Análisis de Regresión SPSS

TALLER DE REGRESIN
TALLER DE REGRESIN
Ejercicios 2: Regresin SPSS / 15 mayo 2014
UNIVERSIDAD GALILEO
FACULTAD DE CIENCIA, TECNOLOGA E INDUSTRIA
DOCTORADO EN ADMINISTRACIN CON
ESPECIALIDAD EN FIANANZAS

ARQ. ALVARO COUTIO G
Carnet 1300-4393
TALLER DE REGRESIN

1

Contenido
INTRODUCCIN ............................................................................................................ 2
1. PREGUNTA 1: ......................................................................................................... 2
Relacin Grfica: .......................................................................................................... 2
Relacin numrica: ....................................................................................................... 4
Correlaciones ................................................................................................................ 4
Regresin ...................................................................................................................... 6
2. PREGUNTA 2: ......................................................................................................... 8
Relacin Grfica: .......................................................................................................... 8
Relacin numrica ........................................................................................................ 9
Correlaciones ............................................................................................................ 9
Regresin: ............................................................................................................... 10
3. PREGUNTA 3: ....................................................................................................... 19
Relacin Grfica: ........................................................................................................ 20
Relacin numrica: ..................................................................................................... 21
Correlaciones .............................................................................................................. 22
Correlaciones .......................................................................................................... 22
Regresin ................................................................................................................ 23
BIBLIOGRAFA ............................................................................................................ 27

TALLER DE REGRESIN

2

INTRODUCCIN
El siguiente anlisis de casos, est basado en las tcnicas de anlisis multivariante de
datos (SPSS), el cual est dividido en tres preguntas, acompaadas de los anlisis
respectivos, referencias conceptuales y conclusiones de cada caso.

1. PREGUNTA 1:
Existe preocupacin de parte del propietario de una gasolinera por el
aumento en el precio del combustible lo cul puede afectar su negocio. El
gerente de la gasolinera piensa que el xito de la gasolinera se basa en la
lealtad de lo clientes y no el flujo de trnsito. Se realiz un estudio
preliminar con una muestra de datos de ocho das los cuales son los
siguientes:
Da Galones vendidos (miles) Flujo de vehculos (cientos)
1 284 9
2 381 13
3 271 11
4 287 9
5 452 17
6 192 5
7 204 7
8 158 4

a. Que puede concluir usted al respecto?
b. Si el flujo promedio de vehculos bajara a 500 diarios, cuantos galones se
esperara que vendiera la gasolinera?
Anlisis Pregunta 1a: Que puede concluir usted al respecto?
Lo primero es saber si las variables tienen correlacin, para esto vamos a analizar si
las variables tienen una relacin grfica:
Relacin Grfica:
Para ste anlisis realizamos los siguientes pasos:
1. Insertar informacin en Vista de datos y vista de variables
2. Grficos
3. Cuadro de dilogos antiguos
4. Diagrama dispersin simple
5. Eje Y: Variable dependiente: Galones vendidos (Miles)
6. Eje X: Variable independiente: Flujos de vehculos (Cientos)
El siguiente paso es agregar el diagrama de dispersin:
TALLER DE REGRESIN

3

Por lo tanto, el diagrama representa el plano cartesiano y la nube de puntos
representa el flujo de vehculos y los galones vendidos
Grfico: Diagrama de dispersin: Relacin Vehculos y Galones vendidos

Ilustracin 1 Diagrama de dispersin: Relacin Vehculos y Galones vendidos

El siguiente paso es agregar la recta:
Grfico: Lnea de ajuste

Interpretaciones:
El diagrama representa el plano cartesiano y la nube de puntos representa el
flujo de vehculos y los galones vendidos.
R
2
Lineal = 0.949
TALLER DE REGRESIN

