INTRODUCCIÓN El objetivo de este trabajo es de realizar un análisis con respecto a sus calificaciones influenciado por valores independientes como lo son las horas que invierten en estudiar y tambien las horas de asistencia a clase durante aproximadamente 20 dias habiles. Está información será probada a pritr de un modelo de regresión lineal que nos indicará que tan implicados están estas dos propiedades con respecto a las calificaciones de los estudiantes.
Estos datos fueron recopilados mediante una encuesta vía google forms donde solo se respondian a estas tres preguntas, algúnos parametros tomados en cuenta fueron que fueran estudiantes mayores a los 14 años y que podían escoger la materia de su elección. La base de datos fue registrada automaticamente por la plataforma y exportada hacia un documento de excel para un manejo más sencillo. La base de datos recopila información de 50 estudiantes cartageneros lo que amplia la exactitud de ciertas graficas y valores. En este proyecto no solo se utilizara un modelo de regresión lineal multiple, tambien se tiene en cuenta la normalidad, la independencia, la linealidad, la homocedasticidad y ANOVA sobre los datos obtenidos.
Paquetes necesarios para regresión múltiple
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)
library(readr)
Datos
Datos50 <- read_csv("Datos50.csv")
## Rows: 50 Columns: 3
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (3): Horas_estudio, Asistencia, Calificacion
##
## 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.
summary(Datos50)
## Horas_estudio Asistencia Calificacion
## Min. : 1.300 Min. : 60.00 Min. :2.500
## 1st Qu.: 3.600 1st Qu.: 70.25 1st Qu.:3.050
## Median : 7.100 Median : 82.50 Median :3.500
## Mean : 7.248 Mean : 80.94 Mean :3.526
## 3rd Qu.:10.125 3rd Qu.: 92.00 3rd Qu.:3.900
## Max. :14.600 Max. :100.00 Max. :4.800
En este apartado se encuentra la recopilación de los datos, con valores relevantes como la mediana, la media, los datos mayor y menor y los cuartiles.
- Para las horas de estudio la variabilidad de los valoras se encuentra entre 1.3 hasta 14,6 horas, con 1Qu en 3.6 y el 3Qu en 10.125; La mediana se encuentra en 7.1 y el promedio de estas horas invertidas fue de 7.249. Rango intercuartilico= 10.125-3.6= 6.525. Desviación cuartil= 6.525/2= 3.2625.
- Para las Asistencias la variabilidad de los valoras se encuentra entre 60 hasta 100 horas, con 1Qu en 70.25 y el 3Qu en 92; La mediana se encuentra en 82.5 y el promedio de estas horas invertidas fue de 80.94. Rango intercuartilico= 92-70.25= 21.75. Desviación cuartil= 21.75/2= 10.875.
- Para las Calificaciones la variabilidad de los valoras se encuentra entre 2.5 hasta 4.8 de nota final, con 1Qu en 3.05 y el 3Qu en 3.9; La mediana se encuentra en 3.5 y el promedio de estas horas invertidas fue de 3.526. Rango intercuartilico= 3.9-3.05= 0.85. Desviación cuartil= 0.85/2= 0.425.
Independencia
cor(Datos50)
## Horas_estudio Asistencia Calificacion
## Horas_estudio 1.0000000 0.1279212 0.8237539
## Asistencia 0.1279212 1.0000000 0.5563738
## Calificacion 0.8237539 0.5563738 1.0000000
cor(Datos50$Horas_estudio,Datos50$Asistencia)
## [1] 0.1279212
Normalidad
hist(Datos50$Calificacion)
Linealidad
pairs(Datos50)
plot(Calificacion ~ Horas_estudio, data=Datos50)
plot(Calificacion ~ Asistencia, data=Datos50)
Se observa que los datos presentan una relación lineal positiva entre
las variables Horas_estudio y Calificación, ya que, a medida que
aumentan las horas de estudio, también tiende a aumentar la calificación
obtenida. Se evidencia una tendencia creciente entre ambas variables,
con una dispersión moderada de los datos. Por tanto, se puede inferir
que existe una correlación positiva entre las variables, lo que sugiere
que dedicar más horas al estudio está asociado con mejores
calificaciones.
Por otro lado, tambien se analiza que los datos presentan una relación lineal positiva entre las variables Asistencia y Calificación, ya que, a medida que aumenta el porcentaje de asistencia, también tiende a aumentar la calificación. Por tanto, se evidencia una tendencia creciente entre ambas variables, aunque existe cierta dispersión en los datos. Esto sugiere una posible correlación positiva entre las variables; sin embargo, no es posible determinar la normalidad de los datos únicamente mediante el diagrama de dispersión.
