Producción
Ivanna Garza
2022-09-30
Limpieza de Datos
Importar la base de datos producción de la empresa FORM
producciontotal <- read.csv("/Users/ivannagarza/Desktop/TEC/7 SEMESTRE/RETO/BD Producción csv.csv")Entender la base de datos
str(producciontotal)## 'data.frame': 5410 obs. of 17 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ No. : chr "1" "2" "3" "4" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ ID.FORM : chr "" "N.A." "CORTE." "ST-026-13892" ...
## $ PRODUCTO : chr "STABOMAT 643920. CAJA IMP. CORTE. AZUL.PC0011. ( 2 Pza/Caja)." "KR55006. CAJA IMP. AZUL. CORTE. ( 1 pieza)." "241B KIT. EXPORT. INSERTO CON INSERTO. CORTE para Troquel." "MOPAR GDE. 754549. CAJA IMP. NEGRA. PC0022. ( PC0043: solo si autoriza Calidad). ( 1 Pieza). CORTE." ...
## $ PIEZAS.PROG. : chr "200" "100" "216" "100" ...
## $ TMO..MIN. : chr "20" "15" "20" "10" ...
## $ HR..FIN : chr "9:20" "9:35" "9:55" "10:05" ...
## $ ESTACION.ARRANQUE : chr "C1" "C1" "C1" "C1" ...
## $ Laminas.procesadas : chr "402" "134" "110" "100" ...
## $ INICIO.SEP.UP : chr "9:05" "10:05" "9:40" "11.2" ...
## $ FIN.INICIO.DE.SEP.UP: chr "9.1" "10:16" "9:43" "11:26" ...
## $ INICIO.de.PROCESO : chr "9:12" "10.17" "9:45" "11:30" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...
## $ TIEMPO.MATERIALES : int NA NA NA 7 NA NA NA NA NA NA ...
## $ MERMAS.Maquinas. : chr "" "" "" "" ...Eliminar columnas irrelevantes para el análisis
producciontotal <- subset (producciontotal,select = -c(No., ID.FORM , PRODUCTO, HR..FIN , ESTACION.ARRANQUE , INICIO.SEP.UP ,FIN.INICIO.DE.SEP.UP , INICIO.de.PROCESO , TIEMPO.MATERIALES , MERMAS.Maquinas. ))
summary (producciontotal)## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Length:5410 Length:5410 Length:5410 Length:5410
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD
## Length:5410 Length:5410 Length:5410
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :characterInstalar librerias necesarias
# install.packages("tibble")
library(tibble)Cambiar a entero las variables cuantitativas
producciontotal$PIEZAS.PROG. <- substr(producciontotal$PIEZAS.PROG., start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 402 10:04 1
## 2 15/07/22 STABILUS 1 10 15 134 11:05 1
## 3 15/07/22 STABILUS 1 21 20 110 9.57 1
## 4 15/07/22 STABILUS 1 10 10 100 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 402 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 501/501 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$PIEZAS.PROG. <- as.integer(producciontotal$PIEZAS.PROG.)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : chr "20" "15" "20" "10" ...
## $ Laminas.procesadas: chr "402" "134" "110" "100" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$TMO..MIN. <- substr(producciontotal$TMO..MIN., start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <chr> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 402 10:04 1
## 2 15/07/22 STABILUS 1 10 15 134 11:05 1
## 3 15/07/22 STABILUS 1 21 20 110 9.57 1
## 4 15/07/22 STABILUS 1 10 10 100 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 402 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 501/501 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$TMO..MIN. <- as.integer(producciontotal$TMO..MIN.)