Este documento presenta un modelo de regresión lineal múltiple para predecir el precio de viviendas en función de variables como el número de habitaciones, baños, pies cuadrados y número de pisos. El modelo explica aproximadamente el 43% de la variabilidad del precio y muestra una correlación positiva moderada entre las variables. El análisis de varianza indica que el modelo es estadísticamente significativo.
0 calificaciones0% encontró este documento útil (0 votos)
56 vistas12 páginas
Este documento presenta un modelo de regresión lineal múltiple para predecir el precio de viviendas en función de variables como el número de habitaciones, baños, pies cuadrados y número de pisos. El modelo explica aproximadamente el 43% de la variabilidad del precio y muestra una correlación positiva moderada entre las variables. El análisis de varianza indica que el modelo es estadísticamente significativo.
Este documento presenta un modelo de regresión lineal múltiple para predecir el precio de viviendas en función de variables como el número de habitaciones, baños, pies cuadrados y número de pisos. El modelo explica aproximadamente el 43% de la variabilidad del precio y muestra una correlación positiva moderada entre las variables. El análisis de varianza indica que el modelo es estadísticamente significativo.
Este documento presenta un modelo de regresión lineal múltiple para predecir el precio de viviendas en función de variables como el número de habitaciones, baños, pies cuadrados y número de pisos. El modelo explica aproximadamente el 43% de la variabilidad del precio y muestra una correlación positiva moderada entre las variables. El análisis de varianza indica que el modelo es estadísticamente significativo.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 12
REGRESIÓN LINEAL
MARIA MÓNICA MONTOYA SANDOVAL
HECTOR MAURICIO RUEDA ORLANDO LOPEZ LEMON DANIEL MARTINEZ MORALES
PROFESOR DEIVIS JESUS RODRIGEZ ING
UNIVERSIDAD DEL ATLANTICO – UA
ESTADISTICA II BARRANQUILLA – COLOMBIA 26/02/2021 1. A continuación, se muestra los datos de la producción de trigo en toneladas y el precio del kilo de harina en pesos. Producción de trigo: 30 28 32 25 25 25 22 24 35 40 Precio de la harina: 25 30 27 40 42 40 50 45 30 25 a. Identificando la variable dependiente e independiente, a partir de los datos muestre un modelo de regresión lineal simple.
Nuestra variable independiente será la producción de trigo (X) ya que esta es la que Afecta directamente a nuestra variable dependiente el cual será el precio de la harina El cual dependerá de los valores de nuestra producción de trigo.
0 20 25 30 35 40 45 b. Determine el coeficiente de correlación. ¿Qué se puede afirmar con esta constante?
El coeficiente de correlación es de -0,8471402 nos indica que hay una
correlación negativa, lo que significa que cuando una de nuestras muestras variable crece se encuentra en decrecimiento, en nuestro caso vemos que nuestra variable X (producción de trigo) esta decrecimiento mientras que nuestra variable Y (Precio de la harina) está creciendo.
Resumen
Estadísticas de la regresión Coeficiente de correlación múltiple -0,8471402 Coeficiente de determinación R^2 0,717646518 R^2 ajustado 0,682352333 Error típico 5,098101412 Observaciones 10
c. Determine los errores relativos.
Observación Pronóstico para Y Residuos Residuos estándares
Grados de libertad Suma de cuadrados Errores cuadrados F crítico de F 20,3332790 Regresión 1 528,474896 528,474896 8 0,00197779 Errores 8 207,925104 25,990638 Total 9 736,4
2. A continuación, se relaciona un conjunto de variables (precio en dólares,
número de habitaciones, pies cuadrados, número de pisos) de algunas viviendas.
Precio Habitacion Bañ Pies Pis
es os Cuadrados os 221900 3 1 1180 1 538000 3 2 2570 2 180000 2 1 770 1 604000 4 3 1960 1 510000 3 2 1680 1 1230000 4 5 5420 1 257500 3 2 1715 2 291850 3 2 1060 1 229500 3 1 1780 1 323000 3 2 1890 2 662500 3 3 3560 1 468000 2 1 1160 1 310000 3 1 1430 1,5 400000 3 2 1370 1 530000 5 2 1810 1,5 650000 4 3 2950 2 395000 3 2 1890 2 485000 4 1 1600 1,5 189000 2 1 1200 1 230000 3 1 1250 1 385000 4 2 1620 1 2000000 3 3 3050 1 285000 5 3 2270 2 252700 2 2 1070 1 329000 3 2 2450 2 233000 3 2 1710 1,5 937000 3 2 2450 2 667000 3 1 1400 1,5 438000 3 2 1520 1 719000 4 3 2570 2 580500 3 3 2320 2 280000 2 2 1190 3 687500 4 2 2330 1,5 535000 3 1 1090 1,5 322500 4 3 2060 1 696000 3 3 2300 1,5 550000 4 1 1660 1 640000 4 2 2360 2 240000 4 1 1220 1 605000 4 2 2620 2 625000 4 3 2570 2 775000 4 2 4220 1 861990 5 3 3595 2 685000 3 1 1570 2 309000 3 1 1280 1 488000 3 3 3160 2 210490 3 1 990 1 785000 4 3 2290 2 450000 3 2 1250 1 a. Ajustar un modelo de regresión lineal múltiple, donde explique el precio del inmueble con respecto al resto de variables. El modelo encontrado con el complemento de análisis de datos de Excel fue: Precio=−18626.0945∗¿ Habitaciones+32202.0631∗¿ Baños+211.889∗¿ piescuadrados−44720.2698∗¿ piso El coeficiente de determinación dio 0.4334 es decir que cerca del 43% del comportamiento es explicado por el modelo encontrado, además el coeficiente de correlación es 0.65911 lo que evidencia una correlación entre los datos
A continuación, se muestra el informe generado por el software Excel.
