M1U2 Caso C&A
Andrés Caicedo
2024-09-02
Informe Ejecutivo Caso C&A
La situación actual del mercado inmobiliario en Cali, afectada por la disminución en las ventas debido a las tensiones políticas y sociales del país, así como el impacto de la industria de la construcción, también será tomada en cuenta. A partir de esta información, se desarrollará una estimación utilizando técnicas de modelación que permitan una mejor toma de decisiones.
El análisis incluirá la identificación de la zona correcta de las propiedades a partir de las coordenadas geográficas, comparando su ubicación con la zona declarada, para verificar la coherencia entre ambas variables. De este modo, se busca ofrecer una respuesta integral y detallada que permita a la compañía realizar una inversión informada y eficiente en el contexto actual del sector inmobiliario de Cali.
Ofertas potenciales vivienda 1:
El modelo ha estimado que el precio de la Vivienda 1 es 312.101 millones de pesos. Este valor está dentro del crédito preaprobado de 350 millones de pesos, lo que indica que esta propiedad es posible y viable financieramente encontrar una vivienda con estas características para la empresa. Entre las principales ofertas se encuentran las siguientes opciones:
ID: 4511, Piso: No aplica, Estrado: 4, Precio: 275, Área (m2): 190, Parqueaderos: No aplica, Baños: 2, Habitaciones: 3
ID: 767, Piso: 3, Estrado: 3, Precio: 270, Área (m2): 180, Parqueaderos: 4, Baños: 2, Habitaciones: 3
ID: 612, Piso: 1, Estrado: 3, Precio: 270, Área (m2): 196, Parqueaderos: 1, Baños: 2, Habitaciones: 4
ID: 4210, Piso: 1, Estrado: 5, Precio: 350, Área (m2): 200, Parqueaderos: 3, Baños: 3, Habitaciones: 4
ID: 4267, Piso: 1, Estrado: 5, Precio: 335, Área (m2): 202, Parqueaderos: 1, Baños: 4, Habitaciones: 5
Entre las cuales resalta la vivienda con ID 4210 que cuenta con una de las mayores áreas construidas, 4 habitaciones, 3 baños, 3 parqueaderos y se encuentra dentro del rango de precio pre-establecido.
Ofertas potenciales vivienda 2:
El modelo ha estimado que el precio de la Vivienda 1 es 312.101 millones de pesos. Este valor está dentro del crédito preaprobado de 350 millones de pesos, lo que indica que esta propiedad es posible y viable financieramente encontrar una vivienda con estas características para la empresa. Entre las principales ofertas se encuentran las siguientes opciones:
ID: 7182, Piso: No aplica, Estrado: 5, Precio: 730, Área (m2): 573, Parqueaderos: 3, Baños: 8, Habitaciones: 5
ID: 6868, Piso: 3, Estrado: 3, Precio: 370, Área (m2): 300, Parqueaderos: 3, Baños: 6, Habitaciones: 5
ID: 7512, Piso: 1, Estrado: 5, Precio: 670, Área (m2): 300, Parqueaderos: 3, Baños: 5, Habitaciones: 6
Entre las cuales resalta la vivienda con ID 7182 que cuenta con una de las mayores áreas construidas, 5 habitaciones, 8 baños, 3 parqueaderos y se encuentra dentro del rango de precio pre-establecido. Por otro lado, si se quiere conseguir una vivienda con todas las características, pero por un menor precio sería preferible la vievienda con ID 6868, cuenta con un área construida de 370 métros cuadrados a un precio de 370 millones de pesos.
Conclusiones:
Vivienda 1:
Se recomienda considerar la Vivienda 1 como una opción sólida, ya que se ajusta bien al presupuesto y cumple con los requerimientos en términos de características.
No obstante, la vivienda con ID 4210 debe ser evaluada como una alternativa seria, ya que ofrece más parqueaderos y tiene un precio ajustado al límite del presupuesto. Si la empresa valora especialmente los parqueaderos, esta opción podría representar un mejor valor.
Vivienda 2:
Si la empresa está buscando una vivienda con mayores características y más espacio, la vivienda con ID 7182 es una excelente opción que cumple con estos criterios y aún se encuentra dentro del crédito preaprobado.
Si el objetivo es optimizar el gasto y obtener una propiedad de menor precio sin sacrificar muchas características, la vivienda con ID 6868 es una opción muy atractiva debido a su relación precio-espacio.
