Caso 3 Regresión Lineal Múltiple Advertising R

Objetivo

Crear y evaluar un modelo de regresión lineal múltiple para predecir las ventas con datos simulados de una empresa dependiendo de las inversiones realizadas en publicidad

Descripción

• Cargar librerías y datos
• Limpiar datos si es necesario
• Explorar datos
• Partir los datos en datos de entrenamiento y datos de validación 70% y 30%
• Crear modelo de regresión con los datos de entrenamiento
• Evaluar modelo antes de predicciones con los estadísticos. R Square ajustado y Coeficientes
• El modelo se acepta si presenta un valor de R Square ajustado por encima del 70%
• Predicciones
• Evaluar predicciones con respecto a datos reales
• Determinar el estadístico rmse para evaluar con respecto a otros modelos
• Interpretar el caso

Fundamento teórico

En la mayoría de los problemas de investigación en los que se aplica el análisis de regresión se necesita más de una variable independiente para el modelo de regresión.

La complejidad de la mayoría de mecanismos científicos es tal que, con el fin de predecir una respuesta importante, se requiere un modelo de regresión múltiple. Cuando un modelo es lineal en los coeficientes se denomina modelo de regresión lineal múltiple.

Para el caso de k variables independientes, \(x_1,x_2,x_3…,x_k\), y \(y\) como la variable dependiente.

\(x_1, x_2, x_3,...,x_k\) son las variable s que afectan a la variable dependiente en el modelo de regresión lineal múltiple.

Muchos problemas de investigación y de la industria, requieren la estimación de las relaciones existentes entre el patrón de variabilidad de una variable aleatoria y los valores de una o más variables aleatorias. [@urrutiamosquera2011]

Al generar un modelo de regresión lineal múltiple es importante identificar los estadísticos de R2, que se denomina coeficiente de determinación y es una medida de la proporción de la variabilidad explicada por el modelo ajustado.

De igual forma, el valor de R2 ajustado (R Square Adjusted) o coeficiente de determinación ajustado, es una variación de R2 que proporciona un ajuste para los grados de libertad [@walpole2012].

El estadístico R Ajustado está diseñado para proporcionar un estadístico que castigue un modelo sobreajustado, de manera que se puede esperar que favorezca al modelo [@walpole2012].

Una variable Y puede predecirse conforme y de acuerdo con la siguiente fórmula de la regresión múltiple.

\[ Y = b_0 + b_1{x_1} + b_2{x_2} + b_3{x_3}+ …..b_k{x_k} \]

Desarrollo

Cargar librerías

library(readr) # Para importar datos
library(dplyr)
library(ggplot2)
# library(plotly) # no se está usando
library(knitr)
library(PerformanceAnalytics) # Para correlaciones gráficas
library(caret)  # Para particionar
library(Metrics) # Para determinar rmse
library(PerformanceAnalytics) # Para cor gráfica
library(kableExtra)

Cargar datos

datos <- read.csv("https://raw.githubusercontent.com/rpizarrog/Analisis-Inteligente-de-datos/main/datos/Advertising_Web.csv")

Explorar datos

str(datos)

## 'data.frame':    200 obs. of  7 variables:
##  $ X.1      : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ X        : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ TV       : num  230.1 44.5 17.2 151.5 180.8 ...
##  $ Radio    : num  37.8 39.3 45.9 41.3 10.8 48.9 32.8 19.6 2.1 2.6 ...
##  $ Newspaper: num  69.2 45.1 69.3 58.5 58.4 75 23.5 11.6 1 21.2 ...
##  $ Web      : num  306.6 302.7 49.5 257.8 195.7 ...
##  $ Sales    : num  22.1 10.4 9.3 18.5 12.9 7.2 11.8 13.2 4.8 10.6 ...

summary(datos)

##       X.1               X                TV             Radio       
##  Min.   :  1.00   Min.   :  1.00   Min.   :  0.70   Min.   : 0.000  
##  1st Qu.: 50.75   1st Qu.: 50.75   1st Qu.: 74.38   1st Qu.: 9.975  
##  Median :100.50   Median :100.50   Median :149.75   Median :22.900  
##  Mean   :100.50   Mean   :100.50   Mean   :147.04   Mean   :23.264  
##  3rd Qu.:150.25   3rd Qu.:150.25   3rd Qu.:218.82   3rd Qu.:36.525  
##  Max.   :200.00   Max.   :200.00   Max.   :296.40   Max.   :49.600  
##    Newspaper           Web              Sales      
##  Min.   :  0.30   Min.   :  4.308   Min.   : 1.60  
##  1st Qu.: 12.75   1st Qu.: 99.049   1st Qu.:10.38  
##  Median : 25.75   Median :156.862   Median :12.90  
##  Mean   : 30.55   Mean   :159.587   Mean   :14.02  
##  3rd Qu.: 45.10   3rd Qu.:212.312   3rd Qu.:17.40  
##  Max.   :114.00   Max.   :358.247   Max.   :27.00

