TALLER DE REGRESIÓN

TALLER DE REGRESIÓN
Ejercicios 2: Regresión SPSS / 15 mayo 2014
UNIVERSIDAD GALILEO
FACULTAD DE CIENCIA, TECNOLOGÍA E INDUSTRIA
DOCTORADO EN ADMINISTRACIÓN CON
ESPECIALIDAD EN FIANANZAS

ARQ. ALVARO COUTIÑO G

Carnet 1300-4393
 TALLER DE REGRESIÓN

Contenido
INTRODUCCIÓN ............................................................................................................ 2
1. PREGUNTA 1: .......................................................................................................... 2
Relación Gráfica: .......................................................................................................... 2
Relación numérica: ....................................................................................................... 4
Correlaciones ................................................................................................................ 4
Regresión ...................................................................................................................... 6
2. PREGUNTA 2: .......................................................................................................... 8
Relación Gráfica: .......................................................................................................... 8
Relación numérica ........................................................................................................ 9
Correlaciones ............................................................................................................ 9
Regresión: ............................................................................................................... 10
3. PREGUNTA 3: ....................................................................................................... 19
Relación Gráfica: ........................................................................................................ 20
Relación numérica: ..................................................................................................... 21
Correlaciones .............................................................................................................. 22
Correlaciones .......................................................................................................... 22
Regresión ................................................................................................................ 23
BIBLIOGRAFÍA ............................................................................................................ 27

1
 TALLER DE REGRESIÓN

INTRODUCCIÓN
El siguiente análisis de casos, está basado en las técnicas de análisis multivariante de
datos (SPSS), el cual está dividido en tres preguntas, acompañadas de los análisis
respectivos, referencias conceptuales y conclusiones de cada caso.

1. PREGUNTA 1:
 Existe preocupación de parte del propietario de una gasolinera por el
aumento en el precio del combustible lo cuál puede afectar su negocio. El
gerente de la gasolinera piensa que el éxito de la gasolinera se basa en la
lealtad de lo clientes y no el flujo de tránsito. Se realizó un estudio
preliminar con una muestra de datos de ocho días los cuales son los
siguientes:
Día Galones vendidos (miles) Flujo de vehículos (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 vehículos bajara a 500 diarios, cuantos galones se
esperaría que vendiera la gasolinera?
Análisis Pregunta 1a: ¿Que puede concluir usted al respecto?
Lo primero es saber si las variables tienen correlación, para esto vamos a analizar si
las variables tienen una relación gráfica:
Relación Gráfica:
Para éste análisis realizamos los siguientes pasos:
1. Insertar información en Vista de datos y vista de variables
2. Gráficos
3. Cuadro de diálogos antiguos
4. Diagrama dispersión simple
5. Eje Y: Variable dependiente: Galones vendidos (Miles)
6. Eje X: Variable independiente: Flujos de vehículos (Cientos)
El siguiente paso es agregar el diagrama de dispersión:

2
 TALLER DE REGRESIÓN

Por lo tanto, el diagrama representa el plano cartesiano y la nube de puntos

representa el flujo de vehículos y los galones vendidos
Gráfico: Diagrama de dispersión: Relación Vehículos y Galones vendidos

Ilustración 1 Diagrama de dispersión: Relación Vehículos y Galones vendidos

El siguiente paso es agregar la recta:

Gráfico: Línea de ajuste

R2 Lineal = 0.949

Interpretaciones:
 El diagrama representa el plano cartesiano y la nube de puntos representa el flujo
de vehículos y los galones vendidos.
3
 TALLER DE REGRESIÓN

 Por lo tanto, representa la relación gráfica entre Galones vendidos y el Flujo de

vehículos.

 En consecuencia, la recta es ascendente, lo que nos indica una correlación
positiva.

