Actividad 2
Felipe Sampedro Giraldo
2026-03-07
1. Descripción
María es propietaria de la agencia inmobiliaria C&A (Casas y Apartamentos) ubicada en la ciudad de Cali. Actualmente, el mercado de bienes raíces en la ciudad ha presentado una desaceleración debido a factores económicos y sociales, lo que ha reducido la actividad de compra y venta de viviendas. Sin embargo, se espera que esta situación mejore en el futuro cercano gracias a la disponibilidad de crédito por parte de instituciones financieras que están impulsando el sector de la construcción y la adquisición de vivienda.
En este contexto, una empresa internacional ha solicitado a la agencia asesoría para la compra de dos viviendas destinadas a alojar a dos de sus empleados y sus respectivas familias en la ciudad. Para cada caso se han especificado ciertas características deseadas de las viviendas, tales como el tipo de propiedad, área construida, número de parqueaderos, número de baños, número de habitaciones, estrato socioeconómico y zona de ubicación. Además, se cuenta con un monto de crédito preaprobado para cada vivienda, el cual establece una restricción presupuestal para la selección de las propiedades.
Con el fin de brindar una recomendación informada, se utilizarán técnicas de modelación estadística basadas en regresión lineal múltiple para analizar la relación entre el precio de las viviendas y sus características estructurales y de ubicación. Para ello se empleará una base de datos de viviendas comercializadas recientemente en la ciudad, la cual contiene información relevante como área construida, número de habitaciones, baños, parqueaderos, estrato, zona y tipo de vivienda, entre otras variables.
A partir de este análisis se buscará estimar modelos que permitan explicar y predecir el precio de las viviendas en función de sus características. Con base en estos resultados se evaluará si las condiciones solicitadas por la empresa internacional son coherentes con los montos de crédito disponibles y se formularán recomendaciones sobre el tipo de vivienda que podría ajustarse mejor a cada caso.
2.Variables
| Nombre | Descripción | Clasificación por naturaleza |
|---|---|---|
| id | Llave registro unico | Cuantitativa discreta |
| zona | ubicación de la vivienda : Zona Centro, Zona Norte,… | Cualitativa nominal |
| piso | piso que ocupa la vivienda : primer piso, segundo piso… | Cuantitativa discreta |
| estrato | estrato socio-económico : 3,4,5,6 | Cualitativa ordinal |
| preciom | precio de la vivienda en millones de pesos | Cuantitativa continua |
| areaconst | área construida | Cuantitativa continua |
| parqueaderos | número de parqueaderos | Cuantitativa discreta |
| banios | número de baños | Cuantitativa discreta |
| habitaciones | número de habitaciones | Cuantitativa discreta |
| tipo | tipo de vivienda : Casa, Apartamento | Cualitativa nominal |
| barrio | barrio de ubicación de la vivienda : 20 de Julio, alamos,.. | Cualitativa nominal |
| longitud | coordenada geográfica | Cuantitativa continua |
| latitud | coordenada geográfica | Cuantitativa continua |
3. EDA - ANALISIS EXPLORATRIO DE DATOS
3.1 Forma Dataset
## [1] 8322 13Se cuenta con un dataset de 8322 registros y 13 variables o atributos.
3.2 Duplicados
El primer paso en el procesamiento y limpieza de los datos fue identificar los registros duplicados. Partiendo de un total de 8322 registros, aplicamos la función ‘duplicated’ de R. se encontraron un total de 1 registro duplicados, los cuales son removidos para quedar con 8321 registros.
3.3 Errores y datos atípicos
Los errores en los datos y valores atípicos se identificaron a partir de gráficas y tablas que permiten tener una visión completa y complementaria para evitar que se omitan datos que deben ser tratados; para esto se debe asegurar que se aplica el gráfico correcto por cada tipo de variable; por lo tanto, se hace división del análisis entre variables Cualitativas o categóricas (incluyendo las cuantitativas discretas de pocos valores) y las variables Cuantitativas continuas y discretas (con muchos valores).
