Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 41 vistas

    Ejercicio 3

    Cargado por

    ASBEL JANDIR PALMA CASTELLON
    Este documento presenta un análisis de regresión lineal múltiple utilizando una base de datos de coches. Se realizan pruebas de hipótesis globales y para cada coeficiente para determinar las variables que mejor predicen la potencia del automóvil. El análisis concluye que la cilindrada y la aceleración son las mejores variables predictoras, con una ecuación de regresión de Y'=116,392+0,016X1-4,142X3 y un coeficiente de determinación de 0,87.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Ejercicio 3

    Cargado por

    ASBEL JANDIR PALMA CASTELLON
    41 vistas7 páginas
    Este documento presenta un análisis de regresión lineal múltiple utilizando una base de datos de coches. Se realizan pruebas de hipótesis globales y para cada coeficiente para determinar las variables que mejor predicen la potencia del automóvil. El análisis concluye que la cilindrada y la aceleración son las mejores variables predictoras, con una ecuación de regresión de Y'=116,392+0,016X1-4,142X3 y un coeficiente de determinación de 0,87.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un análisis de regresión lineal múltiple utilizando una base de datos de coches. Se realizan pruebas de hipótesis globales y para cada coeficiente para determinar las variables que mejor predicen la potencia del automóvil. El análisis concluye que la cilindrada y la aceleración son las mejores variables predictoras, con una ecuación de regresión de Y'=116,392+0,016X1-4,142X3 y un coeficiente de determinación de 0,87.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    41 vistas7 páginas

    Ejercicio 3

    Cargado por

    ASBEL JANDIR PALMA CASTELLON
    Este documento presenta un análisis de regresión lineal múltiple utilizando una base de datos de coches. Se realizan pruebas de hipótesis globales y para cada coeficiente para determinar las variables que mejor predicen la potencia del automóvil. El análisis concluye que la cilindrada y la aceleración son las mejores variables predictoras, con una ecuación de regresión de Y'=116,392+0,016X1-4,142X3 y un coeficiente de determinación de 0,87.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 7

    Práctica de correlación y regresión lineal múltiple de la clase presencial

    Con la base de datos Ejercicio 3_Coches procede realizar siguiente

    1. Realice una prueba de hipótesis global.

    Hipótesis:

    H0: β1= β2= β3=0 (No hay modelo de regresión)


    H1: Al menos una de las betas es distinta de cero.

    ANOVAa
    Suma de Media
    Modelo cuadrados gl cuadrática F Sig.

    1 Regresión 508905,904 3 169635,301 1049,878 ,000b

    Residuo 62530,014 387 161,576

    Total 571435,918 390

    a. Variable dependiente: Y: Potencia (caballos de fuerza)


    b. Predictores: (Constante), X3: Aceleración 0 a 100 km/h (segundos), X2: Peso total (kg), X1:
    Cilindrada en cc

    Decisión: H0, se rechaza, p=0.000 < 0.05


    Conclusión: Podemos afirmar con un nivel se significación de 0.05, que al
    menos una de las betas es distinta de cero.

    1
    2. Realice el análisis de la matriz de los coeficientes de correlación (tomando
    en cuenta todas las variables), plantea las hipótesis para los coeficientes de
    correlación. Realice el análisis de multicolinealidad. ¿Qué variables quedaron
    en el modelo?

    Correlaciones
    Y: Potencia X1:
    (caballos de Cilindrada en X2: Peso X3: Aceleración 0 a
    fuerza) cc total (kg) 100 km/h (segundos)
    Y: Potencia (caballos Correlación de
    1 ,898** ,863** -,701**
    de fuerza) Pearson
    Sig. (bilateral) ,000 ,000 ,000
    N 391 391 391 391
    X1: Cilindrada en cc Correlación de
    ,898** 1 ,934** -,548**
    Pearson
    Sig. (bilateral) ,000 ,000 ,000
    N 391 397 397 397
    X2: Peso total (kg) Correlación de
    ,863** ,934** 1 -,426**
    Pearson
    Sig. (bilateral) ,000 ,000 ,000
    N 391 397 397 397
    X3: Aceleración 0 a Correlación de
    -,701** -,548** -,426** 1
    100 km/h (segundos) Pearson
    Sig. (bilateral) ,000 ,000 ,000
    N 391 397 397 397
    **. La correlación es significativa en el nivel 0,01 (bilateral).

    Hipótesis 1:
    H0:𝜌𝑦𝑥1 = 0 (No hay correlación entre la potencia y cilindrada)
    H1:𝜌𝑦𝑥1 ≠ 0 (Hay correlación entre la potencia y cilindrada)
    Decisión: p=0,000<0,05 se rechaza H0
    Conclusión: Podemos afirmar con un nivel de significación de 0,05, que hay
    correlación entre la potencia y cilindrada.

    Hipótesis 2:
    H0:𝜌𝑦𝑥2 = 0 (No hay correlación entre la potencia y peso)
    H1:𝜌𝑦𝑥2 ≠ 0 (Hay correlación entre la potencia y peso)
    Decisión: p=0,000<0,05 se rechaza H0
    Conclusión: Podemos afirmar con un nivel de significación de 0,05, que hay
    correlación entre la potencia y peso total.