Anexos
Cargamos las librerías necesarias:
Visualizamos los primeros registros y su estructura:
head(vivienda)## # A tibble: 6 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1147 Zona O… <NA> 3 250 70 1 3 6
## 2 1169 Zona O… <NA> 3 320 120 1 2 3
## 3 1350 Zona O… <NA> 3 350 220 2 2 4
## 4 5992 Zona S… 02 4 400 280 3 5 3
## 5 1212 Zona N… 01 5 260 90 1 2 3
## 6 1724 Zona N… 01 5 240 87 1 3 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Vivienda 1
Se aplica filtro a las ofertas de casas en la “Zona Norte”:
filtro_norte_casas <- subset(vivienda, zona == "Zona Norte" & tipo == "Casa")
head(filtro_norte_casas, 3)## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1209 Zona N… 02 5 320 150 2 4 6
## 2 1592 Zona N… 02 5 780 380 2 3 3
## 3 4057 Zona N… 02 6 750 445 NA 7 6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Utilizando la librería leaflet construimos un mapa para visualizar la ubicación de las viviendas filtradas mendiante su respectiva longitud y latitud.
leaflet(filtro_norte_casas) %>%
addTiles() %>%
addCircleMarkers(~longitud, ~latitud, label = ~as.character(barrio), radius = 3, color = "blue")Se visualiza una disconformidad significativa entre la ubicación geográfica proporcionada por la longitud y latitud de cada una de las vivientas y la especificada por la columna “Zona” de un gran número de viviendas. Aunque todas las viviendas cuentan con la etiqueta “Zona Norte”, es evidente la presencia de viviendas incluso al otro extremo de la cidad, por lo tanto, esta problema pudo deberse a un mal etiquetado de las propiedades en el que no se tuvo en cuenta las coordenadas geográficas.
base1 <- filtro_norte_casas[, c("preciom", "areaconst", "estrato", "banios", "habitaciones")]
correlaciones <- cor(base1, use = "complete.obs")
plot_ly(
x = colnames(correlaciones),
y = rownames(correlaciones),
z = correlaciones,
type = "heatmap",
colorscale = "Viridis"
) %>%
layout(title = "Mapa de calor de correlaciones",
xaxis = list(title = ""),
yaxis = list(title = ""))Interpretación:
Correlación entre precio y área construida: Existe una alta correlación positiva entre el precio de la vivienda (preciom) y el área construida (areaconst) con un valor de 0.73. Esto es lo esperado, ya que generalmente a mayor área construida, mayor es el precio de la vivienda.
Correlación entre precio y estrato: La correlación entre el precio (preciom) y el estrato socioeconómico (estrato) también es positiva aunque un poco más baja (0.61). Esto significa que, aunque el estrato afecta al precio, su impacto es menor comparado con el área construida. Las viviendas en estratos más altos suelen ser más caras, pero no tanto como lo influye el área construida.
Correlación entre precio y número de baños: La correlación entre el precio y el número de baños (banios) es de nivel moderado (0.52). Esto sugiere que el número de baños tiene una influencia en el precio, pero no es tan determinante como el área construida o el estrato.
Correlación entre las demás variables: La correlación entre las demás varibales es relativamente baja, por lo tanto se infiere que no tienen un impacto directo en el precio de la vivienda como sí lo tienen las varibales de área construida, estrato y número de baños.
# Crear el modelo de regresión lineal múltiple
modelo_regresion <- lm(preciom ~ areaconst + estrato + banios + habitaciones + parqueaderos, data = filtro_norte_casas)
summary(modelo_regresion)##
## Call:
## lm(formula = preciom ~ areaconst + estrato + banios + habitaciones +
## parqueaderos, data = filtro_norte_casas)
##
## Residuals:
## Min 1Q Median 3Q Max
## -784.29 -77.56 -16.03 47.67 978.61
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -238.17090 44.40551 -5.364 1.34e-07 ***
## areaconst 0.67673 0.05281 12.814 < 2e-16 ***
## estrato 80.63495 9.82632 8.206 2.70e-15 ***
## banios 18.89938 7.48800 2.524 0.012 *
## habitaciones 7.64511 5.65873 1.351 0.177
## parqueaderos 24.00598 5.86889 4.090 5.14e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 155.1 on 429 degrees of freedom
## (287 observations deleted due to missingness)
## Multiple R-squared: 0.6041, Adjusted R-squared: 0.5995
## F-statistic: 130.9 on 5 and 429 DF, p-value: < 2.2e-16Interpretación de coeficientes:
Intercept: El valor de -238.17 significa que, en ausencia de todas las variables (cuando todas las variables independientes valen cero), el precio de la vivienda sería negativo, lo cual no tiene un sentido real en este contexto. Sin embargo, el intercepto es una constante necesaria en el modelo.