 R2 = Lineal = 0.949
El siguiente paso, es la relación numérica.
Relación numérica:
Para este análisis realizaremos los siguientes pasos:
1. Analizar
2. Correlación
3. Bivariadas
4. Variables
a. Dependiente Y: Galones vendidos
b. Independiente X: Flujo de vehículos
5. Opciones:
a. Estadísticos:
i. Medias y desviaciones típicas
ii. Productos cruzados diferenciales y covarianzas
b. Valores perdidos
i. Excluir casos según pareja
6. Coeficiente de correlación:
a. Pearson
7. Prueba de significación:
a. Bilateral
8. Marcar las correlaciones significativas

Correlaciones
Estadísticos descriptivos
Estadísticos descriptivos
Media Desviación típica N

Galones vendidos 278.6250 98.79262 8

Flujo vehículos 9.3750 4.27409 8

4
 TALLER DE REGRESIÓN

Correlaciones
Correlaciones

Galones vendidos Flujo vehículos

1 .974**
Correlación de Pearson

Sig. (bilateral) .000

Galones vendidos
Suma de cuadrados y productos cruzados 68319.875 2880.125

Covarianza 9759.982 411.446

N 8 8

Correlación de Pearson .974** 1

Sig. (bilateral) .000

Flujo vehículos Suma de cuadrados y productos cruzados 2880.125 127.875

Covarianza 411.446 18.268

N 8 8

**. La correlación es significativa al nivel 0,01 (bilateral).

Conclusiones:
 La correlación entre galones vendidos y flujo de vehículos de (0.974**). Por lo
tanto, nos está indicando una relación positiva muy fuerte.
El siguiente paso, con el fin de conocer cuánto está influenciado el flujo de vehículos
en los galones vendidos, vamos a realizar el análisis de regresión.
Para este análisis realizaremos los siguientes pasos:
1. Analizar
2. Regresión
3. Lineales
4. Variables
a. Dependiente Y: Galones vendidos
b. Independiente X: Flujo de vehículos
5. Estadísticos
a. Coeficientes de regresión:
i. Estimaciones
ii. Ajuste del modelo
iii. Cambio en R cuadrado
iv. Descriptivas
Dónde:
Como resultado del análisis anterior, obtenemos los datos de la regresión para su
análisis

5
 TALLER DE REGRESIÓN

Regresión
Estadísticos descriptivos
Estadísticos descriptivos

Media Desviación típica N

Galones vendidos 278.6250 98.79262 8

Flujo vehículos 9.3750 4.27409 8

Correlaciones
Correlaciones

Galones vendidos Flujo vehículos

Galones vendidos 1.000 .974

Correlación de Pearson
Flujo vehículos .974 1.000

Galones vendidos . .000

Sig. (unilateral)
Flujo vehículos .000 .

Galones vendidos 8 8
N
Flujo vehículos 8 8

Variables introducidas / eliminadas

Variables introducidas/eliminadas a
Modelo Variables introducidas Variables eliminadas Método

1 Flujo vehículos . Introducir

a. Variable dependiente: Galones vendidos

b. Todas las variables solicitadas introducidas.

Resumen del modelo

Resumen del modelo

Estadísticos de cambio
R cuadrado Error típ. de la
Modelo R R cuadrado
corregida estimación Cambio en R Sig. Cambio
Cambio en F gl1 gl2
cuadrado en F

1 .974a .949 .941 23.98229 .949 112.786 1 6 .000

a. Variables predictoras: (Constante), Flujo vehículos

Por lo tanto, en el análisis podemos observar los mismos datos de la correlación de

Pearson.
Dónde:
 Correlación de Pearson = 0.974** (Ver tabla).
Sin embargo, lo que interesa es el R2 = 0.949. (Ver gráfica 2). Que al multiplicarlo
por 100, nos indica un porcentaje del 94.9%.
Conclusión:
 Se puede afirmar que el flujo de vehículos influenciar en un 94.9% en los
galones vendidos.

6
 TALLER DE REGRESIÓN

Anova
ANOVAa

Modelo Suma de cuadrados gl Media cuadrática F Sig.