Limpiar datos

Quitar las primeras columnas

datos <- select(datos, TV, Radio, Newspaper, Web, Sales)

Correlaciones lineal entre variables

cor(datos)

##                   TV       Radio   Newspaper         Web      Sales
## TV        1.00000000  0.05480866  0.05664787  0.01257597 0.78222442
## Radio     0.05480866  1.00000000  0.35410375 -0.12267338 0.57622257
## Newspaper 0.05664787  0.35410375  1.00000000 -0.05775877 0.22829903
## Web       0.01257597 -0.12267338 -0.05775877  1.00000000 0.00210779
## Sales     0.78222442  0.57622257  0.22829903  0.00210779 1.00000000

chart.Correlation(datos)

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

## Warning in par(usr): argument 1 does not name a graphical parameter

Las variables de interés

• x’s las variable independientes o predictoras son TV, Radio, Newspaper y Web
• y la variable dependiente o resultado (Sales), es decir que depende de las variables x’s.

Limpiar datos

En caso necesario. No se observan datos extraños …. porque son pocos.

Partir datos

Aleatoriamente se reparten las observaciones con el 70% para datos de entrenamiento y el 30% para datos de validación.

Sembrar una semilla con set.seed()

set.seed(1301)

n <- nrow(datos)  # cantidad de observaciones

entrena <- createDataPartition(y = datos$Sales, p = 0.70, list = FALSE, times = 1)
# Datos entrenamiento
datos.entrenamiento <- datos[entrena, ]  # [renglones, columna]
# Datos validación
datos.validacion <- datos[-entrena, ]