3.3.1 Variables Cualitativas y Cuantitativas (pocos valores)
Para este tipo de variables se escogen las gráficas de barras al ser por excelencia la mejor forma de representarlas.
En la Figura 1, se pueden observar las gráficas de la 1.1 a la 1.6, donde aparentemente las variables parecen presentar valores dentro del rango esperado segun el contexto de cada variable; solo se observa en algunas graficas la etiqueta “NA” que será tratada mas adelante. La variable “barrio” no fue considerada dentro de estas graficas ya que presenta demasiadas categorías (>400) y no se hace legible su interpretación.
Figura 1: Gráficas de barras
3.3.2 Variables Cuantitativas
Para las variables cuantitativas, si bien se pueden representar con histogramas, no son tan buenas para identificar datos atípicos, por lo que se utilizaron mejor graficas de cajas.
En la Figura 2, se pueden observar las gráficas de la 2.1 y 2.2, donde estas variables presentan una gran cantidad de datos atípicos que se remontan unos con otros (para más detalle ver tabla 2.1), dificultando identificar la cantidad de estos. Analizando la lógica de los valores para estas variables, si bien valores altos para “preciom” o “areaconst” son poco comunes, siguen siendo valores posibles, por lo que no se observan inconsistencias en los valores o rango que estos están tomando.
Figura 2: Graficas de Cajas
| Num_Inconsistencias | Num_Atipicos | |
|---|---|---|
| preciom | 0 | 552 |
| areaconst | 0 | 382 |
NOTA IMPORTANTE: como se esta trabajando con el mismo dataset de la actividad pasada, el detalle profundo del analisis exploratorio de los datos AED se relaciona al detalle en el Anexo 4
4. MODELADO
4.1 Filtro Caso - Vivienda 1
## # A tibble: 3 × 10
## zona estrato preciom areaconst parqueaderos banios habitaciones tipo latitud
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <dbl>
## 1 Zona… 5 320 150 2 4 6 Casa 3.48
## 2 Zona… 5 780 380 2 3 3 Casa 3.49
## 3 Zona… 6 750 445 4 7 6 Casa 3.39
## # ℹ 1 more variable: longitud <dbl>En este 1er paso se realiza el filtro al dataset de viviendas para quedar solo con los registros correspondientes a “Casa” en la variable “tipo” y a “Zona Norte” en la variable “zona”. Se presenta tabla donde se observa el top 3 de los registros de la informacion fitrada base1
table(base1$tipo)##
## Casa
## 722table(base1$zona)##
## Zona Norte
## 722con el codigo table(base1$[nombre_variable]) podemos comprobar cuantos registros hay por cada una de las cateogiras de la variable seleccionada. para los siguientes casos, se observa que solo hay 722 registros tanto para para “zona” como para “tipo” donde solo hay categorias unicas de “casa” y “Zona Norte”
Figura 4.1 - Ubicacion Viviendas
En la figura 4.1 se puede observar que las viviendas filtradas para la Zona Norte, si bien estan unicadas en su mayoria en esta zona, se observan casos en los que no necesarimente estan dentro de dicha zona; esto puede deberse a varios motivos, por ejemplo ya sea por la impresicion a la hora de registrar los datos de coordenadas, diferencia en los limites establecidos para cada uno de las zona o por ejemplo al menojo interno de la compañia en la nomenclarutra de zonas Vs los estblecidos realmente en bases de datos de la ciudad.
4.2 EDA + correlación entre target y predictoras
A continuacion se presenta un analisis exploratorio de datos de la variable respuesta (precio de la vivienda) en funcion del diversas variables predictoras utilizando graficos interactivos:
4.2.1 Precio Vs Area Construida
4.2.2 Precio Vs Estrato
4.2.3 Precio Vs Nro Baños
4.2.4 Precio Vs Nro Habititaciones
4.2.4 Precio Vs Zona
| zona | n | precio_promedio | precio_min | Q1 | precio_mediana | Q3 | precio_max | desviacion_estandar | coef_var |
|---|---|---|---|---|---|---|---|---|---|
| Zona Norte | 722 | 445.91 | 89 | 261.25 | 390 | 550 | 1940 | 268.36 | 0.6 |
En general este analisis exploratorio muestra que el precio de venta de las viviendas tiene mayor asociacion positiva con variables como Area Construida y Estrato, presentando coeficientes de 0.687 y 0.61 respectivamente, los cuales se pueden considerar como moderados, lo que significa que estas variables pueden aportar mas para la prediccion del precio en el modelo de rlm; otras variables como numero de baños y numero de habitaciones presentan un coeficiente de correlacion debil o muy bajo de 0.264 para ambas variables, los cual no son tan significativas en describir el comporatamiento del precio de venta.
