Estadistica
Resumen del modelo
Modelo
R
R cuadrado
R cuadrado corregida
Error típ. de la estimación
1
,979a
,959
,953
,3737
a. Variables predictoras:(Constante), Construcción de casas
d) COEFICIENTE DE DETERMINACION R2: 0,959 El modelo está bien ajustado.
El 95.9% de la variación de las ventas de línea blanca esta explicada por la construcción decasas. (La variable x puede predecir muy bien)
ANALISIS DE LA VARIANZA
ANOVAb
Modelo
Suma de cuadrados
gl
Media cuadrática
F
Sig.
1
SCR Regresión
25,888
1
25,888
185,357
,000a
SCEResidual
1,117
8
,140
SCT Total
27,005
9
a. Variables predictoras: (Constante), Construcción de casas
b. Variable dependiente: Ventas de línea blanca
En el cuadro anterior nos indicaque hay una relación significativa entre las variables.
El estadístico F permite contrastar la hipótesis nula Ho: R=0. El nivel crítico (sig) = 0,000 si suponemos que R= 0 es improbable (0.002) queR, en la muestra tome el valor de 0,979. Lo cual implica que R es mayor a cero y que en consecuencia ambas variables están linealmente relacionadas.
b) CME = 25,888
SE= raíz de CME = raíz de 25,888 =5,09 es menor, es decir está bien ajustado. (El máx. no está determinado, no hay límite, pero habría mayor error por un se de 30)
DETERMINACIÒN DE LA REGRESIÒN LINEAL SIMPLE
Coeficientesa
ModeloCoeficientes no estandarizados
Coeficientes tipificados
t
Sig.
B
Error típ.
Beta
1
(Constante)
1,168
,483
2,416
,042
Construccion de casas
1,716
,126
,979
13,615
,000
a.Variable dependiente: Ventas de línea blanca
a) Yi estimada = 1,168 + 1, 716xi
DIAGRAMA DE DISPERSIÒN
ANALISIS DE RESIDUOS
Los residuos son muy importantes en elanálisis de regresión.
1) Nos informa sobre el grado de exactitud de los pronósticos: cuando más pequeño es el error típico de los residuos, mejores son los pronósticos, por lo que es lo mismo, mejor se...
Regístrate para leer el documento completo.