Datos de entrenamiento

datos.entrenamiento

##        TV Radio Newspaper        Web Sales
## 1   230.1  37.8      69.2 306.634752  22.1
## 2    44.5  39.3      45.1 302.653070  10.4
## 4   151.5  41.3      58.5 257.816893  18.5
## 5   180.8  10.8      58.4 195.660076  12.9
## 6     8.7  48.9      75.0  22.072395   7.2
## 7    57.5  32.8      23.5 246.811598  11.8
## 9     8.6   2.1       1.0 144.617385   4.8
## 10  199.8   2.6      21.2 111.272264  10.6
## 11   66.1   5.8      24.2  45.359029   8.6
## 12  214.7  24.0       4.0 164.971764  17.4
## 13   23.8  35.1      65.9  87.921085   9.2
## 15  204.1  32.9      46.0 245.774960  19.0
## 16  195.4  47.7      52.9 148.095134  22.4
## 17   67.8  36.6     114.0 202.638903  12.5
## 18  281.4  39.6      55.8  41.755313  24.4
## 19   69.2  20.5      18.3 210.489910  11.3
## 21  218.4  27.7      53.4  59.960554  18.0
## 22  237.4   5.1      23.5 296.952070  12.5
## 24  228.3  16.9      26.2  51.170073  15.5
## 25   62.3  12.6      18.3 256.965240   9.7
## 27  142.9  29.3      12.6 275.512483  15.0
## 28  240.1  16.7      22.9 228.157437  15.9
## 29  248.8  27.1      22.9 318.644967  18.9
## 31  292.9  28.3      43.2 121.464347  21.4
## 32  112.9  17.4      38.6 295.883989  11.9
## 33   97.2   1.5      30.0 139.781089   9.6
## 34  265.6  20.0       0.3  94.207255  17.4
## 37  266.9  43.8       5.0  96.316829  25.4
## 38   74.7  49.4      45.7  56.536223  14.7
## 41  202.5  22.3      31.6  88.212823  16.6
## 42  177.0  33.4      38.7 147.859324  17.1
## 43  293.6  27.7       1.8 174.716820  20.7
## 45   25.1  25.7      43.3 245.764410   8.5
## 46  175.1  22.5      31.5  62.809264  14.9
## 48  239.9  41.5      18.5 105.962913  23.2
## 49  227.2  15.8      49.9  75.269182  14.8
## 50   66.9  11.7      36.8 205.253501   9.7
## 52  100.4   9.6       3.6  41.335255  10.7
## 53  216.4  41.7      39.6 161.802512  22.6
## 54  182.6  46.2      58.7 176.050052  21.2
## 57    7.3  28.1      41.4 121.328525   5.5
## 60  210.7  29.5       9.3 138.895554  18.4
## 62  261.3  42.7      54.7 224.832039  24.2
## 63  239.3  15.5      27.3 312.209555  15.7
## 64  102.7  29.6       8.4 183.009750  14.0
## 66   69.0   9.3       0.9 205.993485   9.3
## 67   31.5  24.6       2.2 216.471397   9.5
## 68  139.3  14.5      10.2 207.661990  13.4
## 69  237.4  27.5      11.0 291.548597  18.9
## 70  216.8  43.9      27.2 149.396103  22.3
## 71  199.1  30.6      38.7 210.752142  18.3
## 73   26.8  33.0      19.3 211.990907   8.8
## 74  129.4   5.7      31.3  61.306191  11.0
## 78  120.5  28.5      14.2  97.455125  14.2
## 79    5.4  29.9       9.4   4.308085   5.3
## 80  116.0   7.7      23.1 120.053504  11.0
## 81   76.4  26.7      22.3 268.151320  11.8
## 83   75.3  20.3      32.5 231.209829  11.3
## 85  213.5  43.0      33.8 191.868374  21.7
## 86  193.2  18.4      65.7 223.578793  15.2
## 87   76.3  27.5      16.0 193.830894  12.0
## 88  110.7  40.6      63.2 107.430521  16.0
## 89   88.3  25.5      73.4 260.101928  12.9
## 91  134.3   4.9       9.3 258.355488  11.2
## 92   28.6   1.5      33.0 172.467947   7.3
## 93  217.7  33.5      59.0 150.962754  19.4
## 94  250.9  36.5      72.3 202.102158  22.2
## 95  107.4  14.0      10.9 151.990733  11.5
## 97  197.6   3.5       5.9 139.830544  11.7
## 98  184.9  21.0      22.0 253.300721  15.5
## 100 135.2  41.7      45.9  40.600350  17.2
## 101 222.4   4.3      49.8 125.627143  11.7
## 102 296.4  36.3     100.9  61.005251  23.8
## 104 187.9  17.2      17.9  97.088630  14.7
## 105 238.2  34.3       5.3 112.155489  20.7
## 106 137.9  46.4      59.0 138.762632  19.2
## 107  25.0  11.0      29.7  15.938208   7.2
## 108  90.4   0.3      23.2 261.380879   8.7
## 109  13.1   0.4      25.6 252.391353   5.3
## 110 255.4  26.9       5.5 273.454125  19.8
## 111 225.8   8.2      56.5  95.185762  13.4
## 115  78.2  46.8      34.5  76.770428  14.6
## 116  75.1  35.0      52.7 204.276714  12.6
## 117 139.2  14.3      25.6 234.183118  12.2
## 119 125.7  36.9      79.2 187.840415  15.9
## 120  19.4  16.0      22.3 112.892609   6.6
## 121 141.3  26.8      46.2  65.525461  15.5
## 122  18.8  21.7      50.4  63.854924   7.0
## 124 123.1  34.6      12.4  15.757191  15.2
## 125 229.5  32.3      74.2  88.080721  19.7
## 126  87.2  11.8      25.9 121.090982  10.6
## 127   7.8  38.9      50.6 209.471977   6.6
## 128  80.2   0.0       9.2 358.247042   8.8
## 130  59.6  12.0      43.1 197.196554   9.7
## 131   0.7  39.6       8.7 162.902591   1.6
## 133   8.4  27.2       2.1 238.055219   5.7
## 134 219.8  33.5      45.1 171.478018  19.6
## 135  36.9  38.6      65.6  81.246748  10.8
## 136  48.3  47.0       8.5  61.227323  11.6
## 137  25.6  39.0       9.3  77.230797   9.5
## 138 273.7  28.9      59.7 288.260611  20.8
## 142 193.7  35.4      75.6 152.284937  19.2
## 143 220.5  33.2      37.9   6.007436  20.1
## 144 104.6   5.7      34.4 336.571095  10.4
## 145  96.2  14.8      38.9 157.440047  11.4
## 146 140.3   1.9       9.0 231.883385  10.3
## 148 243.2  49.0      44.3 151.990733  25.4
## 149  38.0  40.3      11.9  75.207978  10.9
## 150  44.7  25.8      20.6 235.622449  10.1
## 151 280.7  13.9      37.0  81.040617  16.1
## 154 171.3  39.7      37.7 155.016224  19.0
## 155 187.8  21.1       9.5  63.071208  15.6
## 156   4.1  11.6       5.7 113.270712   3.2
## 157  93.9  43.5      50.5  74.361939  15.3
## 159  11.7  36.9      45.2 185.866079   7.3
## 160 131.7  18.4      34.6 196.370304  12.9
## 161 172.5  18.1      30.7 207.496801  14.4
## 162  85.7  35.8      49.3 188.933530  13.3
## 163 188.4  18.1      25.6 158.461520  14.9
## 165 117.2  14.7       5.4 109.008763  11.9
## 168 206.8   5.2      19.4 115.371957  12.2
## 169 215.4  23.6      57.6 203.431267  17.1
## 174 168.4   7.1      12.8 218.180829  11.7
## 178 170.2   7.8      35.2 104.917344  11.7
## 180 165.6  10.0      17.6 151.990733  12.6
## 181 156.6   2.6       8.3 122.116470  10.5
## 182 218.5   5.4      27.4 162.387486  12.2
## 183  56.2   5.7      29.7  42.199287   8.7
## 185 253.8  21.3      30.0 181.579051  17.6
## 186 205.0  45.1      19.6 208.692690  22.6
## 187 139.5   2.1      26.6 236.744035  10.3
## 188 191.1  28.7      18.2 239.275713  17.3
## 189 286.0  13.9       3.7 151.990733  15.9
## 190  18.7  12.1      23.4 222.906951   6.7
## 191  39.5  41.1       5.8 219.890583  10.8
## 192  75.5  10.8       6.0 301.481194   9.9
## 193  17.2   4.1      31.6 265.028644   5.9
## 195 149.7  35.6       6.0  99.579981  17.3
## 196  38.2   3.7      13.8 248.841073   7.6
## 198 177.0   9.3       6.4 213.274671  12.8
## 199 283.6  42.0      66.2 237.498063  25.5
## 200 232.1   8.6       8.7 151.990733  13.4