Con respecto a la relacion del precio y la zona, se observan datos no muy dispersos (coef var de 60%), la vivienda mas barata cuesta 89 (unidad de dinero), donde el 25% de las viviendas presentan un precio de al menos 261.25 (unidad de dinero), el 50% de las viviendas presentan un precio de 390 (unidad de dinero), sin embargo la media es 445.91 (unidad de dinero), por lo que en este segmento se pueden encontrar viviendas con precios de ventas atipicos o outliers tal como se ve en la grafica. el 75% de las viviendas valen 550 (unidad de dinero) y la vivienda mas costosa cuesta 1940 (unidad de dinero), en parte confirmando porque la media es mas alta que la mediana.
4.3 Modelo Regresion Lineal Multiple MRLM
A continuacion se implementa un modelo de regresion lineal multiple para predecir la variable respuesta “precio de la vivienda” en funcion de otras varibales como son:
- area construida
- estrato
- numero de habitaciones
- numero parqueaderos
- numero baños
de forma general quedaria asi:
\[ precio=f(area,estrato,num habitaciones,num parqueaderos,num banños) \]
Luego de correr el modelo, se obtienen el siguiente cuadro resumen:
##
## Call:
## lm(formula = preciom ~ areaconst + estrato + habitaciones + parqueaderos +
## banios, data = base1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -863.38 -79.63 -15.77 44.20 1028.48
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -229.92058 28.98531 -7.932 8.28e-15 ***
## areaconst 0.76550 0.04353 17.585 < 2e-16 ***
## estrato 78.62555 7.12646 11.033 < 2e-16 ***
## habitaciones 1.12658 4.02604 0.280 0.779693
## parqueaderos 33.14104 5.44883 6.082 1.93e-09 ***
## banios 20.17681 5.31167 3.799 0.000158 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 155.2 on 716 degrees of freedom
## Multiple R-squared: 0.6679, Adjusted R-squared: 0.6656
## F-statistic: 288 on 5 and 716 DF, p-value: < 2.2e-164.3.1 Significancia estadistica de los coeficientes
se parte de la siguiente regla:
p-value < 0.05 → variable significativa
p-value ≥ 0.05 → variable no significativa
Partiendo de esta regla y segun la tabla anterior, todas las variables menos “numero de habitaciones” son significativas para el modelos ya que tienen un p-value menos a 0.05.
Para el caso de la variable “numero de habitaciones”, cuyo p-value es 0.779, esto es > 0.05, podemos concluir que no es estadisticamente significativa en el modelo, esto significa que no aporta informacion adicional al modelo cuando consideramos las otras variables. Es puede tener sentido en este contexto, ya que “generalmente” el numero de habitaciones suele estar correlacionada con el area construida.
4.3.2 interpretacion de los coeficientes
Area Construida
Coeficinte 0.7655
A partir de los resultados anteriores, podemos interpretar que si mantuvieramos constantes las otras variables predictoras, un incremento de una unidad en el area construida esta asociado con un aumento promedio de 0.77 millones (unidades de dinero) en el precio de la vivienda. esto puede tener sentido porque las viviendas mas grandes suelen ser mas costosas.
Estrato
Coeficiente 78.63
A partir de los resultados anteriores, podemos interpretar que si mantuvieramos constantes las otras variables predictoras, un incremento de una unidad en el estrato socioeconomico, esta asociado con un aumento promedio de 78.63 millones (unidades de dinero) en el precio de la vivienda. esto puede tener sentido porque es coherente con lo que se observa en el mercado inmobiliario.
