library(knitr)
library(lmtest)
El presente trabajo tiene como objetivo analizar la relación entre el consumo de combustible y algunas características de los automóviles mediante un modelo de regresión lineal múltiple.
Para desarrollar este análisis se utilizará la base de datos mtcars, incluida en R, que contiene información de 32 automóviles. Se estudiará el rendimiento de combustible en función del peso, la potencia y la cilindrada de los vehículos.
Durante el desarrollo del trabajo se realizará un análisis exploratorio de los datos, se estimará el modelo de regresión lineal múltiple y se evaluará su capacidad explicativa. Asimismo, se verificarán los principales supuestos del modelo y se calcularán intervalos de confianza, coeficientes de correlación y determinación y el análisis de varianza (ANOVA).
Para el desarrollo del presente análisis se utilizó la base de datos mtcars, incluida en el programa R. Esta contiene información de 32 automóviles y diferentes características relacionadas con su funcionamiento y rendimiento.
Para realizar el modelo de regresión lineal múltiple se seleccionaron cuatro variables cuantitativas:
La variable dependiente será mpg, mientras que las variables independientes serán wt, hp y disp.
El propósito es analizar cómo estas características se relacionan con el rendimiento de combustible de los automóviles.
datos <- mtcars
datos_modelo <- datos[, c("mpg", "wt", "hp", "disp")]
head(datos_modelo)
## mpg wt hp disp
## Mazda RX4 21.0 2.620 110 160
## Mazda RX4 Wag 21.0 2.875 110 160
## Datsun 710 22.8 2.320 93 108
## Hornet 4 Drive 21.4 3.215 110 258
## Hornet Sportabout 18.7 3.440 175 360
## Valiant 18.1 3.460 105 225
En esta sección se presentan las principales medidas estadísticas de las variables seleccionadas. Se analizarán la media, mediana, desviación estándar, mínimo y máximo, con el propósito de conocer el comportamiento general de los datos.
estadisticas <- data.frame(
Media = sapply(datos_modelo, mean),
Mediana = sapply(datos_modelo, median),
Desviacion = sapply(datos_modelo, sd),
Minimo = sapply(datos_modelo, min),
Maximo = sapply(datos_modelo, max)
)
kable(estadisticas, digits = 2,
caption = "Estadísticas descriptivas de las variables")
| Media | Mediana | Desviacion | Minimo | Maximo | |
|---|---|---|---|---|---|
| mpg | 20.09 | 19.20 | 6.03 | 10.40 | 33.90 |
| wt | 3.22 | 3.33 | 0.98 | 1.51 | 5.42 |
| hp | 146.69 | 123.00 | 68.56 | 52.00 | 335.00 |
| disp | 230.72 | 196.30 | 123.94 | 71.10 | 472.00 |
Se estimó un modelo de regresión lineal múltiple con el propósito de analizar la relación entre el rendimiento de combustible de los automóviles y tres variables explicativas: peso, potencia y cilindrada.
La variable dependiente es el rendimiento de combustible (mpg), mientras que las variables independientes son el peso (wt), la potencia (hp) y la cilindrada (disp).
modelo <- lm(mpg ~ wt + hp + disp, data = datos_modelo)
summary(modelo)
##
## Call:
## lm(formula = mpg ~ wt + hp + disp, data = datos_modelo)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.891 -1.640 -0.172 1.061 5.861
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 37.105505 2.110815 17.579 < 2e-16 ***
## wt -3.800891 1.066191 -3.565 0.00133 **
## hp -0.031157 0.011436 -2.724 0.01097 *
## disp -0.000937 0.010350 -0.091 0.92851
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.639 on 28 degrees of freedom
## Multiple R-squared: 0.8268, Adjusted R-squared: 0.8083
## F-statistic: 44.57 on 3 and 28 DF, p-value: 8.65e-11
El modelo de regresión lineal múltiple permite analizar cómo se relacionan el peso, la potencia y la cilindrada de los automóviles con su rendimiento de combustible.
El coeficiente de determinación (R²) obtenido fue de 0.8268, lo que indica que el modelo explica aproximadamente el 82.68 % de la variabilidad del rendimiento de combustible.
El R² ajustado fue de 0.8083, lo que representa la capacidad explicativa del modelo considerando el número de variables independientes.
Además, el modelo presentó un valor p global de 8.65e-11, inferior al nivel de significancia de 0.05, por lo que se considera estadísticamente significativo.
Los intervalos de confianza permiten establecer un rango de valores dentro del cual se espera que se encuentren los verdaderos coeficientes del modelo, con un nivel de confianza del 95 %.