Área construida: El coeficiente es 0.6767 y es altamente significativo (p-value < 2e-16), lo que indica que por cada metro cuadrado adicional de área construida, el precio de la vivienda aumenta en aproximadamente 0.68 millones de pesos (680 mil pesos). Esta variable tiene un fuerte impacto en el precio de la vivienda.
Estrato: El coeficiente es 80.63 y es altamente significativo (p-value < 2.70e-15), lo que significa que al aumentar el estrato en una unidad, el precio de la vivienda se incrementa en aproximadamente 80.63 millones de pesos. El estrato tiene un gran efecto en el precio de las viviendas, lo cual es esperable, ya que los estratos más altos suelen corresponder a propiedades más costosas.
Número de baños: El coeficiente es 18.89 con un p-value de 0.012, lo que indica que esta variable es estadísticamente significativa. Por cada baño adicional en una vivienda, el precio aumenta en aproximadamente 18.89 millones de pesos.
Número de habitaciones: El coeficiente es 7.64, pero con un p-value de 0.177, lo que sugiere que no es estadísticamente significativo. Esto indica que, en este modelo, el número de habitaciones no tiene un impacto considerable en el precio de las viviendas cuando se tienen en cuenta las otras variables.
Número de parqueaderos: El coeficiente es 24.01 con un p-value de 5.14e-05, lo que indica que por cada parqueadero adicional, el precio de la vivienda aumenta en aproximadamente 24 millones de pesos. Esta variable es significativa y tiene un impacto importante en el precio de las viviendas.
R²: El valor es 0.5995, lo que significa que el modelo explica casi el 60% de la variabilidad en el precio de las viviendas. Este valor es razonablemente alto, indicando que el modelo tiene un buen ajuste, aunque aún queda un 40% de la variabilidad en los precios que no se explica por las variables incluidas en el modelo. Para mejorarlo se podría utilizar una combinación distinta de variables que pueden aportar una mayor explicación a la variabilidad del modelo.
A continuación se realiza una validación de los supuestos:
Linealidad: La relación entre las variables independientes y la variable dependiente debe ser lineal.
Independencia de los errores: Los residuos (errores) deben ser independientes entre sí.
Homoscedasticidad: La varianza de los errores debe ser constante.
Normalidad de los errores: Los errores deben seguir una distribución normal.
plot(modelo_regresion, which = 1)
Los residuos se encuentran distribuidos de manera bastante uniforme alrededor de la línea horizontal (cero), lo cual es un buen indicio. Esto sugiere que el supuesto de linealidad se cumple razonablemente bien, ya que no se observa un patrón claro en los residuos.
Sin embargo, parece haber algunos puntos alejados, especialmente en los valores ajustados mayores a 800. La razón de esto puede ser por la presencia de algunos outliers o casos donde el modelo no predice bien.
plot(modelo_regresion, which = 2)
Los puntos en el gráfico siguen en su mayoría una línea recta, esto indica que los residuos se aproximan a una distribución normal en el rango intermedio. Es indicio de que el supuesto de normalidad de los residuos se cumple razonablemente bien en la mayoría de los casos.
plot(modelo_regresion, which = 3)
A medida que los valores ajustados aumentan, especialmente a partir de 600, hay un aumento en la dispersión de los residuos, lo que indica un patrón de heteroscedasticidad. Los residuos tienden a dispersarse más a medida que los valores ajustados aumentan.
plot(modelo_regresion, which = 4)
La observación 632 tiene un valor de distancia de Cook mucho más alto que el resto, esto indica que tiene una gran influencia en el ajuste del modelo. Por lo tanto, esta observación podría estar afectando los coeficientes de manera desproporcionada.
Si se confirma que estas observaciones son outliers, se podría eliminar o ajustar el modelo para manejar mejor estos puntos, lo que podría mejorar el ajuste general del modelo.
