La accidentalidad vial constituye un asunto de interés para la seguridad y la salud pública. En este trabajo se estudia la relación entre el número de vehículos involucrados en accidentes de tránsito y el número de personas lesionadas, utilizando información mensual reportada por el Instituto de Tránsito y Transporte de Acacías, Meta.
Se estima un modelo de regresión lineal simple, debido a que se considera una variable explicativa y una variable respuesta. El análisis es asociativo: los resultados permiten describir la relación estadística observada, pero no demuestran por sí solos causalidad.
Pregunta de investigación: ¿Existe una relación lineal entre la cantidad mensual de vehículos involucrados en accidentes de tránsito y la cantidad mensual de personas lesionadas en Acacías, Meta?
La elección se justifica porque, en términos operativos, un mayor número de vehículos involucrados en siniestros puede estar asociado con una mayor cantidad de personas lesionadas. Sin embargo, la intensidad de esa relación debe evaluarse estadísticamente.
Los datos se transcribieron del reporte de accidentalidad enero-octubre de 2023 publicado por el Instituto de Tránsito y Transporte de Acacías en su informe de gestión. El reporte presenta, para cada mes, el número de vehículos involucrados y el número de personas lesionadas.
Fuente: Instituto de Tránsito y Transporte de Acacías. Informe de gestión a diciembre de 2023, sección “Reporte de accidentalidad enero-diciembre de 2023” (tabla con información de enero a octubre). Disponible en: https://www.transitoacacias.gov.co/images/documentos/informes_de_gestion/2023/INFORME_DE_GESTION_A_DICIEMBRE__DE_2023.pdf.
Se utiliza enero-octubre porque son los meses para los cuales la tabla consultada presenta los dos indicadores mensuales de forma explícita. La base contiene 10 observaciones; por tanto, las conclusiones deben interpretarse con cautela y no generalizarse automáticamente a otros años o municipios.
datos <- read.csv("base_accidentalidad_acacias.csv", stringsAsFactors = FALSE,
fileEncoding = "UTF-8")
datos$mes <- factor(datos$mes, levels = datos$mes)
datos
str(datos)
## 'data.frame': 10 obs. of 3 variables:
## $ mes : Factor w/ 10 levels "Enero","Febrero",..: 1 2 3 4 5 6 7 8 9 10
## $ vehiculos_involucrados: int 24 33 24 26 36 14 27 23 19 34
## $ personas_lesionadas : int 19 27 22 15 28 15 17 12 17 27
colSums(is.na(datos))
## mes vehiculos_involucrados personas_lesionadas
## 0 0 0
summary(datos)
## mes vehiculos_involucrados personas_lesionadas
## Enero :1 Min. :14.00 Min. :12.00
## Febrero:1 1st Qu.:23.25 1st Qu.:15.50
## Marzo :1 Median :25.00 Median :18.00
## Abril :1 Mean :26.00 Mean :19.90
## Mayo :1 3rd Qu.:31.50 3rd Qu.:25.75
## Junio :1 Max. :36.00 Max. :28.00
## (Other):4
stopifnot(all(c("vehiculos_involucrados", "personas_lesionadas") %in% names(datos)))
stopifnot(all(complete.cases(datos[, c("vehiculos_involucrados", "personas_lesionadas")])))
No se imputan valores porque la base entregada no presenta datos faltantes en las dos variables de interés.
