#Regresión Lineal Bienestar laboral

library(readxl)
## Warning: package 'readxl' was built under R version 4.5.2
Laboral<- read_excel("C:\\Users\\JAZ.ANDRE\\Downloads\\Laboral.xlsx")

Contexto

La base de datos utilizada en este trabajo fue construida para analizar distintos factores asociados al bienestar laboral dentro de una organización. Su propósito es identificar cómo ciertas condiciones de trabajo, así como elementos del entorno organizacional, influyen en la satisfacción y el desempeño de los empleados.

Los registros corresponden a información individual de cada trabajador, identificado mediante un código único. Entre los datos recopilados se incluyen características objetivas de sus condiciones laborales (como horas de trabajo semanales o acceso a soporte institucional), además de valoraciones subjetivas relacionadas con su experiencia dentro de la empresa. Este análisis permite comprender, desde un enfoque cuantitativo, qué variables pueden estar afectando el bienestar y la productividad del personal.

Hipotesis

#Hipotesis 1 El objetivo de esta primera hipótesis es determinar si la cantidad de horas trabajadas por semana influye en el nivel de satisfacción laboral del empleado.

H0: 𝛽1 = 0 → Las horas de trabajo semanales no están relacionadas con la satisfacción laboral.

H1: 𝛽1 < 0 → A mayor número de horas de trabajo semanales, la satisfacción laboral disminuye.

Este contraste busca identificar si existe una relación negativa entre la carga laboral y el bienestar subjetivo del trabajador, un aspecto ampliamente discutido en estudios organizacionales.

Laboral$`Horas de Trabajo Semanales` <- as.numeric(Laboral$`Horas de Trabajo Semanales`) 
Laboral$`Satisfacción Laboral` <- as.numeric(Laboral$`Satisfacción Laboral`) 
plot(Laboral$`Horas de Trabajo Semanales`~Laboral$`Satisfacción Laboral`) 
cor.test(Laboral$`Horas de Trabajo Semanales`,Laboral$`Satisfacción Laboral`) 
## 
##  Pearson's product-moment correlation
## 
## data:  Laboral$`Horas de Trabajo Semanales` and Laboral$`Satisfacción Laboral`
## t = 0.83925, df = 198, p-value = 0.4023
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.07986335  0.19665396
## sample estimates:
##        cor 
## 0.05953736
modelo1<- lm(Laboral$`Horas de Trabajo Semanales`~Laboral$`Satisfacción Laboral`) 
summary(modelo1) 
## 
## Call:
## lm(formula = Laboral$`Horas de Trabajo Semanales` ~ Laboral$`Satisfacción Laboral`)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -9.6227 -4.2768 -0.6227  4.0691 10.4150 
## 
## Coefficients:
##                                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                     38.4697     0.8275  46.489   <2e-16 ***
## Laboral$`Satisfacción Laboral`   0.1153     0.1374   0.839    0.402    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.262 on 198 degrees of freedom
## Multiple R-squared:  0.003545,   Adjusted R-squared:  -0.001488 
## F-statistic: 0.7043 on 1 and 198 DF,  p-value: 0.4023
modelo1$coefficients 
##                    (Intercept) Laboral$`Satisfacción Laboral` 
##                     38.4696821                      0.1153007
38.46+(0.11*3)
## [1] 38.79
plot(Laboral$`Horas de Trabajo Semanales`~Laboral$`Satisfacción Laboral`) 
abline(modelo1,col="red")

Hipotesis 2

En esta segunda hipótesis se analiza si el acceso a servicios de apoyo psicológico dentro de la empresa tiene un impacto en la productividad del empleado.

H0: 𝛽1 = 0 → Recibir soporte de salud mental no tiene efecto sobre la productividad.

H1: 𝛽1 > 0 → Recibir soporte de salud mental aumenta la productividad.

Esta hipótesis parte de la idea de que el bienestar emocional podría contribuir a un mejor rendimiento, por lo que se busca identificar si existe evidencia estadística que respalde esa relación.

Laboral$`Soporte de Salud Mental` <- as.numeric(Laboral$`Soporte de Salud Mental`) 
Laboral$Productividad <- as.numeric(Laboral$Productividad) 
plot(Laboral$`Soporte de Salud Mental`~Laboral$Productividad) 
cor.test(Laboral$`Soporte de Salud Mental`,Laboral$Productividad) 
## 
##  Pearson's product-moment correlation
## 
## data:  Laboral$`Soporte de Salud Mental` and Laboral$Productividad
## t = -0.90097, df = 198, p-value = 0.3687
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.20085877  0.07551202
## sample estimates:
##         cor 
## -0.06389843
modelo1<- lm(Laboral$`Soporte de Salud Mental`~Laboral$Productividad) 
summary(modelo1) 
## 
## Call:
## lm(formula = Laboral$`Soporte de Salud Mental` ~ Laboral$Productividad)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -0.5445 -0.4882 -0.4431  0.5006  0.5569 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)            0.55583    0.07626   7.289  7.3e-12 ***
## Laboral$Productividad -0.01127    0.01251  -0.901    0.369    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.5015 on 198 degrees of freedom
## Multiple R-squared:  0.004083,   Adjusted R-squared:  -0.0009469 
## F-statistic: 0.8118 on 1 and 198 DF,  p-value: 0.3687
modelo1$coefficients 
##           (Intercept) Laboral$Productividad 
##            0.55582749           -0.01127479
0.55+(-0.011*7)
## [1] 0.473
plot(Laboral$`Soporte de Salud Mental`~Laboral$Productividad) 
abline(modelo1,col="red")

##¿Qué es el Modelo de Regresión Lineal Simple? La regresión lineal simple es una herramienta estadística utilizada para analizar la relación entre dos variables cuantitativas. Su objetivo principal es predecir o explicar el comportamiento de una variable dependiente (\(Y\)) a partir de una única variable independiente (\(X\)).

El modelo se basa en ajustar una línea recta que represente la tendencia general de los datos, minimizando la suma de los errores mediante el método de Mínimos Cuadrados Ordinarios (MCO). Esta línea permite estimar cuánto cambia \(Y\) por cada unidad de cambio en \(X\).

Componentes clave: Variable Dependiente (\(\mathbf{Y}\)): El resultado que se quiere predecir o explicar (por ejemplo, Puntaje de Ansiedad). Variable Independiente (\(\mathbf{X}\)): El predictor utilizado (por ejemplo, Edad).Fórmula del Modelo: \[Y = \beta_0 + \beta_1 \cdot X + \epsilon\]

##Bibliografia: https://www.kaggle.com/datasets/majuradoe19761/datos-de-bienestar-laboral-y-productividad