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: chr "402" "134" "110" "100" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$Laminas.procesadas <- substr(producciontotal$Laminas.procesadas, start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <int> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 40 10:04 1
## 2 15/07/22 STABILUS 1 10 15 13 11:05 1
## 3 15/07/22 STABILUS 1 21 20 11 9.57 1
## 4 15/07/22 STABILUS 1 10 10 10 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 40 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 50 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$Laminas.procesadas <- as.integer(producciontotal$Laminas.procesadas)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$TIEMPO.CALIDAD <- substr(producciontotal$TIEMPO.CALIDAD, start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <int> <int> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 40 10:04 1
## 2 15/07/22 STABILUS 1 10 15 13 11:05 1
## 3 15/07/22 STABILUS 1 21 20 11 9.57 1
## 4 15/07/22 STABILUS 1 10 10 10 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 40 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 50 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$TIEMPO.CALIDAD <- as.integer(producciontotal$TIEMPO.CALIDAD)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : int 1 1 1 1 1 1 1 1 1 2 ...Convertir formato de la fecha
producciontotal$Fecha <- as.Date(producciontotal$Fecha, format = "%d/%m/%Y")
tibble(producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.proces…¹ FIN.d…² TIEMP…³
## <date> <chr> <int> <int> <int> <chr> <int>
## 1 0022-07-15 STABILUS 1 20 20 40 10:04 1
## 2 0022-07-15 STABILUS 1 10 15 13 11:05 1
## 3 0022-07-15 STABILUS 1 21 20 11 9.57 1
## 4 0022-07-15 STABILUS 1 10 10 10 11:49 1
## 5 0022-07-15 YANFENG 20 10 51 12:31 1
## 6 0022-07-15 TRMX 20 20 40 2:00 1
## 7 0022-07-15 STABILUS 1 10 10 22 2.44 1
## 8 0022-07-15 YANFENG 12 10 13 3:00 1
## 9 0022-07-15 YANFENG 32 10 33 2:12 1
## 10 0022-07-15 YANFENG 50 60 50 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹Laminas.procesadas,
## # ²FIN.de.PROCESO, ³TIEMPO.CALIDADConvertir variable “Cliente” para análisis descriptivo
producciontotal$CLIENTE<-as.factor(producciontotal$CLIENTE)
str(producciontotal)## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : Date, format: "0022-07-15" "0022-07-15" ...
## $ CLIENTE : Factor w/ 12 levels "","DENSO","HANON SYSTEMS",..: 6 6 6 6 12 8 6 12 12 12 ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : int 1 1 1 1 1 1 1 1 1 2 ...Identificar valores faltantes
sum(is.na(producciontotal))## [1] 4283¿Cuántos NA tengo por variable?
sapply(producciontotal, function(x) sum (is.na(x)))## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## 0 1 117 1528
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD
## 1227 0 1410Reemplazar los registros NA de la tabla con la mediana
Instalar paquetes y librerias necesarias
# install.packages("dplyr")
library(dplyr)producciontotal<-producciontotal %>% mutate(PIEZAS.PROG.=ifelse(is.na(PIEZAS.PROG.),median(PIEZAS.PROG.,na.rm=T),PIEZAS.PROG.))
producciontotal<-producciontotal %>% mutate(TMO..MIN.=ifelse(is.na(TMO..MIN.),median(TMO..MIN.,na.rm=T),TMO..MIN.))
producciontotal<-producciontotal %>% mutate(laminas_procesadas=ifelse(is.na(Laminas.procesadas),median(Laminas.procesadas,na.rm=T),Laminas.procesadas))
producciontotal<-producciontotal %>% mutate(TIEMPO.CALIDAD=ifelse(is.na(TIEMPO.CALIDAD),median(TIEMPO.CALIDAD,na.rm=T),TIEMPO.CALIDAD))Verificar la suma de NAs
sum(is.na(producciontotal))## [1] 1228sapply(producciontotal, function(x) sum (is.na(x)))## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## 0 1 0 0
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD laminas_procesadas
## 1227 0 0 0Omitir los valores irrelevantes identificados
producciontotal <- na.omit(producciontotal)
summary(producciontotal) ## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Min. :0022-07-15 STABILUS 1:1354 Min. : 1.0 Min. : 0
