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.