Académique Documents
Professionnel Documents
Culture Documents
Variable dependiente: y1
Variable independiente: x1
A) Graficas de dispersión
GRÁFICO DE DISPERSIÓN DE x1 a y1
Elaborado por Roy Mendoza
150
Mortalidad infantil
100
50
0
0 10 20 30 40 50
Interpretación:
Según el gráfico obtenido podemos ver que hay una correlación lineal positiva entre las variables x1 y
y1. Se nota que en el extremo derecho los puntos se alejan más de la recta, esto quiere decir que estos
puntos tienen mayor varianza.
B) Correlación matricial
Tabla de correlación de x1 a y1
x1 y1
x1 1.0000
y1 0.7002 1.0000
Tabla n° 1. Muestra correlación entre la variable
dependiente y1 y la independiente x1
Interpretación:
Como vemos en la tabla, entre la variable dependiente y1 y la variable independiente x1 hay una
correlación positiva. La correlación de 0.7 indica que hay una correlación considerable entre ambas
variables.
C) Regresión
Tabla de regresión de x1 a y1
Source SS df MS Number of obs = 16
F(1, 14) = 13.47
Model 9040.45497 1 9040.45497 Prob > F = 0.0025
Residual 9397.29503 14 671.235359 R-squared = 0.4903
Adj R-squared = 0.4539
Total 18437.75 15 1229.18333 Root MSE = 25.908
D) Interpretación de 𝑹𝟐
A la vista del resultado analítica podemos afirmar que el ajuste del modelo no es tan bueno, ya que el
valor de 𝑹𝟐 no es muy cercano a 1, en concreto, el 49.02% de la variabilidad de la variable Y a su
promedio es explicado por el modelo de regresión ajustado. Podemos concluir que el modelo lineal no
es muy adecuado para describir la relación que existe entre estas variables.
E) Proceso ANOVA
a) Hipótesis:
𝑯𝟎 : 𝜷𝟏 = 𝟎 (el modelo no es significativo)
𝑯𝟏 : 𝜷𝟏 ≠ 𝟎 (el modelo es significativo)
b) ANOVA:
c) Tabla de ANOVA
d) VC:
𝑭(𝟎.𝟗𝟕𝟓),(𝟏),(𝟏𝟒) = 𝟔. 𝟐
e) Decisión:
𝑭𝒄 < 𝑭𝒕
𝟏𝟑. 𝟒𝟕 < 𝟔. 𝟐
En conclusión: El modelo si es significativo. Si podemos usar el este modelo para explicar la
variable y1.
ANÁLISIS PARA X2 A Y1
Variable dependiente: y1
Variable independiente: x2
A) Graficas de dispersión
GRÁFICO DE DISPERSIÓN DE x2 A y1
Elaborado por Roy Mendoza
150
Mortalidad infantil
100
50
0
20 40 60 80 100
Interpretación:
Según el gráfico obtenido podemos ver que hay una correlación lineal negativa entre las variables x2 y
y1. Se nota que entre 40 y 50% encontramos datos que están muy alejados de la recta. Esto nos da
entender que la correlación entre estas variables no es muy buena.
B) Correlación matricial
Tabla de correlación de x2 a y1
x2 y1
x2 1.0000
y1 -0.3785 1.0000
Interpretación:
En la tabla se puede ver, que entre la variable dependiente y1 y la variable independiente x1 hay una
correlación negativa. La correlación de -0.3785 indica que no hay una correlación considerable entre
ambas variables.
C) Regresión
D) Interpretación de 𝒓𝟐
A través del resultado analítica podemos afirmar que el ajuste del modelo no es bueno, ya que el valor
de 𝑹2 es muy cercano a 0, en concreto, el 14.32% de la variabilidad de la variable Y a su promedio es
explicado por el modelo de regresión ajustado. Podemos concluir que el modelo lineal no es adecuado
para describir la relación que existe entre estas variables.
F) Proceso ANOVA
a) Hipótesis:
𝑯𝟎 : 𝜷𝟏 = 𝟎 (el modelo no es significativo)
𝑯𝟏 : 𝜷𝟏 ≠ 𝟎 (el modelo es significativo)
b) ANOVA:
Tabla de ANOVA
c) VC:
𝑭(𝟎.𝟗𝟕𝟓),(𝟏),(𝟏𝟒) = 𝟔. 𝟐
d) Decisión:
𝑭𝒄 < 𝑭𝒕
𝟐. 𝟑𝟒 < 𝟔. 𝟐
En conclusión: El modelo no es significativo. No podemos explicar la variable y1 por medio de este
modelo.