1 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

2 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

3 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.

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

4 Desarrollo

4.1 Cargar librerías

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

4.2 Cargar datos

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

4.3 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

4.3.1 Limpiar datos

Quitar las primeras columnas

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

4.3.2 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

4.3.3 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.

4.4 Limpiar datos

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

4.5 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(1283)

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, ]

4.5.1 Datos de entrenamiento

datos.entrenamiento

##        TV Radio Newspaper        Web Sales
## 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
## 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
## 12  214.7  24.0       4.0 164.971764  17.4
## 13   23.8  35.1      65.9  87.921085   9.2
## 14   97.5   7.6       7.2 173.658035   9.7
## 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
## 19   69.2  20.5      18.3 210.489910  11.3
## 20  147.3  23.9      19.1 268.735384  14.6
## 23   13.2  15.9      49.6 219.882776   5.6
## 26  262.9   3.5      19.5 160.562859  12.0
## 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
## 30   70.6  16.0      40.8  61.324362  10.5
## 31  292.9  28.3      43.2 121.464347  21.4
## 33   97.2   1.5      30.0 139.781089   9.6
## 34  265.6  20.0       0.3  94.207255  17.4
## 35   95.7   1.4       7.4 321.174609   9.5
## 36  290.7   4.1       8.5 181.983424  12.8
## 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
## 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
## 47   89.7   9.9      35.7 216.504015  10.6
## 49  227.2  15.8      49.9  75.269182  14.8
## 50   66.9  11.7      36.8 205.253501   9.7
## 51  199.8   3.1      34.6 151.990733  11.4
## 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
## 56  198.9  49.4      60.0 204.418927  23.7
## 57    7.3  28.1      41.4 121.328525   5.5
## 58  136.2  19.2      16.6  60.454355  13.2
## 59  210.8  49.6      37.7  32.411740  23.8
## 60  210.7  29.5       9.3 138.895554  18.4
## 62  261.3  42.7      54.7 224.832039  24.2
## 64  102.7  29.6       8.4 183.009750  14.0
## 65  131.1  42.8      28.9 124.382228  18.0
## 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
## 72  109.8  14.3      31.7 151.990733  12.4
## 73   26.8  33.0      19.3 211.990907   8.8
## 76   16.9  43.7      89.4  70.234282   8.7
## 78  120.5  28.5      14.2  97.455125  14.2
## 79    5.4  29.9       9.4   4.308085   5.3
## 81   76.4  26.7      22.3 268.151320  11.8
## 82  239.8   4.1      36.9 169.946395  12.3
## 83   75.3  20.3      32.5 231.209829  11.3
## 84   68.4  44.5      35.6  78.393104  13.6
## 85  213.5  43.0      33.8 191.868374  21.7
## 87   76.3  27.5      16.0 193.830894  12.0
## 88  110.7  40.6      63.2 107.430521  16.0
## 90  109.8  47.8      51.4 162.727890  16.7
## 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
## 96  163.3  31.6      52.9 155.594877  16.9
## 98  184.9  21.0      22.0 253.300721  15.5
## 102 296.4  36.3     100.9  61.005251  23.8
## 103 280.2  10.1      21.4  49.808451  14.8
## 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
## 113 175.7  15.4       2.4  71.682551  14.1
## 114 209.6  20.6      10.7  42.883796  15.9
## 116  75.1  35.0      52.7 204.276714  12.6
## 117 139.2  14.3      25.6 234.183118  12.2
## 118  76.4   0.8      14.8 234.384501   9.4
## 121 141.3  26.8      46.2  65.525461  15.5
## 122  18.8  21.7      50.4  63.854924   7.0
## 123 224.0   2.4      15.6  89.515821  11.6
## 124 123.1  34.6      12.4  15.757191  15.2
## 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
## 129 220.3  49.0       3.2 187.437060  24.7
## 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
## 139  43.0  25.9      20.5 181.368740   9.6
## 141  73.4  17.0      12.9 174.772137  10.9
## 143 220.5  33.2      37.9   6.007436  20.1
## 146 140.3   1.9       9.0 231.883385  10.3
## 147 240.1   7.3       8.7  23.496943  13.2
## 149  38.0  40.3      11.9  75.207978  10.9
## 151 280.7  13.9      37.0  81.040617  16.1
## 152 121.0   8.4      48.7 103.255212  11.6
## 153 197.6  23.3      14.2 159.522559  16.6
## 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
## 160 131.7  18.4      34.6 196.370304  12.9
## 162  85.7  35.8      49.3 188.933530  13.3
## 163 188.4  18.1      25.6 158.461520  14.9
## 164 163.5  36.8       7.4  82.228794  18.0
## 165 117.2  14.7       5.4 109.008763  11.9
## 166 234.5   3.4      84.8 135.024909  11.9
## 167  17.9  37.6      21.6  99.936953   8.0
## 168 206.8   5.2      19.4 115.371957  12.2
## 169 215.4  23.6      57.6 203.431267  17.1
## 170 284.3  10.6       6.4 157.900110  15.0
## 171  50.0  11.6      18.4  64.014805   8.4
## 172 164.5  20.9      47.4  96.180391  14.5
## 173  19.6  20.1      17.0 155.583662   7.6
## 174 168.4   7.1      12.8 218.180829  11.7
## 176 276.9  48.9      41.8 151.990733  27.0
## 177 248.4  30.2      20.3 163.852044  20.2
## 178 170.2   7.8      35.2 104.917344  11.7
## 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
## 184 287.6  43.0      71.8 154.309725  26.2
## 185 253.8  21.3      30.0 181.579051  17.6
## 186 205.0  45.1      19.6 208.692690  22.6
## 190  18.7  12.1      23.4 222.906951   6.7
## 191  39.5  41.1       5.8 219.890583  10.8
## 194 166.8  42.0       3.6 192.246211  19.6
## 196  38.2   3.7      13.8 248.841073   7.6
## 197  94.2   4.9       8.1 118.041856   9.7
## 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