Homocedasticidad
# Modelo de regresion lineal multiple
Calificacion.lm <- lm(Calificacion ~ Horas_estudio + Asistencia,
data = Datos50)
# Graficos de diagnostico del modelo
par(mfrow=c(2,2))
plot(Calificacion.lm)
par(mfrow=c(1,1))
En residuos frente a valores ajustados se observó que los puntos se repartieron alrededor de cero y la línea roja se mantuvo bastante plana, por lo que la linealidad se vio adecuada, aunque los casos 13, 18 y 38 quedaron más arriba. En el Q-Q plot se vio que los datos siguieron la diagonal en el centro y se desviaron hacia arriba en la cola derecha por esos mismos puntos. En Scale-Location la línea roja se mantuvo casi plana sin abrirse en embudo, lo que mostró homocedasticidad salvo por esos tres casos arriba. En residuos frente al apalancamiento se analizó que todos tuvieron apalancamiento bajo y ninguno pasó de 0.5 en distancia de Cook, así que los casos 13 y 38 resaltaron pero no afectaron el ajuste.
Con los intervalos de confianza de los coeficientes se observó el rango donde cayeron las pendientes y, al no incluir cero, se confirmó que el estudio y la asistencia sí influyeron en la nota. Con el intervalo de confianza de la respuesta media se analizó el rango de la calificación promedio para ese perfil, el cual se vio más angosto. Finalmente, con el intervalo de predicción de una sola respuesta se determinó el rango de la nota de un estudiante en particular, que se vio más ancho debido a la variación individual. Grafico del modelo
# Crear valores para las variables predictoras
plotting.data <- expand.grid(
Horas_estudio = seq(min(Datos50$Horas_estudio),
max(Datos50$Horas_estudio),
length.out=30),
Asistencia = c(min(Datos50$Asistencia),
mean(Datos50$Asistencia),
max(Datos50$Asistencia))
)
# Obtener predicciones del modelo
plotting.data$predicted.y <- predict.lm(
Calificacion.lm,
newdata=plotting.data
)
# Convertir asistencia en factor para diferenciar las lineas
plotting.data$Asistencia <- round(plotting.data$Asistencia, 2)
plotting.data$Asistencia <- as.factor(plotting.data$Asistencia)
# Grafico de dispersion
calificacion.plot <- ggplot(
Datos50,
aes(x=Horas_estudio, y=Calificacion)
) +
geom_point(size=2)
calificacion.plot
Linea de tendencia
calificacion.plot <- calificacion.plot +
geom_line(
data=plotting.data,
aes(x=Horas_estudio,
y=predicted.y,
color=Asistencia,
group=Asistencia),
linewidth=1.25
)
calificacion.plot
calificacion.plot <- calificacion.plot +
theme_bw() +
labs(
title="Calificacion segun horas de estudio y asistencia",
x="Horas de estudio",
y="Calificacion",
color="Asistencia"
)
calificacion.plot
Ecuacion del modelo
# Mostrar los coeficientes de la regresion
coef(Calificacion.lm)
## (Intercept) Horas_estudio Asistencia
## 0.89539086 0.11005596 0.02264546
# Construir la ecuacion automaticamente
cat(
"Calificacion = ",
round(coef(Calificacion.lm)[1], 4),
" + ",
round(coef(Calificacion.lm)[2], 4),
" * Horas_estudio + ",
round(coef(Calificacion.lm)[3], 4),
" * Asistencia"
)
## Calificacion = 0.8954 + 0.1101 * Horas_estudio + 0.0226 * Asistencia
Calificacion = 0.8954 + 0.1101 * Horas_estudio + 0.0226 * Asistencia
ANOVA
# Analisis de varianza del modelo
anova(Calificacion.lm)
## Analysis of Variance Table
##
## Response: Calificacion
## Df Sum Sq Mean Sq F value Pr(>F)
## Horas_estudio 1 11.2210 11.2210 278.185 < 2.2e-16 ***
## Asistencia 1 3.4194 3.4194 84.772 4.296e-12 ***
## Residuals 47 1.8958 0.0403
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
En el análisis de varianza se observó que tanto Horas de estudio como Asistencia resultaron altamente significativos para explicar la Calificacion de los 50 estudiantes. Para Horas de estudio se obtuvo una suma de cuadrados de 11.221, un valor F de 278.185 y un valor p menor a \(2.2 \times 10^{-16}\), lo que mostró un aporte muy fuerte en la variación de las notas. Por su parte, Asistencia presentó una suma de cuadrados de 3.4194, un valor F de 84.772 y un valor p de \(4.296 \times 10^{-12}\), confirmando también su efecto significativo en el modelo. Finalmente, los residuos quedaron con 47 grados de libertad, una suma de cuadrados de 1.8958 y un cuadrado medio de 0.0403, lo que se vio como una variabilidad residual baja frente a la explicada por ambas variables.