Datos de validación

datos.validacion

##        TV Radio Newspaper       Web Sales
## 3    17.2  45.9      69.3  49.49891   9.3
## 8   120.2  19.6      11.6 229.97146  13.2
## 14   97.5   7.6       7.2 173.65804   9.7
## 20  147.3  23.9      19.1 268.73538  14.6
## 23   13.2  15.9      49.6 219.88278   5.6
## 26  262.9   3.5      19.5 160.56286  12.0
## 30   70.6  16.0      40.8  61.32436  10.5
## 35   95.7   1.4       7.4 321.17461   9.5
## 36  290.7   4.1       8.5 181.98342  12.8
## 39   43.1  26.7      35.1 122.75359  10.1
## 40  228.0  37.7      32.0 196.48327  21.5
## 44  206.9   8.4      26.4 213.60961  12.9
## 47   89.7   9.9      35.7 216.50402  10.6
## 51  199.8   3.1      34.6 151.99073  11.4
## 55  262.7  28.8      15.9 324.61518  20.2
## 56  198.9  49.4      60.0 204.41893  23.7
## 58  136.2  19.2      16.6  60.45435  13.2
## 59  210.8  49.6      37.7  32.41174  23.8
## 61   53.5   2.0      21.4  39.21715   8.1
## 65  131.1  42.8      28.9 124.38223  18.0
## 72  109.8  14.3      31.7 151.99073  12.4
## 75  213.4  24.6      13.1 156.28426  17.0
## 76   16.9  43.7      89.4  70.23428   8.7
## 77   27.5   1.6      20.7 117.10193   6.9
## 82  239.8   4.1      36.9 169.94640  12.3
## 84   68.4  44.5      35.6  78.39310  13.6
## 90  109.8  47.8      51.4 162.72789  16.7
## 96  163.3  31.6      52.9 155.59488  16.9
## 99  289.7  42.3      51.2 183.56958  25.4
## 103 280.2  10.1      21.4  49.80845  14.8
## 112 241.7  38.0      23.2 180.51153  21.8
## 113 175.7  15.4       2.4  71.68255  14.1
## 114 209.6  20.6      10.7  42.88380  15.9
## 118  76.4   0.8      14.8 234.38450   9.4
## 123 224.0   2.4      15.6  89.51582  11.6
## 129 220.3  49.0       3.2 187.43706  24.7
## 132 265.2   2.9      43.0 172.15666  12.7
## 139  43.0  25.9      20.5 181.36874   9.6
## 140 184.9  43.9       1.7 106.25383  20.7
## 141  73.4  17.0      12.9 174.77214  10.9
## 147 240.1   7.3       8.7  23.49694  13.2
## 152 121.0   8.4      48.7 103.25521  11.6
## 153 197.6  23.3      14.2 159.52256  16.6
## 158 149.8   1.3      24.3 145.80321  10.1
## 164 163.5  36.8       7.4  82.22879  18.0
## 166 234.5   3.4      84.8 135.02491  11.9
## 167  17.9  37.6      21.6  99.93695   8.0
## 170 284.3  10.6       6.4 157.90011  15.0
## 171  50.0  11.6      18.4  64.01480   8.4
## 172 164.5  20.9      47.4  96.18039  14.5
## 173  19.6  20.1      17.0 155.58366   7.6
## 175 222.4   3.4      13.1 144.52566  11.5
## 176 276.9  48.9      41.8 151.99073  27.0
## 177 248.4  30.2      20.3 163.85204  20.2
## 179 276.7   2.3      23.7 137.32377  11.8
## 184 287.6  43.0      71.8 154.30972  26.2
## 194 166.8  42.0       3.6 192.24621  19.6
## 197  94.2   4.9       8.1 118.04186   9.7