resumen <- data.frame(
Estadistico = c("Número de observaciones", "Media", "Desviación estándar",
"Mínimo", "Mediana", "Máximo"),
Vehiculos = c(nrow(datos), mean(datos$vehiculos_involucrados),
sd(datos$vehiculos_involucrados), min(datos$vehiculos_involucrados),
median(datos$vehiculos_involucrados), max(datos$vehiculos_involucrados)),
Lesionados = c(nrow(datos), mean(datos$personas_lesionadas),
sd(datos$personas_lesionadas), min(datos$personas_lesionadas),
median(datos$personas_lesionadas), max(datos$personas_lesionadas))
)
knitr::kable(resumen, digits = 2, caption = "Estadísticos descriptivos")
| Estadistico | Vehiculos | Lesionados |
|---|---|---|
| Número de observaciones | 10.00 | 10.00 |
| Media | 26.00 | 19.90 |
| Desviación estándar | 6.86 | 5.76 |
| Mínimo | 14.00 | 12.00 |
| Mediana | 25.00 | 18.00 |
| Máximo | 36.00 | 28.00 |
datos_largos <- rbind(
data.frame(mes=datos$mes, valor=datos$vehiculos_involucrados, variable="Vehículos involucrados"),
data.frame(mes=datos$mes, valor=datos$personas_lesionadas, variable="Personas lesionadas")
)
ggplot(datos_largos, aes(x=mes, y=valor, group=variable, color=variable)) +
geom_line(linewidth=0.8) + geom_point(size=2.5) +
labs(title="Accidentalidad vial por mes, enero-octubre de 2023",
x="Mes", y="Número reportado", color="Variable") +
theme_minimal()
El gráfico permite comparar el comportamiento mensual de las dos variables. Los picos y descensos muestran variación a lo largo del periodo; no constituyen por sí mismos evidencia de una relación lineal.
correlacion <- cor(datos$vehiculos_involucrados, datos$personas_lesionadas,
method = "pearson")
prueba_cor <- cor.test(datos$vehiculos_involucrados,
datos$personas_lesionadas, method = "pearson")
correlacion
## [1] 0.8005694
prueba_cor
##
## Pearson's product-moment correlation
##
## data: datos$vehiculos_involucrados and datos$personas_lesionadas
## t = 3.7787, df = 8, p-value = 0.005398
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.3446847 0.9508903
## sample estimates:
## cor
## 0.8005694
El coeficiente de Pearson toma valores entre -1 y 1. Un valor positivo indica que ambas variables tienden a aumentar conjuntamente; un valor negativo indica que una tiende a disminuir cuando la otra aumenta. La magnitud indica la fuerza de la asociación lineal. El valor p contrasta la hipótesis nula de correlación poblacional igual a cero. Dado que hay solo diez observaciones, debe considerarse la incertidumbre de la estimación.
El modelo poblacional se expresa como:
\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i \]
Donde \(Y_i\) es el número de personas lesionadas, \(X_i\) es el número de vehículos involucrados, \(\beta_0\) es el intercepto, \(\beta_1\) es la pendiente y \(\varepsilon_i\) representa el error aleatorio.
modelo <- lm(personas_lesionadas ~ vehiculos_involucrados, data=datos)
summary(modelo)
##
## Call:
## lm(formula = personas_lesionadas ~ vehiculos_involucrados, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.883 -2.568 1.550 2.247 3.444
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.4236 4.7678 0.508 0.6249
## vehiculos_involucrados 0.6722 0.1779 3.779 0.0054 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.663 on 8 degrees of freedom
## Multiple R-squared: 0.6409, Adjusted R-squared: 0.596
## F-statistic: 14.28 on 1 and 8 DF, p-value: 0.005398
La ecuación estimada se obtiene de los coeficientes:
b0 <- coef(modelo)[1]
b1 <- coef(modelo)[2]
cat("Y estimada =", round(b0, 4), "+", round(b1, 4), "* X")
## Y estimada = 2.4236 + 0.6722 * X
Interpretación: el intercepto representa el valor estimado de personas lesionadas cuando X es cero; puede no tener interpretación práctica si cero vehículos queda fuera del rango observado. La pendiente estima el cambio promedio en el número de personas lesionadas asociado con un vehículo adicional involucrado, dentro del contexto y rango de estos datos. No debe interpretarse como efecto causal.
ggplot(datos, aes(x=vehiculos_involucrados, y=personas_lesionadas)) +
geom_point(size=3) +
geom_smooth(method="lm", se=TRUE, color="blue") +
labs(title="Relación entre vehículos involucrados y personas lesionadas",
x="Vehículos involucrados (X)", y="Personas lesionadas (Y)") +
theme_minimal()
La nube de puntos permite valorar visualmente si una recta resume razonablemente la tendencia. La banda sombreada representa el intervalo de confianza de la media estimada.