4

Por lo tanto, representa la relacin grfica entre Galones vendidos y el Flujo de
vehculos.
En consecuencia, la recta es ascendente, lo que nos indica una correlacin
positiva.
R
2
= Lineal = 0.949
El siguiente paso, es la relacin numrica.
Relacin numrica:
Para este anlisis realizaremos los siguientes pasos:
1. Analizar
2. Correlacin
3. Bivariadas
4. Variables
a. Dependiente Y: Galones vendidos
b. Independiente X: Flujo de vehculos
5. Opciones:
a. Estadsticos:
i. Medias y desviaciones tpicas
ii. Productos cruzados diferenciales y covarianzas
b. Valores perdidos
i. Excluir casos segn pareja
6. Coeficiente de correlacin:
a. Pearson
7. Prueba de significacin:
a. Bilateral
8. Marcar las correlaciones significativas
Correlaciones
Estadsticos descriptivos

Media Desviacin tpica N
Galones vendidos 278.6250 98.79262 8
Flujo vehculos 9.3750 4.27409 8

TALLER DE REGRESIN

5

Correlaciones
Correlaciones

Galones vendidos Flujo vehculos
Galones vendidos
Correlacin de Pearson
1
Sig. (bilateral)

.000
Suma de cuadrados y productos cruzados 68319.875 2880.125
Covarianza 9759.982 411.446
N 8 8
Flujo vehculos
Correlacin de Pearson .974
**
1
Sig. (bilateral) .000

Suma de cuadrados y productos cruzados 2880.125 127.875
Covarianza 411.446 18.268
N 8 8
**. La correlacin es significativa al nivel 0,01 (bilateral).
Conclusiones:
La correlacin entre galones vendidos y flujo de vehculos de (0.974**). Por lo
tanto, nos est indicando una relacin positiva muy fuerte.
El siguiente paso, con el fin de conocer cunto est influenciado el flujo de
vehculos en los galones vendidos, vamos a realizar el anlisis de regresin.
1. Analizar
2. Regresin
3. Lineales
4. Variables
a. Dependiente Y: Galones vendidos
b. Independiente X: Flujo de vehculos
5. Estadsticos
a. Coeficientes de regresin:
i. Estimaciones
ii. Ajuste del modelo
iii. Cambio en R cuadrado
iv. Descriptivas
Dnde:
Como resultado del anlisis anterior, obtenemos los datos de la regresin para su
anlisis

.974**
TALLER DE REGRESIN

6

Regresin

Galones vendidos 278.6250 98.79262 8
Flujo vehculos 9.3750 4.27409 8
Correlaciones
Correlaciones

Galones vendidos Flujo vehculos
Galones vendidos 1.000 .974
Flujo vehculos .974 1.000
Sig. (unilateral)
Galones vendidos . .000
Flujo vehculos .000 .
N
Galones vendidos 8 8
Flujo vehculos 8 8
Variables introducidas / eliminadas
Variables introducidas/eliminadas
a

Modelo Variables introducidas Variables eliminadas Mtodo
1 Flujo vehculos . Introducir
a. Variable dependiente: Galones vendidos
b. Todas las variables solicitadas introducidas.
Resumen del modelo
Resumen del modelo
Modelo R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Estadsticos de cambio
Cambio en R
cuadrado
Cambio en F gl1 gl2
Sig. Cambio
en F
1 .974
a
.949 .941 23.98229 .949 112.786 1 6 .000
a. Variables predictoras: (Constante), Flujo vehculos
Por lo tanto, en el anlisis podemos observar los mismos datos de la correlacin de
Pearson.
Dnde:
Correlacin de Pearson = 0.974** (Ver tabla).
Sin embargo, lo que interesa es el R2 = 0.949. (Ver grfica 2). Que al multiplicarlo
por 100, nos indica un porcentaje del 94.9%.
Conclusin:
Se puede afirmar que el flujo de vehculos influenciar en un 94.9% en los
galones vendidos.