Construir el modelo

El modelo se construye con datos de entrenamiento

Modelo de Regresión Múltiple o Multivarido

\[ Y <- \beta_0 + \beta_1 \cdot X_1 + \beta_2\cdot X_2 +\beta\cdot X_3 +...+ \beta_n\cdot X_n \]

modelo_rm <- lm(data = datos.entrenamiento, formula = Sales ~ TV + Radio + Newspaper + Web)
summary(modelo_rm)

## 
## Call:
## lm(formula = Sales ~ TV + Radio + Newspaper + Web, data = datos.entrenamiento)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -7.9940 -0.7156  0.1874  1.0701  2.5838 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 2.329261   0.454634   5.123 9.99e-07 ***
## TV          0.048369   0.001541  31.383  < 2e-16 ***
## Radio       0.168224   0.010114  16.633  < 2e-16 ***
## Newspaper   0.006248   0.006334   0.986   0.3257    
## Web         0.003161   0.001643   1.923   0.0565 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.541 on 137 degrees of freedom
## Multiple R-squared:  0.9143, Adjusted R-squared:  0.9118 
## F-statistic: 365.4 on 4 and 137 DF,  p-value: < 2.2e-16

Los coeficientes TV y Radio presentan niveles de confianza por encima del 99.9%; Newspaper no presenta un nivel de confianza por encima del 90%, por lo cual puede pensarse en despreciar esa variable para futuros análisis; el coeficiente para WEB presenta un nivel de confianza del 95%.

Evaluar el modelo antes de predicciones

Fómula Rsquare Ajustado

El valor del R Square se interpreta que tanto las variables la variabilidad de las ventas. El valor del R Square ajustado es expresa que hay buen ajuste entre los datos reales y los datos modelados de predicción [@urrutiamosquera2011].

El valor de R Square ajustado en este modelo sobrepasa el 85% que significa que las variables independientes representan o explican aproximadamente el 85% el valor de la variable dependiente (Sales).

Ese valor, se compara contra un métrica inicial esperada que seguramente se define para hablar de que si esta conforme a lo esperado. Por ejemplo se esperaba que este valor estuviera por encima del 70% de tal forma que el modelo si cumple con esa expectativa y el modelo se acepta.