r2 <- summary(modelo)$r.squared
r2_ajustado <- summary(modelo)$adj.r.squared
cat("R cuadrado:", round(r2, 4), "\nR cuadrado ajustado:", round(r2_ajustado, 4))
## R cuadrado: 0.6409
## R cuadrado ajustado: 0.596
El coeficiente de determinación \(R^2\) indica la proporción de la variabilidad observada en personas lesionadas que queda explicada por la relación lineal con vehículos involucrados en esta muestra. El porcentaje no explicado corresponde a variación residual y otros factores no incluidos en el modelo. Un R² alto no prueba causalidad ni garantiza que se cumplan los supuestos.
tabla_anova <- anova(modelo)
knitr::kable(as.data.frame(tabla_anova), digits=4,
caption="ANOVA del modelo de regresión")
| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| vehiculos_involucrados | 1 | 191.5684 | 191.5684 | 14.2786 | 0.0054 |
| Residuals | 8 | 107.3316 | 13.4165 | NA | NA |
La prueba F del ANOVA contrasta si el modelo con X explica una proporción de variabilidad mayor que un modelo sin predictor. En regresión simple, esta prueba es equivalente a la prueba t de la pendiente (F = t²). Se considera evidencia estadística de asociación lineal cuando el valor p es menor que el nivel de significancia establecido (por ejemplo, 0,05). La decisión debe acompañarse del tamaño del efecto y de los intervalos de confianza.
ic_coef <- confint(modelo, level=0.95)
knitr::kable(ic_coef, digits=4,
col.names=c("Límite inferior 95%", "Límite superior 95%"),
caption="Intervalos de confianza del 95% para los coeficientes")
| Límite inferior 95% | Límite superior 95% | |
|---|---|---|
| (Intercept) | -8.571 | 13.4182 |
| vehiculos_involucrados | 0.262 | 1.0824 |
El intervalo de confianza de la pendiente contiene valores plausibles para el cambio promedio en Y asociado con una unidad adicional de X. Si el intervalo de la pendiente no contiene cero, esto coincide con evidencia de asociación lineal estadísticamente significativa al 5%, bajo los supuestos del modelo.
Se ilustra la estimación en el promedio de vehículos observados. El intervalo de confianza estima la media de personas lesionadas para ese valor de X; el intervalo de predicción es más amplio porque estima una observación individual futura.
nuevo <- data.frame(vehiculos_involucrados =
mean(datos$vehiculos_involucrados))
ic_media <- predict(modelo, newdata=nuevo, interval="confidence", level=0.95)
ip_individual <- predict(modelo, newdata=nuevo, interval="prediction", level=0.95)
knitr::kable(data.frame(
Tipo=c("Respuesta media (IC 95%)", "Una respuesta individual (IP 95%)"),
Ajuste=c(ic_media[1,"fit"], ip_individual[1,"fit"]),
Inferior=c(ic_media[1,"lwr"], ip_individual[1,"lwr"]),
Superior=c(ic_media[1,"upr"], ip_individual[1,"upr"])
), digits=3, caption="Intervalos para X igual al promedio muestral")
| Tipo | Ajuste | Inferior | Superior |
|---|---|---|---|
| Respuesta media (IC 95%) | 19.9 | 17.229 | 22.571 |
| Una respuesta individual (IP 95%) | 19.9 | 11.041 | 28.759 |
El intervalo de predicción individual suele ser más amplio que el intervalo para la media, porque incorpora tanto la incertidumbre al estimar la media como la variabilidad de una observación individual. La interpretación corresponde al valor promedio de X, que está dentro del rango observado.
