Regresión múltiple Más de dos variables independientes y una dependiente Y=bo+b1X+b2Z+e Y= dependiente bo: X=Independiente ingreso Z=independiente precio

e= residuos La función debe cumplir con los siguientes requisitos (todos): 1. Student: varios deben ser mayor a 2 absolutos cada una de las variables explica el comportamiento de la variable dependiente deben funcionar los students si no funciona uno no se puede 2. Anova: por encima de 6 siempre va a ser positivo y siempre va a ser un solo valor, en conjunto las variables independientes explican el comportamiento de la variable dependiente 3. Correlacion multiple: Este valor siempre va a ser solo uno y siempre va a dar positivo Rcuadrado debe ser alto 0.95 para arriba 4. Coeficiente de determinación: porcentaje de explicacion debe ser alto debe estar por encima del 95% 5. Rcuadrado ajustado: cuando hay mucha diferencia entre el Rcuadrado y el ajustado se toma el ajustado 6. Error: debe dar igual o muy cercano a 0 Si las condiciones se cumplen se sigue con el otro paso Analisis de residuos 1. Los residuos deben estar ubicados en la curva normal K-S: prueba que le dice si una serie de datos tiene o no tiene distribución normal. Si es mayor a 0.05 sigue una distribución normal, si es menor no es normal. 2. Problema de autocorrelacion: cuando los residuos no son independientes es decir se trasladan de un periodo al siguiente no debe tener autocorrelacion Durbi Wattson: es la prueba q dice si se tiene autocorrelacion, esta debe esta entre 1.5 y 2.5 para que este bien 3. Multicolineidad: puede existir el problema de que dos o más variables estén haciendo lo mismo, para el modelo se debe tomar una decisión se debe eliminar una de las dos o tres variables FIV: Factor de inflación de la variable, esta mide en términos de variables si se tiene problema de colineidad le debe dar máximo 10 si está por debajo no hay problema si está por encima se da un problema de multicolineidad Tolerancia: debe estar entre 0.40 y 1 significa que no tiene problema de colineidad si esta por debajo de 0.40 hay problema de colineidad

si se tiene una cualitativa debe aproximarse a una probabilidad cuando ocurre el evento es 1 cuando no ocurre el evento es 0 . Todas las variables deben ser cuantitativas.63 Dos variables independientes: 9.08 La idea es que sea menor que los parámetros anteriores D de cook: máximo debe ser 1 Necesito hacer una proyección para los próximos 2 o 3 meses necesito q me muestre una fórmula para mirar que puede pasar en los próximos meses De las ventas va a depender días de entrega. Homoxedasticidad: varianzas iguales . si es igual los camios son pequeños si no entonces hay dispersion Mahalanobis: parámetro que se debe cumplir para que se pueda decir que hay homogeneidad en la varianza Variable independiente: 6. publicidad. promoción las últimas son variables independientes. 13.27 Cinco variables independientes: 15.24 Tres variables independientes: 11. unidades.34 Cuatro variables independientes.4.

1 paso: hallar la correlacion de todas las variables. voy a comenzar con la que tenga mayor correlacion Analizar-correlacion-bivariada.primero se ingresa la independiente y después las independientes pero únicamente las cuabntitativas. para poder determinar con cual empiezo.coeficiente de Pearson .

lineal . Y=bo+b1X Y= ventas X= días entrega Segundo paso: correr los modelos para saber cual funciona Analizar.Se comienza con el de días para entrega porque tiene mayor correlacion sin importar si es directo o inverso.regresión.

Student mayor a 2 En conjunto las variables independientes explican el comportamiento de la variable dependiente Mayor que 6 Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1 .601 1. de la estimación .25484 Durbin-Watson . Variable dependiente: ventas en millones de unidades . dias para entrega b.795 a.776 a b Error típ.602 . Variables predictoras: (Constante).