TALLER DE REGRESIN

7

Anova
ANOVA
a

Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1
Regresin 64868.974 1 64868.974 112.786 .000
b

Residual 3450.901 6 575.150
Total 68319.875 7
b. Variables predictoras: (Constante), Flujo vehculos
El siguiente paso, es aplicar la frmula de regresin en el anlisis anterior.
Por lo tanto, se substituyen los valores en la frmula de regresin obtenidos en el
anlisis anterior.
Frmula
Y = a+ bx
Anlisis frmula regresin
Coeficientes
a

Modelo
Coeficientes no estandarizados
Coeficientes
tipificados
t Sig.
B Error tp. Beta
1
(Constante) 67.472 21.615

3.122 .021
Flujo vehculos 22.523 2.121 .974 10.620 .000
Variables

a b X Y

67.472 22.523 5 180.087
Y = a+ bx

Dnde:

Interpretacin:
Al remplazar los valores en la frmula de regresin tenemos que el valor de a =
67.472 y el valor de b = 22.523 y el valor de X = 5 (cientos).
Por lo tanto, el valor de Y = 180.087.
Conclusin:
El consumo de combustible probable para en flujo diario de 500 vehculos sera
= 180.087 galones diarios.
Y = a + bx
Y = 67.472 + (22.523)(5)
Y = 180.087
TALLER DE REGRESIN

8

2. PREGUNTA 2:
El gerente de ventas de una compaa de distribucin al mayoreo de
repuestos para automviles quiere desarrollar un modelo para predecir
ventas anuales para un pas, basndose en las variables: nmero de
distribuidores y nmero de automviles registrados a partir de los
siguientes datos:

Pas Ventas (millones) Nmero distribuidores
Nmero de automviles
registrados (millones)
1 52.3 2011 24.6
2 26 2850 22.1
3 20.2 650 7.9
4 16 480 12.5
5 30 1694 9
6 46.2 2302 11.5
7 35 2214 20.5
8 3.5 125 4.1
9 33.1 1840 8.9
10 25.2 1233 6.1
11 38.2 1699 9.5

a. Como observa la correlacin entre variables?
b. Existe problema de multicolinealidad?
c. Que recomienda?
d. Escribir la ecuacin?
e. Cul sera el error de la ecuacin de acuerdo al coeficiente de determinacin
1
? (R2)
Anlisis Pregunta 2:
Lo primero es saber si las variables tienen correlacin, para esto vamos a analizar si
las variables tienen una relacin grfica:
Relacin Grfica:
2. Grficos
3. Generador de grficos
4. Diagrama dispersin 3D simple
5. Eje Y: Variable dependiente: Ventas (millones)
6. Eje X: Variable independiente: Numero de distribuidores

1
Coeficiente determinacin: El R es simplemente el cuadrado del coeficiente de correlacin de Pearson.
http://es.wikipedia.org/wiki/Coeficiente_de_determinaci%C3%B3n

TALLER DE REGRESIN

9

7. Eje Z: Variable independiente: Numero de automviles registrados (millones)
Por lo tanto, el diagrama representa el plano cartesiano 3D y la nube de puntos
representa las ventas en millones, el nmero de automviles y el nmero de
distribuidores.
Grfico G

Relacin numrica
Correlaciones
Correlaciones
Ventas millones
Nmero de
distribuidores
Nmero de
automviles
registrados
Ventas millones
Correlacin de Pearson 1 .739
**
.548
Sig. (bilateral) .009 .081
N 11 11 11
Nmero de distribuidores
**
1 .670
*

N 11 11 11
Nmero de automviles registrados
Correlacin de Pearson .548 .670
*
1
N 11 11 11
*. La correlacin es significante al nivel 0,05 (bilateral).
Interpretacin:
Podemos observar una correlacin positiva entre la variable dependiente Y
(Ventas millones) y las variable independiente X (Numero de distribuidores) de
0.739**.
TALLER DE REGRESIN

10

Adems existe una relacin alta o colinealidad (0.670*) entre las variables
independientes, (por lo tanto se debe de eliminar del anlisis la variable
independiente (Nmero de automviles registrados) , ya que este valor nos est
diciendo que una est explicando a la otra, por lo tanto somos redundantes al
incluirlas la dos en el modelo.
El valor de significancia siempre que sea menor a 0.05 es admisible, en este caso
es ventas en millones (0.009) y nmero de distribuidores (.024) respectivamente,
lo que es viable.
Regresin:

Ventas millones 29.6091 13.75947 11
Nmero de distribuidores 1554.3636 843.90536 11
Correlaciones
Correlaciones
Ventas millones Nmero de
distribuidores
Ventas millones
1.000 .739
Nmero de distribuidores .739 1.000
Sig. (unilateral)
Ventas millones
.
.005
Nmero de distribuidores .005 .
N
Ventas millones
11 11
Nmero de distribuidores 11 11
Interpretacin:
La correlacin entre Ventas millones y numero de distribuidores es alta y
positiva con 0.739.
El valor de significancia es 0.05 (Admisible)
La variable independiente eliminada debido a su colinealidad con nmero de
distribuidores fue nmero de automviles registrados. Por lo tanto, se introdujo
la variable nmero de distribuidores. (Ver tabla)
Variables introducidas / eliminadas
a

1 Nmero de distribuidores
b
.Nmero de automviles reg. Introducir
a. Variable dependiente: Ventas millones

TALLER DE REGRESIN

11

Resumen del Modelo
Resumen del modelo
M
o
d
e
l
o

R
R
cuadrado
R cuadrado
corregida
Error tp.
de la
estimacin
Cambio en
R cuadrado
Cambio en
F
gl1 gl2 Sig. Cambio
en F
1
.739
a
.546 .496 9.77180 .546 10.827 1 9 .009
a. Variables predictores: (Constante), Nmero de distribuidores
Interpretacin:
Lo que nos dice la R2 es la cantidad en la cual estas variables independientes
afectan al modelo total, es decir que el total de influencia es explicado en un
54.6%.
La R2 ajustada, es cuando la muestra es muy pequea, se debe de reporta la R2
ajustada, ya que la R2 normal tiende a ser muy optimista.
ANOVA
ANOVA
a

1
Regresin 1033.836 1 1033.836 10.827 .009
b

Residual 859.393 9 95.488

Total 1893.229 10

b. Variables predictoras: (Constante), Nmero de distribuidores
anlisis anterior.
Frmula
Y = a+ bx
Coeficientes
Coeficientes
Modelo
Coeficientes
tipificados t Sig.
B Error tp. Beta
1
(Constante) 10.881 6.409

1.698 .124
Nmero de distribuidores .012 .004 .739 3.290 .009

TALLER DE REGRESIN

12

Aplicacin de la Frmula de Regresin

a b X Y
10.881 .012 ventas Y=a+bx

Y= 10.881+0.012(X)
10.881 + (0.012)(1700) =31.28 millones en ventas

Interpretacin:
Al remplazar los valores en la frmula de regresin tenemos que el valor de a =
10.881 y el valor de b = 0.012 y el valor de X = 1700 distribuidores
Por lo tanto, el valor de Y = 31.28 ventas (millones)
Conclusin:
Las probables ventas en millones para un nmero de distribuidores de 1700 sera
de 31.28 millones
En el siguiente anlisis, se introduce al modelo la variable ingreso personal. Por lo
tanto, para este anlisis se repetir los pasos realizados nuevamente y se procede a
analizar grficamente y numricamente el modelo, para as ver en primer lugar si existe
una correlacin significativa entre las variables y adems revisar la existencia o no de
una multicolinealidad entre las variables independientes.
f. Si se introduce la variable ingreso personal, cul sera el mejor modelo mltiple
a utilizar?

Y = a + bx
Y = 10.881 + (0.012) (1700)
Y = 31.28 millones en ventas
Ingreso Personal (miles de millones)
98.5
31.1
34.8
32.7
68.8
94.7
67.6
19.7
67.9
61.4
85.6
TALLER DE REGRESIN

13

Correlaciones
Correlaciones
Ventas millones
Nmero de
distribuidores
Ingreso personal
Ventas millones
Correlacin de Pearson 1 .739
**
.936
**

N 11 11 11
Nmero de distribuidores
**
1 .556
N 11 11 11
Ingreso personal
**
.556 1
N 11 11 11
Interpretacin:
Podemos observar una correlacin positiva entre la variable dependiente Y
(Ventas millones) y las variable independiente X (Numero de distribuidores) de
0.739**.
Adems, se puede observar que no existe una relacin alta o colinealidad (0.556)
entre las variables independientes.
El valor de significancia siempre que sea menor a 0.05 es admisible, en este caso
es ventas en millones (0.009) y nmero de distribuidores (.00) respectivamente,
lo que es viable.
Grfico de dispersin 3D simple