4.5.2 Datos de validación

datos.validacion

##        TV Radio Newspaper       Web Sales
## 1   230.1  37.8      69.2 306.63475  22.1
## 3    17.2  45.9      69.3  49.49891   9.3
## 6     8.7  48.9      75.0  22.07240   7.2
## 8   120.2  19.6      11.6 229.97146  13.2
## 11   66.1   5.8      24.2  45.35903   8.6
## 18  281.4  39.6      55.8  41.75531  24.4
## 21  218.4  27.7      53.4  59.96055  18.0
## 22  237.4   5.1      23.5 296.95207  12.5
## 24  228.3  16.9      26.2  51.17007  15.5
## 25   62.3  12.6      18.3 256.96524   9.7
## 32  112.9  17.4      38.6 295.88399  11.9
## 39   43.1  26.7      35.1 122.75359  10.1
## 40  228.0  37.7      32.0 196.48327  21.5
## 42  177.0  33.4      38.7 147.85932  17.1
## 44  206.9   8.4      26.4 213.60961  12.9
## 48  239.9  41.5      18.5 105.96291  23.2
## 55  262.7  28.8      15.9 324.61518  20.2
## 61   53.5   2.0      21.4  39.21715   8.1
## 63  239.3  15.5      27.3 312.20956  15.7
## 66   69.0   9.3       0.9 205.99349   9.3
## 70  216.8  43.9      27.2 149.39610  22.3
## 71  199.1  30.6      38.7 210.75214  18.3
## 74  129.4   5.7      31.3  61.30619  11.0
## 75  213.4  24.6      13.1 156.28426  17.0
## 77   27.5   1.6      20.7 117.10193   6.9
## 80  116.0   7.7      23.1 120.05350  11.0
## 86  193.2  18.4      65.7 223.57879  15.2
## 89   88.3  25.5      73.4 260.10193  12.9
## 95  107.4  14.0      10.9 151.99073  11.5
## 97  197.6   3.5       5.9 139.83054  11.7
## 99  289.7  42.3      51.2 183.56958  25.4
## 100 135.2  41.7      45.9  40.60035  17.2
## 101 222.4   4.3      49.8 125.62714  11.7
## 104 187.9  17.2      17.9  97.08863  14.7
## 112 241.7  38.0      23.2 180.51153  21.8
## 115  78.2  46.8      34.5  76.77043  14.6
## 119 125.7  36.9      79.2 187.84041  15.9
## 120  19.4  16.0      22.3 112.89261   6.6
## 125 229.5  32.3      74.2  88.08072  19.7
## 132 265.2   2.9      43.0 172.15666  12.7
## 140 184.9  43.9       1.7 106.25383  20.7
## 142 193.7  35.4      75.6 152.28494  19.2
## 144 104.6   5.7      34.4 336.57109  10.4
## 145  96.2  14.8      38.9 157.44005  11.4
## 148 243.2  49.0      44.3 151.99073  25.4
## 150  44.7  25.8      20.6 235.62245  10.1
## 158 149.8   1.3      24.3 145.80321  10.1
## 159  11.7  36.9      45.2 185.86608   7.3
## 161 172.5  18.1      30.7 207.49680  14.4
## 175 222.4   3.4      13.1 144.52566  11.5
## 179 276.7   2.3      23.7 137.32377  11.8
## 180 165.6  10.0      17.6 151.99073  12.6
## 187 139.5   2.1      26.6 236.74404  10.3
## 188 191.1  28.7      18.2 239.27571  17.3
## 189 286.0  13.9       3.7 151.99073  15.9
## 192  75.5  10.8       6.0 301.48119   9.9
## 193  17.2   4.1      31.6 265.02864   5.9
## 195 149.7  35.6       6.0  99.57998  17.3

