Scribd
Cargar
61 vistas4 páginas

Regresión Lineal en R: Guía Práctica

Este documento presenta un análisis de regresión lineal simple utilizando datos sobre erupciones volcánicas. Se ajusta un modelo de regresión para predecir las erupciones en función del tiempo de espera, y se evalúa la bondad de ajuste del modelo a través de gráficos y pruebas de supuestos. Los resultados muestran que el tiempo de espera es un predictor significativo de las erupciones.

Cargado por

bertha
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
61 vistas4 páginas

Regresión Lineal en R: Guía Práctica

Este documento presenta un análisis de regresión lineal simple utilizando datos sobre erupciones volcánicas. Se ajusta un modelo de regresión para predecir las erupciones en función del tiempo de espera, y se evalúa la bondad de ajuste del modelo a través de gráficos y pruebas de supuestos. Los resultados muestran que el tiempo de espera es un predictor significativo de las erupciones.

Cargado por

bertha
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Análisis de Regresión en R

Carlos N. Lozano A.

Nota: Para consideraciones teóricas remítase a las notas de clases.

Paquetes requeridos

require(car)
require(lmtest)
require(GrapheR)
attach(faithful)

Regresión Lineal Simple

Ajuste del modelo de regresión

modelo<-lm(eruptions ~ waiting, data=faithful)


summary(modelo)

##
## Call:
## lm(formula = eruptions ~ waiting, data = faithful)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.29917 -0.37689 0.03508 0.34909 1.19329
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.874016 0.160143 -11.70 <2e-16 ***
## waiting 0.075628 0.002219 34.09 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4965 on 270 degrees of freedom
## Multiple R-squared: 0.8115, Adjusted R-squared: 0.8108
## F-statistic: 1162 on 1 and 270 DF, p-value: < 2.2e-16

Gráficos de dispersión y línea de tendencia

plot( waiting,eruptions,
xlab='Waiting',ylab='Eruptions',col='blue',pch=1)
abline(modelo,col='red')

1
4.5
Eruptions

3.5
2.5
1.5

50 60 70 80 90

Waiting

Validación del modelo

Extraemos los residuos del modelo

residuales<-modelo$residuals

Normalidad

[Link](residuales)

##
## Shapiro-Wilk normality test
##
## data: residuales
## W = 0.9928, p-value = 0.2106

qqnorm(residuales);qqline(residuales)

2
Normal Q−Q Plot
1.0
0.5
Sample Quantiles

0.0
−1.0 −0.5

−3 −2 −1 0 1 2 3

Theoretical Quantiles

Homocedasticidad

hmctest(modelo)

##
## Harrison-McCabe test
##
## data: modelo
## HMC = 0.5338, p-value = 0.768

Independencia

dwtest(eruptions~waiting)

##
## Durbin-Watson test
##
## data: eruptions ~ waiting
## DW = 2.561, p-value = 1
## alternative hypothesis: true autocorrelation is greater than 0

3
Pruebas de hipótesis: H0 : β1 = 0

Vía análisis de varianza

anova(modelo)

## Analysis of Variance Table


##
## Response: eruptions
## Df Sum Sq Mean Sq F value Pr(>F)
## waiting 1 286.478 286.478 1162.1 < 2.2e-16 ***
## Residuals 270 66.562 0.247
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Vía IC 100(1 − α)%

β̄1 ± t(1−α/2,n−2) ∗ s.e.(β̄1 )

Nota: s.e. se obtiene de summary(modelo).

También podría gustarte