ANALISIS DE REGRESION MULTIPLE

Prueba Global y prueba individual

Problema 1

Las tiendas de Frans Convenience Marts estn localizados en el rea metropolitana de

Erie, Pensylvania. A Fran, la duea le gustara expandirse a otras comunidades del
noroeste de Pensylvania y al suroeste de Nueva York, tales como Jamestown, Corry,
Meadville y Warren. Como parte de su presentacin al banco local, le gustara entender
mejor los factores que hacen que una tienda en particular sea lucrativa. La propietaria
debe hacer todo el trabajo sola as que no podr analizar todos sus establecimientos.
Selecciona una muestra aleatoria de 15 tiendas y de cada una registra el promedio de las
ventas diarias (Y), la superficie (rea), el nmero de cajones de establecimiento, y el
ingreso econmico medio de las familias en esa regin. La informacin de la muestra se
presenta a continuacin:

Tienda en la Ventas rea de la Cajones de Ingresos

muestra diarias tienda estacionamiento (miles de dlares)
1 1840 532 6 44
2 1746 478 4 51
3 1812 530 7 45
4 1806 508 7 46
5 1792 514 5 44
6 1825 556 6 46
7 1811 541 4 49
8 1803 513 6 52
9 1830 532 5 46
10 1827 537 5 46
11 1764 499 3 48
12 1825 510 8 47
13 1763 490 4 48
14 1846 516 8 45
15 1815 482 7 43
 a) Determine la ecuacin de regresin.
b) Cul es el valor de R2? Haga un comentario acerca de este valor.
c) Realice una prueba de hiptesis global para determinar si alguna de las variables
independientes es diferente de cero. Sea =0.05
d) Realice pruebas individuales de hiptesis para determinar si se pueden suprimir
variables independientes.

Solucin

Determinamos la solucin mediante el paquete de Minitab.

Anlisis de regresin: Ventas diari vs. Area de la t; Cajones de e; ...

La ecuacin de regresin es
Ventas diarias = 1481 + 0.731 Area de la tienda
+ 9.99 Cajones de estacionamiento
- 2.31 Ingresos (miles de dlares)

Predictor Coef SE Coef T P

Constante 1480.7 126.3 11.72 0.000
Area de la tienda 0.7315 0.1633 4.48 0.001
Cajones de estacionamiento 9.991 2.600 3.84 0.003
Ingresos (miles de dolares) -2.308 1.595 -1.45 0.176

S = 13.4243 R-cuad. = 83.5% R-cuad.(ajustado) = 79.0%

Anlisis de varianza

Fuente GL SC CM F P
Regresin 3 10057.7 3352.6 18.60 0.000
Error residual 11 1982.3 180.2
Total 14 12040.0

Solucin a

Sea: Variable dependiente

Y = Ventas diarias

Variables independientes

X1 = Area de la tienda X2 = cajones de estacionamiento X3 = Ingresos

La ecuacin de regresin ser:

Y = 1481 + 0.731 X1 + 9.99 X2 2.31 X3

Solucin b

10057.7
2 = = = 0.835
12040

2 = 0.835

Por lo tanto el 83.5% de la variacin de las ventas diarias ser explicada por la
regresin.

Solucin c

1) 0 : 1 = 2 = 3 = 0
:

2) = 0.05

3)

4)

F (, k, n-k-1)

F (0.05, 3, 11)
 5) = 18.60 0
Por lo tanto no todos los coeficientes de regresin son iguales a cero.

Solucin d

1) 0 : 1 = 0, 2 = 0, 3 = 0
: 1 0, 2 0, 3 0

2) = 0.05

3)

4)

t (, n-k-1)

t (0.05, 11)

5)

=

 0.731 0
1 = = 4.48 1 0
0.1633

9.99 0
2 = = 3.84 2 0
2.6

2.308 0
3 = = 1.45 3 0
1.595

Por lo tanto la variable Ingresos no es un predictor significativo de las ventas

diarias por lo que se podra eliminar del anlisis.

Problema 2

El gerente de ventas del distrito de un importante fabricante de automviles est

estudiando las ventas. Especficamente le gustara determinar qu factores afectan el
nmero de autos vendidos en una agencia. Para investigar, selecciona aleatoriamente 12
agencias. De ellas obtiene el numero de vehculos vendidos el ultimo mes, los minutos de
publicidad radiofnicas comprados en dicho periodo, el numero de vendedores de tiempo
completo empleados en la agencia, y si esta se localiza en la ciudad o no. La informacin
es la siguiente.