## 1st Qu.:0022-08-03 TRMX : 704 1st Qu.:14.0 1st Qu.:15
## Median :0022-08-19 STABILUS 3: 642 Median :20.0 Median :20
## Mean :0022-08-19 YANFENG : 506 Mean :27.8 Mean :22
## 3rd Qu.:0022-09-05 DENSO : 414 3rd Qu.:40.0 3rd Qu.:25
## Max. :0022-09-21 VARROC : 315 Max. :99.0 Max. :90
## (Other) : 247
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD laminas_procesadas
## Min. : 0.00 Length:4182 Min. : 0.0000 Min. : 0.00
## 1st Qu.: 0.00 Class :character 1st Qu.: 1.0000 1st Qu.: 0.00
## Median :20.00 Mode :character Median : 1.0000 Median :20.00
## Mean :21.87 Mean : 0.9173 Mean :21.87
## 3rd Qu.:33.00 3rd Qu.: 1.0000 3rd Qu.:33.00
## Max. :98.00 Max. :25.0000 Max. :98.00
## sum(is.na(producciontotal))## [1] 0Exportar base de datos
write.csv(producciontotal,"producciontotal.csv", row.names=FALSE)summary (producciontotal)## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Min. :0022-07-15 STABILUS 1:1354 Min. : 1.0 Min. : 0
## 1st Qu.:0022-08-03 TRMX : 704 1st Qu.:14.0 1st Qu.:15
## Median :0022-08-19 STABILUS 3: 642 Median :20.0 Median :20
## Mean :0022-08-19 YANFENG : 506 Mean :27.8 Mean :22
## 3rd Qu.:0022-09-05 DENSO : 414 3rd Qu.:40.0 3rd Qu.:25
## Max. :0022-09-21 VARROC : 315 Max. :99.0 Max. :90
## (Other) : 247
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD laminas_procesadas
## Min. : 0.00 Length:4182 Min. : 0.0000 Min. : 0.00
## 1st Qu.: 0.00 Class :character 1st Qu.: 1.0000 1st Qu.: 0.00
## Median :20.00 Mode :character Median : 1.0000 Median :20.00
## Mean :21.87 Mean : 0.9173 Mean :21.87
## 3rd Qu.:33.00 3rd Qu.: 1.0000 3rd Qu.:33.00
## Max. :98.00 Max. :25.0000 Max. :98.00
## Identificar el análisis estadístico por variable
library (psych)
describe(producciontotal$PIEZAS.PROG.)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 4182 27.8 19.25 20 24.61 14.83 1 99 98 1.49 2.04 0.3describe(producciontotal$TMO..MIN.)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 4182 22 11.75 20 20.02 7.41 0 90 90 2.17 6.79 0.18describe(producciontotal$Laminas.procesadas)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 4182 21.87 21.82 20 18.73 28.17 0 98 98 1.11 0.76 0.34describe(producciontotal$TIEMPO.CALIDAD)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 4182 0.92 1.16 1 0.84 0 0 25 25 9.07 125.95 0.02Visualización
¿Cuál es el cliente con mayor tiempo de calidad?
producciontotal2<-producciontotal %>% select(CLIENTE,PIEZAS.PROG.,TIEMPO.CALIDAD) %>% group_by(CLIENTE) %>% summarise(across(everything(),mean,na.rm=TRUE)) %>% arrange(desc(PIEZAS.PROG.))producciontotal3<- producciontotal2[-c(10),]library (ggplot2)
ggplot(producciontotal3, aes(x=reorder(CLIENTE,PIEZAS.PROG.), y=PIEZAS.PROG., fill=(TIEMPO.CALIDAD))) +
geom_bar(stat="identity")+
coord_flip()+
guides(fill=guide_legend(reverse=FALSE))
¿Cuál es el cliente que más piezas programadas tiene en la empresa?
producciontotal4<-producciontotal3 %>% select(CLIENTE,PIEZAS.PROG.) %>% group_by(CLIENTE) %>% summarise(PIEZAS.PROG.=sum(PIEZAS.PROG.)) %>% arrange(desc(PIEZAS.PROG.))
ggplot(producciontotal4, aes(x=reorder(CLIENTE,PIEZAS.PROG.), y=PIEZAS.PROG.)) +
geom_bar(stat="identity")+
coord_flip()
En los gráficos anteriores podemos observar como el cliente que más piezas programadas tiene, “YANFENG” se le dedica un tiempo de calidad de 1.1 minuto, siendo casi el tiempo mínimo de dedicación. Mientras que el cliente VL-017-1486 es el cliente el cual tiene casi la mitad de piezas programadas que YANFENG sin embargo al que más tiempo se le dedica. Por lo que se puede inferir que sus piezas pudieran ser de mucho márgen de error.
