Introducción y metodología

El presente estudio analiza el conjunto de datos Salary.csv (35 observaciones), tomado de Kaggle (Regresión lineal simple - Salary dataset), con el fin de evaluar la relación entre los años de experiencia laboral (YearsExperience, en años, como variable independiente) y el salario (Salary, en dólares USD, como variable dependiente).
Todo el análisis estadístico, los gráficos y el informe se realizaron en R usando RStudio y RMarkdown (con los paquetes readr, dplyr y ggplot2), y se publicaron en formato HTML en RPubs.

Orden del análisis realizado

  1. Análisis descriptivo: Revisión de medidas de resumen (mínimo, cuartiles, mediana, media y máximo) y distribución de las variables.
  2. Análisis de correlación y linealidad: Cálculo del coeficiente de correlación de Pearson y gráficos de dispersión (pairs y plot).
  3. Modelo de regresión lineal simple y ANOVA: Ajuste de la recta, interpretación de intercepto y pendiente, R^2 y tabla ANOVA.
  4. Intervalos de confianza y predicción: Intervalos al 95% de confianza para los coeficientes, para la respuesta media (confidence) y para una predicción individual (prediction).
  5. Supuestos y gráfico final: Revisión de los gráficos diagnósticos de los residuos y presentación del gráfico final con la recta ajustada.

Paquetes necesarios para regresión lineal simple

library(ggplot2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

Datos

 library(readr)
Salary <- read_csv("Salary.csv")
## Rows: 35 Columns: 2
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (2): YearsExperience, Salary
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
summary(Salary)
##  YearsExperience      Salary      
##  Min.   : 1.100   Min.   : 37731  
##  1st Qu.: 3.450   1st Qu.: 57019  
##  Median : 5.300   Median : 81363  
##  Mean   : 6.309   Mean   : 83946  
##  3rd Qu.: 9.250   3rd Qu.:113224  
##  Max.   :13.500   Max.   :139465

El conjunto de datos analizado consta de un total de \(N = 35\) observaciones recolectadas de manera independiente. El estudio busca evaluar la relación funcional entre dos variables continuas: Variable Respuesta o Dependiente (\(Y\)): Salary (Salario expresado en dólares USD), la cual presenta una media de \(\$83,946\) dólares y una mediana de \(\$81,363\) dólares, variando desde un mínimo de \(\$37,731\) hasta un máximo de \(\$139,465\) dólares. Variable Regresora o Independiente (\(X\)): YearsExperience (Años de experiencia laboral), con un rango que abarca desde \(1.1\) hasta \(13.5\) años de experiencia, con una media muestral de \(6.31\) años.

Independencia

cor(Salary)
##                 YearsExperience    Salary
## YearsExperience       1.0000000 0.9824273
## Salary                0.9824273 1.0000000
cor(Salary$Salary, Salary$YearsExperience)
## [1] 0.9824273

El análisis del coeficiente de correlación de Pearson arrojó un valor de \(r = 0.9824\) entre la variable Salary y YearsExperience. Este resultado evidencia la presencia de una asociación lineal positiva extremadamente fuerte. Esto indica directamente que existe una covariación directa: conforme se incrementan los años de experiencia laboral en los individuos, se observa un incremento proporcional muy alto y sostenido en el salario percibido.

Normalidad

hist(Salary$Salary)

El análisis del histograma de frecuencias para la variable dependiente Salary muestra una distribución dispersa entre \(37,731\) y \(139,465\) dólares. Aunque por el tamaño de la muestra (\(N=35\)) el histograma no dibuja una campana de Gauss perfectamente simétrica, la ausencia de sesgos extremos sugiere un comportamiento aceptable, el cual se confirma formalmente con la alineación de los residuos en el gráfico Normal Q-Q.

Linealidad

pairs(Salary)

plot(Salary ~ YearsExperience, data=Salary)

En los diagramas de dispersión generados (pairs y plot), se evidencia que los pares ordenados \((X, Y)\) se distribuyen de forma monótona y alineada a lo largo de una trayectoria ascendente clara. No se observan patrones curvilíneos o no lineales (como comportamientos parabólicos o logarítmicos). Por consiguiente, se confirma que la relación entre la experiencia laboral y el salario es adecuadamente descrita mediante un modelo de regresión lineal simple.

Modelo

\[ Y= \beta_o +\beta_1 X_1+ e_i \]

Salary.lm<-lm(Salary ~ YearsExperience, data = Salary) # modelo de regresión 
summary(Salary.lm)
## 
## Call:
## lm(formula = Salary ~ YearsExperience, data = Salary)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -8178.8 -5026.5   303.9  4098.0 13350.6 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      28859.5     2092.8   13.79 2.99e-15 ***
## YearsExperience   8731.9      288.8   30.24  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6093 on 33 degrees of freedom
## Multiple R-squared:  0.9652, Adjusted R-squared:  0.9641 
## F-statistic: 914.3 on 1 and 33 DF,  p-value: < 2.2e-16

\[ Y=28859.5+8731.9YearsExperience+e_i \]

Intercepto (\(\hat{\beta}_0 = 28859.5\)): Corresponde al punto donde la recta cruza el eje vertical. Estadísticamente representa el salario promedio esperado para un empleado que cuenta con \(0\) años de experiencia laboral previa. Su prueba \(t\) individual muestra un \(p\text{-valor} = 2.99 \times 10^{-15}\), indicando que el salario base inicial es significativamente distinto de cero.