Automviles vendidos el mes pasado Anuncios Fuerza de ventas Ciudad

127 18 10 1
138 15 15 0
159 22 14 1
144 23 12 1
139 17 12 0
128 16 12 1
161 25 14 1
180 26 17 1
102 15 7 0
163 24 16 1
106 18 10 0
149 25 11 1
 a) Determine la ecuacin de regresin. Cuntos autos esperaran que se vendieran
en una agencia con 20 vendedores, que compra 15 minutos de publicidad y se
localiza en una ciudad?
b) Realice una prueba de hiptesis global para determinar si alguna de las variables
independientes es diferente de cero. Sea =0.05
c) Realice pruebas individuales de hiptesis para determinar si se pueden suprimir
variables independientes.

Solucin

Determinamos la solucin mediante el paquete de Minitab.

Anlisis de regresin: Automviles vs. Anuncios; Fuerza de ve; Ciudad

La ecuacin de regresin es
Automviles vendidos el mes pas = 31.1 + 2.15 Anuncios + 5.01 Fuerza de ventas
+ 5.67 Ciudad

Predictor Coef SE Coef T P

Constante 31.13 13.40 2.32 0.049
Anuncios 2.1516 0.8049 2.67 0.028
Fuerza de ventas 5.0140 0.9105 5.51 0.001
Ciudad 5.665 6.332 0.89 0.397

S = 7.24780 R-cuad. = 92.9% R-cuad.(ajustado) = 90.2%

Anlisis de varianza

Fuente GL SC CM F P
Regresin 3 5504.4 1834.8 34.93 0.000
Error residual 8 420.2 52.5
Total 11 5924.7

Solucin a

Sea: Variable dependiente

Y = Automviles vendidos el mes pasado

Variables independientes

X1 = Anuncios X2 = Fuerza de ventas X3 = Ciudad

La ecuacin de regresin ser:

Y = 31.1 + 2.15 X1 + 5.01 X2 +5.67 X3

Para: X1 = 15 X2 = 20 X3 = 1

Y = 31.1 + 2.15 (15) + 5.01 (20) +5.67 (1)

Y = 169.22

Solucin b

1) 0 : 1 = 2 = 3 = 0
:

2) = 0.05

3)

4)

F (, k, n-k-1)

F (0.05, 3, 8)

5) = 34.93 0
Por lo tanto no todos los coeficientes de regresin son iguales a cero.
Solucin c

1) 0 : 1 = 0, 2 = 0, 3 = 0
: 1 0, 2 0, 3 0

2) = 0.05

3)

4)

t (, n-k-1)

t (0.05, 8)

5)

=

2.15 0
1 = = 2.67 1 0
0.8049
 5.01 0
2 = = 5.51 2 0
0.9105

5.67 0
3 = = 0.89 3 0
6.332

Por lo tanto la variable Ciudad no es un predictor significativo de los automviles

vendidos el mes pasado por lo que se podra eliminar del anlisis.

Contribucin de una variable explicatoria

Problema 1

El administrador de un nuevo programa legal en el Seagate Technical College desea

estimar el promedio de calificaciones en dicho programa. Consider que la puntuacin en
expresin oral en Examen de Aptitud Acadmica Superior SAT y las calificaciones de
matemticas en el SAT seran buenos predictores en el GPA legal. Los datos se muestran
a continuacin

Estudiante SAT verbal SAT matemticas GPA legal

1 480 410 3.21

2 290 270 1.68
3 420 410 3.58
4 500 600 3.92
5 500 490 3
6 430 460 2.82
7 320 490 1.65
8 530 480 2.3
9 469 440 2.33

Determinar si las contribuciones de las variables explicatorias mejoran o no el modelo

Solucin

Determinamos la solucin mediante el paquete de Minitab.

