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
library(broom)
library(ggpubr)

1. Introducción

Para este análisis, utilizaremos la base de datos Global Food Delivery Restaurant Market 2026 obtenida de Kaggle. El objetivo es construir el mejor modelo de regresión lineal simple para explicar el comportamiento de una variable dependiente.

2. Planteamiento del problema

A partir de los registros históricos obtenidos de la base de datos pública Global Food Delivery Enriched Market 2026, la cual recopila información operativa y logística detallada de servicios de entrega de comida a domicilio, se desea analizar la relación lineal existente entre el costo de envío y diversos factores operativos del servicio. Para ello, se extrae una muestra aleatoria de n = 50 pedidos (siguiendo las pautas metodológicas recomendadas) con el propósito de ajustar un modelo de regresión lineal múltiple que permita explicar y predecir el Costo de Envío (Y) en función de la Distancia de Entrega (x1), el Tiempo de Preparación Estimado (x2) y el Índice de Fricción Logística (x3). 1. Estimar la ecuación del plano de mínimos cuadrados ordinarios: \[ Y = \hat{\beta}_0 + \hat{\beta}_1 X_1 + \hat{\beta}_2 X_2 + \hat{\beta}_3 X_3 \] 2. Evaluar la significancia estadística del modelo (Análisis de Varianza) y su bondad de ajuste (coeficiente de correlación r y el coeficiente de determinación R^2) 3. Calcular los intervalos de confianza al 95% para los parámetros del modelo, para la respuesta media y para una predicción individual. 4. Validar el cumplimiento de los supuestos fundamentales de linealidad, homocedasticidad y normalidad de los errores a través de gráficos diagnósticos.

3. Carga de los datos y selección de la muestra

Para el presente análisis, se trabajó con la base de datos la cual contiene información operativa y logística de servicios de entrega a domicilio. Siguiendo las pautas metodológicas establecidas, se extrajo una muestra aleatoria de n=50 observaciones con el fin de garantizar un análisis estadístico viable y representativo.