Pendiente (\(\hat{\beta}_1 = 8731.9\)): Es el coeficiente de regresión marginal. Indica que por cada año adicional de experiencia laboral que acumule un trabajador, el salario estimado incrementa en un promedio constante de \(\$8,731.9\) dólares. La prueba \(t\) para esta pendiente arrojó un valor muy alto (\(t = 30.24\)) con un \(p\text{-valor} < 2 \times 10^{-16}\), confirmando que la experiencia aporta información altamente significativa para predecir el salario.

Coeficiente de Determinación (\(R^2 = 0.9652\)): Indica que el \(96.52\%\) de la variabilidad total observada en los salarios es explicada de manera directa por el modelo ajustado en función de los años de experiencia. El \(3.48\%\) restante corresponde a variación no explicada o error aleatorio (\(e_i\)). Error

Estándar de los Residuos (\(S = 6093\)): La desviación promedio de las observaciones reales respecto a la recta de regresión estimada es de aproximadamente \(\$6,093\) dólares.

Intervalos de confianza

confint(Salary.lm, level = 0.95)
##                     2.5 %    97.5 %
## (Intercept)     24601.698 33117.354
## YearsExperience  8144.407  9319.475
predict(Salary.lm, newdata = data.frame(YearsExperience = 5), interval = "confidence", level = 0.95)
##        fit      lwr      upr
## 1 72519.23 70287.18 74751.29
predict(Salary.lm, newdata = data.frame(YearsExperience = 5), interval = "prediction", level = 0.95)
##        fit      lwr      upr
## 1 72519.23 59922.97 85115.49

Con un nivel de confianza del 95%, se estiman los siguientes rangos verdaderos para los parámetros poblacionales: Intercepto (\(\beta_0\)): Se encuentra entre \(24,601.70\) y \(33,117.35\) dólares.
Coeficiente de la pendiente (\(\beta_1\)): El incremento real en salario por año de experiencia está contenido entre $8,144.41 y $9,319.48 dólares.
Respuesta Media: Para el conjunto de trabajadores con 5 años de experiencia, el salario promedio estimado se encuentra entre $70,287.18 y $74,751.29 dólares.
Predicción Individual: Para un trabajador en particular con 5 años de experiencia, el salario estimado se ubica entre $59,922.97 y $85,115.49 dólares.

Homocedasticidad

par(mfrow=c(2,2))
plot(Salary.lm)

par(mfrow=c(1,1))

Residuals vs Fitted (Linealidad y Homocedasticidad): Los residuos se dispersan de manera aleatoria a ambos lados de la línea horizontal de referencia (\(0\)) sin presentar formas de embudo o abanico. Esto confirma que la varianza de los errores es constante (se cumple el supuesto de homocedasticidad).

Normal Q-Q Plot (Normalidad de los Residuos): La gran mayoría de los residuos estandarizados se posicionan casi exactamente sobre la línea punteada diagonal de \(45^\circ\), validando formalmente que los errores del modelo se distribuyen de acuerdo a una distribución normal.

Scale-Location: La línea roja se mantiene relativamente plana, reforzando la constancia de la variabilidad en los diferentes niveles de salario predicho.

Residuals vs Leverage: Ningún dato sobrepasa las líneas de distancia de Cook (\(0.5\) o \(1.0\)), lo que indica la ausencia de puntos atípicos o influyentes que estén distorsionando la estimación del modelo de regresión.

Gráfico del modelo y línea de tendencia

salary.plot <- ggplot(Salary, aes(x = YearsExperience, y = Salary)) +
  geom_point(color = "black") +
  geom_smooth(method = "lm", color = "blue", se = FALSE, linewidth = 1.25) +
  theme_bw() +
  labs(
    title = "Salario en función de los años de experiencia",
    x = "YearsExperience",
    y = "Salary"
  )

salary.plot
## `geom_smooth()` using formula = 'y ~ x'

El gráfico muestra la representación conjunta de la nube de datos observados (puntos negros) y la función de regresión ajustada (recta azul). Se observa un ajuste lineal óptimo donde la línea atraviesa equitativamente el centro de la distribución de los puntos, reflejando de forma visual la alta precisión predictiva del modelo (\(R^2 = 96.52\%\)).

Análisis de Varianza (ANOVA)

anova(Salary.lm)
## Analysis of Variance Table
## 
## Response: Salary
##                 Df     Sum Sq    Mean Sq F value    Pr(>F)    
## YearsExperience  1 3.3946e+10 3.3946e+10  914.28 < 2.2e-16 ***
## Residuals       33 1.2252e+09 3.7128e+07                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

De acuerdo a la tabla ANOVA, el estadístico \(F = 914.3\) presenta un valor altamente significativo (\(p \text{-valor} < 2.2 \times 10^{-16}\)). Esto permite rechazar la hipótesis nula (\(H_0: \beta_1 = 0\)) y demuestra que el modelo de regresión lineal simple posee validez global.