Anlisis de regresin general: GPA legal versus SAT verbal; SAT matematicas

Ecuacin de regresin

GPA legal = -0.148891 + 0.00485046 SAT verbal + 0.00166026 SAT matematicas

Coeficientes

EE del
Trmino Coef coef. T P
Constante -0.148891 1.47677 -0.10082 0.923
SAT verbal 0.004850 0.00378 1.28319 0.247
SAT matematicas 0.001660 0.00355 0.46745 0.657

Resumen del modelo

S = 0.710569 R-cuad. = 40.17% R-cuad.(ajustado) = 20.22%

PRESS = 8.66336 R-cuad.(pred.) = -71.11%

Anlisis de varianza

Fuente GL SC Sec. SC Ajust. CM Ajust. F P

Regresin 2 2.03364 2.03364 1.01682 2.01386 0.214213
SAT verbal 1 1.92331 0.83137 0.83137 1.64658 0.246757
SAT matematicas 1 0.11033 0.11033 0.11033 0.21851 0.656674
Error 6 3.02945 3.02945 0.50491
Total 8 5.06309

Sea: Variable dependiente

Y = GPA legal

Variables independientes

X1 = SAT verbal X2 = SAT matematicas

Contribucin de la variable X1

1) 0 : 1
2
: 1
2
 2) = 0.05

3)

4)

F (, 1, n-k-1)

F (0.05, 1, 6)

5) = 1.646 0

Por lo tanto la variable X1 no mejora el modelo en forma significativa una vez incluida
la variable X2

Contribucin de la variable X2

1) 0 : 2
1
: 2
1
2) = 0.05

3)
 4)

F (, 1, n-k-1)

F (0.05, 1, 6)

5) = 0.218 0

Por lo tanto la variable X2 no mejora el modelo en forma significativa una vez incluida
la variable X1

Problema 2

El seor Mike Wide es presidente del sindicato de profesores del Distrito escolar de
Otsego. Como preparacin para las futuras negociaciones, a Mike le gustara investigar
la estructura de los sueldos del personal docente en el distrito. Considera que existen dos
factores que afectan el salario de un profesor: los aos de experiencia y una calificacin
de la efectividad en la enseanza, asignada por el director. Una muestra aleatoria de 20
profesores dio como resultado los datos siguientes:

Sueldo (miles de dolares) Aos de experiencia Calificacin del director

21.1 8 35
23.6 5 43
19.3 2 51
33 15 60
28.6 11 73
35 14 80
32 9 76
26.8 7 54
38.6 22 55
21.7 3 90
15.7 1 30
20.6 5 44
41.8 23 84
36.7 17 76
28.4 12 68
23.6 14 25
31.8 8 90
20.7 4 62
22.8 2 80
32.8 8 72

Determinar si las contribuciones de las variables explicatorias mejoran o no el modelo

Solucin

Determinamos la solucin mediante el paquete de Minitab.

Anlisis de regresin general: Sueldo versus Aos de expe; Calificacion

Ecuacin de regresin

Sueldo (miles de dolares) = 10.1157 + 0.892648 Aos de experiencia +

0.14638 Calificacion del director
Coeficientes

EE del
Trmino Coef coef. T P
Constante 10.1157 1.84221 5.4911 0.000
Aos de experiencia 0.8926 0.08502 10.4994 0.000
Calificacion del director 0.1464 0.02771 5.2830 0.000

Resumen del modelo

S = 2.34011 R-cuad. = 90.64% R-cuad.(ajustado) = 89.54%

PRESS = 128.457 R-cuad.(pred.) = 87.08%

Anlisis de varianza

Fuente GL SC Sec. SC Ajust. CM Ajust. F

Regresin 2 901.468 901.468 450.734 82.309
Aos de experiencia 1 748.631 603.672 603.672 110.238
Calificacion del director 1 152.837 152.837 152.837 27.910
Error 17 93.094 93.094 5.476
Total 19 994.562

Sea: Variable dependiente

Y = Sueldo

Variables independientes

X1 = Aos de experiencia X2 = Calificacin del director

Contribucin de la variable X1

1) 0 : 1
2
: 1
2
2) = 0.05

3)
 4)

F (, 1, n-k-1)

F (0.05, 1, 17)

5)
= 110.238 0

Por lo tanto la variable X1 si mejora el modelo en forma significativa una vez incluida la
variable X2

Contribucin de la variable X2

1) 0 : 2
1
: 2
1
 2) = 0.05

3)

4)

F (, 1, n-k-1)