Regresión 64868.974 1 64868.974 112.786 .000b

1 Residual 3450.901 6 575.150
Total 68319.875 7

a. Variable dependiente: Galones vendidos

b. Variables predictoras: (Constante), Flujo vehículos

El siguiente paso, es aplicar la fórmula de regresión en el análisis anterior.

Por lo tanto, se substituyen los valores en la fórmula de regresión obtenidos en el
análisis anterior.
Fórmula
Y = a+ bx
Análisis fórmula regresión
Coeficientesa
Coeficientes
Coeficientes no estandarizados
Modelo tipificados t Sig.
B Error típ. Beta

(Constante) 67.472 21.615 3.122 .021

1
Flujo vehículos 22.523 2.121 .974 10.620 .000

a. Variable dependiente: Galones vendidos

Variables
a b X Y
67.472 22.523 5 180.087 Y = a+ bx

Dónde:

Y = a + bx
Y = 67.472 + (22.523)(5)
Y = 180.087

Interpretación:
 Al remplazar los valores en la fórmula de regresión 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.
Conclusión:
 El consumo de combustible probable para en flujo diario de 500 vehículos sería

= 180.087 galones diarios.

7
 TALLER DE REGRESIÓN

2. PREGUNTA 2:
 El gerente de ventas de una compañía de distribución al mayoreo de
repuestos para automóviles quiere desarrollar un modelo para predecir
ventas anuales para un país, basándose en las variables: número de
distribuidores y número de automóviles registrados a partir de los
siguientes datos:

Número de automóviles
País Ventas (millones) Número distribuidores
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 correlación entre variables?

b. Existe problema de multicolinealidad?
c. Que recomienda?
d. Escribir la ecuación?
e. Cuál sería el error de la ecuación de acuerdo al coeficiente de determinación1? (R2)
Análisis Pregunta 2:
Lo primero es saber si las variables tienen correlación, para esto vamos a analizar si
las variables tienen una relación gráfica:
Relación Gráfica:
Para éste análisis realizamos los siguientes pasos:
1. Insertar información en Vista de datos y vista de variables
2. Gráficos
3. Generador de gráficos
4. Diagrama dispersión 3D simple
5. Eje Y: Variable dependiente: Ventas (millones)
6. Eje X: Variable independiente: Numero de distribuidores

1 Coeficiente determinación: El R² es simplemente el cuadrado del coeficiente de correlación de Pearson.

http://es.wikipedia.org/wiki/Coeficiente_de_determinaci%C3%B3n

8
 TALLER DE REGRESIÓN

7. Eje Z: Variable independiente: Numero de automóviles registrados (millones)

El siguiente paso es agregar el diagrama de dispersión:
Por lo tanto, el diagrama representa el plano cartesiano 3D y la nube de puntos
representa las ventas en millones, el número de automóviles y el número de
distribuidores.

Gráfico G

Relación numérica
Correlaciones
Correlaciones
Número de
Número de
Ventas millones automóviles
distribuidores
registrados
Correlación de Pearson 1 .739** .548
Ventas millones Sig. (bilateral) .009 .081
N 11 11 11
Correlación de Pearson .739** 1 .670*
Número de distribuidores Sig. (bilateral) .009 .024
N 11 11 11
Correlación de Pearson .548 .670* 1
Número de automóviles registrados Sig. (bilateral) .081 .024
N 11 11 11

**. La correlación es significativa al nivel 0,01 (bilateral).

*. La correlación es significante al nivel 0,05 (bilateral).

Interpretación:
 Podemos observar una correlación positiva entre la variable dependiente Y
(Ventas millones) y las variable independiente X (Numero de distribuidores) de
0.739**.