Numero Habitaciones
Coeficiente 1.126 (pero no significativo)
El numero de habitaciones no resulrta estaditicamente significativo en este modelo, lo que nos indica que incluyendo las otras variables, esta variable, no aporta informacion adicional relevante para explicar el precio de la vivienda. como se mencono anteriormente, esto tiene sentido ya que el numero de habitaciones esta relacionado con el area construida
Numero Parqueaderos
Coeficiente 33.14
A partir de los resultados anteriores, podemos interpretar que si mantuvieramos constantes las otras variables predictoras, un incremento de una unidad en el numero de parqueaderos, esta asociado con un aumento promedio de 33.14 millones (unidades de dinero) en el precio de la vivienda. esto puede tener sentido principalmente en zonar urbanas, para este caso es la ciudad de cali.
Numero Baños
Coeficiente 20.17
A partir de los resultados anteriores, podemos interpretar que si mantuvieramos constantes las otras variables predictoras, un incremento de una unidad en el numero de baños, esta asociado con un aumento promedio de 20.14 millones (unidades de dinero) en el precio de la vivienda. esto puede tener sentido ya que simplemente refleja la realidad del mercado.
4.3.3 interpretacion R^2
el coefciente R^2 de 0.6679 indica que aproximadamente el 66.8% de la variabilidad en el precio de las viviendas es explicada por las variables contempladas en este modelo.
El F-estadistico global de 288 con p-value < 0.05 (2.2e-16), el cual nos dice su el modelo completo tiene capacidad explicativa, permite concluir que el modelo tiene bueba capacidad explicativa.
4.3.4 ¿Como podria mejorar el modelo?
Si se elimina las variable numero de habitaciones, puede que el R2 se mantenga o incluso baje un poco, sin embargo, puede que el R2 ajustado si mejore, esto indicaria que el modelo sin la variable numero de habitaciones es mas eficiente.
Se puede dar una revision mas aprofundidad al tema de “multicolinealidad” a variabels como area construida, numero habitaciones y numero de baños, sin embargo, en el analisis exploratorio de los datos, se observa como ninguna variable presenta un coefciente mayor a 0.8, por lo que no se puede afirmar que exista multicolinealidad fuerte
en general el modelo podria mejorarse evaluando diferentes escenarios y sobre todo validando los supuestos del modelo de regresion, tales como el mencionado anteriormente de multicolenialidad, evaluaciones alternativas eliminando variables no significativas, evaluar la capacidad predictiva del modelo mediante tecnicas de validacion cruzada. Asimismo, el análisis de residuos y la identificación de observaciones influyentes permiten verificar la validez de los supuestos del modelo y mejorar su capacidad explicativa.
4.4 Validacion de Supuestos
4.4.1 Supuestos de linealidad
4.4.2 Normalidad de residuos
4.4.3 Supuesto de homocedasticidad
4.4.4 Identificación de observaciones influyentes
4.4.5 Verificación de multicolinealidad
## Cargando paquete requerido: carData##
## Adjuntando el paquete: 'car'## The following object is masked from 'package:dplyr':
##
## recode## The following object is masked from 'package:boot':
##
## logit## areaconst estrato habitaciones parqueaderos banios
## 1.585075 1.468551 1.620809 1.381668 1.961217Anexos
Anexo 1
