Pronosticos

Objetivo:
Problema 1.
Investiga: ¿qué es multicolinealidad? , ¿qué es heterocedasticidad?. ¿qué se puede hacer para corregirlas? ¿cuáles son las causas que las originan?, ¿cómo se detectan?.¿cuáles son los métodos para agregar variables explicativas al modelo y en que consisten?. Consulta por lo menos tres fuentes bibliográficas y haz un resumen, agregándolo en el reporte.
Problema 2.
a)Estima el modelo de regresión de la calidad del vino en base a aroma, sabor y textura
b) Estima el modelo de regresión de calidad del vino en base a claridad, aroma, sabor y textura.
c) Compara ambos modelos de regresión lineal múltiple, ¿Cuál tiene mejor ajuste?
d) Analiza si se cumplen los supuestos de regresión en cada uno de los modelos
e) Concluye cuál de los dos modelos representa mejor lacalidad del vino
Problema 3.
a) Realiza un diagrama de dispersión entre las importaciones reales y el precio relativo, y otro diagrama para las importaciones reales y el PIB real.
• Ahora, realiza un diagrama de dispersión entre el logaritmo de importaciones reales y el logaritmo del precio relativo, y otro diagrama para el logaritmo de importaciones reales y el logaritmo del PIB real.Visualiza cómo ahora ya se tiene la forma de una línea recta en cada diagrama de dispersión.
• Calcula el modelo de regresión lineal con los logaritmos, considerando como dependiente log (importaciones reales) y como variables independientes el logaritmo del precio relativo y el logaritmo del PIB real. Interpreta los resultados.
• ¿Cuál es el ajuste del modelo de regresión?
• Haz un análisis deresiduales para ver si se cumplen con los supuestos del modelo de regresión.
Procedimientos:
Problema 1.
Se buscó información de multicolinealidad y heterocedasticidad en dos fuentes diferentes asi como sus causas.
Problema 2.
Se realizaron los modelos de regresión conforme lo pide el reporte para poder sacar que modelo tienen un mejor ajuste y poder decir cual de ellos es mejor.
Problema 3.
Serealizan las graficas de dispersión pedidas en log, se calcula el modelo de regresión lineal de los datos y se analiza cual es el mejor modelo.
Resultados
Problema 1.
multicolinealidad
La multicolinealidad es un problema que surge cuando las variables explicativas del
modelo están correlacionadas entre sí. Se corrigue quitando alguna de las variables…

heterocedasticidad
es una propiedadfundamental del modelo de regresión lineal general y está dentro de sus supuestos clásicos básicos. Se dice que existe homocedasticidad cuando la varianza de los errores estocásticos de la regresión son los mismos para cada observación" (es malo por que no cumple el supuesto de variansas constantes)
como se detecta:
Para su detección utilizaremos la prueba de Park; este popular método esaplicable si se supone que la varianza heterocedastica esta relacionada con una variable explicativa en el modelo de regresión, para comprobar ello, se utiliza una prueba de hipótesis, en donde:

hay varios métodos para la detección de multicolinealidad y/o heterocedasticidad.
Para heterocedasticidad lo mejor es ajustar distintos modelos y compararlos. Para multicolinealidad, se hace una estadísticadescriptiva de las variables independientes y modelos de regresión.
Problema 2.
a) La ecuación de regresión es
calidad = 8.04 + 1.39 aroma + 0.59 sabor - 1.13 textura

Entre más aroma más calidad, entre más sabor más calidad y entre más textura menos calidad.

b) La ecuación de regresión es
calida = 7.72 + 0.41 claridad + 1.39 aroma + 0.62 sabor - 1.18 textura

entre mas claridad mascalidad, entre mas aroma mas calidad y entre mas textura menos calidad.

c) Dado que la r cuadrada (coeficiente de determinación) es igual para los dos
Modelos, se compara el coeficiente de determinación ajustado se concluye que el primer modelo es el que ajusta mejor.


r cuadrada ajustada = 49.9
r cuadrada ajustada del segundo = 48.5




d)




Cada uno de los modelos, viendo...