Estos intervalos permiten evaluar la significancia estadística de cada variable independiente.
intervalos <- confint(modelo, level = 0.95)
kable(intervalos, digits = 4,
caption = "Intervalos de confianza del 95 % para los coeficientes")
| 2.5 % | 97.5 % | |
|---|---|---|
| (Intercept) | 32.7817 | 41.4293 |
| wt | -5.9849 | -1.6169 |
| hp | -0.0546 | -0.0077 |
| disp | -0.0221 | 0.0203 |
Para comprobar la validez del modelo de regresión lineal múltiple, se analizarán gráficamente los principales supuestos estadísticos. Se evaluarán la linealidad, la normalidad de los residuos, la homocedasticidad y la presencia de observaciones influyentes.
par(mfrow = c(2, 2))
plot(modelo)
par(mfrow = c(1, 1))
El análisis de correlación permite identificar la intensidad y la dirección de la relación lineal entre las variables del estudio. Para este procedimiento se utilizará el coeficiente de correlación de Pearson, cuyos valores se encuentran entre -1 y 1.
Los valores positivos indican una relación directa, mientras que los negativos representan una relación inversa. Los valores cercanos a cero indican una relación lineal débil.
correlaciones <- cor(datos_modelo)
kable(correlaciones, digits = 3,
caption = "Matriz de correlación de Pearson")
| mpg | wt | hp | disp | |
|---|---|---|---|---|
| mpg | 1.000 | -0.868 | -0.776 | -0.848 |
| wt | -0.868 | 1.000 | 0.659 | 0.888 |
| hp | -0.776 | 0.659 | 1.000 | 0.791 |
| disp | -0.848 | 0.888 | 0.791 | 1.000 |
El análisis de varianza (ANOVA) permite evaluar si el modelo de regresión lineal múltiple es estadísticamente significativo en conjunto. Mediante este procedimiento se analiza la variabilidad explicada por el modelo y la variabilidad que no logra explicar.
Se utilizará un nivel de significancia del 5 % para evaluar los resultados obtenidos.
anova_modelo <- anova(modelo)
kable(anova_modelo, digits = 4,
caption = "Tabla ANOVA del modelo de regresión")
| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| wt | 1 | 847.7252 | 847.7252 | 121.7305 | 0.0000 |
| hp | 1 | 83.2742 | 83.2742 | 11.9579 | 0.0018 |
| disp | 1 | 0.0571 | 0.0571 | 0.0082 | 0.9285 |
| Residuals | 28 | 194.9907 | 6.9640 | NA | NA |
En esta sección se calcularán dos tipos de intervalos para el rendimiento de combustible: el intervalo de confianza para la respuesta media y el intervalo de predicción para una observación individual. Ambos se calcularán con un nivel de confianza del 95 %.
Se utilizarán las características del primer automóvil de la base de datos como referencia para realizar las predicciones.
nuevo_auto <- datos_modelo[1, c("wt", "hp", "disp"), drop = FALSE]
pred_media <- predict(modelo, newdata = nuevo_auto,
interval = "confidence", level = 0.95)
pred_individual <- predict(modelo, newdata = nuevo_auto,
interval = "prediction", level = 0.95)
kable(as.data.frame(pred_media), digits = 3,
caption = "Intervalo de confianza del 95 % para la respuesta media")
| fit | lwr | upr | |
|---|---|---|---|
| Mazda RX4 | 23.57 | 22.431 | 24.709 |
kable(as.data.frame(pred_individual), digits = 3,
caption = "Intervalo de predicción del 95 % para una observación individual")
| fit | lwr | upr | |
|---|---|---|---|
| Mazda RX4 | 23.57 | 18.046 | 29.094 |
Además del análisis gráfico, se realizarán pruebas estadísticas para evaluar algunos de los principales supuestos del modelo de regresión lineal múltiple.
Se utilizará la prueba de Shapiro-Wilk para evaluar si los residuos del modelo siguen una distribución normal. Se considerará un nivel de significancia del 5 %.
shapiro.test(residuals(modelo))
##
## Shapiro-Wilk normality test
##
## data: residuals(modelo)
## W = 0.92734, p-value = 0.03305
Se utilizará la prueba de Breusch-Pagan para evaluar si la varianza de los residuos es constante.
bptest(modelo)
##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 0.9459, df = 3, p-value = 0.8143
El análisis realizado permitió estudiar la relación entre el rendimiento de combustible de los automóviles y sus características, teniendo en cuenta el peso, la potencia y la cilindrada del motor.
Los resultados del modelo de regresión lineal múltiple muestran que las variables seleccionadas permiten explicar una parte importante de la variabilidad del rendimiento de combustible. El coeficiente de determinación obtenido fue de 0.8268, lo que indica que el modelo explica aproximadamente el 82.68 % de dicha variabilidad.
Asimismo, se identificó que el peso y la potencia presentan una relación estadísticamente significativa con el rendimiento de combustible, mientras que la cilindrada no mostró significancia individual al considerar las demás variables del modelo.
Finalmente, la evaluación gráfica y las pruebas estadísticas permiten revisar el cumplimiento de los supuestos del modelo. Sin embargo, es importante tener en cuenta que el estudio se realizó con una base de datos de 32 automóviles, por lo que sus resultados deben interpretarse con precaución y no generalizarse a todos los vehículos.