La validez de las pruebas e intervalos clásicos de regresión depende de que los residuos se comporten de forma compatible con los supuestos. Se revisan linealidad, independencia, homocedasticidad, normalidad y observaciones influyentes.
plot(modelo, which=1)
Se espera que los residuos se distribuyan alrededor de cero sin formar curvas o patrones sistemáticos. Una curvatura marcada puede indicar que la relación no es adecuadamente lineal. La evaluación gráfica es especialmente importante con una muestra pequeña.
plot(modelo, which=2)
En el gráfico Q-Q, los puntos deberían aproximarse a la línea de referencia. Desviaciones importantes, especialmente en los extremos, pueden indicar falta de normalidad.
shapiro.test(residuals(modelo))
##
## Shapiro-Wilk normality test
##
## data: residuals(modelo)
## W = 0.83465, p-value = 0.03806
La prueba de Shapiro-Wilk contrasta normalidad de los residuos. Si p es menor que 0,05, se rechaza la hipótesis de normalidad al 5%. Si p es mayor o igual a 0,05, no se rechaza; esto no demuestra que los residuos sean perfectamente normales. Con diez observaciones la prueba tiene poca potencia.
plot(modelo, which=3)
Se espera una dispersión aproximadamente constante de los residuos a lo largo de los valores ajustados. Un patrón de embudo puede sugerir varianza no constante.
lmtest::bptest(modelo)
##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 0.67032, df = 1, p-value = 0.4129
La prueba de Breusch-Pagan contrasta homocedasticidad. Un valor p menor que 0,05 aporta evidencia de heterocedasticidad. Un valor p mayor o igual a 0,05 indica que no se encontró evidencia suficiente para rechazar homocedasticidad, pero no la garantiza.
plot(residuals(modelo), type="b", pch=19,
xlab="Orden de los meses", ylab="Residuo",
main="Residuos según el orden temporal")
abline(h=0, lty=2)
lmtest::dwtest(modelo)
##
## Durbin-Watson test
##
## data: modelo
## DW = 2.1151, p-value = 0.6477
## alternative hypothesis: true autocorrelation is greater than 0
Como las observaciones corresponden a meses consecutivos, es importante revisar posible autocorrelación. En el gráfico no deberían observarse secuencias o patrones persistentes. La prueba Durbin-Watson evalúa autocorrelación de primer orden. Un valor p menor que 0,05 sugiere evidencia de autocorrelación positiva o negativa según el estadístico; el resultado debe interpretarse con cautela por el tamaño reducido de la muestra.
par(mfrow=c(1,2))
plot(modelo, which=4)
plot(modelo, which=5)
par(mfrow=c(1,1))
Los gráficos de distancia de Cook y residuos estudentizados ayudan a identificar observaciones potencialmente influyentes o atípicas. Una observación señalada no debe eliminarse automáticamente: primero debe verificarse si corresponde a un error de digitación o a un comportamiento real del fenómeno.
cook <- cooks.distance(modelo)
data.frame(mes=datos$mes, distancia_cook=round(cook,4))
par(mfrow=c(2,2))
plot(modelo)
par(mfrow=c(1,1))
Los cuatro gráficos resumen el diagnóstico: residuos frente a ajustados (linealidad y varianza), Q-Q (normalidad), escala-localización (homocedasticidad) y residuos frente a leverage (influencia). La conclusión debe basarse en el conjunto de pruebas y gráficos, no en un único indicador.
p_pendiente <- summary(modelo)$coefficients[2,4]
cat("- La pendiente estimada del modelo es **", round(b1,4),
"**. Esto representa el cambio promedio estimado en personas lesionadas asociado con un vehículo adicional involucrado, dentro de los datos analizados.\n\n", sep="")
cat("- El coeficiente de determinación es **", round(r2*100,2),
"%**. Esta es la proporción de variabilidad muestral de personas lesionadas explicada por la relación lineal con vehículos involucrados.\n\n", sep="")
cat("- El valor p de la pendiente es **", signif(p_pendiente,4),
"**. Con un nivel de significancia del 5%, ",
ifelse(p_pendiente < 0.05, "se encuentra evidencia estadística de asociación lineal.",
"no se encuentra evidencia estadística suficiente de asociación lineal."),
"\n\n", sep="")
En conjunto, los resultados permiten describir la asociación entre vehículos involucrados y personas lesionadas en los diez meses incluidos. La adecuación del modelo depende también de los diagnósticos de residuos. Debido al número reducido de observaciones y a que los datos están agregados por mes, las conclusiones son exploratorias y no deben interpretarse como una relación causal ni extrapolarse sin más información.