Regresión Lineal - House Pricing
Evelyn Rodríguez Yudiche
2026-02-17
Importar la base de datos de csv
data <- read.csv("C:\\Users\\eveyu\\Downloads\\concentración\\m2_R\\HousePriceData.csv")
# Usar file.choose()Entender la base de datos
data$Parking<- as.factor(data$Parking)
data$City_Category<- as.factor(data$City_Category)
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondata <- data %>%
select(-Observation)
str(data)## 'data.frame': 905 obs. of 9 variables:
## $ Dist_Taxi : int 9796 8294 11001 8301 10510 6665 13153 5882 7495 8233 ...
## $ Dist_Market : int 5250 8186 14399 11188 12629 5142 11869 9948 11589 7067 ...
## $ Dist_Hospital: int 10703 12694 16991 12289 13921 9972 17811 13315 13370 11400 ...
## $ Carpet : int 1659 1461 1340 1451 1770 1442 1542 1261 1090 1030 ...
## $ Builtup : int 1961 1752 1609 1748 2111 1733 1858 1507 1321 1235 ...
## $ Parking : Factor w/ 4 levels "Covered","No Parking",..: 4 3 3 1 3 4 2 4 3 4 ...
## $ City_Category: Factor w/ 3 levels "CAT A","CAT B",..: 2 2 1 2 2 2 1 3 2 3 ...
## $ Rainfall : int 530 210 720 620 450 760 1030 1020 680 1130 ...
## $ House_Price : int 6649000 3982000 5401000 5373000 4662000 4526000 7224000 3772000 4631000 4415000 ...summary(data)## Dist_Taxi Dist_Market Dist_Hospital Carpet
## Min. : 146 Min. : 1666 Min. : 3227 Min. : 775
## 1st Qu.: 6477 1st Qu.: 9367 1st Qu.:11302 1st Qu.: 1317
## Median : 8228 Median :11149 Median :13189 Median : 1478
## Mean : 8235 Mean :11022 Mean :13091 Mean : 1511
## 3rd Qu.: 9939 3rd Qu.:12675 3rd Qu.:14855 3rd Qu.: 1654
## Max. :20662 Max. :20945 Max. :23294 Max. :24300
## NA's :7
## Builtup Parking City_Category Rainfall
## Min. : 932 Covered :184 CAT A:320 Min. :-110.0
## 1st Qu.: 1579 No Parking :141 CAT B:351 1st Qu.: 600.0
## Median : 1774 Not Provided:225 CAT C:234 Median : 780.0
## Mean : 1794 Open :355 Mean : 786.9
## 3rd Qu.: 1985 3rd Qu.: 970.0
## Max. :12730 Max. :1560.0
##
## House_Price
## Min. : 1492000
## 1st Qu.: 4623000
## Median : 5860000
## Mean : 6083992
## 3rd Qu.: 7200000
## Max. :150000000
## #Debido a que las variables "Parking" y "City_Category" son de tipo categóricas, se transformaron a factores.Ubicación de outlier
which(data$House_Price == 150000000)## [1] 348Generar el modelo
#Se identifó un outlier dentro de nuestros datos y se eliminará con propósitos de obtener un modelo no sesgado por este valor tan extremo.
df_nuevo <- data[-348, ]
regresion <- lm(House_Price~., data=df_nuevo)
summary(regresion)##
## Call:
## lm(formula = House_Price ~ ., data = df_nuevo)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3573707 -805345 -61164 760782 4399519
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.595e+06 3.672e+05 15.235 < 2e-16 ***
## Dist_Taxi 2.979e+01 2.682e+01 1.111 0.2670
## Dist_Market 1.194e+01 2.080e+01 0.574 0.5659
## Dist_Hospital 4.934e+01 3.008e+01 1.640 0.1013
## Carpet -5.242e+02 3.467e+03 -0.151 0.8799
## Builtup 1.107e+03 2.893e+03 0.383 0.7021
## ParkingNo Parking -6.128e+05 1.387e+05 -4.419 1.11e-05 ***
## ParkingNot Provided -4.926e+05 1.235e+05 -3.990 7.16e-05 ***
## ParkingOpen -2.635e+05 1.126e+05 -2.341 0.0194 *
## City_CategoryCAT B -1.877e+06 9.599e+04 -19.554 < 2e-16 ***
## City_CategoryCAT C -2.895e+06 1.057e+05 -27.380 < 2e-16 ***
## Rainfall -9.953e+01 1.541e+02 -0.646 0.5185
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1222000 on 885 degrees of freedom
## (7 observations deleted due to missingness)
## Multiple R-squared: 0.5014, Adjusted R-squared: 0.4952
## F-statistic: 80.89 on 11 and 885 DF, p-value: < 2.2e-16Notas/ajustes al modelo
Una vez se eliminó el valor outlier dentro de nuestro dataset, el R-squared bajó a 0.50, es un valor con desempeño moderado. Cuando se mantenía el valor del outlier el R-squared era mayor, sin embargo se optó por esta versión de modelo que, aunque sacrifica el desempeño en el R^2 se considera más confiable ya que no está presente el sesgo del valor extremo.
Como es visible en el resumen del modelo las variables: Dist_Taxi, Dist_Market, Dist_Hospital, Rainfall, Builtup y Carpet no presentan significancia estadística, por recomendación del profesor de optó por mantenerlas dentro del modelo ya que pueden aportar a la predicción, aunque sea en menor medida.
Además, se identificó que las variables Carpet y Builtup, muestran un efecto de multicolinealidad ya que miden lo mismo.
Predicciones
datos_nuevos <- data.frame(Dist_Taxi=9796, Dist_Market=5250, Dist_Hospital=10703, Carpet=1659, Builtup=1961, Parking="Open", City_Category="CAT B", Rainfall=530)
predict(regresion, datos_nuevos)## 1
## 5584721Conclusiones
El modelo es altamente significativo (p-value menor al 5%) con un poder explicativo del 50%, lo cual demuestra un desempeño moderado.
Sobre los coeficientes con significancia estadística:
Tipo de estacionamiento: el precio de las casas se ve altamente influenciado por el tipo de estacionamiento que tiene, encontrando que las casas sin estacionamiento o con estacionamiento abierto disminuyen su precio. Las casas dentro de las city category B y C, reducen en valor de las casas, mientras que las casas dentro de la city category A incrementa su precio, esto está relacionado con el estatus de la zona en que se encuentran las casas.
En conclusión, el precio de las casas se ve influenciado por el espacio, el tipo de estacionamiento y categoría de ciudad donde se encuentra.