Código utilizado para revisar en consola las frecuencias de las variables cuantitativas
# Mostrar resultados de valores atípicos por variable
cat("Resultados del análisis multivariado:\n")## Resultados del análisis multivariado:for (var in names(resultados_multivariado)) {
cat(paste("Variable: ", var, "\n"))
cat(" Límites: ", resultados_multivariado[[var]]$Limites, "\n")
cat(" Inconsistencias: ", resultados_multivariado[[var]]$Inconsistencias, "\n")
cat(" Atípicos: ", resultados_multivariado[[var]]$Atipicos, "\n\n")
}## Variable: preciom
## Límites: -260 1020
## Inconsistencias:
## Atípicos: 1400 1400 1150 1200 1100 1130 1850 1950 1050 1200 1400 1100 1190 1106 1300 1350 1350 1050 1250 1150 1050 1050 1300 1200 1220 1100 1090 1126 1100 1300 1700 1500 1700 1300 1200 1300 1200 1200 1350 1200 1200 1380 1850 1300 1200 1600 1200 1195 1200 1700 1400 1800 1200 1500 1300 1100 1125 1400 1400 1120 1200 1450 1450 1250 1380 1350 1450 1370 1250 1195 1200 1480 1100 1700 1700 1400 1750 1600 1150 1150 1550 1100 1561 1400 1700 1600 1550 1100 1050 1650 1100 1200 1680 1500 1250 1550 1100 1600 1150 1300 1800 1500 1500 1600 1100 1600 1200 1400 1240 1700 1350 1150 1150 1150 1600 1500 1280 1200 1100 1800 1800 1200 1500 1200 1200 1150 1200 1500 1200 1100 1800 1700 1800 1400 1700 1800 1650 1500 1200 1400 1900 1800 1200 1100 1400 1350 1700 1500 1100 1280 1250 1250 1250 1050 1200 1200 1250 1200 1255 1590 1100 1390 1350 1590 1350 1650 1090 1385 1150 1150 1200 1250 1400 1450 1250 1200 1300 1400 1250 1400 1100 1500 1150 1800 1100 1200 1050 1080 1100 1200 1250 1200 1100 1700 1650 1250 1800 1200 1400 1800 1500 1390 1385 1600 1440 1300 1133 1600 1077 1090 1100 1180 1250 1800 1500 1250 1200 1200 1200 1200 1250 1300 1400 1400 1400 1280 1750 1350 1100 1100 1200 1400 1400 1400 1400 1150 1100 1500 1050 1200 1320 1180 1400 1100 1400 1300 1200 1200 1200 1850 1100 1500 1370 1400 1250 1050 1350 1180 1850 1300 1400 1850 1200 1200 1850 1100 1300 1500 1400 1300 1300 1250 1650 1900 1600 1700 1700 1700 1200 1150 1250 1600 1600 1600 1800 1200 1398 1700 1250 1500 1400 1480 1650 1800 1300 1400 1300 1600 1500 1100 1550 1100 1200 1450 1450 1200 1300 1450 1300 1300 1200 1700 1100 1170 1200 1250 1200 1280 1200 1700 1800 1250 1300 1280 1160 1200 1100 1700 1850 1280 1350 1400 1150 1600 1700 1250 1300 1600 1750 1050 1050 1200 1100 1350 1250 1270 1900 1850 1400 1400 1300 1150 1250 1900 1580 1500 1200 1200 1280 1350 1350 1200 1900 1900 1400 1100 1150 1500 1300 1300 1300 1280 1590 1300 1800 1300 1300 1800 1400 1200 1300 1300 1700 1280 1700 1900 1350 1200 1350 1600 1200 1150 1680 1100 1360 1100 1300 1200 1500 1800 1100 1330 1200 1200 1900 1500 1300 1600 1700 1900 1500 1500 1100 1600 1999 1600 1350 1530 1650 1940 1950 1300 1051 1078 1200 1103 1580 1500 1100 1270 1100 1160 1350 1500 1900 1600 1800 1550 1300 1150 1830 1200 1200 1850 1584 1100 1500 1550 1100 1950 1400 1500 1300 1250 1250 1200 1150 1200 1350 1350 1150 1226 1150 1300 1150 1250 1250 1150 1450 1200 1220 1850 1900 1850 1800 1350 1200 1220 1250 1350 1800 1050 1100 1300 1800 1270 1149 