A continuación se realiza la predicción del modelo según las características de la vivienda 1:
# Definir las características de la Vivienda 1 para realizar la predicción
nueva_vivienda <- data.frame(
areaconst = 200,
estrato = 4,
banios = 2,
habitaciones = 4,
parqueaderos = 1
)
# Realizar la predicción usando el modelo de regresión
prediccion_precio <- predict(modelo_regresion, nueva_vivienda)
# Mostrar el precio estimado para la nueva vivienda
prediccion_precio## 1
## 312.101Con este resultado se pretende ahora encontrar potenciales ofertas que contesten a la solicitud de la vivienda 1. Iniciando con un filtro de las ofertas según los criterios definidos:
# Filtrar ofertas que cumplan con el presupuesto y sean similares a la Vivienda 1
ofertas_potenciales <- filtro_norte_casas %>%
filter(tipo == "Casa",
preciom <= 350,
areaconst >= 180 & areaconst <= 220,
habitaciones >= 3 & habitaciones <= 5,
id != 5412,
)
# Mostrar las primeras 5 ofertas potenciales
head(ofertas_potenciales, 5)## # A tibble: 5 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 4511 Zona N… <NA> 4 275 190 NA 2 3
## 2 767 Zona N… 03 3 270 180 4 2 3
## 3 612 Zona N… 01 3 270 196 1 2 4
## 4 4210 Zona N… 01 5 350 200 3 3 4
## 5 4267 Zona N… 01 5 335 202 1 4 5
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>El listado nos indica 5 ofertas que se ajustan muy bien a los criterios de búsqueda, resaltando entre ellas la vivienda con ID 4210 que cuenta con una de las mayores áreas construidas, 4 habitaciones, 3 baños, 3 parqueaderos y se encuentra dentro del rango de precio pre-establecido.
# Filtrar las opciones seleccionadas
opciones_seleccionadas <- filtro_norte_casas[filtro_norte_casas$id %in% c(4511, 4267, 767, 612, 4210), ]
# Crear un mapa interactivo
mapa <- leaflet(opciones_seleccionadas) %>%
addTiles() %>%
addMarkers(~longitud, ~latitud,
popup = ~paste("ID:", id, "<br>",
"Precio:", preciom, "millones<br>",
"Área:", areaconst, "m²<br>",
"Habitaciones:", habitaciones, "<br>",
"Baños:", banios, "<br>",
"Parqueaderos:", parqueaderos))
# Mostrar el mapa
mapaVivienda 2
Se aplica filtro a las ofertas de casas en la “Zona Norte”:
filtro_sur_apartamentos <- subset(vivienda, zona == "Zona Sur" & tipo == "Apartamento")
head(filtro_sur_apartamentos, 3)## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5098 Zona S… 05 4 290 96 1 2 3
## 2 698 Zona S… 02 3 78 40 1 1 2
## 3 8199 Zona S… <NA> 6 875 194 2 5 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Utilizando la librería leaflet construimos un mapa para visualizar la ubicación de las viviendas filtradas mendiante su respectiva longitud y latitud.
leaflet(
filtro_sur_apartamentos) %>%
addTiles() %>%
addCircleMarkers(~longitud, ~latitud, label = ~as.character(barrio), radius = 3, color = "blue")Se visualiza una disconformidad significativa entre la ubicación geográfica proporcionada por la longitud y latitud de cada una de las vivientas y la especificada por la columna “Zona” de un gran número de viviendas. Aunque todas las viviendas cuentan con la etiqueta “Zona Sur”, es evidente la presencia de viviendas incluso al otro extremo de la ciudad, por lo tanto, esta problema pudo deberse a un mal etiquetado de las propiedades en el que no se tuvo en cuenta las coordenadas geográficas.
base2 <- filtro_sur_apartamentos[, c("preciom", "areaconst", "estrato", "banios", "habitaciones")]
correlaciones <- cor(base1, use = "complete.obs")
plot_ly(x = colnames(correlaciones), y = rownames(correlaciones), z = correlaciones, type = "heatmap", colorscale = "Viridis" ) %>%
layout(title = "Mapa de calor de correlaciones", xaxis = list(title = ""), yaxis = list(title = ""))Interpretación:
Correlación entre precio y área construida: Existe una alta correlación positiva entre el precio de la vivienda (preciom) y el área construida (areaconst) con un valor de 0.73. Esto es lo esperado, ya que generalmente a mayor área construida, mayor es el precio de la vivienda.
Correlación entre precio y estrato: La correlación entre el precio (preciom) y el estrato socioeconómico (estrato) también es positiva aunque un poco más baja (0.61). Esto significa que, aunque el estrato afecta al precio, su impacto es menor comparado con el área construida. Las viviendas en estratos más altos suelen ser más caras, pero no tanto como lo influye el área construida.
Correlación entre precio y número de baños: La correlación entre el precio y el número de baños (banios) es de nivel moderado (0.52). Esto sugiere que el número de baños tiene una influencia en el precio, pero no es tan determinante como el área construida o el estrato.
