Regresión lineal Datos Edit 2019-2020

Introducción

El objetivo de este análisis es evaluar cómo las inversiones en tecnologías de la información y comunicación (TIC) y en investigación y desarrollo (I+D) influyen en las exportaciones totales de las empresas.

Se utiliza un modelo de regresión lineal múltiple y análisis de correlación para explorar estas relaciones.

Carga de datos

Para poder cargar la base de datos desde nuestro excel hay que utilizar el siguiente comando:

# Cargar datos excel
library(readr)

## Warning: package 'readr' was built under R version 4.4.2

datos_Edit <- read_delim("C:/Users/Santiago/Documents/CUARTO SEMESTRE/EDIT_X_2019_2020.csv", 
    delim = ";", escape_double = FALSE, trim_ws = TRUE)

## Rows: 6798 Columns: 729
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr   (1): TIPOLO
## dbl (677): NORDEMP, CIIU4, I1R1C1N, I1R1C2N, I1R2C1N, I1R2C2N, I1R3C1N, I1R3...
## lgl  (51): V1R15C3, V1R19C3, V1R20C3, V1R22C3, V3R2C12, V3R3C8, V3R3C12, V3R...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

View(datos_Edit)

Análisis de correlación

Se calcularon los coeficientes de correlación de Pearson para medir la relación lineal entre las variables:

• Exportaciones totales (I3R2C2).
• Inversión en TIC (II1R4C2).
• Inversión en I+D (II1R3C1).

# Correlaciones
cor_tic <- cor.test(datos_Edit$I3R2C2, datos_Edit$II1R4C2)
cor_id <- cor.test(datos_Edit$I3R2C2, datos_Edit$II1R3C1)

# Mostrar resultados
cor_tic

## 
##  Pearson's product-moment correlation
## 
## data:  datos_Edit$I3R2C2 and datos_Edit$II1R4C2
## t = 12.721, df = 1976, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.2338852 0.3153732
## sample estimates:
##       cor 
## 0.2751232

cor_id

## 
##  Pearson's product-moment correlation
## 
## data:  datos_Edit$I3R2C2 and datos_Edit$II1R3C1
## t = 20.539, df = 1976, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.3824388 0.4551037
## sample estimates:
##       cor 
## 0.4194429

Interpretación

1. Exportaciones vs. TIC:
   • Correlación: 0.2751.
   • La relación es positiva y significativa (\(p\)-valor < 2.2e-16).
   • Aunque la correlación es moderada, sugiere que las inversiones en TIC pueden contribuir al desempeño exportador.
2. Exportaciones vs. I+D:
   • Correlación: 0.4194.
   • Relación positiva más fuerte que TIC, con significancia estadística alta.

Gráficos de dispersión con líneas de tendencia

Visualizamos las relaciones entre exportaciones y las variables independientes mediante gráficos de dispersión:

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.4.2

# Gráfico: Exportaciones vs TIC
ggplot(datos_Edit, aes(x = II1R4C2, y = I3R2C2)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "lm", color = "blue", se = TRUE) +
  labs(title = "Exportaciones vs Inversión en TIC",
       x = "Inversión en TIC",
       y = "Exportaciones Totales") +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Removed 4820 rows containing non-finite outside the scale range
## (`stat_smooth()`).

## Warning: Removed 4820 rows containing missing values or values outside the scale range
## (`geom_point()`).

# Gráfico: Exportaciones vs I+D
ggplot(datos_Edit, aes(x = II1R3C1, y = I3R2C2)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "lm", color = "green", se = TRUE) +
  labs(title = "Exportaciones vs Inversión en I+D",
       x = "Inversión en I+D",
       y = "Exportaciones Totales") +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Removed 4820 rows containing non-finite outside the scale range
## (`stat_smooth()`).
## Removed 4820 rows containing missing values or values outside the scale range
## (`geom_point()`).