Resumen
Estadísticas de la regresión Coeficiente de correlación 0,6591144 múltiple 8 Coeficiente de determinación R^2 0,4344319 0,3830166 R^2 ajustado 2 244781,72 Error típico 8 Observaciones 49
ANÁLISIS DE VARIANZA Promedio Grados de Suma de de los Valor crítico libertad cuadrados cuadrados F de F 2,0251E+1 5,0628E+1 Regresión 4 2 1 8,44947046 3,78642E-05 2,6364E+1 5,9918E+1 Residuos 44 2 0 4,6615E+1 Total 48 2
Estadístico Probabilida Superior Inferior Superior
b. ¿El modelo es significativo? Explique. Determine R2 ajustado.
El modelo puede considerarse significativo ya que el valor asociado a la
probabilidad dio inferior al 5% con un valor de 0.0037864 %, por lo que podemos asumir que el modelo es significativo según análisis ANOVA
El coeficiente de determinación ajustado es 0.383. aunque el coeficiente de
determinación ajustado es cerca del 38%, este parámetro no indica que el modelo debe ser desechado, sino que las variables independientes presentan una explicación del 38.3% en el comportamiento del precio.
c. Indique cuál de las variables tiene mayor correlación con los precios de las viviendas. La variable que presenta una mayor correlación con el precio es el número de pies cuadrados con un factor de correlación igual a 0.6524, es decir cerca del 65%. Habitacione Precio s Baños Pies Cuadrados Pisos Precio 1 0,2715344 Habitaciones 4 1 0,5288710 Baños 3 0,40275931 1 0,6524198 Pies Cuadrados 4 0,46872326 0,76600756 1 0,0624538 Pisos 9 0,13773437 0,236803019 0,193382629 1
Para futuros estudios se recomienda eliminar la variable número de pisos del
estudio, debido a su pequeño coeficiente de correlación con la variable dependiente
d. Represente los gráficos de dispersión del variable precio con respecto a cada una de las variables independientes y genere una breve explicación de cada uno de ellos. Habitaciones vs Precio 2500000
2000000
1500000
1000000
500000
0 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Como se puede observar en este grafico podemos concluir que el precio
siempre va a depender del número de habitaciones, ya que al haber más el precio será más alto.
Baños Vs Precio 2500000
2000000
1500000
1000000
500000
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
En este otro seguimos observando el mismo comportamiento dependiente
de la variable precio que se ubica en el eje Y, ya que a mayor número de baños el precio de los apartamentos sube. Pies cuadrados Vs Precio 2500000
2000000
1500000
1000000
500000
0 0 1000 2000 3000 4000 5000 6000
Esta es quizás la respuesta más obvia ya que como todos sabemos el precio de un apartamento siempre va a depender de lo grande que este sea, y queda evidenciado en el grafico anterior.
Pisos Vs Precio 2500000
2000000
1500000
1000000
500000
0 0.5 1 1.5 2 2.5 3 3.5
En este último grafico se observa que la dependencia del precio con
respecto a los pisos no es tan significativa, es decir, es mayor pero no exageradamente
e. Ajustar un modelo de regresión lineal múltiple, donde explique los pies
cuadrados del inmueble con respecto al resto de variables. El modelo que se obtuvo fue: ¿ Pie s2=0.000968∗precio+202.74593∗Habitaciones+534.9806∗Baños+49.231098∗Pisos+ 318.5410 El coeficiente de determinación dio 0.6959 es decir que cerca del 70% del comportamiento es explicado por el modelo encontrado, además el coeficiente de correlación es 0.8342 lo que evidencia una fuerte correlación entre los datos
Resumen
Estadísticas de la regresión Coeficiente de correlación múltiple 0,83422934 Coeficiente de determinación R^2 0,69593859
R^2 ajustado 0,66829664
Error típico 523,354975
Observaciones 49
ANÁLISIS DE VARIANZA Promedio Grados de Suma de de los Valor crítico libertad cuadrados cuadrados F de F 27583857, Regresión 4 6 6895964,41 25,1769025 6,8805E-11 12051618, Residuos 44 9 273900,43 39635476, Total 48 5
Coeficiente Estadístico Probabilida Superior Inferior Superior
f. ¿El modelo del ítem e. es significativo? Explique. Determine R2 ajustado.
El modelo puede considerarse significativo ya que el valor asociado a la
probabilidad dio inferior al 5% con un valor de 0.00000000688%, por lo que podemos asumir que el modelo es significativo según análisis ANOVA
El coeficiente de determinación ajustado es 0.668, por lo cual podemos
afirmar que el modelo tiene un alto grado de explicación del comportamiento en el variable dependiente.
g. Teniendo en cuenta el modelo del ítem e, ¿Puede eliminarse alguna variable
del modelo? Realiza los contrastes de significación individuales. Para resolver esta duda se presenta a continuación la siguiente de correlación. Pies Habitacione Cuadrados Precio s Baños Pisos Pies Cuadrados 1 Precio 0,65241984 1 Habitacione 0,2715344 s 0,468723264 4 1 0,5288710 Baños 0,76600756 3 0,40275931 1 0,0624538 Pisos 0,193382629 9 0,13773437 0,236803019 1
Como se puede evidenciar la variable que presenta mayor correlación con la
variable de salida (Pies cuadrados) es número de baños con un factor de correlación equivalente a 0.766, le sigue la variable precio con un factor de correlación 0.6524 después esta la variable número de habitaciones con un factor de correlación equivalente a 0.468, por ultimo esta la variable pisos la cual presenta un coeficiente de correlación de 0.1933.
En este orden de ideas podría ser eliminada la variable número de pisos del estudio, debido a que presenta el menor coeficiente de correlación.