F (0.05, 1, 17)

5)
= 27.910 0

Por lo tanto la variable X2 si mejora el modelo en forma significativa una vez incluida la
variable X1
 Anlisis Residual

Problema 1

Muchas regiones a lo largo de las costas de Carolina del Norte y Carolina del sur han
experimentado un crecimiento de la poblacin en los ltimos 10 aos. Se espera que el
crecimiento continue en los prximos 10 aos. Esto ha dado como resultado que muchas
de las grandes cadenas de tiendas de abarrotes construyan nuevas tiendas en la regin. El
director de una de estas tiendas esta estudiando la posibilidad de abrir mas tiendas en esta
regin. El considera que existen dos facores principales que indican la cantidad que las
familias gastan en alimentos. El primero es su ingreso y el otro el numero de personas en
su familia. El director obtiene la siguiente informacin.

Familia Alimento Ingreso Tamao

1 5.04 73.98 4
2 4.08 54.9 2
3 5.76 94.14 4
4 3.48 52.02 1
5 4.2 65.7 2
6 4.8 53.64 4
7 4.32 79.74 3
8 5.04 68.58 4
9 6.12 165.6 5
10 3.24 64.8 1
11 4.8 138.42 3
12 3.24 125.82 1
13 6.6 77.58 7
14 4.92 171.36 2
15 6.6 82.08 9

Realizar el anlisis residual que permita mejorar el modelo del sistema

Solucin

Determinamos la solucin del anlisis residual en Minitab

Familia RESIDT HI COOK

1 0.2527 0.0841 0.0021

2 0.4128 0.1555 0.0112
3 2.1145 0.0710 0.0883
4 0.0425 0.2196 0.0002
5 0.5458 0.1256 0.0151
6 -0.0359 0.1344 0.0001
7 -0.5654 0.0756 0.0092
8 0.3460 0.0938 0.0045
9 0.4501 0.3472 0.0385
10 -0.8771 0.1822 0.0583
11 -0.3028 0.1702 0.0068
12 -2.4227 0.2063 0.3617
13 0.8822 0.2496 0.0879
14 0.8060 0.3870 0.1408
15 -2.9542 0.4978 1.7542

1) Elementos de la matriz sombrero Hi

2 ( + 1) 2 (2 + 1)
> = = 0.4
15
> 0.4
Por lo tanto 15 = 0.4978 es un candidato a ser eliminado

2) Residuales de t student

| | > (0.05,11) = 1.796

> 1.796 < 1.796

Por lo tanto 3 = 2.1145 , 12 = 2.422 3 = 2.9542 son candidatos a

ser eliminados.

3) > (0.50,4,11)
> 0.8932
Por lo tanto 15 = 1.7542
Problema 2

Se realiza un estudio dirigido al gasto familiar. Se desea conocer la relacin que afecte el
gasto de alimentacin mensual de una familia con el ingreso mensual, los componentes
de la familia y el ahorro familiar conseguido.

Gastos en alimentos Ingreso Mensual Integrantes de familia Ahorro mensual

5000 10000 6 500
6000 45000 9 2000
2000 11000 5 1000
3000 12000 6 500
1500 10500 3 1000
5000 10000 6 2000
6000 24000 6 2000
3000 6000 3 1800
6000 45000 6 1500
5000 45500 5 3000

Realizar el anlisis residual que permita mejorar el modelo del sistema

Solucin

Determinamos la solucin del anlisis residual en Minitab

RESIDT HI COOK

1.561 0.316 0.227

-1.432 0.581 0.604
-1.368 0.162 0.079
-0.616 0.311 0.048
-0.743 0.406 0.102
0.342 0.513 0.036
0.998 0.176 0.053
0.287 0.414 0.017
1.481 0.533 0.522
-0.476 0.590 0.094
1) Elementos de la matriz sombrero Hi
2 ( + 1) 2 (3 + 1)
> = = 0.8
10
> 0.8
Por lo tanto

2) Residuales de t student

| | > (0.05,6) = 1.943

> 1.943 < 1.943

Por lo tanto ninguno es candidato a ser eliminado

3) > (0.50,4,11)

> 0.8932
Por lo tanto ninguno es candidato a ser eliminado
 Prueba de hiptesis para el modelo curvilneo

