El presente informe presenta un análisis de regresión lineal múltiple
aplicado al conjunto de datos insurance.csv, con el
propósito de evaluar cómo inciden ciertas variables demográficas y de
salud sobre los costos médicos individuales (charges). A
partir de este enfoque se busca cuantificar el efecto de cada variable
predictora, analizar la varianza del modelo, revisar los supuestos
diagnósticos y estimar intervalos de confianza y predicción.
En el ámbito de los seguros médicos es importante identificar qué
factores influyen en los costos facturados (charges). En
este trabajo se plantea modelar charges en función de la
edad (age), el índice de masa corporal (bmi) y
el número de hijos (children), formulando el modelo
poblacional de regresión lineal múltiple mediante la siguiente
ecuación:
\[Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \beta_3 X_{3i} + \varepsilon_i\]
Donde: * \(Y_i\): Costos médicos
individuales (charges). * \(X_{1i}\): Edad del asegurado
(age). * \(X_{2i}\):
Índice de masa corporal (bmi). * \(X_{3i}\): Número de hijos
(children). * \(\beta_0\):
Intercepto. * \(\beta_1, \beta_2,
\beta_3\): Coeficientes de regresión. * \(\varepsilon_i\): Error aleatorio.
La muestra proviene del archivo insurance.csv
(1338 observaciones), analizando las variables de interés
(charges, age, bmi y
children). A continuación se cargan los datos y se
inspeccionan las primeras filas para visualizar la estructura de la
información:
datos <- read.csv("insurance.csv")
head(datos)
## age sex bmi children smoker region charges
## 1 19 female 27.900 0 yes southwest 16884.924
## 2 18 male 33.770 1 no southeast 1725.552
## 3 28 male 33.000 3 no southeast 4449.462
## 4 33 male 22.705 0 no northwest 21984.471
## 5 32 male 28.880 0 no northwest 3866.855
## 6 31 female 25.740 0 no southeast 3756.622
modelo <- lm(charges ~ age + bmi + children, data = datos)
summary(modelo)
##
## Call:
## lm(formula = charges ~ age + bmi + children, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13884 -6994 -5092 7125 48627
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -6916.24 1757.48 -3.935 8.74e-05 ***
## age 239.99 22.29 10.767 < 2e-16 ***
## bmi 332.08 51.31 6.472 1.35e-10 ***
## children 542.86 258.24 2.102 0.0357 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11370 on 1334 degrees of freedom
## Multiple R-squared: 0.1201, Adjusted R-squared: 0.1181
## F-statistic: 60.69 on 3 and 1334 DF, p-value: < 2.2e-16
anova(modelo)
## Analysis of Variance Table
##
## Response: charges
## Df Sum Sq Mean Sq F value Pr(>F)
## age 1 1.7530e+10 1.7530e+10 135.5463 < 2.2e-16 ***
## bmi 1 5.4464e+09 5.4464e+09 42.1128 1.212e-10 ***
## children 1 5.7152e+08 5.7152e+08 4.4191 0.03573 *
## Residuals 1334 1.7253e+11 1.2933e+08
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
El modelo de regresión lineal múltiple evalúa los costos médicos
(charges) en función de la edad (age), el
índice de masa corporal (bmi) y el número de hijos
(children). El modelo es globalmente significativo (\(F = 60.69\), valor \(p < 2.2 \times 10^{-16}\)), lo que
indica que en conjunto estas variables explican parte del comportamiento
de charges. El coeficiente de determinación múltiple (\(R^2 = 0.1201\), ajustado \(0.1181\)) muestra que el modelo explica
cerca del \(12.01\%\) de la
variabilidad total de los costos, quedando el resto explicado por otros
factores no incluidos. En el análisis de varianza (ANOVA), las variables
predictoras resultan estadísticamente significativas (\(p < 0.05\)), destacando age
y bmi como las que mayor variabilidad aportan.
cor(datos[, c("charges", "age", "bmi", "children")])
## charges age bmi children
## charges 1.00000000 0.2990082 0.1983410 0.06799823
## age 0.29900819 1.0000000 0.1092719 0.04246900
## bmi 0.19834097 0.1092719 1.0000000 0.01275890
## children 0.06799823 0.0424690 0.0127589 1.00000000
par(mfrow = c(2, 2))
plot(modelo)
par(mfrow = c(1, 1))
En la matriz de correlación se observa una correlación lineal
positiva baja a moderada entre charges y age
(\(r = 0.2990\)), y baja con
bmi (\(r = 0.1983\)) y
children (\(r = 0.0680\)),
sin indicios de multicolinealidad alta entre las variables explicativas.
En los gráficos diagnósticos: * Residuals vs Fitted: se
observan agrupaciones o patrones no aleatorios y dispersión variable, lo
que sugiere que la linealidad y la varianza constante (homocedasticidad)
tienen limitaciones. * Q-Q Residuals: los puntos se
apartan de la diagonal en la cola superior, indicando desviaciones
respecto a la normalidad de los residuos. *
Scale-Location: la línea roja no es del todo
horizontal, reforzando indicios de heterocedasticidad. *
Residuals vs Leverage: permite identificar puntos con
mayor influencia o apalancamiento sobre el ajuste del modelo.
confint(modelo, level = 0.95)
## 2.5 % 97.5 %
## (Intercept) -10363.96835 -3468.5183
## age 196.26940 283.7195
## bmi 231.42538 432.7414
## children 36.26142 1049.4679
nuevo_perfil <- data.frame(age = 35, bmi = 28, children = 1)
predict(modelo, newdata = nuevo_perfil, interval = "confidence", level = 0.95)
## fit lwr upr
## 1 11324.76 10640.41 12009.11
predict(modelo, newdata = nuevo_perfil, interval = "prediction", level = 0.95)
## fit lwr upr
## 1 11324.76 -10995.33 33644.85
Los intervalos de confianza al 95% (confint) muestran
que los coeficientes de age ([196.27, 283.72]),
bmi ([231.43, 432.74]) y children ([36.26,
1049.47]) son positivos y no incluyen el cero, lo que respalda su efecto
directo sobre los costos. Para el perfil evaluado
(age = 35, bmi = 28,
children = 1), la estimación puntual es de 11324.76: el
intervalo de confianza para la respuesta media es [10640.41, 12009.11],
mientras que el intervalo de predicción para una observación individual
es [-10995.33, 33644.85], siendo más amplio porque incluye tanto el
error de estimación de la media como la variabilidad individual.
age, bmi y
children muestran un efecto positivo y estadísticamente
significativo (\(p < 0.05\)) sobre
los costos médicos (charges) dentro del modelo
ajustado.age = 35,
bmi = 28, children = 1), el valor estimado es
11324.76, con un intervalo de confianza al \(95\%\) para la media de
[10640.41, 12009.11] y un intervalo de predicción
individual más amplio de [-10995.33, 33644.85].