Interpretacin:
El diagrama representa el plano cartesiano 3D y la nube de puntos representa
las ventas en millones, el nmero de distribuidores y los ingresos personales
R
2
Lineal = 0.546

TALLER DE REGRESIN

14

Regresin:

Ventas (millones) 29.6091 13.75947 11
m de distribuidores 1554.3636 843.90536 11
Ingreso personal 60.2545 27.16650 11
Variables introducidas o eliminadas
a

1
Ingreso personal,
m de distribuidores
b

Numero de automviles registrados Introducir
a. Variable dependiente: Ventas (millones)
Resumen del modelos
Resumen del modelo
Modelo R R cuadrado R cuadrado
corregida
Error tp. de la
estimacin
Cambio en R
cuadrado
Cambio en F gl1 gl2 Sig. Cambio
en F
1 .972
a
.946 .932 3.58666 .946 69.586 2 8 .000
a. Variables predictoras: (Constante), Ingreso personal, m de distribuidores
b. Variable dependiente: Ventas (millones)
Interpretacin:
Lo que nos dice la R2 es la cantidad en la cual estas variables independientes
afectan al modelo total, es decir que el total de influencia es explicado en un
94.6%.
La R2 ajustada, es cuando la muestra es muy pequea, se debe de reporta la R2
ajustada, ya que la R2 normal tiende a ser muy optimista.
Anova
ANOVA
a

1
Regresin 1790.316 2 895.158 69.586 .000
b

Residual 102.913 8 12.864

Total 1893.229 10

b. Variables predictoras: (Constante), Ingreso personal, m de distribuidores
TALLER DE REGRESIN

Coeficientes

Interpretacin:
Al analizar la estadstica de colinealidad, la Tolerancia debe ser un valor mayor 0.10 para aceptarse, en este caso la tolerancia es 0.690 y
en el caso del FIV tiene que ser un valor menor a 10 para aceptarse, en este caso el FIV es menor a 10 con 1.448. En consecuencia,
ambas variables independientes cumplen con esos requisitos lo que nos indica que no hay una colinealidad relevante.
Por lo tanto, se substituyen los valores en la frmula de regresin obtenidos en el anlisis anterior.
Frmula
Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+b
k
X
k

Y = (-1.608+1.25+38.115) = 37.757 millones

Coeficientes
Modelo
Coeficientes
tipificados
t Sig.
Intervalo de confianza de 95.0%
para B
Correlaciones Estadsticos de colinealidad
B Error tp. Beta Lmite inferior Lmite superior Orden cero Parcial Semiparcial Tolerancia FIV
1
(Constante) -1.608 2.861 -.562 .589 -8.206 4.990
m de
distribuidores
.005 .002 .316 3.182 .013 .001 .009 .739 .747 .262 .690 1.448
Ingreso personal .385 .050 .761 7.668 .000 .269 .501 .936 .938 .632 .690 1.448

Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+b
k
X
k

Y = (-1.608) + (0.005 X
1
) + (.385 X
2
)
-1.608 + (0.005 x 250) + (.385 x 99)
TALLER DE REGRESIN

Diagnsticos de colinealidad
a

Modelo Dimensin Autovalores ndice de condicin
Proporciones de la varianza
(Constante) m de distribuidores Ingreso personal
1
1 2.816 1.000 .02 .02 .01
2 .112 5.015 .62 .67 .00
3 .072 6.245 .37 .31 .99
Interpretacin:
Estadstico sobre los residuos
Estadsticos sobre los residuos
a

Mnimo Mximo Media Desviacin tpica N
Valor pronosticado 6.6257 46.7294 29.6091 13.38027 11
Residual -3.62045 5.60434 .00000 3.20801 11
Valor pronosticado tip. -1.718 1.280 .000 1.000 11
Residuo tp. -1.009 1.563 .000 .894 11
Interpretacin:
Grfica Ventas / distribuidores / Ingreso personal