library(readr)
global_food_delivery_enriched_market_2026 <- read_csv("global_food_delivery_enriched_market_2026.csv")
## Rows: 8000 Columns: 26
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (10): order_id, metro_city, cuisine_category, order_channel, restaurant_...
## dbl (15): order_value_usd, discount_applied_usd, delivery_distance_km, estim...
## lgl  (1): is_peak_hour
## 
## 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.
set.seed(123)
datos_completos <- read.csv("global_food_delivery_enriched_market_2026.csv")
indices_aleatorios <- sample(1:nrow(datos_completos), 50)
datos <- datos_completos[indices_aleatorios, ]
dim(datos)
## [1] 50 26
summary(datos)
##       order_id      metro_city  cuisine_category   order_channel
##  Length   :50   Length   :50   Length   :50      Length   :50   
##  N.unique :50   N.unique :12   N.unique : 7      N.unique : 3   
##  N.blank  : 0   N.blank  : 0   N.blank  : 0      N.blank  : 0   
##  Min.nchar:16   Min.nchar: 5   Min.nchar:15      Min.nchar:11   
##  Max.nchar:16   Max.nchar: 9   Max.nchar:30      Max.nchar:19   
##                                                                 
##  order_value_usd  discount_applied_usd delivery_distance_km
##  Min.   :  3.50   Min.   : 0.000       Min.   : 0.000      
##  1st Qu.: 13.85   1st Qu.: 0.000       1st Qu.: 0.725      
##  Median : 21.30   Median : 1.770       Median : 2.350      
##  Mean   : 35.86   Mean   : 4.519       Mean   : 3.530      
##  3rd Qu.: 51.62   3rd Qu.: 7.090       3rd Qu.: 4.675      
##  Max.   :145.00   Max.   :26.730       Max.   :17.700      
##  estimated_prep_time_min actual_delivery_time_min delivery_fee_usd
##  Min.   : 6.00           Min.   : 0.00            Min.   :0.000   
##  1st Qu.:11.00           1st Qu.: 8.00            1st Qu.:2.230   
##  Median :17.00           Median : 8.00            Median :3.305   
##  Mean   :16.68           Mean   :13.65            Mean   :3.461   
##  3rd Qu.:21.00           3rd Qu.:15.35            3rd Qu.:4.162   
##  Max.   :36.00           Max.   :75.00            Max.   :9.500   
##  customer_rating restaurant_price_tier    is_peak_hour weather_condition
##  Min.   :2.5     Length   :50          Length   :50    Length   :50     
##  1st Qu.:4.0     N.unique : 3          N.unique : 2    N.unique : 4     
##  Median :4.5     N.blank  : 0          N.blank  : 0    N.blank  : 0     
##  Mean   :4.3     Min.nchar: 8          Min.nchar: 4    Min.nchar: 5     
##  3rd Qu.:5.0     Max.nchar:25          Max.nchar: 5    Max.nchar:18     
##  Max.   :5.0                                                            
##  net_effective_order_price discount_percentage delivery_speed_km_per_hr
##  Min.   :  3.62            Min.   : 0.00       Min.   : 0.000          
##  1st Qu.: 14.78            1st Qu.: 0.00       1st Qu.: 5.438          
##  Median : 24.24            Median :11.46       Median :12.725          
##  Mean   : 34.81            Mean   :12.06       Mean   :12.513          
##  3rd Qu.: 47.70            3rd Qu.:21.72       3rd Qu.:17.245          
##  Max.   :148.04            Max.   :32.84       Max.   :39.760          
##  total_fulfillment_time_min delivery_fee_ratio customer_spending_tier
##  Min.   : 6.00              Min.   :0.0000     Length   :50          
##  1st Qu.:18.25              1st Qu.:0.0432     N.unique : 4          
##  Median :27.00              Median :0.1328     N.blank  : 0          
##  Mean   :30.33              Mean   :0.1653     Min.nchar:12          
##  3rd Qu.:35.83              3rd Qu.:0.1906     Max.nchar:23          
##  Max.   :98.00              Max.   :1.1743                           
##  logistics_friction_index estimated_restaurant_net_margin_usd
##  Min.   :0.2000           Min.   :-0.210                     
##  1st Qu.:0.7225           1st Qu.: 4.035                     
##  Median :1.7850           Median : 6.910                     
##  Mean   :2.0608           Mean   :12.154                     
##  3rd Qu.:3.2800           3rd Qu.:17.598                     
##  Max.   :7.7500           Max.   :52.150                     
##  customer_satisfaction_tier primary_satisfaction_driver
##  Length   :50               Length   :50               
##  N.unique : 4               N.unique : 5               
##  N.blank  : 0               N.blank  : 0               
##  Min.nchar:15               Min.nchar:17               
##  Max.nchar:30               Max.nchar:23               
##                                                        
##  cot_market_dynamics_rationale confidence_score
##  Length   : 50                 Min.   :0.9730  
##  N.unique : 50                 1st Qu.:0.9880  
##  N.blank  :  0                 Median :0.9890  
##  Min.nchar:785                 Mean   :0.9876  
##  Max.nchar:862                 3rd Qu.:0.9890  
##                                Max.   :0.9890

Dado que el objetivo es construir un modelo de regresión lineal múltiple para explicar el comportamiento del costo de los domicilios, se seleccionaron las siguientes variables numéricas continuas:

Variable Dependiente (Y) - Costo de Envío (delivery_fee_usd): Representa la tarifa cobrada al cliente por el servicio de entrega. En la muestra analizada, este costo presenta una mediana de 3.461 USD, con un rango que oscila entre un mínimo de 0.00 USD y un máximo de 9.50 USD, reflejando variaciones importantes según las condiciones del pedido.

Variable Independiente 1 (X1) - Distancia de Entrega (delivery_distance_km): Indica los kilómetros recorridos desde el restaurante hasta el destino. La muestra presenta distancias relativamente cortas, con una mediana de 2.35 km y un máximo registrado de 17.70 km.