Problema 1

Se tiene los datos de precio y ventas de un determinado producto realizar la prueba de

hiptesis del efecto lineal y efecto curvilneo.

ventas Precio 1 Precio 2

142 0.79 0.6241
151 0.79 0.6241
163 0.79 0.6241
168 0.79 0.6241
176 0.79 0.6241
91 0.99 0.9801
100 0.99 0.9801
107 0.99 0.9801
115 0.99 0.9801
126 0.99 0.9801
77 1.19 1.4161
86 1.19 1.4161
95 1.19 1.4161
100 1.19 1.4161
106 1.19 1.4161

Solucin

Determinamos la solucin de la regresin en Minitab.

Anlisis de regresin: ventas vs. Precio 1; Precio 2

La ecuacin de regresin es
ventas = 730 - 1089 Precio 1 + 465 Precio 2

Predictor Coef SE Coef T P

Constante 729.9 169.3 4.31 0.001
Precio 1 -1088.7 349.5 -3.11 0.009
Precio 2 465.0 176.2 2.64 0.022

S = 12.8699 R-cuad. = 86.2% R-cuad.(ajustado) = 83.9%

Anlisis de varianza

Fuente GL SC CM F P
Regresin 2 12442.8 6221.4 37.56 0.000
Error residual 12 1987.6 165.6
Total 14 14430.4

Prueba Global

1) 0 : 1 = 0, 11 = 0
:

2) = 0.05

3)

4)

F (, k, n-k-1)

F (0.05, 2, 12)

5) = 37.56 0
Prueba Individual

Efecto Lineal

1) 0 : 1 = 0
: 1 0

2) = 0.05

3)

4)

T (, n-k-1)

T (0.05, 12)

5)

1088.7 0
1 = = 3.11 1 0
349.5

Por lo tanto la inclusin del efecto lineal si mejora en forma significativa el

modelo
 Efecto curvilneo

1) 0 : 11 = 0
: 11 0

2) = 0.05

3)

4)

T (, n-k-1)

T (0.05, 12)

5)

465 0
11 = = 2.64 11 0
176.2

Por lo tanto la inclusin del efecto curvilineo si mejora en forma significativa el

modelo
Problema 2

La demanda de un tipo de impresoras ha cambiado debido a una rpida variacin en el

precio. Se ha observado la demanda en una amplia regin geogrfica y los precios
unitarios (en unidades de diez mil pesetas). Los resultados son los de la tabla adjunta.

Y X1 X2
360 8.8 77.44
305 8.8 77.44
230 8.8 77.44
242 8.8 77.44
180 9.9 98.01
172 9.9 98.01
121 9.9 98.01
83 9.9 98.01
122 14.8 219.04
91 14.8 219.04
105 14.8 219.04

Solucin

Determinamos la solucin de la regresin en Minitab.

Anlisis de regresin: Y vs. X 1; X 2

La ecuacin de regresin es
Y = 3266 - 523 X 1 + 20.9 X 2

Predictor Coef SE Coef T P

Constante 3265.8 773.9 4.22 0.003
X 1 -522.6 136.2 -3.84 0.005
X 2 20.885 5.694 3.67 0.006

S = 46.9158 R-cuad. = 79.1% R-cuad.(ajustado) = 73.8%

Anlisis de varianza

Fuente GL SC CM F P
Regresin 2 66537 33268 15.11 0.002
Error residual 8 17609 2201
Total 10 84146
Prueba Global

1) 0 : 1 = 0, 11 = 0
:

2) = 0.05

3)

4)

F (, k, n-k-1)

F (0.05, 2, 8)

5) = 15.11 0

Prueba Individual

Efecto Lineal

1) 0 : 1 = 0
: 1 0

2) = 0.05
3)
4)

T (, n-k-1)

T (0.05, 8)

5)

522.6 0
1 = = 3.84 1 0
136.2

Por lo tanto la inclusin del efecto lineal si mejora en forma significativa el

modelo

Efecto curvilneo

1) 0 : 11 = 0
: 11 0

2) = 0.05

3)
4)

T (, n-k-1)

T (0.05, 8)

5)

20.885 0
11 = = 3.67 11 0
5.694

Por lo tanto la inclusin del efecto curvilineo si mejora en forma significativa el

modelo.