TALLER DE REGRESIN

17

Grficos
Histograma

Grfico PP normal de regresin residuo tipificado

TALLER DE REGRESIN

18

Grfico de dispersin

Grfico de regresin parcial: Ventas / nmero distribuidores

TALLER DE REGRESIN

19

Grfico regresin parcial: Ventas / ingreso personal

3. PREGUNTA 3:
Las tasas de inters aplicados a los crditos hipotecarios en aos recientes
han tenido un impacto en el nmero de construcciones iniciadas. Los datos
a continuacin presentan tasas de inters por trimestre y el nmero
correspondientes de construcciones iniciadas.
Trimestre Tasa % Nmero construcciones iniciadas
1 11.5 260
2 11.4 250
3 11.6 241
4 12.4 256
5 12.8 270
6 13.2 220
7 13.5 190
8 13.0 195
9 12.7 200
10 12.9 210
11 12.5 230
12 12 245
a. Cul sera el nmero de construcciones pronosticadas correspondiente a un
11% de inters.
b. El modelo de regresin lineal ser adecuado si se quiere un 99% de
confiabilidad.

TALLER DE REGRESIN

20

Anlisis Pregunta 3a: Cul sera el nmero de construcciones pronosticadas
correspondiente a un 11% de inters?
Relacin Grfica:
2. Grficos
3. Cuadro de dilogos antiguos
4. Diagrama dispersin simple
5. Eje Y: Variable dependiente: Nmero de construcciones iniciadas
6. Eje X: Variable independiente: Tasa (%)
Por lo tanto, el diagrama representa el plano cartesiano y la nube de puntos
representa el nmero de construcciones iniciadas y las tasas de inters
Diagrama Nmero de construcciones iniciadas y Tasas de inters bancarias

TALLER DE REGRESIN

21

El siguiente paso es agregar la recta:
Grfico: Lnea de ajuste

Interpretaciones
El diagrama representa el plano cartesiano y la nube de puntos representa el
nmero de construcciones iniciadas y las tasas de inters bancarias.
Por lo tanto, representa la relacin grfica entre Nmero de construcciones
iniciadas y las tasas de inters bancarias.
En consecuencia, la recta es descendente, lo que nos indica una correlacin
negativa.
R
2
= Lineal = 0.444
El siguiente paso, es la relacin numrica.
Relacin numrica:
1. Analizar
2. Correlacin
3. Bivariadas
4. Variables
4.1. Dependiente Y: Galones vendidos
4.2. Independiente X: Flujo de vehculos
5. Opciones:
5.1. Estadsticos:
5.1.1. Medias y desviaciones tpicas
R
2
Lineal = 0.444

TALLER DE REGRESIN

22

5.1.2. Productos cruzados diferenciales y covarianzas
5.2. Valores perdidos
5.2.1. Excluir casos segn pareja
6. Coeficiente:
6.1. Pearson
7. Prueba de significacin:
7.1. Bilateral
8. Marcar las correlaciones significativas
Correlaciones

Nmero construcciones iniciadas
230.5833 27.20781 12
Tasas inters bancarias para construccin
12.4583 .69342 12

Correlaciones
Correlaciones

Tasas inters
bancarias para
construccin
Nmero
construcciones
iniciadas
Tasas inters bancarias para
construccin
Correlacin de Pearson 1 -.666
*

Sig. (bilateral)

.018
N 12 12
Nmero construcciones iniciadas
Correlacin de Pearson -.666
*
1
Sig. (bilateral) .018

N 12 12
*. La correlacin es significante al nivel 0,05 (bilateral).
Conclusiones:
La correlacin entre nmero de construcciones iniciadas y tasas de inters
bancarias es de (-0.666*). Por lo tanto, nos est indicando una relacin negativa
no muy fuerte, que no llega a 0.70.
El siguiente paso, con el fin de conocer cunto est influenciado las tasas de inters
bancarias en los nmeros de construcciones iniciadas, vamos a realizar el anlisis
de regresin.