4.6 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 
## -8.5890 -0.9158  0.1829  1.2256  2.8236 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 1.998981   0.487516   4.100 7.04e-05 ***
## TV          0.046625   0.001630  28.606  < 2e-16 ***
## Radio       0.187365   0.010233  18.310  < 2e-16 ***
## Newspaper   0.003444   0.006778   0.508   0.6122    
## Web         0.004345   0.001902   2.284   0.0239 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.682 on 137 degrees of freedom
## Multiple R-squared:  0.9012, Adjusted R-squared:  0.8984 
## F-statistic: 312.5 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%.

4.7 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.

4.8 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
## 1   230.1  37.8      69.2 306.63475  22.1    21.380335
## 3    17.2  45.9      69.3  49.49891   9.3    11.854720
## 6     8.7  48.9      75.0  22.07240   7.2    11.920978
## 8   120.2  19.6      11.6 229.97146  13.2    12.314748
## 11   66.1   5.8      24.2  45.35903   8.6     6.448027
## 18  281.4  39.6      55.8  41.75531  24.4    22.912539
## 21  218.4  27.7      53.4  59.96055  18.0    17.816336
## 22  237.4   5.1      23.5 296.95207  12.5    15.394394
## 24  228.3  16.9      26.2  51.17007  15.5    16.122512
## 25   62.3  12.6      18.3 256.96524   9.7     8.443944
## 32  112.9  17.4      38.6 295.88399  11.9    11.941525
## 39   43.1  26.7      35.1 122.75359  10.1     9.665368
## 40  228.0  37.7      32.0 196.48327  21.5    20.657017
## 42  177.0  33.4      38.7 147.85932  17.1    17.285291
## 44  206.9   8.4      26.4 213.60961  12.9    14.238539
## 48  239.9  41.5      18.5 105.96291  23.2    21.484084
## 55  262.7  28.8      15.9 324.61518  20.2    21.108580
## 61   53.5   2.0      21.4  39.21715   8.1     5.112235
## 63  239.3  15.5      27.3 312.20956  15.7    17.510956
## 66   69.0   9.3       0.9 205.99349   9.3     7.856655
## 70  216.8  43.9      27.2 149.39610  22.3    21.075379
## 71  199.1  30.6      38.7 210.75214  18.3    18.064322
## 74  129.4   5.7      31.3  61.30619  11.0     9.474395
## 75  213.4  24.6      13.1 156.28426  17.0    17.282067
## 77   27.5   1.6      20.7 117.10193   6.9     4.160997
## 80  116.0   7.7      23.1 120.05350  11.0     9.451338
## 86  193.2  18.4      65.7 223.57879  15.2    15.652086
## 89   88.3  25.5      73.4 260.10193  12.9    12.276600
## 95  107.4  14.0      10.9 151.99073  11.5    10.327500
## 97  197.6   3.5       5.9 139.83054  11.7    12.495699
## 99  289.7  42.3      51.2 183.56958  25.4    24.405687
## 100 135.2  41.7      45.9  40.60035  17.2    16.450302
## 101 222.4   4.3      49.8 125.62714  11.7    13.891376
## 104 187.9  17.2      17.9  97.08863  14.7    14.465976
## 112 241.7  38.0      23.2 180.51153  21.8    21.252294
## 115  78.2  46.8      34.5  76.77043  14.6    