1200 1200 1550 1250 1750 1600 1400 1300 1200 1150 1400 1090 1500 1400 1400 1583 1250 1150 1080 1200 1180 1250 1400 1350 1050 1400 1500 1290 1330 1330 1350 1801 1200 1800 1230 1110 1330 1200 1395 1100 1250 1200 1400 1600 1590 1400 1450 1200 1400 1400 1500 1500 1250 1650 1600 1200 1200 1400 1050 1100 1100 1550 1400 1650 1800
##
## Variable: areaconst
## Límites: -143.5 452.5
## Inconsistencias:
## Atípicos: 455 480 480 550 540 460 595 480 960 500 752 463 460 750 487 1365 520 900 700 660 600 1000 730 467 520 520 870 650 500 540 760 530 530 485 490 930 560 724 1000 520 960 500 530 800 520 505 619 1050 490 520 500 588 1040 500 910 540 600 460 480 500 480 630 836 500 464 510 500 610 640 520 534 900 1000 520 1586 535 850 480 620 600 590 500 540 550 800 600 600 600 600 480 800 660 600 600 600 550 600 530 530 542 470 517 780 700 1188 500 500 1000 500 500 500 550 500 460 616 600 750 486 600 1200 750 500 550 453 610 454 600 750 500 551 500 550 700 584 476 552 600 520 600 480 550 550 470 470 605 550 600 500 460 700 1745 455 607 500 520 495 573 728 850 460 650 736 468 736 463 920 480 503 503 503 500 500 600 600 536 500 560 470 457 460 490 640 455 520 520 838 550 500 597 474.63 500 500 460 600 530 460 500 590 495 500 800 487 700 489 800 483 670 600 510 510 530 806 537 540 600 1500 455 463 500 550 619 565 1500 619 461 619 600 720 596 570 1000 462 480 520 844 835 1000 575 500 500 469 1090 550 833 565 600 619 700 650 619 619 800 850 1100 465 700 619 1250 550 700 500 550 461 470 550 1000 619 650 503 980 480 740 980 480 900 1092 773 1600 500 500 765 700 510 472 500 800 500 583 560 759 480 510 502 900 500 700 530 500 776 850 734 734 500 490 624 792 552 520 454 1200 453 600 950 496 650 455 453 470 800 525 453 463 615 500 628 638 550 550 480 500 480 457 459 459 475 475 474 720 480 825 637 530 740 739 627 487 470 500 487 630 487 467 741 500 490 500 455 455 900 500 484 600 475 640 640 480 480 932 465 496 942 496 523.3 660 730 520 588 500 1440 537 507 460Anexo 2
Código para realizar la prueba de Little a los faltantes
# datos_complemento3 <- dplyr::select(datos_limpio1,
# parqueaderos
# ,preciom)
#
# littles_test <- mcar_test(datos_complemento3)
littles_test <- mcar_test(datos_limpio1)
littles_test## # A tibble: 1 × 4
## statistic df p.value missing.patterns
## <dbl> <dbl> <dbl> <int>
## 1 2212. 36 0 6Anexo 3
metodo mice - Multivariate Imputation by Chained Equations
# datos_original <- datos_limpio1
# imputacion <- mice(datos_limpio1, method = "pmm", m = 5)
# datos_imputados <- complete(imputacion)Anexo 4
A4.1 Análisis de datos faltantes
La Grafica 3.1 permite visualizar que variables presentan datos faltantes y su proporcion. En esta, a primera vista se observa que solo las variables piso y parqueadero presentan 2635 y 1602 registros respectivamente.
Grafica 3.1 Variables que tienen datos faltantes
Para comprobar y visualizar mejor estos datos, se utiliza la **Grafica 3.2* de matriz de patrones de faltantes, que muestra la cantidad y distribución de dichos faltantes entre las variables.
En esta grafica se puede evidenciar que en realidad todas las variables tienen al menos 1 faltante o en la mayoría de los casos 2 faltantes.