Correlación entre las demás variables: La correlación entre las demás varibales es relativamente baja, por lo tanto se infiere que no tienen un impacto directo en el precio de la vivienda como sí lo tienen las varibales de área construida, estrato y número de baños.
# Crear el modelo de regresión lineal múltiple
modelo_regresion2 <- lm(preciom ~ areaconst + estrato + banios + habitaciones + parqueaderos, data = filtro_sur_apartamentos)
summary(modelo_regresion2)##
## Call:
## lm(formula = preciom ~ areaconst + estrato + banios + habitaciones +
## parqueaderos, data = filtro_sur_apartamentos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1092.02 -42.28 -1.33 40.58 926.56
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -261.62501 15.63220 -16.736 < 2e-16 ***
## areaconst 1.28505 0.05403 23.785 < 2e-16 ***
## estrato 60.89709 3.08408 19.746 < 2e-16 ***
## banios 50.69675 3.39637 14.927 < 2e-16 ***
## habitaciones -24.83693 3.89229 -6.381 2.11e-10 ***
## parqueaderos 72.91468 3.95797 18.422 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 98.02 on 2375 degrees of freedom
## (406 observations deleted due to missingness)
## Multiple R-squared: 0.7485, Adjusted R-squared: 0.748
## F-statistic: 1414 on 5 and 2375 DF, p-value: < 2.2e-16Interpretación de coeficientes:
Intercept: El valor del intercepto es -261.63, lo que significa que, en ausencia de todas las variables (cuando todas las variables independientes valen cero), el precio de la vivienda sería negativo, lo cual no tiene sentido real en este contexto. El intercepto es una constante necesaria en el modelo, pero no tiene una interpretación útil en este caso.
Área construida (areaconst): El coeficiente es 1.28505 y es altamente significativo (p-value < 2e-16), lo que indica que por cada metro cuadrado adicional de área construida, el precio de la vivienda aumenta en aproximadamente 1.29 millones de pesos. Esta variable tiene un fuerte impacto en el precio de la vivienda, y su influencia es mayor que en modelos anteriores (en este caso, 1.29 millones comparado con 0.68 millones de pesos en modelos previos).
Estrato: El coeficiente es 60.90 y es altamente significativo (p-value < 2e-16). Esto indica que por cada aumento de un nivel en el estrato, el precio de la vivienda se incrementa en aproximadamente 60.9 millones de pesos. El estrato, como en modelos anteriores, tiene un gran impacto en el precio de la vivienda, reflejando el nivel socioeconómico de la zona.
Número de baños (banios): El coeficiente es 50.69 con un p-value significativo (p-value < 2e-16), lo que indica que por cada baño adicional en la vivienda, el precio aumenta en aproximadamente 50.7 millones de pesos. Esta variable tiene un impacto considerable en el precio, lo cual es consistente con la idea de que los baños adicionales añaden valor significativo a la propiedad.
Número de habitaciones (habitaciones): El coeficiente es -24.83, lo cual es estadísticamente significativo (p-value < 2.2e-16). En este caso, el coeficiente negativo sugiere que, al aumentar el número de habitaciones, el precio de la vivienda tiende a disminuir. Esto podría reflejar que en algunos casos, las viviendas con más habitaciones tienen áreas individuales más pequeñas o son menos atractivas en términos de configuración.
Número de parqueaderos (parqueaderos): El coeficiente es 72.91, con un p-value significativo (< 2e-16). Esto indica que por cada parqueadero adicional en la vivienda, el precio aumenta en aproximadamente 72.91 millones de pesos. Los parqueaderos son una característica clave para el valor de las propiedades, especialmente en zonas urbanas, lo que explica este impacto importante en el precio.
R²: El valor es 0.748, lo que significa que el modelo explica aproximadamente el 74.8% de la variabilidad en el precio de las viviendas. Este valor es bastante alto, lo que indica que el modelo tiene un buen ajuste y que las variables incluidas son importantes para predecir el precio. El 25.2% restante de la variabilidad en el precio podría explicarse por otras características no incluidas en este modelo.
A continuación se realiza una validación de los supuestos:
Linealidad: La relación entre las variables independientes y la variable dependiente debe ser lineal.
Independencia de los errores: Los residuos (errores) deben ser independientes entre sí.
Homoscedasticidad: La varianza de los errores debe ser constante.
