PRACTICO 4 DE REGRESION

Ventas<c(125000,138000,175600,102500,134500,147500,162750,154500,168500,152600,92300,189 500) Promocion<c(15000,17500,20500,8500,16500,18500,20000,19000,21500,16500,8750,21200)

## Transformaciones

x=c(3, 4, 10, 15, 20, 30, 40, 50, 60, 75, 90) y=c(25.5,23.4, 18.2, 14.2, 11, 6.7, 4.1, 2.5, 1.5, 0.7, 0.4)

x1=c( 1, 2, 4, 8, 16, 32, 64) y1=c( 2, 4, 7, 11, 16, 19, 21)

Ventas<c(125000,138000,175600,102500,134500,147500,162750,154500,168500,152600,9 2300,189500) Promocion<c(15000,17500,20500,8500,16500,18500,20000,19000,21500,16500,8750,21200) plot(Promocion,Ventas,main="Promocin vrs Ventas") #A pesar que algunos valores se encuentran muy dispersos, # la gran mayora tienen un comportamiento lineal.

##Ajuste del Modelo de Regresin reg<- lm(Ventas~Promocion) summary(reg) ## trazar la recta plot(Promocion,Ventas,main="Promocin vrs Ventas") abline(reg,col="red")

########################################################### ############Diagnostico de los residuales################### ##Existen distinto tipos de residuales, entre ellos estan los que entrega el modelo, ## residuales estandarizados, estudentizados y otros. ## Para realizar el diagnostico de los residuos pueden tomar cualquiera, les entregaran el mismo resultado.

res<-residuals(reg)

##Residuos entregados por el modelo por MCO #Residuales estandarizados

res.stand=res/summary(reg)$sigma

## NOrmALIDAD EN LOS RESIDUOS estandarizados qqnorm(res.stand) qqline(res.stand) #Si los residuos tienen distribucion normal, los puntos del grfico QQ se agruparn a lo largo de #la lnea. ##Test de Normalidad install.packages("nortest") library(nortest) lillie.test(res) ks.test(res.stand,"pnorm",mean(res.stand),sd(res.stand)) par(mfrow=c(1:2))

## Estabilidad de la varianza plot(fitted(reg),res.stand) #Se grfica los valores predichos v/s los residuales la variable x v/s predicho ## plot(Promocion,res.stand) #trazando una recta horizontal alrededor del cero, si los puntos se reparten equitativamente o no se observan patrones # por lo tanto la varianza es constante #los residuos parecen ser aleatorios. Es una buena indicacin que la regresin se ajusta bien

## Correlacin de los errores

#Test de Durbin y Watson # Requiere del paquete lmtest install.packages("lmtest") library(lmtest) #la instalacin de lmtest dwtest(reg) # No existe evidencia para rechazar H0, es decir, no existe relacin entre los residuos

##Puntos atpicos influence.measures(reg) #la observaciones 4 y 11 son puntos atpicos del modelo ##Algunos criterios de puntos atipicos, que se corroboran con el comando anterior #DF Beta si punto atpico #Distancia de Cook si punto atpico #Criterio de Leverage si punto atpico dfb.1 cook.d > 2/sqrt(n) > 4/(n-p-1) la observacin es un la observacin es un la observacin es un

hat inf > 2*(p+1)/n

#Donde n corresponde al nmero de observaciones y p al nmero de prametros a estimar. # en el ejemplo n=12 y p=2 se estima alpha y beta

###############################################3 par(mfrow=c(1,2)) ##Transfomacion de no lineal a linealizable ##Transformacin Exponencial x=c(3, 4, 10, 15, 20, 30, 40, 50, 60, 75, 90) y=c(25.5,23.4, 18.2, 14.2, 11, 6.7, 4.1, 2.5, 1.5, 0.7, 0.4) plot(x,y) plot(x,log(y)) reg=lm(y~x) # sin linealizar summary(reg)

reg=lm(log(y)~x) #linealizado es mejor summary(reg)

se observa un aumento en el R2, el ajuste

### Transformacin Logartmica x1=c( 1, 2, 4, 8, 16, 32, 64) y1=c( 2, 4, 7, 11, 16, 19, 21) plot(x1,y1) plot(log(x1),y1) reg1=lm(y1~log(x1))