081 . 0.0000000 . (bilateral) a.033 Diferencias más extremas Positiva Negativa Z de Kolmogorov-Smirnov Sig. Se han calculado a partir de los datos.047 -.99839099 . b.05 Este tiene un problema de coeficiente de determinación es bajo y los residuos no siguen una distribución normal .431 . asintót. La distribución de contraste es la Normal.25 cercano a 0 se supone q funciona Analisis de residuos Analizar.k y s de una muestra Prueba de Kolmogorov-Smirnov para una muestra Standardized Residual N Parámetros normales a.Rcuadrado: es muy bajo es decir que al modelo le hacen falta variables independientes al modelo Rcorregido: muy parecido no se tiene en cuenta Error de estimación: 0.cuadro de diálogos antiguos.b 312 Media Desviación típica Absoluta .033 significa que no hay normalidad de los residuos. porque está por debajo de 0.081 1.pruebas no paramétricas.

49515 1. de la estimación .000 . Residuo eliminado Residuo eliminado estud.601 1.00002 -. Error típico de valor pronosticado Valor pronosticado corregido Residual Residuo típ.602 .22357 -4.051 .000 .003 .2896 .5 y 2 Por 1 ser menor que 10 está bien y cumple con los requisitos Estadísticos sobre los residuos Mínimo Máximo Media a Desviación típica N Valor pronosticado Valor pronosticado tip. Dist.350 . Variable dependiente: ventas en millones de unidades No tiene problema de correlacion porque DW esta entre 1. Variable dependiente: ventas en millones de unidades .943 1.015 4. de Mahalanobis Distancia de Cook Valor de influencia centrado 3.997 .127 .005 312 312 312 3.00000 .5468 4.25484 Durbin-Watson .992 .7238 4.003 .951 .005 .960 5.053 .001 .004 312 312 312 312 312 312 312 312 a.25443 .008 1.001 .000 . dias para entrega b.000 .520 .31290 1.018 . Residuo estud.22771 -4.020 .809 -1.998 1.Modelo de ventas por competencia q fue el segundo mas alto Y=bo+b1X+b2Z Y= ventas X= días entrega Z= competencia Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1 .795 a.000 . Variables predictoras: (Constante).2896 .776 a b Error típ.25596 1.369 .49941 1.037 4.000 .5545 -2.31283 312 -1.7179 1.801 -4.

5+0.166X+0.53 por ser menor q 1 Modelo ventas contra días de entrega y competencia Y=bo+b1X+b2Z Y= ventas X= días entrega Z= competencia Analizar-regresion.012Z .lineal Solo agregue otra variable independiente Y=bo+b1X+b2Z Y=5.En mahalanobis se mira el máximo y cumple con el requisito porque es menor que 1 Y De cook es 0.

994 .406 2.2622 4.004 .2900 .002 1.887 .000 .88 es decir que la nueva variable le aporta al modelo El error típico disminuyo CUMPLE CON LA FUNCION PORQUE CUMPLE CON TODOS LOS REQUISITOS AUNQUE EL RECUADRADO ES MUY PEQUEÑO Ahora se mira DW no hay autocorrelacion Tolerancia y FIV: no tienen problema Estadísticos sobre los residuos Mínimo Máximo Media a Desviación típica N Valor pronosticado Valor pronosticado tip.13579 Durbin-Watson . Error típico de valor pronosticado Valor pronosticado corregido Residual Residuo típ.014 . Residuo estud.32676 2.419 .000 . Variable dependiente: ventas en millones de unidades b.013 . de la estimación .051 .887 2.889 .00034 -.66250 -4.33029 2.147 a.000 -.37982 312 -.808 .000 .13695 1.2296 5.37989 1.003 .941 -. Dist. Residuo eliminado Residuo eliminado estud.008 5. Variable dependiente: ventas en millones de unidades Se compara con el anterior estaba en 0.210 . de Mahalanobis Distancia de Cook Valor de influencia centrado 3.000 .2896 .006 .439 10. Variables predictoras: (Constante).2549 2.541 .00000 .030 .000 b a. dias para entrega b.581 gl a Media cuadrática 2 309 311 22.698 50.2229 -2.942 a b Error típ.883 5.141 .60 ahora esta en 0.006 312 312 312 312 312 312 312 312 . unidades ventas competencia.ANOVA Modelo Suma de cuadrados Regresión 1 Residual Total 44.001 -. Variables predictoras: (Constante).004 312 312 312 3.058 . 1217.008 1. unidades ventas competencia.032 .879 -4.997 1.13535 .018 F Sig. dias para entrega Por encima de 6 Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1 .026 4.67961 -5.442 .

