1) Cargar base

data <- read.csv("C:\\Users\\ferpa\\OneDrive\\Documentos\\TEC\\Semestre 6\\m3 cantu\\HousePriceData.csv")

info del dataset

str(data)
## 'data.frame':    905 obs. of  10 variables:
##  $ Observation  : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ 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      : chr  "Open" "Not Provided" "Not Provided" "Covered" ...
##  $ City_Category: chr  "CAT B" "CAT B" "CAT A" "CAT B" ...
##  $ 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)
##   Observation      Dist_Taxi      Dist_Market    Dist_Hospital  
##  Min.   :  1.0   Min.   :  146   Min.   : 1666   Min.   : 3227  
##  1st Qu.:237.0   1st Qu.: 6477   1st Qu.: 9367   1st Qu.:11302  
##  Median :469.0   Median : 8228   Median :11149   Median :13189  
##  Mean   :468.4   Mean   : 8235   Mean   :11022   Mean   :13091  
##  3rd Qu.:700.0   3rd Qu.: 9939   3rd Qu.:12675   3rd Qu.:14855  
##  Max.   :932.0   Max.   :20662   Max.   :20945   Max.   :23294  
##                                                                 
##      Carpet         Builtup        Parking          City_Category     
##  Min.   :  775   Min.   :  932   Length:905         Length:905        
##  1st Qu.: 1317   1st Qu.: 1579   Class :character   Class :character  
##  Median : 1478   Median : 1774   Mode  :character   Mode  :character  
##  Mean   : 1511   Mean   : 1794                                        
##  3rd Qu.: 1654   3rd Qu.: 1985                                        
##  Max.   :24300   Max.   :12730                                        
##  NA's   :7                                                            
##     Rainfall       House_Price       
##  Min.   :-110.0   Min.   :  1492000  
##  1st Qu.: 600.0   1st Qu.:  4623000  
##  Median : 780.0   Median :  5860000  
##  Mean   : 786.9   Mean   :  6083992  
##  3rd Qu.: 970.0   3rd Qu.:  7200000  
##  Max.   :1560.0   Max.   :150000000  
##

Borrar 348

data <- data[-348, ]

comprobar que se borro

boxplot(data$House_Price,
        main = "Diagrama de caja - House_Price",
        ylab = "House_Price")

2) Factores (IMPORTANTE)

data$Parking <- factor(data$Parking)
data$City_Category <- factor(data$City_Category)

3) Regresión

regresion <- lm(House_Price ~ Dist_Taxi + Dist_Market + Dist_Hospital +
                  Carpet + Builtup + Parking + City_Category + Rainfall,
                data = data)

summary(regresion)
## 
## Call:
## lm(formula = House_Price ~ Dist_Taxi + Dist_Market + Dist_Hospital + 
##     Carpet + Builtup + Parking + City_Category + Rainfall, data = data)
## 
## 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-16

4) Generar pronósticos

datos_nuevos <- data.frame(
  Dist_Taxi     = 8000,
  Dist_Market   = 11000,
  Dist_Hospital = 13000,
  Carpet        = 1500,
  Builtup       = 1800,
  Parking       = "Open",
  City_Category = "CAT A",
  Rainfall      = seq(600, 1200, length.out = 1)
)
# Asegurar que los factores tengan los mismos niveles que el entrenamiento
datos_nuevos$Parking <- factor(datos_nuevos$Parking, levels = levels(data$Parking))
datos_nuevos$City_Category <- factor(datos_nuevos$City_Category, levels = levels(data$City_Category))

# Predicción
predict(regresion, datos_nuevos)
##       1 
## 7488436

#Conclusiones Se identificó un valor atípico en el renglón 349, por lo que se eliminó para evitar que distorsionara el comportamiento del modelo. Antes de quitarlo, el modelo mostraba un poder explicativo muy alto (R²≈0.94), pero después de eliminar ese registro el ajuste bajó a R²=0.501, lo cual indica que el outlier estaba inflando artificialmente el desempeño del modelo y que, con datos más “limpios”, el precio tiene más variación que el modelo no logra capturar.

Aun con la eliminación del atípico, el modelo sigue siendo globalmente significativo (p-value < 2e-16). Los efectos más consistentes siguen siendo la categoría de ciudad (las casas en CAT B y CAT C tienden a costar menos que en CAT A) y el tipo de estacionamiento (por ejemplo, No Parking, Not Provided u Open disminuyen el precio esperado respecto a la categoría base). En cambio, variables como Carpet, Builtup, distancias y Rainfall no resultan significativas en este nuevo ajuste.

Con los valores de entrada utilizados para el pronóstico, el modelo estima que la casa costaría aproximadamente $7,488,436 (valor de la primera predicción).