Scribd
Cargar
29 vistas4 páginas

Script Rstudio

El documento describe el proceso de instalación y activación de paquetes en R para realizar análisis de regresión lineal y robusta utilizando un conjunto de datos sobre personas mayores. Se incluyen pasos para verificar supuestos de regresión, como linealidad, normalidad de residuos, homocedasticidad y multicolinealidad. Finalmente, se presentan modelos de regresión lineal y robusta, así como la obtención de coeficientes beta estandarizados.

Cargado por

Alessandra Belen Cohaila Nina
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 DOCX, PDF, TXT o lee en línea desde Scribd
29 vistas4 páginas

Script Rstudio

El documento describe el proceso de instalación y activación de paquetes en R para realizar análisis de regresión lineal y robusta utilizando un conjunto de datos sobre personas mayores. Se incluyen pasos para verificar supuestos de regresión, como linealidad, normalidad de residuos, homocedasticidad y multicolinealidad. Finalmente, se presentan modelos de regresión lineal y robusta, así como la obtención de coeficientes beta estandarizados.

Cargado por

Alessandra Belen Cohaila Nina
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 DOCX, PDF, TXT o lee en línea desde Scribd

#Instalar paquetes

[Link]("ggpubr")

[Link]("mctest")

[Link]("mctest")

[Link]("performance")

[Link]("see")

[Link]("readxl")

[Link]("ggplot2")

[Link]("gridExtra")

[Link]("moments")

[Link]("lmtest")

[Link]("robustbase")

#Activar paquetes

library(ggpubr)

library(mctest)

library(performance)

library(see)

library(readxl)

library(ggplot2)

library(gridExtra)

library(moments)

library(lmtest)

library(robustbase)

#cargamos la base de datos

datos <- read_excel("data_personas_mayores.xlsx")

str(datos)

#Supuestos para regresión lineal


# 1) Linealidad

# Si presentas una variable categórica independiente no es necesario evaluar linealidad

#Regresión lineal simple

ggscatter(x="Soledad", y="Apoyo_social", data=datos,

add="[Link]", [Link] =

list(color = "blue", fill = "gray70"))

#Regresión lineal cuando la variable independiente es numérica

# Regresión lineal multiple

model_multiple<- lm(Apoyo_social ~ Depresion + Edad ,

data = datos)

plot1 <- ggplot(data = datos, aes(Depresion, model_multiple$residuals)) +

geom_point() + geom_smooth(color = "red") + geom_hline(yintercept = 0) +

theme_bw()

plot2 <- ggplot(data = datos, aes(Edad, model_multiple$residuals)) +

geom_point() + geom_smooth(color = "red") + geom_hline(yintercept = 0) +

theme_bw()

[Link](plot1,plot2)

# solo utilizar cuando la variable independiente es categórica

plot3 <- ggplot(data = base2, aes([Link](sexofem), model_multiple$residuals)) +

geom_point() + geom_smooth(color = "red") + geom_hline(yintercept = 0) +

theme_bw()

# 2) Distribución normal de residuos

# Modelo lineal simple


#histograma

hist(residuals(model_multiple))

#Grafico de quantiles:

qqnorm(residuals(model_multiple))

qqline(residuals(model_multiple))

# método de significancia

[Link](residuals(model_multiple))

# 3) Homocedasticidad (igualdad de varianzas)

#Prueba estadística de Breusch-Pagan

bptest(model_multiple)

# 4) multicolinealidad -Factor de inflación de la varianza VIF (Multivariada)

x<-check_collinearity(model_multiple)

plot(x)# los valores de VIF <10

datos <- read_excel("data_personas_mayores.xlsx")

# Modelo de regresión robusto

robust_model <-lmrob(Depresion ~ Soledad +Apoyo_social,

data=datos)
# Obtienes valores de coeficiente beta no estandarizados

summary(robust_model)

# Modelo para obtener coeficientes beta estandarizados

datos_std <- [Link](scale(datos[, c("Depresion", "Soledad", "Apoyo_social")]))

robust_model <-lmrob(Depresion ~ Soledad +Apoyo_social,

data=datos_std)

summary(robust_model)

También podría gustarte