Variable Independiente 2 (X2) - Tiempo de Preparación Estimado (estimated_prep_time_min): Es el tiempo estimado que tarda el restaurante en alistar el pedido. La mediana de preparación es de 17 minutos, aunque en casos extremos puede llegar hasta los 36 minutos.

Variable Independiente 3 (X3) - Índice de Fricción Logística (logistics_friction_index): Es una métrica que cuantifica las dificultades operativas durante la entrega (como tráfico o clima). Los datos muestran una mediana de 2.06, con valores que llegan hasta 7.75 en los escenarios más complejos.

4. Correlación y supuestos del modelo

4.1 linealidad

variables_modelo <- datos[, c("delivery_fee_usd", "delivery_distance_km", "estimated_prep_time_min", "logistics_friction_index")]
pairs(variables_modelo, 
      main = "Matriz de Dispersión: Variables del Modelo",
      pch = 19, col = "blue")

Para validar el supuesto de linealidad, se construyó una matriz de dispersión con las variables numéricas del modelo. A partir de la observación de los gráficos, se pueden extraer las siguientes conclusiones: 1. Relación Principal (Costo vs. Distancia): Al observar el cruce entre delivery_fee_usd (Costo de envío, fila 1) y delivery_distance_km (Distancia, columna 2), se evidencia una fuerte relación lineal positiva. Los puntos forman una línea diagonal clara, lo que indica que a mayor distancia, mayor es el costo de envío. 2. Relación con el Tiempo y Fricción: En los cruces con estimated_prep_time_min (Tiempo de preparación) y logistics_friction_index (Fricción logística), se observa una nube de puntos más dispersa, pero con una ligera tendencia ascendente. No se aprecian patrones curvos (como formas de U o parábolas), lo que sugiere que la relación sigue siendo lineal, aunque más débil que la distancia. 3. Multicolinealidad: Los gráficos entre las variables independientes (por ejemplo, Distancia vs. Tiempo) muestran una dispersión bastante aleatoria sin líneas rectas marcadas. Esto indica que las variables predictoras no están altamente correlacionadas entre sí, lo que significa que no hay problemas graves de multicolinealidad y cada una aporta información única al modelo.

4.2 Independencia

cor(variables_modelo)
##                          delivery_fee_usd delivery_distance_km
## delivery_fee_usd               1.00000000           0.92551290
## delivery_distance_km           0.92551290           1.00000000
## estimated_prep_time_min        0.04625322          -0.03273153
## logistics_friction_index       0.57096821           0.43809025
##                          estimated_prep_time_min logistics_friction_index
## delivery_fee_usd                      0.04625322                0.5709682
## delivery_distance_km                 -0.03273153                0.4380903
## estimated_prep_time_min               1.00000000                0.4436258
## logistics_friction_index              0.44362580                1.0000000

En el apartado de la independencia: podemos ver cómo se relacionan cada una de las variables contenidas en nuestra base de datos, siendo 1 una relación absoluta directa y a medida que el número decrece es menor la dependencia que tiene una variable con otra.

4.3 Distribución de Frecuencias (Histogramas)

Para evaluar visualmente la distribución de la variable dependiente, se construyó el histograma del Costo de Envío.

hist(variables_modelo$delivery_fee_usd,
     main = "Distribución del Costo de Envío",
     xlab = "Costo de Envío (USD)",
     ylab = "Frecuencia",
     col = "lightblue",       
     border = "black",  
     breaks = 10)

En la gráfica se observa que los datos presentan una asimetría positiva (sesgo a la derecha). Esto significa que la mayor frecuencia de los costos de envío se concentra en los valores bajos (principalmente entre 2 y 4 USD), mientras que existe una cola o “grapa” hacia la derecha compuesta por unos pocos pedidos con costos inusualmente altos (cercanos a los 10 USD).