9
 TALLER DE REGRESIÓN

 Además existe una relación alta o colinealidad (0.670*) entre las variables
independientes, (por lo tanto se debe de eliminar del análisis la variable
independiente (Número de automóviles registrados) , ya que este valor nos está
diciendo que una está 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 número de distribuidores (.024) respectivamente,
lo que es viable.
Regresión:
Estadísticos descriptivos
Estadísticos descriptivos
Media Desviación típica N

Ventas millones 29.6091 13.75947 11

Número de distribuidores 1554.3636 843.90536 11

Correlaciones
Correlaciones
Ventas millones Número de
distribuidores

Ventas millones 1.000 .739

Correlación de Pearson
Número de distribuidores .739 1.000
.
Sig. (unilateral) Ventas millones .005
Número de distribuidores .005 .
Ventas millones 11 11
N
Número de distribuidores 11 11

Interpretación:
 La correlación 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 número de
distribuidores fue número de automóviles registrados. Por lo tanto, se introdujo
la variable número de distribuidores. (Ver tabla)
Variables introducidas / eliminadas
Variables introducidas/eliminadasa
Modelo Variables introducidas Variables eliminadas Método
b
1 Número de distribuidores .Número de automóviles reg. Introducir
a. Variable dependiente: Ventas millones
b. Todas las variables solicitadas introducidas.

10
 TALLER DE REGRESIÓN

Resumen del Modelo

Resumen del modelo

Error típ. Estadísticos de cambio

Modelo

R R cuadrado
R de la
cuadrado corregida Cambio en Cambio en gl1 gl2 Sig. Cambio
estimación
R cuadrado F en F
a
1 .739 .546 .496 9.77180 .546 10.827 1 9 .009

a. Variables predictores: (Constante), Número de distribuidores

Interpretación:
 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 pequeña, se debe de reporta la R2
ajustada, ya que la R2 normal tiende a ser muy optimista.
ANOVA
ANOVAa

Modelo Suma de cuadrados gl Media cuadrática F Sig.

Regresión 1033.836 1 1033.836 10.827 .009b

1 Residual 859.393 9 95.488

Total 1893.229 10

a. Variable dependiente: Ventas millones

b. Variables predictoras: (Constante), Número de distribuidores

El siguiente paso, es aplicar la fórmula de regresión en el análisis anterior.

Por lo tanto, se substituyen los valores en la fórmula de regresión obtenidos en el
análisis anterior.
Fórmula
Y = a+ bx
Coeficientes
Coeficientes

Coeficientes
Coeficientes no estandarizados
Modelo tipificados t Sig.

B Error típ. Beta

(Constante) 10.881 6.409 1.698 .124

1
Número de distribuidores .012 .004 .739 3.290 .009

a. Variable dependiente: Ventas millones

11
 TALLER DE REGRESIÓN

Aplicación de la Fórmula de Regresión

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

Y = a + bx
Y = 10.881 + (0.012) (1700)
Y = 31.28 millones en ventas
Interpretación:
 Al remplazar los valores en la fórmula de regresión 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)
Conclusión:
 Las probables ventas en millones para un número de distribuidores de 1700 sería
de 31.28 millones
En el siguiente análisis, se introduce al modelo la variable ingreso personal. Por lo
tanto, para este análisis se repetirá los pasos realizados nuevamente y se procede a
analizar gráficamente y numéricamente el modelo, para así ver en primer lugar si existe
una correlación significativa entre las variables y además revisar la existencia o no de
una multicolinealidad entre las variables independientes.
f. Si se introduce la variable ingreso personal, cuál sería el mejor modelo múltiple
a utilizar?
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

12
 TALLER DE REGRESIÓN

Correlaciones
Correlaciones
Número de
Ventas millones Ingreso personal
distribuidores
Correlación de Pearson 1 .739** .936**
Ventas millones Sig. (bilateral) .009 .000
N 11 11 11
**
Correlación de Pearson .739 1 .556
Número de distribuidores Sig. (bilateral) .009 .075
N 11 11 11

Correlación de Pearson .936** .556 1

Ingreso personal Sig. (bilateral) .000 .075
N 11 11 11

**. La correlación es significativa al nivel 0,01 (bilateral).

Interpretación:
 Podemos observar una correlación positiva entre la variable dependiente Y
(Ventas millones) y las variable independiente X (Numero de distribuidores) de
0.739**.