Normalidad de los errores: Los errores deben seguir una distribución normal.
plot(modelo_regresion2, which = 1)
Los residuos se encuentran distribuidos de manera bastante uniforme alrededor de la línea horizontal (cero), lo cual es un buen indicio. Esto sugiere que el supuesto de linealidad se cumple razonablemente bien, ya que no se observa un patrón claro en los residuos.
parece haber algunos puntos alejados, especialmente en los valores ajustados mayores a 800. La razón de esto puede ser por la presencia de algunos outliers o casos donde el modelo no predice bien. Los puntos etiquetados, como 1531, 2383, y otros, son casos que requieren una revisión más detallada, ya que podrían estar influyendo en el modelo de manera desproporcionada.
plot(modelo_regresion2, which = 2)
Los puntos en el gráfico siguen en su mayoría una línea recta, esto indica que los residuos se aproximan a una distribución normal en el rango intermedio. Es indicio de que el supuesto de normalidad de los residuos se cumple razonablemente bien en la mayoría de los casos.
plot(modelo_regresion2, which = 3)
Los puntos en el gráfico siguen en su mayoría una línea recta, esto indica que los residuos se aproximan a una distribución normal en el rango intermedio. Es indicio de que el supuesto de normalidad de los residuos se cumple razonablemente bien en la mayoría de los casos.
También se observan algunas desviaciones en los extremos, con algunos puntos alejados de la línea teórica, como los etiquetados 2383, 444, y 533. Esto sugiere que en los valores más extremos, los residuos no siguen completamente una distribución normal, lo cual podría estar relacionado con outliers o casos donde el modelo tiene menos precisión.
plot(modelo_regresion2, which = 4)
La observación 2383 tiene un valor de distancia de Cook mucho más alto que el resto, esto indica que tiene una gran influencia en el ajuste del modelo. Además, otras observaciones, como 977 y 2569, también muestran cierta influencia en el modelo, aunque en menor medida que la observación 2383.
Si se confirma que estas observaciones son outliers, se podría eliminar o ajustar el modelo para manejar mejor estos puntos, lo que podría mejorar el ajuste general del modelo.
A continuación se realiza la predicción del modelo según las características de la vivienda 2:
# Definir las características de la Vivienda 2 para realizar la predicción
nueva_vivienda2 <- data.frame(areaconst = 300, estrato = 6, banios = 3, habitaciones = 5, parqueaderos = 3 )
# Realizar la predicción usando el modelo de regresión
prediccion_precio2 <- predict(modelo_regresion2, nueva_vivienda2)
# Mostrar el precio estimado para la nueva vivienda
prediccion_precio2## 1
## 735.9218Con este resultado se pretende ahora encontrar potenciales ofertas que contesten a la solicitud de la vivienda 2. Iniciando con un filtro de las ofertas según los criterios definidos:
# Filtrar ofertas que cumplan con el presupuesto y sean similares a la Vivienda 2
ofertas_potenciales2 <- filtro_sur_apartamentos %>% filter(
tipo == "Apartamento", preciom <= 850, areaconst >= 300, habitaciones >= 5, id != 5412, parqueaderos >= 3)
# Mostrar las primeras 5 ofertas potenciales
head(ofertas_potenciales2, 5)## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 7182 Zona S… <NA> 5 730 573 3 8 5
## 2 6868 Zona S… 03 3 370 300 3 6 5
## 3 7512 Zona S… <NA> 5 670 300 3 5 6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>El listado nos indica 5 ofertas que se ajustan muy bien a los criterios de búsqueda, resaltando entre ellas la vivienda con ID 7182 que cuenta con una de las mayores áreas construidas, 5 habitaciones, 8 baños, 3 parqueaderos y se encuentra dentro del rango de precio pre-establecido. Por otro lado, si se quiere conseguir una vivienda con todas las características, pero por un menor precio sería preferible la vievienda con ID 6868, cuenta con un área construida de 370 métros cuadrados a un precio de 370 millones de pesos.
# Filtrar las opciones seleccionadas
opciones_seleccionadas <- filtro_sur_apartamentos[filtro_sur_apartamentos$id %in% c(7182, 6868, 7512), ]
# Crear un mapa interactivo
mapa <- leaflet(opciones_seleccionadas) %>%
addTiles() %>%
addMarkers(~longitud, ~latitud,
popup = ~paste("ID:", id, "<br>",
"Precio:", preciom, "millones<br>",
"Área:", areaconst, "m²<br>",
"Habitaciones:", habitaciones, "<br>",
"Baños:", banios, "<br>",
"Parqueaderos:", parqueaderos))
mapa