Grafica 3.2 Matriz de patrones de datos faltantes
En resumen, los datos faltantes y su frecuencia relativa se pueden observar más detalladamente en la tabla 3.3
| Faltantes | Porcentaje % | |
|---|---|---|
| piso | 2637 | 31.69 |
| parqueaderos | 1604 | 19.28 |
| id | 2 | 0.02 |
| zona | 2 | 0.02 |
| estrato | 2 | 0.02 |
| areaconst | 2 | 0.02 |
| banios | 2 | 0.02 |
| habitaciones | 2 | 0.02 |
| tipo | 2 | 0.02 |
| barrio | 2 | 0.02 |
| longitud | 2 | 0.02 |
| latitud | 2 | 0.02 |
| preciom | 1 | 0.01 |
Se por las gráficas 3.2 y 3.3, se puede comprobar que los datos contienen 1 fila totalmente vacía y otra solo con un valor en preciom, por lo que al ser registros prácticamente vacios, se procede a eliminarlos. Esto nos deja con un dataframe de 8319 registros y 13 variables.
## [1] 8319 13A4.2 Determinación tipo de faltantes
Como se revisó anteriomente, la variable “piso” presenta una gran cantidad de datos faltantes (>30%), por lo que se determina no utilizar esta variable en adelante debido a que una imputación podria afectar fuertemente la variación real de los datos y segar el modelo.
Para la variable “parqueadero”, si bien un 19.28% sigue siendo un porcentaje alto de faltantes, se considera hacer una imputación de datos. Para eso, se hace en primer lugar, un análisis de correlacion entre variables para tener un mejor entendimiento de los datos.
Figura 3.4 Matriz de correlación entre variables.
Se observa una asociacion positiva alta (0.7) entre la variable parqueadero y la variable preciom, sin embargo, se considera hacer la prueba de little para asegurar que el comportamiento de los datos faltantes siguen un patro MCAR Ver anexo 2.
El resultado del valor - p de la prueba fue < a 0.0001, que es menor al límite 0.05, esto significa que se descarta la hipótesis nula de que los datos faltantes siguen un comportamiento MCAR para la variable parqueadero. Esto nos deja en el escenario que probablemente sean MAR debido a la correlación de 0.7 que tienen con preciom. Debido a lo anterior, no es correcto utilizar una imputación con media o mediana sino una imputación multiple (mice)
A4.3 Manejo de datos faltantes
Partiendo de lo anterior, la prueba de Little indica que el patrón de datos faltantes no es completamente aleatorio (MCAR). Por lo tanto, se justifica el uso de imputación múltiple bajo el supuesto MAR. Revisar Anexo 3 para más detalle.
Una vez imputados los valores faltantes en la variable parqueadero, se revisar la distribución de densidad con el fin de corroborar que no se haya alterado su distribución inicial, para esto revisar
Finalmente, se quitan variables que no agregan valor para futuros modelos como id, tambien la variable barrio por tener tantas categorias (>400) y las variables de coordenadas (latitud y longitud). El resumen fincal de las variables es:
## zona estrato preciom areaconst
## Length:8319 Min. :3.000 Min. : 58.0 Min. : 30.0
## Class :character 1st Qu.:4.000 1st Qu.: 220.0 1st Qu.: 80.0
## Mode :character Median :5.000 Median : 330.0 Median : 123.0
## Mean :4.634 Mean : 433.9 Mean : 174.9
## 3rd Qu.:5.000 3rd Qu.: 540.0 3rd Qu.: 229.0
## Max. :6.000 Max. :1999.0 Max. :1745.0
## parqueaderos banios habitaciones tipo
## Min. : 1.00 Min. : 0.000 Min. : 0.000 Length:8319
## 1st Qu.: 1.00 1st Qu.: 2.000 1st Qu.: 3.000 Class :character
## Median : 1.00 Median : 3.000 Median : 3.000 Mode :character
## Mean : 1.76 Mean : 3.111 Mean : 3.605
## 3rd Qu.: 2.00 3rd Qu.: 4.000 3rd Qu.: 4.000
## Max. :10.00 Max. :10.000 Max. :10.000
## latitud longitud
## Min. :3.333 Min. :-76.59
## 1st Qu.:3.381 1st Qu.:-76.54
## Median :3.416 Median :-76.53
## Mean :3.418 Mean :-76.53
## 3rd Qu.:3.452 3rd Qu.:-76.52
## Max. :3.498 Max. :-76.46