 Además, se puede observar que no existe una relación 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 número de distribuidores (.00) respectivamente,
lo que es viable.
Gráfico de dispersión 3D simple

R2 Lineal = 0.546

Interpretación:
 El diagrama representa el plano cartesiano 3D y la nube de puntos representa
las ventas en millones, el número de distribuidores y los ingresos personales

13
 TALLER DE REGRESIÓN

Regresión:
Estadísticos descriptivos
Estadísticos descriptivos
Media Desviación típica N

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

Variables introducidas/eliminadasa
Modelo Variables introducidas Variables eliminadas Método

Ingreso personal,
1 m de distribuidoresb Numero de automóviles registrados Introducir

a. Variable dependiente: Ventas (millones)

b. Todas las variables solicitadas introducidas.

Resumen del modelos

Resumen del modelo

Modelo R R cuadrado R cuadrado Error típ. de la Estadísticos de cambio

corregida estimación Cambio en R Cambio en F gl1 gl2 Sig. Cambio

cuadrado en F
a
1 .972 .946 .932 3.58666 .946 69.586 2 8 .000

a. Variables predictoras: (Constante), Ingreso personal, m de distribuidores

b. Variable dependiente: Ventas (millones)

Interpretación:
 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 pequeña, se debe de reporta la R2
ajustada, ya que la R2 normal tiende a ser muy optimista.
Anova
ANOVAa

Modelo Suma de cuadrados gl Media cuadrática F Sig.

Regresión 1790.316 2 895.158 69.586 .000b

1 Residual 102.913 8 12.864

Total 1893.229 10

a. Variable dependiente: Ventas (millones)

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

14
 TALLER DE REGRESIÓN

Coeficientes

Coeficientes

Coeficientes Intervalo de confianza de 95.0%

Coeficientes no estandarizados Correlaciones Estadísticos de colinealidad
tipificados para B
Modelo t Sig.
B Error típ. Beta Límite inferior Límite superior Orden cero Parcial Semiparcial Tolerancia FIV

(Constante) -1.608 2.861 -.562 .589 -8.206 4.990

m de
1 .005 .002 .316 3.182 .013 .001 .009 .739 .747 .262 .690 1.448
distribuidores

Ingreso personal .385 .050 .761 7.668 .000 .269 .501 .936 .938 .632 .690 1.448

a. Variable dependiente: Ventas (millones)

Interpretación:
 Al analizar la estadística 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.
El siguiente paso, es aplicar la fórmula de regresión en el análisis anterior.
Por lo tanto, se substituyen los valores en la fórmula de regresión obtenidos en el análisis anterior.
Fórmula
Y = a + b1X1 + b2X2 + b3X3 +…bkXk

Y = a + b1X1 + b2X2 + b3X3 +…bkXk

Y = (-1.608) + (0.005 X1) + (.385 X2)

-1.608 + (0.005 x 250) + (.385 x 99)
Y = (-1.608+1.25+38.115) = 37.757 millones
 TALLER DE REGRESIÓN

Diagnósticos de colinealidad
Diagnósticos de colinealidada

Proporciones de la varianza
Modelo Dimensión Autovalores Índice de condición
(Constante) m de distribuidores Ingreso personal

1 2.816 1.000 .02 .02 .01

1 2 .112 5.015 .62 .67 .00

3 .072 6.245 .37 .31 .99

a. Variable dependiente: Ventas (millones)

Interpretación:
Estadístico sobre los residuos
Estadísticos sobre los residuosa

Mínimo Máximo Media Desviación típica 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 típ. -1.009 1.563 .000 .894 11

a. Variable dependiente: Ventas (millones)

Interpretación:
Gráfica Ventas / distribuidores / Ingreso personal
 TALLER DE REGRESIÓN

Gráficos
Histograma

Gráfico PP normal de regresión residuo tipificado

17
 TALLER DE REGRESIÓN

Gráfico de dispersión

Gráfico de regresión parcial: Ventas / número distribuidores

18
 TALLER DE REGRESIÓN

Gráfico regresión parcial: Ventas / ingreso personal

3. PREGUNTA 3:
 Las tasas de interés aplicados a los créditos hipotecarios en años recientes
han tenido un impacto en el número de construcciones iniciadas. Los datos
a continuación presentan tasas de interés por trimestre y el número
correspondientes de construcciones iniciadas.
Trimestre Tasa % Número 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. Cuál sería el número de construcciones pronosticadas correspondiente a un

11% de interés.
b. El modelo de regresión lineal será adecuado si se quiere un 99% de
confiabilidad.