(bilateral) a. Variable dependiente: ventas en millones de unidades Mahalanobis no da bien se pasa Se debe hacer KyS Prueba de Kolmogorov-Smirnov para una muestra Standardized Residual N Parámetros normales a.99677938 .0000000 . b. asintót.030 .b 312 Media Desviación típica Absoluta .020 -.539 .030 . Hay normalidad en residuos . Se han calculado a partir de los datos.a.934 Diferencias más extremas Positiva Negativa Z de Kolmogorov-Smirnov Sig. La distribución de contraste es la Normal.

Modelo con publicidad Y=bo+b1X+b2Z+b3P P: publicidad No sirve porque student es menor a 2 Modelo unidades defectuosas Y=bo+b1X+b2Z+b3P+b4U U: unidades defectuosas No sirve SIEMPRE SE DEBE TENER VARIABLES CUANTITATIVAS Y CUALITATIVAS Ahora se mete promoción especial de ultimas y sacamos publicidad y defectuosas Y=bo+b1X+b2Z+b3Pr X=días entrega Z= competencia Pr: Promocion .

38792 312 -.ANOVA Modelo Suma de cuadrados Regresión 1 Residual Total 46.002 -.128 2.009 5.925 .23912 .000 .360 -.003 312 312 312 3. Residuo eliminado 3. Variable dependiente: ventas en millones de unidades b.772 50. Variable dependiente: ventas en millones de unidades Estadísticos sobre los residuos Mínimo Máximo Media a Desviación típica N Valor pronosticado Valor pronosticado tip. Error típico de valor pronosticado Valor pronosticado corregido Residual Residuo típ.641 .58463 -5. dias para entrega Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1 .23553 2. Promociòn especial.2900 .3143 2. de la estimación .004 .995 1.000 .220 .154 a.000 -.3240 4.021 4. unidades ventas competencia.962 a b Error típ.3537 5.809 3.2896 . Variables predictoras: (Constante).581 gl a Media cuadrática 3 308 311 15.603 . dias para entrega b.012 .00000 . Promociòn especial.000 b a. Residuo estud.00038 .60167 .925 2.3409 -2.11066 Durbin-Watson .012 F Sig.38796 1. Variables predictoras: (Constante).11218 312 312 312 312 .145 .11012 . unidades ventas competencia.445 .283 -5. 1274.

015 .033 -.157 10.4+0.b 312 Media Desviación típica Absoluta .010 1. b.619 .99516516 .012Z+0.990 .005 .57X+0.003 2. asintót.036 -.273 .003 2. de Mahalanobis Distancia de Cook Valor de influencia centrado -5. La distribución de contraste es la Normal.Residuo eliminado estud.249 .072 . Dist.072 1.154Pr Prueba de Kolmogorov-Smirnov para una muestra Standardized Residual N Parámetros normales a.209 .000 . Variable dependiente: ventas en millones de unidades Este es el modelo que sirve Y=5.078 Diferencias más extremas Positiva Negativa Z de Kolmogorov-Smirnov Sig.960 .013 1. . Se han calculado a partir de los datos.893 . (bilateral) a.006 312 312 312 312 a.0000000 .

Sign up to vote on this title
UsefulNot useful