5. Análisis de Varianza (ANOVA) e Intervalos de Confianza

5.1 NORMALIDAD ANOVA

datos <- read.csv("global_food_delivery_enriched_market_2026.csv")

par(mfrow = c(3, 2))

qqnorm(datos$total_fulfillment_time_min,
       main = "1")
qqline(datos$total_fulfillment_time_min, col = "gray")

qqnorm(datos$order_value_usd,
       main = "2")
qqline(datos$order_value_usd, col = "gray")

qqnorm(datos$delivery_distance_km,
       main = "3")
qqline(datos$delivery_distance_km, col = "gray")

qqnorm(datos$estimated_prep_time_min,
       main = "4")
qqline(datos$estimated_prep_time_min, col = "gray")

qqnorm(datos$customer_rating,
       main = "5")
qqline(datos$customer_rating, col = "gray")

par(mfrow = c(1, 1))

Gráfica 1:

En la gráfica se observa que los datos presentan un comportamiento aproximadamente normal, ya que la mayoría de los puntos se encuentran cercanos a la línea de referencia. Sin embargo, se evidencian pequeñas desviaciones en algunos cuantiles, lo que indica que podría existir una ligera variación respecto a la distribución normal.

Gráfica 2:

En esta gráfica se observa una ligera desviación de los puntos respecto a la línea de referencia, especialmente en los cuantiles centrales. Esto sugiere que los datos podrían presentar algunas diferencias con respecto a una distribución normal, aunque la tendencia general sigue siendo relativamente cercana a la línea.

Gráfica 3:

Se observa que los puntos siguen de manera bastante cercana la línea de referencia, lo que indica que los datos presentan un comportamiento compatible con una distribución normal. No se evidencian desviaciones importantes, por lo que visualmente se considera una de las gráficas con mejor aproximación a la normalidad.

Gráfica 4:

En esta gráfica se identifican mayores desviaciones de los puntos respecto a la línea de referencia, principalmente en los cuantiles centrales. Esto puede indicar posibles alteraciones en la distribución de los datos y una menor aproximación a la distribución normal en comparación con las demás gráficas.

Gráfica 5:

Se observa que la mayoría de los puntos se encuentran próximos a la línea de referencia, mostrando una tendencia aproximadamente lineal. Esto sugiere que los datos presentan un comportamiento compatible con una distribución normal, aunque existen pequeñas desviaciones que deben considerarse.

5.2 Homocedasticidad

install.packages("car")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.6'
## (as 'lib' is unspecified)
library(car)
## Loading required package: carData
## 
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
## 
##     recode
leveneTest(total_fulfillment_time_min ~ order_channel,
           data = datos)
## Warning in leveneTest.default(y = y, group = group, ...): group coerced to
## factor.
## Levene's Test for Homogeneity of Variance (center = median)
##         Df F value    Pr(>F)    
## group    2  474.49 < 2.2e-16 ***
##       7997                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

En la prueba de Levene se obtuvo un estadístico F de 474.49 y un valor p inferior a 2.2e-16. Esto indica que el valor p es menor que 0.05, por lo tanto, se rechaza la hipótesis nula de igualdad de varianzas. Esto significa que existe una diferencia estadísticamente significativa en la variabilidad del tiempo total de procesamiento entre los diferentes canales de pedidos. En consecuencia, no se cumple el supuesto de homocedasticidad, lo que indica la presencia de heterocedasticidad en los datos.

6. Conclusión

El análisis de regresión lineal aplicado al mercado de domicilios evaluó la relación entre variables como distancia, tiempo de entrega, demanda, costos operativos y precio. Los resultados muestran una relación estadísticamente significativa entre los predictores y la variable dependiente, con un R² que indica la proporción de variabilidad explicada por el modelo. Los coeficientes permiten interpretar el cambio promedio en la variable respuesta ante aumentos unitarios en cada predictor (manteniendo las demás constantes), y los p-valores confirman la relevancia de las variables incluidas. Se verificaron los supuestos de linealidad, normalidad, homocedasticidad e independencia mediante los diagnósticos correspondientes.