296 NEIVA - ECONOMIA 0 516688
## 297 NEIVA - ECONOMIA 0 1810539
## 298 NEIVA - ECONOMIA 0 1337428
## 299 NEIVA - ECONOMIA 0 1337428
## 300 NEIVA - ECONOMIA 0 407631
## 301 NEIVA - ECONOMIA 0 368574
## 302 NEIVA - ECONOMIA 1 1899080
## 303 NEIVA - ECONOMIA 1 1474637
## 304 NEIVA - ECONOMIA 1 892499
## 305 NEIVA - ECONOMIA 1 892499
## 306 NEIVA - ECONOMIA 1 677930
## 307 NEIVA - ECONOMIA 1 2848569
## 308 NEIVA - ECONOMIA 1 643075
## 309 NEIVA - ECONOMIA 1 1394833
## 310 NEIVA - ECONOMIA 1 1330524
## 311 NEIVA - ECONOMIA 1 824978
## 312 NEIVA - ECONOMIA 1 1935075
## 313 NEIVA - ECONOMIA 1 1437040
## 314 NEIVA - ECONOMIA 1 1563114
## 315 NEIVA - ECONOMIA 1 2262888
## 316 NEIVA - ECONOMIA 1 652372
## 317 NEIVA - ECONOMIA 1 1506180
## 318 NEIVA - ECONOMIA 1 652374
## 319 NEIVA - ECONOMIA 1 2311293
## 320 NEIVA - ECONOMIA 1 2311293
## 321 NEIVA - ECONOMIA 1 1461943
## 322 NEIVA - ECONOMIA 1 2013023
## 323 NEIVA - ECONOMIA 1 2491568
## 324 NEIVA - ECONOMIA 1 2362234
## 325 NEIVA - ECONOMIA 1 2571298
## 326 NEIVA - ECONOMIA 1 1657408
## 327 NEIVA - ECONOMIA 1 1700651
## 328 NEIVA - ECONOMIA 1 1700651# Generar el Q-Q plot solo para estratos con qqnorm
qqnorm(nuevos_datos$Der_Matricula,
ylab = "Derechos de Matricula",
xlab = "Cuantiles teóricos",
main = "Q-Q Plot: Matriculas")
# Añadir la línea de referencia con pendiente 1
qqline(nuevos_datos$Der_Matricula, col = "red")
# Generar el Q-Q plot solo para estratos con qqnorm
qqnorm(nuevos_datos$Estrato_Social,
ylab = "Estrato Social",
xlab = "Cuantiles teóricos",
main = "Q-Q Plot: Estrato Social")
# Añadir la línea de referencia con pendiente 1
qqline(nuevos_datos$Estrato_Social, col = "red")
Prueba de Shapiro-Wilk
# Realizar la prueba de Shapiro-Wilk para matricula
shapiro_result <- shapiro.test(nuevos_datos$Der_Matricula)
print(shapiro_result)##
## Shapiro-Wilk normality test
##
## data: nuevos_datos$Der_Matricula
## W = 0.81819, p-value < 2.2e-16Se toma una prueba de Shapiro-Wilk, ya que la de Kolmogorov-Smirnov presenta muchos empates y no es la mejor para poder mostrar un resultado.
Se evidencia claramente como lo muestra la grafica y la prueba de Shapiro que no hay una distribucion normal en los datos de Derechos de Matricula.
# Realizar la prueba de Shapiro-Wilk para estratosicula
shapiro_result <- shapiro.test(nuevos_datos$Estrato_Social)
print(shapiro_result)##
## Shapiro-Wilk normality test
##
## data: nuevos_datos$Estrato_Social
## W = 0.3053, p-value < 2.2e-16La prueba de Shapiro-Wilk para estratos nos arroja tambien que no sigue una distribucion normal.
Prueba de correlacion
Ahora se Realiza un prueba de Correlacion entre las variables de Derechos de Matriculas y Estrato Social. Debido a que los datos no tienen una distribucion normal, realizamos la prueba de Pearson.
cor_test_matricula_estrato <- cor.test(nuevos_datos$Der_Matricula, nuevos_datos$Estrato_Social, method = "pearson")
# Mostrar los resultados de la prueba
print(cor_test_matricula_estrato)##
## Pearson's product-moment correlation
##
## data: nuevos_datos$Der_Matricula and nuevos_datos$Estrato_Social
## t = 10.214, df = 326, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.4057257 0.5702697
## sample estimates:
## cor
## 0.4923846El coeficiente de correlacion es de 0,4923846, lo que indica una correlacion positiva moderada, lo cual nos indica que a medida que Estrato Social aumenta, tambien tiende a aumentar Derechos de Matriculo.
# Ajustar el modelo de regresión logística
modelo_logistica <- glm(Estrato_Social ~ Der_Matricula, data = nuevos_datos, family = "binomial")
# Resumir el modelo
resumen_modelo <- summary(modelo_logistica)
print(resumen_modelo)##
## Call:
## glm(formula = Estrato_Social ~ Der_Matricula, family = "binomial",
## data = nuevos_datos)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -5.332e+00 6.014e-01 -8.866 < 2e-16 ***
## Der_Matricula 2.692e-06 4.114e-07 6.544 6.01e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 186.56 on 327 degrees of freedom
## Residual deviance: 126.42 on 326 degrees of freedom
## AIC: 130.42
##
## Number of Fisher Scoring iterations: 6library(broom)## Warning: package 'broom' was built under R version 4.3.3# Resumir el modelo con broom
tidy_model <- tidy(modelo_logistica)
print(tidy_model)## # A tibble: 2 × 5
## term estimate std.error statistic p.value
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) -5.33 0.601 -8.87 7.57e-19
## 2 Der_Matricula 0.00000269 0.000000411 6.54 6.01e-11Valores p: Los valores p indican la significancia estadística de cada coeficiente estimado.
El valor p-value es extremadamente pequeño 7.57e-19 lo que indica que el intercepto es altamente significativo, sugiere que la log-odds de pertenecer al estrato socioeconómico superior difiere significativamente de cero. Der_Matricula: El valor p extremadamente pequeño 6.01e-11 para “Der_Matricula” indica que esta variable también es altamente significativa en el modelo, lo que sugiere que hay una asociación significativa entre “Der_Matricula” y la log-odds de pertenecer al estrato socioeconómico superior.
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.3ggplot(data = nuevos_datos, aes(x = Der_Matricula, y = Estrato_Social)) +
geom_point() +
geom_smooth(method = "glm", method.args = list(family = "binomial"),
se = FALSE, color = "firebrick", fullrange = TRUE) +
theme_bw() +
labs(x = "Der_Matricula", y = "Estratos_Sociales") +
scale_x_continuous(limits = c(0, max(nuevos_datos$Der_Matricula, na.rm = TRUE) + 1000000))## `geom_smooth()` using formula = 'y ~ x'
La variable de Derechos de Matrícula no resulta efectiva para discernir los estratos sociales de los estudiantes. Esto se debe a que dentro de cada estrato, los valores de los derechos de matrícula varían significativamente. En otras palabras, la pertenencia a un mismo estrato socioeconómico no garantiza un rango específico de costos de matrícula. Esta disparidad dentro de los estratos complica cualquier intento de categorización o evaluación basada únicamente en los costos de matrícula.