[1] "poblacioncienmil" "nbi" "consejocomunal" "priorizado"
[5] "uribista" "ejecucion" "apropiaciondolar" "pctopo"
[9] "inversion" Estadística para el Análisis Político | Lección 11 Regresión Lineal Múltiple
Marylia Cruz
Estadística Bivariada
- La elección de tipo de prueba para el análisis bivariado depende del tipo de las variables.
¿Para qué sirven los modelos de regresión lineal?
Introducción
¿Cuál es la variable que van a explicar en sus trabajos grupales?
¿Cuáles son sus variables independientes?
Regresión lineal múltiple
Un modelo de regresión lineal tiene como variable dependiente una variable numérica o intervalar
Las variables explicativas (independientes) que son parte del modelo suelen ser numéricas o intervalares; sin embargo, es posible incorporar variables explicativas ordinales o categóricas Un modelo de regresión lineal puede ser bivariado o multivariado
Nota: El modelo de regresión lineal que se va a considerar aquí es el que se establece a partir del método de la recta de mínimos cuadrados
Modelo estadístico
Regresión lineal múltiple : Gráficas
Prueba Global
Estimadores/Coeficientes
R cuadrado
Una regresión lineal genera:
Un coeficiente de regresión (lineal) que estima el efecto de la variable independiente sobre la variable dependiente.
Una medida (R cuadrado) que indica en qué medida la variable independiente explica la variación en la variable dependiente
R cuadrado
Siempre y cuando se observe (o exista) una relación lineal, se puede calcular una ecuación lineal que predice los cambios en Y a partir de los cambios en X
Una regresión lineal a partir de la recta de mínimos cuadrados es aquella en la cual la ecuación que predice los cambios es la “mejor” línea en cuanto a la reducción de las distancias entre los valores observados y los valores que se predicen (suma de errores al cuadrado).
R cuadrado
Ejemplo
A partir de la lectura de Pavimentando con votos comprueba las hipótesis.
Ejemplo : Formateo de variables
Indicar el formato de las variables
data$poblacioncienmil=as.numeric(data$poblacioncienmil)
data$nbi=as.numeric(data$nbi)
data$consejocomunal=as.factor(data$consejocomunal)
data$priorizado=as.factor(data$priorizado)
data$uribista=as.numeric(data$uribista)
data$ejecucion=as.factor(data$ejecucion)
data$apropiaciondolar=as.numeric(data$apropiaciondolar)
data$pctopo=as.numeric(data$pctopo)Ejemplo : Hipótesis 1 La asignación presupuestal se debe a criterios técnicos
Call:
lm(formula = apropiaciondolar ~ priorizado, data = data)
Residuals:
Min 1Q Median 3Q Max
-8.277 -8.277 -8.272 1.108 124.371
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8.277427 0.560554 14.766 <2e-16 ***
priorizado1 -0.005434 1.117040 -0.005 0.996
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 16.05 on 1094 degrees of freedom
Multiple R-squared: 2.163e-08, Adjusted R-squared: -0.0009141
F-statistic: 2.367e-05 on 1 and 1094 DF, p-value: 0.9961Ejemplo :
HIPOTESIS 2 : La asignación presupuestal en infraestructura vial en Colombia r esponde a negociaciones bilaterales entre el ejecutivo y el legislativo basadas en necesidades políticas y electorales de corto plazo
Call:
lm(formula = apropiaciondolar ~ uribista + pctopo, data = data)
Residuals:
Min 1Q Median 3Q Max
-11.939 -8.803 -7.585 2.127 122.158
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 11.93907 1.18455 10.079 < 2e-16 ***
uribista -3.04661 1.17808 -2.586 0.00987 **
pctopo -0.04209 0.02282 -1.845 0.06539 .
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 16.74 on 885 degrees of freedom
(208 observations deleted due to missingness)
Multiple R-squared: 0.009834, Adjusted R-squared: 0.007596
F-statistic: 4.395 on 2 and 885 DF, p-value: 0.01261Ejemplo:
HIPOTESIS 3 :la asignación presupuestal en infraestructura vial en Colombia responde al esfuerzo del gobierno por fortalecer su base social de apoyo local a través de los Consejos Comunales de Gobierno.
Call:
lm(formula = apropiaciondolar ~ consejocomunal + ejecucion, data = data)
Residuals:
Min 1Q Median 3Q Max
-23.924 -7.321 -7.321 0.773 125.321
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.3214 0.4928 14.855 < 2e-16 ***
consejocomunal1 16.6023 2.0734 8.007 2.98e-15 ***
ejecucion1 1.2232 2.4855 0.492 0.623
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 15.6 on 1093 degrees of freedom
Multiple R-squared: 0.05592, Adjusted R-squared: 0.05419
F-statistic: 32.37 on 2 and 1093 DF, p-value: 2.198e-14Ejemplo:
HIPOTESIS GENERAL: La asignación presupuestal se debe a criterios técnicas, políticos y populistas.
modelo4=lm(apropiaciondolar~priorizado+uribista+pctopo+consejocomunal+ejecucion+poblacioncienmil+nbi,data = data)
summary(modelo4)
Call:
lm(formula = apropiaciondolar ~ priorizado + uribista + pctopo +
consejocomunal + ejecucion + poblacioncienmil + nbi, data = data)
Residuals:
Min 1Q Median 3Q Max
-60.201 -8.207 -5.875 2.505 92.488
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 14.13181 1.67651 8.429 < 2e-16 ***
priorizado1 -2.21395 1.18715 -1.865 0.06253 .
uribista -2.57184 1.09188 -2.355 0.01872 *
pctopo -0.03096 0.02126 -1.456 0.14563
consejocomunal1 14.05017 2.32452 6.044 2.23e-09 ***
ejecucion1 2.95688 2.80758 1.053 0.29255
poblacioncienmil 1.83866 0.20024 9.182 < 2e-16 ***
nbi -0.09292 0.02941 -3.160 0.00163 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 15.38 on 868 degrees of freedom
(220 observations deleted due to missingness)
Multiple R-squared: 0.1751, Adjusted R-squared: 0.1684
F-statistic: 26.32 on 7 and 868 DF, p-value: < 2.2e-16Gráfico