Hacer predicciones

Se hacen predicciones con los datos de validación.

predicciones <- predict(object = modelo_rm, newdata = datos.validacion)
# predicciones

Construir un data frame llamado comparaciones para comparar los datos reales contra los datos predichos y servirán para identificar el estadístico rmse.

comparaciones <- data.frame(datos.validacion, predicciones)
comparaciones

##        TV Radio Newspaper       Web Sales predicciones
## 3    17.2  45.9      69.3  49.49891   9.3    11.472138
## 8   120.2  19.6      11.6 229.97146  13.2    12.239712
## 14   97.5   7.6       7.2 173.65804   9.7     8.917574
## 20  147.3  23.9      19.1 268.73538  14.6    14.443250
## 23   13.2  15.9      49.6 219.88278   5.6     6.647353
## 26  262.9   3.5      19.5 160.56286  12.0    16.263533
## 30   70.6  16.0      40.8  61.32436  10.5     8.884435
## 35   95.7   1.4       7.4 321.17461   9.5     8.255002
## 36  290.7   4.1       8.5 181.98342  12.8    17.708094
## 39   43.1  26.7      35.1 122.75359  10.1     9.512826
## 40  228.0  37.7      32.0 196.48327  21.5    20.520359
## 44  206.9   8.4      26.4 213.60961  12.9    14.589943
## 47   89.7   9.9      35.7 216.50402  10.6     9.240700
## 51  199.8   3.1      34.6 151.99073  11.4    13.211420
## 55  262.7  28.8      15.9 324.61518  20.2    21.005936
## 56  198.9  49.4      60.0 204.41893  23.7    21.281076
## 58  136.2  19.2      16.6  60.45435  13.2    12.441798
## 59  210.8  49.6      37.7  32.41174  23.8    21.207341
## 61   53.5   2.0      21.4  39.21715   8.1     5.511102
## 65  131.1  42.8      28.9 124.38223  18.0    16.444109
## 72  109.8  14.3      31.7 151.99073  12.4    10.724212
## 75  213.4  24.6      13.1 156.28426  17.0    17.365295
## 76   16.9  43.7      89.4  70.23428   8.7    11.278656
## 77   27.5   1.6      20.7 117.10193   6.9     4.428006
## 82  239.8   4.1      36.9 169.94640  12.3    15.385520
## 84   68.4  44.5      35.6  78.39310  13.6    13.593872
## 90  109.8  47.8      51.4 162.72789  16.7    16.516749
## 96  163.3  31.6      52.9 155.59488  16.9    16.366079
## 99  289.7  42.3      51.2 183.56958  25.4    24.357701
## 103 280.2  10.1      21.4  49.80845  14.8    17.872422
## 112 241.7  38.0      23.2 180.51153  21.8    21.128017
## 113 175.7  15.4       2.4  71.68255  14.1    13.659881
## 114 209.6  20.6      10.7  42.88380  15.9    16.135193
## 118  76.4   0.8      14.8 234.38450   9.4     6.992479
## 123 224.0   2.4      15.6  89.51582  11.6    13.948021
## 129 220.3  49.0       3.2 187.43706  24.7    21.840317
## 132 265.2   2.9      43.0 172.15666  12.7    16.457320
## 139  43.0  25.9      20.5 181.36874   9.6     9.467443
## 140 184.9  43.9       1.7 106.25383  20.7    19.004158
## 141  73.4  17.0      12.9 174.77214  10.9     9.372327
## 147 240.1   7.3       8.7  23.49694  13.2    15.299291
## 152 121.0   8.4      48.7 103.25521  11.6    10.225607
## 153 197.6  23.3      14.2 159.52256  16.6    16.399482
## 158 149.8   1.3      24.3 145.80321  10.1    10.406260
## 164 163.5  36.8       7.4  82.22879  18.0    16.734353
## 166 234.5   3.4      84.8 135.02491  11.9    15.200321
## 167  17.9  37.6      21.6  99.93695   8.0     9.971112
## 170 284.3  10.6       6.4 157.90011  15.0    18.402754
## 171  50.0  11.6      18.4  64.01480   8.4     7.016394
## 172 164.5  20.9      47.4  96.18039  14.5    14.401974
## 173  19.6  20.1      17.0 155.58366   7.6     7.256547
## 175 222.4   3.4      13.1 144.52566  11.5    14.197096
## 176 276.9  48.9      41.8 151.99073  27.0    24.690320
## 177 248.4  30.2      20.3 163.85204  20.2    20.069167
## 179 276.7   2.3      23.7 137.32377  11.8    16.681948
## 184 287.6  43.0      71.8 154.30972  26.2    24.410116
## 194 166.8  42.0       3.6 192.24621  19.6    18.092710
## 197  94.2   4.9       8.1 118.04186   9.7     8.133596

Evaluar predicciones

rmse Root Mean Stándard Error (Root-mean-square deviation), este valor normalmente se compara contra otro modelo y el que esté mas cerca de cero es mejor.

