LABORATORIO DE REGRESIN LINEAL MLTIPLE CON SPSS 1.

Un gerente de recursos humanos desea determinar el salario que debe pagar acierta categora de obreros. Para determinar dicho salario que debe pagar a cierta categora de obreros. Para determinar dicho salario se realiza un estudio en el que intervienen las variables Salario Mensual( en miles de soles), Nivel de Produccin Anual en la Empresa(en millones de soles) y Nivel de especializacin Media del Trabajador ( de 0 a 10). El gerente obtiene esta serie de resultados:

Se pide: a) Estimar la recta de regresin lineal que explica el salario en funcin de la produccin y del nivel de especializacin. b) Analizar R2. c) Prueba de hiptesis individual de los parmetros. d) Prueba de hiptesis global de los parmetros. e) Conclusiones.

a)
Variables introducidas/eliminadas Modelo Variables introducidas 1 esp, produccion
b a

Variables eliminadas

Mtodo

. Introducir

a. Variable dependiente: salario b. Todas las variables solicitadas introducidas.

Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1 0,662

a

Error tp. de la estimacin 14,0588

0,437

0,277

a. Variables predictoras: (Constante), esp, produccin

ANOVA Modelo Suma de cuadrados Regresin 1 Residual Total 1078,151 1383,549 2461,700 gl

Media cuadrtica 2 7 9 539,076 197,650

Sig.

2,727

,133

a. Variable dependiente: salario b. Variables predictoras: (Constante), esp, produccion

Coeficientes Modelo Coeficientes no estandarizados Coeficientes tipificados B (Constante) 1 produccion esp a. Variable dependiente: salario 56,183 0,158 3,686 Error tp. 28,885 0,106 3,661 0,464 0,315 Beta 1,945 1,483 1,007 0,093 0,182 0,348 t Sig.

b) ANALIZAR R = 0.437 C) prueba t 1 H0: B1=O H1: B11

P.valor (B1) = 0,180 > = 0.05 P.VALOR (B2)= 0.352 > =0.05 D) PRUEBA t

H0:1=2=0 H1: algn i 0 p.valor= 0.134 >0 rechaza H0 si bien el modelo ajustado ha pasado las pruebas de las metas que son estadsticamente = o que el R cuadrado el 43,7% de la variacin de Y , es decir la diferencia el 56% es explicado por otras variables

2. Una Empresa de desarrollo de software establece relacionar sus Ventas en funcin del nmero de pedidos de los tipos de software que desarrolla (Sistemas, Educativos y Automatizaciones Empresariales), para atender 10 proyectos en el presente ao. En la Tabla representa Y (Ventas miles de S/.) e X (N pedidos de sistemas), W (N de pedidos de Aplicaciones Educativas) y Z (N de pedidos de Automatizaciones empresariales):

a) Estimar la recta de regresin lineal que explica las ventas en funcin del nmero de pedidos de los tipos de software que desarrolla. b) Analizar R2. c) Prueba de hiptesis individual de los parmetros. d) Prueba de hiptesis global de los parmetros. e) Conclusiones.
Regresin

Variables introducidas/eliminadas Modelo Variables introducidas PEDIDOS AUTOM.EMPRES 1 ., PEDIDOS DE SISTEMAS, PEDIDOS APLI.EDUC.
b

Variables eliminadas

Mtodo

. Introducir

a. Variable dependiente: VENTAS b. Todas las variables solicitadas introducidas.

Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1 ,671

a

Error tp. de la estimacin

,450

,175

22,558

a. Variables predictoras: (Constante), PEDIDOS AUTOM.EMPRES., PEDIDOS DE SISTEMAS, PEDIDOS APLI.EDUC.

ANOVA Modelo Suma de cuadrados Regresin 1 Residual Total a. Variable dependiente: VENTAS 2495,738 3053,162 5548,900 gl

Media cuadrtica

Sig.

3 6 9

831,913 508,860

1,635

,278

b. Variables predictoras: (Constante), PEDIDOS AUTOM.EMPRES., PEDIDOS DE SISTEMAS, PEDIDOS APLI.EDUC.

Coeficientes Modelo

Coeficientes no estandarizados

Coeficientes tipificados

Sig.

B (Constante) PEDIDOS DE SISTEMAS 1 PEDIDOS APLI.EDUC. PEDIDOS AUTOM.EMPRES. a. Variable dependiente: VENTAS -,446 -6,253 934,808 ,682

Error tp. 327,716 1,169 ,852 3,463

Beta 2,852 ,183 -,250 -,854 ,583 -,524 -1,806 ,029 ,581 ,619 ,121

a) Y= 934,8 + 0,682X1 0,446W 6,253Z 1 = 0,682 Manteniendo constante las variaciones de los valores de la aplicacin (W) y pedido de la aplic. Emp.(Z) si los pedidos de sistema de variacin en una unidad entonces las ventas (Y) se incrementa en 0,682 unidades 3. Para una muestra de 12 estudiantes se tiene la informacin adjunta. Ajustar la recta de regresin mltiple mediante el SPSS, donde: Y = promedio de calificaciones (variable dependiente), X1 = Coeficiente de inteligencia (IQ) y X2 = Tiempo de estudio.

N 1 2 3 4 5 6 7 8 9 10 11 12

X1 (IQ) 110 112 118 119 122 125 127 130 132 134 136 138

X2 (Tiempo estudio) 8 10 6 13 14 6 13 12 13 11 12 18

de Y ( Promedio calificaciones) 1.0 1.6 1.2 2.1 2.6 1.8 2.6 2.0 3.2 2.6 3.0 3.6

de

a) Estimar la recta de regresin lineal que explica el promedio de calificaciones en funcin de IQ y del tiempo de estudios. b) Analizar R2. c) Prueba de hiptesis individual de los parmetros. d) Prueba de hiptesis global de los parmetros. e) Conclusiones.

Regresin

Variables introducidas/eliminadas Modelo Variables introducidas 1 TIEMPO DE ESTUDIO, IQ

b

Variables eliminadas

Mtodo

. Introducir

a. Variable dependiente: CALIFICACIONES b. Todas las variables solicitadas introducidas.

Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1 ,954

a

Error tp. de la estimacin

,910

,890

,2654

a. Variables predictoras: (Constante), TIEMPO DE ESTUDIO, IQ

ANOVA Modelo Suma de cuadrados Regresin 1 Residual Total 6,389 ,634 7,023 gl

Media cuadrtica

Sig.

2 9 11

3,194 ,070

45,353

,000

a. Variable dependiente: CALIFICACIONES b. Variables predictoras: (Constante), TIEMPO DE ESTUDIO, IQ

Coeficientes Modelo

Coeficientes no estandarizados

Coeficientes tipificados

Sig.

B (Constante) 1 IQ TIEMPO DE ESTUDIO a. Variable dependiente: CALIFICACIONES -5,249 ,049 ,118

Error tp. 1,166 ,010 ,028

Beta -4,501 ,570 ,509 4,717 4,209 ,001 ,001 ,002