14.866114
## 119 125.7  36.9      79.2 187.84041  15.9    15.862379
## 120  19.4  16.0      22.3 112.89261   6.6     6.468619
## 125 229.5  32.3      74.2  88.08072  19.7    19.389558
## 132 265.2   2.9      43.0 172.15666  12.7    15.803349
## 140 184.9  43.9       1.7 106.25383  20.7    19.312785
## 142 193.7  35.4      75.6 152.28494  19.2    18.584969
## 144 104.6   5.7      34.4 336.57109  10.4     9.524662
## 145  96.2  14.8      38.9 157.44005  11.4    10.075296
## 148 243.2  49.0      44.3 151.99073  25.4    23.332010
## 150  44.7  25.8      20.6 235.62245  10.1    10.011763
## 158 149.8   1.3      24.3 145.80321  10.1     9.944131
## 159  11.7  36.9      45.2 185.86608   7.3    10.421444
## 161 172.5  18.1      30.7 207.49680  14.4    14.440331
## 175 222.4   3.4      13.1 144.52566  11.5    13.678460
## 179 276.7   2.3      23.7 137.32377  11.8    16.009319
## 180 165.6  10.0      17.6 151.99073  12.6    12.314695
## 187 139.5   2.1      26.6 236.74404  10.3    10.016800
## 188 191.1  28.7      18.2 239.27571  17.3    17.388647
## 189 286.0  13.9       3.7 151.99073  15.9    18.611214
## 192  75.5  10.8       6.0 301.48119   9.9     8.873178
## 193  17.2   4.1      31.6 265.02864   5.9     4.829381
## 195 149.7  35.6       6.0  99.57998  17.3    16.102262

4.9 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] 1.62739

4.10 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")

4.11 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 
## 20.56528 17.89353

5 Interpretación

Pendiente …

Con este modelo y con estos datos interprete lo siguiente:

¿Cuál es el contexto de los datos?

Ventas de productos según lo invertido en publicidad, ya sea en televisión, radio, periódico e internet.

¿Cuántas observaciones se analizan y cuáles son las variables de interés?

Hay 200 observaciones y 5 variables de interés

¿Cuáles son las variables independientes y dependientes?

Las variables independientes son: TV. Radio, Newspaper y Web.

La variable dependiente es: Sales

¿Cuál es el porcentaje de datos de entrenamiento y datos de validación ?

70% entrenamiento, 30% validación

¿Son los coeficientes confiables al menos al 90% para hacer predicciones?,

¿Cuál nivel de confianza para cada coeficiente?
¿Que valor tiene el estadístico el R Square ajustado y que representa o qué significa?

0.8984, expresa que hay buen ajuste entre los datos reales y los datos modelados de predicción

¿Cuál es el valor de RMSE y qué significaría este valor

1.62739, es una forma útil de ver qué tan bien un modelo de regresión puede ajustarse a un conjunto de datos.

¿Puede haber otro modelo más óptimo para estos datos? Si
¿Que tan confiables son las predicciones con datos nuevos con este modelo y con estos datos?

Caso 3. Regresión Lineal Múltiple. Advertising en R

Adolfo Moreno Hernández

2022-09-29