Ejercicio regresión lineal
Páginas: 3 (749 palabras)
Publicado: 5 de mayo de 2014
1. ¿Qué variable individualmente es un mejor predictor de LE?
Primero extraemos los datos de la tabla y como en la columna PPT tenemos faltante de datos decidimos completarlos con el promedio, estoporque si quitáramos dichos datos podríamos afectar más el modelo pues los valores en PPP de éstos datos parecen ser significativos.
tab0 qqnorm(res1)
> qqline(res1)
> shapiro.test(res1)Shapiro-Wilk normality test
data: res1
W = 0.9822, p-value = 0.7686
>
> cvm.test(res1)
Cramer-von Mises normality test
data: res1
W = 0.0422, p-value = 0.6308
Las pruebas nosdicen que los residuales siguen una distribución normal.
> acf(r1$residuals)
> acf(r1$residuals)
> durbinWatsonTest(r1)
lag Autocorrelation D-W Statistic p-value
1 -0.1933208 2.3412570.248
Alternative hypothesis: rho != 0
No se rechaza la hipótesis nula de que la correlación es 0.
Por lo tanto la variable FLE individualmente es el mejor
predictor de LE.
2.Proponga un modelo para describir la esperanza de vida de la población.
Se podría pensar que uno desea predecir la esperanza de vida de una persona de acuerdo a su comportamiento, debido a éstesupuesto se propone el modelo lineal:
> r2 summary(r2)
Call:
lm(formula = LE ~ PPT + PPP)
Residuals:
Min 1Q Median 3Q Max
-11.0285 -3.9251 0.3968 4.8078 11.5639Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 70.2905868 1.0683403 65.794 < 2e-16 ***
PPT -0.0198375 0.0085351 -2.324 0.025711 *
PPP-0.0005558 0.0001414 -3.932 0.000356 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.901 on 37 degrees of freedom
Multiple R-squared: 0.5144,Adjusted R-squared: 0.4882
F-statistic: 19.6 on 2 and 37 DF, p-value: 1.568e-06
> step(r2)
Start: AIC=144.89
LE ~ PPT + PPP
Df Sum of Sq RSS AIC
1288.5...
Primero extraemos los datos de la tabla y como en la columna PPT tenemos faltante de datos decidimos completarlos con el promedio, estoporque si quitáramos dichos datos podríamos afectar más el modelo pues los valores en PPP de éstos datos parecen ser significativos.
tab0 qqnorm(res1)
> qqline(res1)
> shapiro.test(res1)Shapiro-Wilk normality test
data: res1
W = 0.9822, p-value = 0.7686
>
> cvm.test(res1)
Cramer-von Mises normality test
data: res1
W = 0.0422, p-value = 0.6308
Las pruebas nosdicen que los residuales siguen una distribución normal.
> acf(r1$residuals)
> acf(r1$residuals)
> durbinWatsonTest(r1)
lag Autocorrelation D-W Statistic p-value
1 -0.1933208 2.3412570.248
Alternative hypothesis: rho != 0
No se rechaza la hipótesis nula de que la correlación es 0.
Por lo tanto la variable FLE individualmente es el mejor
predictor de LE.
2.Proponga un modelo para describir la esperanza de vida de la población.
Se podría pensar que uno desea predecir la esperanza de vida de una persona de acuerdo a su comportamiento, debido a éstesupuesto se propone el modelo lineal:
> r2 summary(r2)
Call:
lm(formula = LE ~ PPT + PPP)
Residuals:
Min 1Q Median 3Q Max
-11.0285 -3.9251 0.3968 4.8078 11.5639Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 70.2905868 1.0683403 65.794 < 2e-16 ***
PPT -0.0198375 0.0085351 -2.324 0.025711 *
PPP-0.0005558 0.0001414 -3.932 0.000356 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.901 on 37 degrees of freedom
Multiple R-squared: 0.5144,Adjusted R-squared: 0.4882
F-statistic: 19.6 on 2 and 37 DF, p-value: 1.568e-06
> step(r2)
Start: AIC=144.89
LE ~ PPT + PPP
Df Sum of Sq RSS AIC
1288.5...
Leer documento completo
Regístrate para leer el documento completo.