1. Introducción

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.

2. Planteamiento del problema

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.

3. Selección de la muestra y visualización de datos

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:

4. Análisis de Varianza (ANOVA)

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.

5. Análisis Exploratorio y Prueba de Linealidad

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.

6. Intervalos de confianza y predicción

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.

7. Conclusiones