Modelo predictivo
Importar la base de datos y entenderla
externa <- read.csv("/Users/ivannagarza/Desktop/TEC/7 SEMESTRE/RETO/us_motor_production_and_domestic_sales.csv")
summary(externa)## Year Total_Production Production_Passenger_Cars
## Min. :2007 Min. : 5710 Min. :1924
## 1st Qu.:2010 1st Qu.: 8709 1st Qu.:2745
## Median :2014 Median :10823 Median :3382
## Mean :2014 Mean :10077 Mean :3326
## 3rd Qu.:2017 3rd Qu.:11268 3rd Qu.:4061
## Max. :2020 Max. :12179 Max. :4369
## NA's :8 NA's :8 NA's :8
## Production_Commercial_Vehicles Domestic_Sales Sales_Passenger_Cars
## Min. :3514 Min. : 7868 Min. :2560
## 1st Qu.:5820 1st Qu.:10474 1st Qu.:3865
## Median :6891 Median :12583 Median :4542
## Mean :6751 Mean :11996 Mean :4491
## 3rd Qu.:8095 3rd Qu.:13669 3rd Qu.:5184
## Max. :8512 Max. :14128 Max. :5610
## NA's :8 NA's :8 NA's :8
## Sales_Commercial_Vehicles US_Unemployment US_Consumer_Confidence
## Min. : 4309 Min. :3.680 Min. :63.75
## 1st Qu.: 6088 1st Qu.:4.685 1st Qu.:73.02
## Median : 7634 Median :5.980 Median :82.83
## Mean : 7505 Mean :6.430 Mean :82.29
## 3rd Qu.: 8964 3rd Qu.:8.088 3rd Qu.:92.67
## Max. :10133 Max. :9.610 Max. :98.37
## NA's :8 NA's :8 NA's :8
## US_Min_Hour_Wage
## Min. :5.500
## 1st Qu.:7.250
## Median :7.250
## Mean :7.025
## 3rd Qu.:7.250
## Max. :7.250
## NA's :8Instalar librerias necesarias
library(jtools)
library(lmtest)
library(car)
library(olsrr) Realizar regresión 1
regresion <- lm(Production_Commercial_Vehicles ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion)##
## Call:
## lm(formula = Production_Commercial_Vehicles ~ US_Unemployment +
## US_Consumer_Confidence + US_Min_Hour_Wage, data = externa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1198.1 -257.4 109.0 286.7 623.0
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2217.25 2387.79 -0.929 0.3750
## US_Unemployment -226.91 159.03 -1.427 0.1841
## US_Consumer_Confidence 82.82 28.06 2.952 0.0145 *
## US_Min_Hour_Wage 514.11 387.30 1.327 0.2139
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 525.3 on 10 degrees of freedom
## (8 observations deleted due to missingness)
## Multiple R-squared: 0.9082, Adjusted R-squared: 0.8807
## F-statistic: 32.99 on 3 and 10 DF, p-value: 1.692e-05Analizar el comportamiento de las variables independientes en la regresión
effect_plot(regresion,pred=US_Consumer_Confidence,interval=TRUE)
effect_plot(regresion,pred=US_Unemployment,interval=TRUE)
effect_plot(regresion,pred=US_Min_Hour_Wage,interval=TRUE)
Siendo la Producción de Autos Comerciales mi variable dependiente, vemos como el salario, la confianza del consumidor y el desempleo generan cambios en ella. Es decir, podemos ver que la que mayor impacto tiene es la confianza del consumidor debido a que valor p esta abajo del 10%, e incluso podemos ver su comportamiento en la gráfica como si la producción sube, la confianza del consumidor sube de igual manera.
Realizar regresión 2
regresion2 <- lm(Production_Passenger_Cars ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion2)##
## Call:
## lm(formula = Production_Passenger_Cars ~ US_Unemployment + US_Consumer_Confidence +
## US_Min_Hour_Wage, data = externa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1096.8 -600.5 -162.9 763.0 1154.1
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6399.886 4071.397 1.572 0.147
## US_Unemployment -194.101 271.160 -0.716 0.490
## US_Consumer_Confidence -22.272 47.840 -0.466 0.652
## US_Min_Hour_Wage 1.058 660.387 0.002 0.999
##
## Residual standard error: 895.7 on 10 degrees of freedom
## (8 observations deleted due to missingness)
## Multiple R-squared: 0.09057, Adjusted R-squared: -0.1823
## F-statistic: 0.3319 on 3 and 10 DF, p-value: 0.8026Analizar el comportamiento de las variables independientes en la regresión
effect_plot(regresion2,pred=US_Consumer_Confidence,interval=TRUE)
effect_plot(regresion2,pred=US_Unemployment,interval=TRUE)
effect_plot(regresion2,pred=US_Min_Hour_Wage,interval=TRUE)
A diferencia de la primera variable dependiente, vemos como la producción de autos de pasajero tiene estimados negativos en las variables independientes del desempleo y confianza del consumidor por lo tanto su comportamiento en las gráficas a pesar de que exista una producción alta su tendencia va para abajo.