knitr::opts_chunk$set(echo = TRUE)
library(readxl)
datos <- read_excel("C:\\Users\\Usuario\\Documents\\Maestria en Ciencias de Datos\\Metodos Estadisticos\\EjercicioCaso_HomicidiosDesempleos\\caso.xlsx")
datos
## # A tibble: 40 x 3
## mes desempleo homicidios
## <dbl> <dbl> <dbl>
## 1 1 10.1 52.4
## 2 2 10.3 52.8
## 3 3 10.3 51.6
## 4 4 10.7 66.6
## 5 5 10.9 69.4
## 6 6 10.9 72.7
## 7 7 10.9 74.4
## 8 8 10.9 71.7
## 9 9 11.0 70.7
## 10 10 11.1 81.2
## # ... with 30 more rows
a) Construcción del diagrama de dispersión:
knitr::opts_chunk$set(echo = TRUE)
plot(datos$desempleo,datos$homicidios, main = "Homicidios en función del desempleo", xlab="Desempleo", ylab = "Homicidios",pch = 16)
b) Coeficiente de correlación e interpretación.
knitr::opts_chunk$set(echo = TRUE)
cor(datos$desempleo,datos$homicidios)
## [1] 0.9608183
c) Modelo líneal siemplre e interpretación de la pendiente.
knitr::opts_chunk$set(echo = TRUE)
mod=lm(datos$homicidios~datos$desempleo)
summary(mod)
##
## Call:
## lm(formula = datos$homicidios ~ datos$desempleo)
##
## Residuals:
## Min 1Q Median 3Q Max
## -19.335 -11.928 -4.618 6.006 62.193
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -628.936 35.846 -17.55 <2e-16 ***
## datos$desempleo 63.751 2.983 21.37 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18.06 on 38 degrees of freedom
## Multiple R-squared: 0.9232, Adjusted R-squared: 0.9212
## F-statistic: 456.6 on 1 and 38 DF, p-value: < 2.2e-16
d) Validación de los supuestos del modelo.
knitr::opts_chunk$set(echo = TRUE)
par(mfrow=c(2,2))
plot(mod)
e) Tasa de homicidios para una eventualidad de disminución del desempleo a un nivel de 11%
knitr::opts_chunk$set(echo = TRUE)
data=data.frame(predict(mod,newdata = list(desempleo = 11)))
data
## predict.mod..newdata...list.desempleo...11..
## 1 12.40206
## 2 28.97739
## 3 29.61490
## 4 50.65282
## 5 63.40308
## 6 63.40308
## 7 64.67810
## 8 66.59064
## 9 75.51582
## 10 81.25343
## 11 85.07851
## 12 94.64120
## 13 99.10379
## 14 113.12907
## 15 122.05425
## 16 122.05425
## 17 125.24181
## 18 128.42938
## 19 134.80450
## 20 134.80450
## 21 136.07953
## 22 141.81714
## 23 142.45466
## 24 147.55476
## 25 150.74232
## 26 167.95517
## 27 168.59268
## 28 169.86770
## 29 176.88034
## 30 176.88034
## 31 180.70542
## 32 187.08055
## 33 187.08055
## 34 200.46832
## 35 201.10583
## 36 203.65588
## 37 210.03101
## 38 235.53152
## 39 239.35659
## 40 264.85710
mod$fitted.values
## 1 2 3 4 5 6 7 8
## 12.40206 28.97739 29.61490 50.65282 63.40308 63.40308 64.67810 66.59064
## 9 10 11 12 13 14 15 16
## 75.51582 81.25343 85.07851 94.64120 99.10379 113.12907 122.05425 122.05425
## 17 18 19 20 21 22 23 24
## 125.24181 128.42938 134.80450 134.80450 136.07953 141.81714 142.45466 147.55476
## 25 26 27 28 29 30 31 32
## 150.74232 167.95517 168.59268 169.86770 176.88034 176.88034 180.70542 187.08055
## 33 34 35 36 37 38 39 40
## 187.08055 200.46832 201.10583 203.65588 210.03101 235.53152 239.35659 264.85710