taller regresion

TALLER 2 DE EVALUACIÓN
Jorge Camilo Torres Cárdenas
Cédula 79664357
Universidad Sergio Arboleda
Modelos probabilísticos
EJERCICIO 1. CAPACITACIÓN

Matrix
MatrixPlot
Plotof
of JTS.
JTS.INGRESO.
INGRESO.EDUCACIO.
EDUCACIO.DISCIPLI.
DISCIPLI.SEMANAS.
SEMANAS.EMPLEOS
EMPLEOS

Paso 1.
Identificación

00

20
20

40
40

33

66

99

44

88

1122 20
20

40
40

60
6022

44

66
11000
000
500
500

JTS
JTS00
40
40
20
20

INGRESO
INGRESO

00
99
66

EDUCACIO
EDUCACIO

33
1122
88

DISCIPLI
DISCIPLI

44
60
60
40
40

SEMANAS
SEMANAS

20
20

EMPLEOS
EMPLEOS

Mejores
subconjuntos

Modelo propuesto:
JTS= βo + EDUCACION +
 
DISCIPLINA

Paso 2.
Estimación
El modelo presenta un ajuste del 96%. El pvalue para la variable DISCIPLINA es mayor
que α por tanto se rechaza Ho, así mismo, los
valores VIF sonmayores a 3, por tanto, se
procede a eliminar la variable DISCIPLINA por
tener un p-value mayor que α y un VIF alto.
 
El nuevo modelo propuesto seria:
JTS= βo + EDUCACION

Al quitar la variable DISCIPLINA los valores
VIF son mayores que 3, quitando la constante
los valores VIF aumentaron a 10.60 en cada
variable, en vista de lo anterior, se decidió
 plantear el modelo JTS= EDUCACION
+DISCIPLINA. Estodado que la variable
INGRRESO presenta el mayor VIF

En esta caso el ajuste del modelo es del
97.9% con p-value menores que α y valores
VIF menores que 3.

Residual
Residual Plots
Plotsfor
forJTS
JTS
Versus
VersusFits
Fits

99
99

200
200

90
90

1100
00

Residual
Residual

Paso 3. Validación

Percent
ercent
P

Normal
NormalProbability
ProbabilityPlot
Plot

50
50
1100
11

-1
-100
00

00

110000

00

250
250

500
500

7750
50

Residual
Residual

Fitted
FittedValue
Value

Histogram
Histogram

Versus
VersusOrder
Order

11000
000

200
200

Residual
Residual

66
44
22
00

-1
-100
00
-200
-200

200
200

88

Frequency
Frequency

De acuerdo con los gráficos pareciera que los
residuos en el histograma no son normales,
por tanto, se procede con una prueba de
normalidad.

-200
-200

00

-1
-150
50-1
-100
00 -50
-50

00

50
50

Residual
Residual

1100
00 1150
50 200
200

1100
00
00
-1
-100
00
-200
-200

11

55

1100

1155

20
20

25
25

Observation
ObservationOrder
Order

3300

3355

Probability
Probability Plot
Plot of
of RESI1
RESI1
Normal
Normal -- 95%
95%CI
CI

99
99

Normalidad

Mean
Mean 4,841
4,841
StDev
86,80
StDev 86,80
N
35
N
35
AD
0,383
AD
0,383
P-Value
P-Value 0,378
0,378

9595
90
90

P-value 0.378 > α; Se acepta Ho, los datos son
normales.

Perce
rcent
nt
Pe

80
80
70
70
60
60
50
50
40
40
30
30
20
20
1100
55

11

-300
-300

-200
-200

-1
-100
00

00

RESI1
RESI1

1100
00

200
200

300
300

Test
Test for
forEqual
Equal Variances:
Variances:RESI1
RESI1vs
vsgrupos
grupos

Multiple
Multiplecomparison
comparisonintervals
intervalsfor
forthe
thestandardstandarddeviation,
deviation,αα =
=0,05
0,05

Prueba de
Varianza

Multiple
MultipleComparisons
Comparisons

11

P-Value
P-Value 0,988
0,988
Levene’s
Levene’sTest
Test
P-Value
P-Value 0,996
0,996

Se armaron 5 grupos de 7 datos.
El p-value de 0,988 es > α, se acepta Ho;
varianzas iguales.
Por tanto el modelo es:

grupos
grupos

22

33

44

JTS = 112,08 EDUCACIO - 14,42 DISCIPLINA
55
50
50

1100
00

1150
50

200
200IfIfintervals
intervalsdo
donot
not overlap,
overlap,the
thecorresponding
correspondingstdevs
stdevsare
aresignificantly
significantlydifferent.
different.

250
250

Matrix
Matrix Plot
Plot of
of CALOR.
CALOR.ALUNIO
ALUNIO TRIC.
TRIC.SILI_TRICAL.
SILI_TRICAL.ALUMINFERRO.
ALUMINFERRO....
...

Ejercicio 2
Calor Cemento

00

11
00

20
20 30
30

45
45

60
60

88

11
66

24
00
24

25
25

50
50

1120
20
11
00
00

CALOR
CALOR

80
80
20
20
11
00

ALUNIO
ALUNIOTRIC
TRIC

00
60
60

SILI_TRICAL
SILI_TRICAL

40
40
20
20
20
20

Paso 1. Identificación

11
00

ALUMINFERRO
ALUMINFERRO

00

SILI_DICAL
SILI_DICAL

Mejores
Subconjuntos

Modelo propuesto:
CALOR= βo + SILICATO +
 SILICATO DICALCICO

Paso 2.
Estimación
En este caso, todas las variables presentan un
p-value menor que α, el modelo presenta...