19
 TALLER DE REGRESIÓN

Análisis Pregunta 3a: ¿Cuál sería el número de construcciones pronosticadas

correspondiente a un 11% de interés?
Relación Gráfica:
Para éste análisis realizamos los siguientes pasos:
1. Insertar información en Vista de datos y vista de variables
2. Gráficos
3. Cuadro de diálogos antiguos
4. Diagrama dispersión simple
5. Eje Y: Variable dependiente: Número de construcciones iniciadas
6. Eje X: Variable independiente: Tasa (%)
El siguiente paso es agregar el diagrama de dispersión:
Por lo tanto, el diagrama representa el plano cartesiano y la nube de puntos
representa el número de construcciones iniciadas y las tasas de interés
Diagrama Número de construcciones iniciadas y Tasas de interés bancarias

20
 TALLER DE REGRESIÓN

El siguiente paso es agregar la recta:

Gráfico: Línea de ajuste

R2 Lineal = 0.444

Interpretaciones
 El diagrama representa el plano cartesiano y la nube de puntos representa el
número de construcciones iniciadas y las tasas de interés bancarias.

 Por lo tanto, representa la relación gráfica entre Número de construcciones
iniciadas y las tasas de interés bancarias.

 En consecuencia, la recta es descendente, lo que nos indica una correlación
negativa.

 R2 = Lineal = 0.444
El siguiente paso, es la relación numérica.
Relación numérica:
Para este análisis realizaremos los siguientes pasos:
1. Analizar
2. Correlación
3. Bivariadas
4. Variables
4.1. Dependiente Y: Galones vendidos
4.2. Independiente X: Flujo de vehículos
5. Opciones:
5.1. Estadísticos:
5.1.1. Medias y desviaciones típicas

21
 TALLER DE REGRESIÓN

5.1.2. Productos cruzados diferenciales y covarianzas

5.2. Valores perdidos
5.2.1. Excluir casos según pareja
6. Coeficiente:
6.1. Pearson
7. Prueba de significación:
7.1. Bilateral
8. Marcar las correlaciones significativas

Correlaciones
Estadísticos descriptivos

Estadísticos descriptivos

Media Desviación típica N

Número construcciones iniciadas 230.5833 27.20781 12

Tasas interés bancarias para construcción 12.4583 .69342 12

Correlaciones
Correlaciones
Tasas interés Número
bancarias para construcciones
construcción iniciadas

Correlación de Pearson 1 -.666*

Tasas interés bancarias para
construcción Sig. (bilateral) .018

N 12 12

Correlación de Pearson -.666* 1

Número construcciones iniciadas Sig. (bilateral) .018

N 12 12

*. La correlación es significante al nivel 0,05 (bilateral).

Conclusiones:
 La correlación entre número de construcciones iniciadas y tasas de interés
bancarias es de (-0.666*). Por lo tanto, nos está indicando una relación negativa
no muy fuerte, que no llega a 0.70.
El siguiente paso, con el fin de conocer cuánto está influenciado las tasas de interés
bancarias en los números de construcciones iniciadas, vamos a realizar el análisis
de regresión.

22
 TALLER DE REGRESIÓN

Para este análisis realizaremos los siguientes pasos:

1. Analizar
2. Regresión
3. Lineales
4. Variables
4.1. Dependiente Y: Galones vendidos
4.2. Independiente X: Flujo de vehículos
5. Estadísticos
5.1. Coeficientes de regresión:
5.1.1. Estimaciones
5.1.2. Ajuste del modelo
5.1.3. Cambio en R cuadrado
5.1.4. Descriptivas
Dónde:
Como resultado del análisis anterior, obtenemos los datos de la regresión para su
análisis.
Regresión
Variables introducidas/eliminadas}
Variables introducidas/eliminadas

Modelo Variables introducidas Variables eliminadas Método

1 Tasas interés bancarias para construcción . Introducir

a. Variable dependiente: Número construcciones iniciadas

b. Todas las variables solicitadas introducidas.