    2
    Hipótesis 3:
    H0:𝜌𝑦𝑥3 = 0 (No hay correlación entre la potencia y aceleración)
    H1:𝜌𝑦𝑥3 ≠ 0 (Hay correlación entre la potencia y aceleración)
    Decisión: p=0,000<0,05 se rechaza H0
    Conclusión: Podemos afirmar con un nivel de significación de 0,05, que hay
    correlación entre la potencia y aceleración.

    Multicolinealidad
    𝑅𝑥1𝑥2 =0,934 (Hay problemas de multicolinealidad)
    𝑅𝑥1𝑥3 =-0,548 (No hay problemas de multicolinealidad)
    𝑅𝑥2𝑥3 =-0,428 (No hay problemas de multicolinealidad)

    X1 y X2 tienen problemas de multicolinealidad, debemos eliminar una de las


    dos.

    𝑅𝑦𝑥1 =0,898>𝑅𝑦𝑥2 =0,863

    Dado que la variable X1 tiene mayor fuerza de correlación con Y que X2, esta
    última se elimina.

    En el modelo se quedan las variables X1 y X3.

    3
    3. Realice las pruebas de hipótesis individuales para los coeficientes de
    regresión de las variables que quedaron del modelo. ¿Qué variables
    quedaron en el modelo?

    Coeficientesa

    Modelo Coeficientes no estandarizados Coeficientes t Sig.


    tipificados

    B Error típ. Beta

    (Constante) 116.392 5.774 20.159 .000

    X1: Cilindrada en cc .016 .000 .735 33.509 .000


    1
    X3: Aceleración 0 a 100 -4.142 .304 -.298 -13.610 .000
    km/h (segundos)
    a. Variable dependiente: Y: Potencia (caballos de fuerza)

    Hipótesis 1:
    H0: 1=0 (No hay relación entre la potencia y cilindrada)
    H1: 10 (Hay relación entre la potencia y cilindrada)
    Decisión: p=0,000<0,05 se rechaza H0
    Conclusión: Podemos afirmar con un nivel de significación de 0,05, que hay
    relación entre la potencia y cilindrada.

    Hipótesis 3:
    H0:3=0 (No hay relación entre la potencia y aceleración)
    H1:30 (Hay relación entre la potencia y aceleración)
    Decisión: p=0,000<0,05 se rechaza H0
    Conclusión: Podemos afirmar con un nivel de significación de 0,05, que hay
    relación entre la potencia y aceleración.

    En el modelo se quedan las variables X1 y X3.

    4
    4. Determine la ecuación de regresión múltiple (con las variables que se
    quedaron en el modelo) e interprete cada uno de los coeficientes de
    regresión.

    Coeficientesa

    Modelo Coeficientes no estandarizados Coeficientes t Sig.


    tipificados

    B Error típ. Beta

    (Constante) 116.392 5.774 20.159 .000

    X1: Cilindrada en cc .016 .000 .735 33.509 .000


    1
    X3: Aceleración 0 a 100 -4.142 .304 -.298 -13.610 .000
    km/h (segundos)
    a. Variable dependiente: Y: Potencia (caballos de fuerza)

    Y´=116,392+0,016X1-4,142X3

    Y: Potencia (caballos de fuerza)


    X1: Cilindrada en cc
    X3: Aceleración 0 a 100 km/h (segundos)
    b1=0,016

    Al aumentar la cilindrada de carro en 1000cc, la potencia aumenta en 16 caballos


    de fuerza.

    b3=-4,142

    Al aumentar la aceleración en un segundo, la potencia de carro disminuye en 4


    caballos de fuerza.

    5
    5. Estime la variable dependiente con base en los valores de las variables
    independientes, considerando sus rangos.

    Y´=116,392+0,016X1-4,142X3

    Y: Potencia (caballos de fuerza)


    X1: Cilindrada en cc
    X3: Aceleración 0 a 100 km/h (segundos)

    Si un carro tiene 5000cc de cilindrada y una aceleración (0 a 100 km/h) de 10


    segundos, estime la potencia del carro.

    X1=5000

    X3=10

    Y´=116,392+0,016(5000)-4,142(10)=154,972 (caballos de fuerza)

    Si un carro tiene 5000cc de cilindrada y una aceleración (0 a 100 km/h) de 10


    segundos, a potencia del carro se estima aproximadamente en 155 caballos de
    fuerza.

    6
    6. Determine e interprete (con las variables que se quedaron en el modelo) el
    coeficiente de correlación múltiple y el coeficiente de determinación.

    Resumen del modelo

    Modelo R R cuadrado R cuadrado Error típ. de la


    corregida estimación

    1 .932a .870 .869 13.863

    a. Variables predictoras: (Constante), X3: Aceleración 0 a 100 km/h


    (segundos), X1: Cilindrada en cc

    Coeficiente de correlación múltiple: R=0,932


    La potencia del motor del carro tiene una fuerte relación con cilindrada y la
    aceleración.

    Coeficiente de determinación: R2=0,87

    El 87% de la variación en la potencia del motor del carro es debido, a la variación


    en cilindrada y la aceleración del carro.

    También podría gustarte