TALLER DE REGRESIN

23

1. Analizar
2. Regresin
3. Lineales
4. Variables
4.1. Dependiente Y: Galones vendidos
4.2. Independiente X: Flujo de vehculos
5. Estadsticos
5.1. Coeficientes de regresin:
5.1.1. Estimaciones
5.1.2. Ajuste del modelo
5.1.3. Cambio en R cuadrado
5.1.4. Descriptivas
Dnde:
Como resultado del anlisis anterior, obtenemos los datos de la regresin para su
anlisis.
Regresin
Variables introducidas/eliminadas}
1
Tasas inters bancarias para construccin . Introducir
a. Variable dependiente: Nmero construcciones iniciadas
Resumen del Modelo
Resumen del modelo
Modelo R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Cambio en R
cuadrado
Cambio en F gl1 gl2
Sig. Cambio
en F
1 .666
a
.444 .388 21.28725 .444 7.970 1 10 .018
a. Variables predictoras: (Constante), Tasas inters bancarias para construccin
b. Variable dependiente: Nmero construcciones iniciadas
Por lo tanto, en el anlisis podemos observar los mismos datos de la correlacin de
Pearson.
Dnde:
Correlacin de Pearson = 0.666* (Ver tabla).
Sin embargo, lo que interesa es el R2 = 0.444. (Ver grfica 2). Que al
multiplicarlo por 100, nos indica un porcentaje del 44.4%.
TALLER DE REGRESIN

24

En consecuencia, lo que nos dice la R2 es la cantidad en la cual variable
independiente X (Tasa de inters) afecta al modelo total, es decir que el total de
influencia es explicado en un 44.4%.
Conclusin:
Se puede afirmar que las tasas de inters puede influenciar en un 44.4% en las
construcciones iniciadas.
Por lo tanto, no cumple con el modelo de regresin adecuado, en el cual se
solicita un 99% de confiabilidad.
ANOVA
ANOVA
a

1
Regresin 3611.447 1 3611.447 7.970 .018
b

Residual 4531.470 10 453.147

Total 8142.917 11

b. Variables predictoras: (Constante), Tasas inters bancarias para construccin
anlisis anterior.
Frmula
Y = a+ bx

TALLER DE REGRESIN

Coeficientes
Coeficientes
Modelo
Coeficientes
tipificados t Sig.
Correlaciones
Estadsticos de
colinealidad
B Error tp. Beta Orden cero Parcial Semiparcial Tolerancia FIV
1
(Constante) 556.125 115.479 4.816 .001
Tasas inters
bancarias para
construccin
-26.130 9.256 -.666 -2.823 .018 -.666 -.666 -.666 1.000 1.000
Aplicacin de la Frmula de Regresin

a b X Y
556.125 -26.130 # construcciones Y=a+bx
Y= 556.125+(-26.130) (11)

Interpretacin:
Al remplazar los valores en la frmula de regresin tenemos que el valor de a = 556.125 y el valor de b = -26.130 y el valor de X = 11 %
Por lo tanto, el valor de Y = 31.28 ventas (millones)
Conclusin: En respuesta a la Pregunta 3:
Las probables construcciones iniciadas para una tasa de inters del 11% seran de 268.695 construcciones.
Y = a + bx
Y = 556.125 + (-26.130) (11)
Y = 268.695 construcciones iniciadas
TALLER DE REGRESIN

Diagnstico de colinealidad
a

Modelo Dimensin Autovalores ndice de condicin
Proporciones de la varianza
(Constante)
Tasas inters bancarias
para construccin
1
1 1.999 1.000 .00 .00
2 .001 37.557 1.00 1.00

Mnimo Mximo Media Desviacin tpica N
Valor pronosticado 203.3641 258.2381 230.5833 18.11942 12
Residual -24.26847 48.34457 .00000 20.29660 12
Valor pronosticado tip. -1.502 1.526 .000 1.000 12
Residuo tp. -1.140 2.271 .000 .953 12
Grficos
Histograma: Variable dependendiente nmero de construcciones iniciadas

Grfico de dispersin

TALLER DE REGRESIN

27

BIBLIOGRAFA
Mollinedo, K. (6 de Enero de 2007). Google. Recuperado el 3 de Mayo de 2014, de
http://es.scribd.com/doc/51801258/Tesis-K-Mollinedo-Diagrama-de-la-persona

Análisis de Regresión SPSS

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análisis de Regresión SPSS

Uploaded by

Copyright:

Available Formats

TALLER DE REGRESIN

You might also like