Resumen del Modelo

Resumen del modelo

Estadísticos de cambio
R cuadrado Error típ. de la
Modelo R R cuadrado Cambio en R Sig. Cambio
corregida estimación Cambio en F gl1 gl2
cuadrado en F
a
1 .666 .444 .388 21.28725 .444 7.970 1 10 .018

a. Variables predictoras: (Constante), Tasas interés bancarias para construcción

b. Variable dependiente: Número construcciones iniciadas

Por lo tanto, en el análisis podemos observar los mismos datos de la correlación de

Pearson.
Dónde:
 Correlación de Pearson = 0.666* (Ver tabla).

 Sin embargo, lo que interesa es el R2 = 0.444. (Ver gráfica 2). Que al
multiplicarlo por 100, nos indica un porcentaje del 44.4%.

23
 TALLER DE REGRESIÓN

 En consecuencia, lo que nos dice la R2 es la cantidad en la cual variable

independiente X (Tasa de interés) afecta al modelo total, es decir que el total
de influencia es explicado en un 44.4%.
Conclusión:
 Se puede afirmar que las tasas de interés puede influenciar en un 44.4% en
las construcciones iniciadas.

 Por lo tanto, no cumple con el modelo de regresión adecuado, en el cual se
solicita un 99% de confiabilidad.
ANOVA
ANOVAa

Modelo Suma de cuadrados gl Media cuadrática F Sig.

Regresión 3611.447 1 3611.447 7.970 .018b

1 Residual 4531.470 10 453.147

Total 8142.917 11

a. Variable dependiente: Número construcciones iniciadas

b. Variables predictoras: (Constante), Tasas interés bancarias para construcción

El siguiente paso, es aplicar la fórmula de regresión en el análisis anterior.

Por lo tanto, se substituyen los valores en la fórmula de regresión obtenidos en el
análisis anterior.
Fórmula
Y = a+ bx

24
 TALLER DE REGRESIÓN

Coeficientes
Coeficientes
Coeficientes Estadísticos de
Coeficientes no estandarizados Correlaciones
Modelo tipificados t Sig. colinealidad
B Error típ. Beta Orden cero Parcial Semiparcial Tolerancia FIV
(Constante) 556.125 115.479 4.816 .001
1 Tasas interés
bancarias para -26.130 9.256 -.666 -2.823 .018 -.666 -.666 -.666 1.000 1.000
construcción
a. Variable dependiente: Número construcciones iniciadas

Aplicación de la Fórmula de Regresión

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

Y = a + bx
Y = 556.125 + (-26.130) (11)
Y = 268.695 construcciones iniciadas

Interpretación:
 Al remplazar los valores en la fórmula de regresión 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)

 Las probables construcciones iniciadas para una tasa de interés del 11% serían de 268.695 construcciones.
 TALLER DE REGRESIÓN

Diagnóstico de colinealidad
Diagnósticos de colinealidada
Proporciones de la varianza
Modelo Dimensión Autovalores Índice de condición Tasas interés bancarias
(Constante)
para construcción
1 1.999 1.000 .00 .00
1
2 .001 37.557 1.00 1.00

a. Variable dependiente: Número construcciones iniciadas

Estadísticos sobre los residuos
Estadísticos sobre los residuos

Mínimo Máximo Media Desviación típica 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 típ. -1.140 2.271 .000 .953 12

a. Variable dependiente: Número construcciones iniciadas

Gráficos
Histograma: Variable dependendiente número de construcciones iniciadas

Gráfico de dispersión
 TALLER DE REGRESIÓN

BIBLIOGRAFÍA
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

27