1. Modelo de regresión y 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.

2. Correlación y supuestos del modelo

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.

3. Intervalos de confianza

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.