La raiz del Error Cuadrático Medio (rmse) es una métrica que dice qué tan lejos están los valores predichos de los valores observados o reales en un análisis de regresión, en promedio. Se calcula como:

\[ rmse = \sqrt{\frac{\sum(predicho_i - real_i)^{2}}{n}} \]

RMSE es una forma útil de ver qué tan bien un modelo de regresión puede ajustarse a un conjunto de datos.

Cuanto mayor sea el rmse, mayor será la diferencia entre los valores predichos y reales, lo que significa que peor se ajusta un modelo de regresión a los datos. Por el contrario, cuanto más pequeño sea el rmse, mejor podrá un modelo ajustar los datos.

rmse <- rmse(actual = comparaciones$Sales, predicted = comparaciones$predicciones)
rmse

## [1] 2.04446

Graficar prediciones contra valores reales

El gráfico lineal en color azul refleja las predicciones reales y en color amarillo las predicciones hechas por el modelo, las diferencias son las que se cocentran en el estadístico rmse.

ggplot(data = comparaciones) +
  geom_line(aes(x = 1:nrow(comparaciones), y = Sales), col='blue') +
  geom_line(aes(x = 1:nrow(comparaciones), y = predicciones), col='yellow') +
  ggtitle(label="Valores reales vs predichos Adverstising") 

Predicciones con datos nuevos

Se hacen predicciones con datos nuevos.

TV <- c(140, 160)
Radio <- c(60, 40)
Newspaper <- c(80, 90) 
Web <- c(120, 145)
  
nuevos <- data.frame(TV, Radio, Newspaper, Web)  
nuevos

##    TV Radio Newspaper Web
## 1 140    60        80 120
## 2 160    40        90 145

Y.predicciones <- predict(object = modelo_rm, newdata = nuevos)
Y.predicciones

##        1        2 
## 20.07348 17.81786

Interpretación

Con este modelo y con estos datos interprete lo siguiente:

• ¿Cuál es el contexto de los datos? una empresa ficticia registra sus ventas en base al modo de publicidad que tiene, y tomaremos en cuenta las ventas en contra de los medios, en este caso: tv, radio, periodicos y web. Al Crear y evaluar un modelo de regresión lineal múltiple se podrán predecir las ventas dependiendo de las inversiones realizadas en publicidad.

• ¿Cuántas observaciones se analizan y cuáles son las variables de interés? Se observa que el modelo arrojó resultados favorables y aceptables, en base a las ventas y a las variables tv, radio, periodicos, web. Nos interesa el resultado de R Square y de RMSE.

• ¿Cuáles son las variables independientes y dependientes? dependiente: ventas, independiente: tv, radio, periodicos, web.

• ¿Cuál es el porcentaje de datos de entrenamiento y datos de validación ? se tiene que el 70% son de entrenamiento y el 30% de validación.

• ¿Son los coeficientes confiables al menos al 90% para hacer predicciones? si, representa un 0.9076 es decir un 90%.

• ¿Cuál nivel de confianza para cada coeficiente? Los coeficientes TV y Radio presentan niveles de confianza por encima del 99.9%; Newspaper y WEB presentan por otra parte un nivel de confianza del 95%.

• ¿Que valor tiene el estadístico el R Square ajustado y que representa o qué significa? resultó en un valor de 0.9118, R Square representa la prediccion de los datos, con eso se pueden predecir futuros resultados y cúanta varianza explica el modelo utilizado.

• ¿Cuál es el valor de RMSE y qué significaría este valor? resultó un valor de 2.04446, representa una forma útil de verificar qué tan bien un modelo de regresión puede ajustarse a un conjunto de datos. Proporciona además una mejor forma de encontrar la estimación, en caso de que los errores sean aleatorios o parciales.

• ¿Puede haber otro modelo más óptimo para estos datos? se tendría que comparar con otros resultados realizados en este mismo modelo para generar una conclusion, sobre si es óptimo o no lo es.

• ¿Que tan confiables son las predicciones con datos nuevos con este modelo y con estos datos? Son aceptables, pero comparadas con los resultados generados en Python, este se queda un poco corto

Bibliografía