Regresión Lineal Múltiple, Pronósticos

1 DE NOVIEMBRE DE 2014
REGRESIN LINEAL
MLTIPLE
Informe de laboratorio
ALUMNO:
Jefferson Eduardo Abarca Romero
COD: 13090198
AULA: 405 TURNO: maana
Este trabajo se lo dedico a mis padres, ya

que ellos me ensearon a que nunca
debo darme por vencido al querer
alcanzar una meta. Y que el esfuerzo
siempre trae recompensas.
TABLA DE CONTENIDO
INTRODUCCIN.......................................................................................3
MARCO TERICO...................................................................................4
PREGUNTAS DEL INFORME.................................................................6
1. Condiciones que debe cumplir las variables independientes para
formar parte de un modelo mltiples..................................................................6
2. Condiciones debe cumplir la parte de perturbacin del modelo
mltiple........................................................................................................................6
3. Causas para asumir que existe colinealidad o multicolinealidad........7
4. Si tenemos el caso de multicolinealidad cmo construimos un
modelo confiable para hacer el pronstico?....................................................7
5. Evale los ejercicios de la separata y construya el modelo adecuado
para hacer el pronstico.......................................................................................12
CONCLUSIONES.....................................................................................52
RECOMENDACIONES...........................................................................53
INTRODUCCIN
El objeto de un anlisis de regresin es investigar la relacin estadstica
que existe entre una variable dependiente (Y) y una o ms
variables independientes (
). Para poder realizar esta
investigacin, se debe postular una relacin funcional entre las variables.
Debido a su simplicidad analtica, la forma funcional que ms se utiliza en la
prctica es la relacin lineal. Cuando solo existe una variable independiente,
esto se reduce a una lnea recta:
Donde los coeficientes b0 y b1 son parmetros que definen la posicin e

inclinacin de la recta. (Ntese que hemos usado el smbolo especial para
representar el valor de Y calculado por la recta. Como veremos, el valor real
de Y rara vez coincide exactamente con el valor calculado, por lo que es
importante hacer esta distincin.)
El parmetro b0, conocido como la "ordenada en el origen," nos indica cunto
es Y cuando X = 0. El parmetro b1, conocido como la "pendiente," nos indica
cunto aumenta Y por cada aumento de una unidad en X. Nuestro problema
consiste en obtener estimaciones de estos coeficientes a partir de una muestra
de observaciones sobre las variables Y y X. En el anlisis de regresin, estas
estimaciones se obtienen por medio del mtodo de mnimos cuadrados.
Como la Estadstica Inferencial nos permite trabajar con una variable a nivel de
intervalo o razn, as tambin se puede comprender la relacin de dos o
ms variables y nos permitir relacionar mediante ecuaciones, una variable en
relacin de la otra variable llamndose Regresin Lineal y una variable en
relacin a otras variables llamndose Regresin mltiple.
En el presente informe se presentar un marco terico respecto a la regresin
lineal mltiple, adems estos sern acompaados de una serie de ejercicios
resuelto en el SPSS. De esta forma se concretar la teora con la aplicacin de
esta en los ejercicios antes mencionados.
MARCO TERICO
El modelo de regresin mltiple con k variables explicativas, para el modelo
poblacional, es el siguiente:
Yi = 0 + 1 Xi1 + 2 Xi2 + + k Xij + ei
Donde:
Yi: Es la variable de datos independientes para la i-esima observacin
j: Es el coeficiente de la j-esima observacin
Xij: Es la j-esima variable independiente para la i-esima observacin
Ei: es el i-esimo error
COEFICIENTE DE DETERMINACIN.
Uno de los puntos ms importantes en el modelo de regresin, en general, es

determinar la relacin que hay entre el conjunto de variables independientes y
la variable dependiente. Una de las medidas para cuantificar esta relacin es el
coeficiente de determinacin (R2); el cual representa la porcin de varianza
total de Y explicada por el modelo. Este coeficiente vara entre cero y uno y se
calcula mediante la siguiente formula:
n
SCM
R2
SCT
(Yi Y )
i 1
n
(Yi Y )
i 1
Donde:
SCM: Suma de cuadrados del modelo
SCT: Suma de cuadrados totales.
EL ERROR ESTNDAR DE LA REGRESIN MLTIPLE
Es una medida de dispersin la estimacin se hace ms precisa conforme el grado de
dispersin alrededor del plano de regresin se hace ms pequeo.
Para medirla se utiliza la frmula:
Y: Valores observados en la muestra

: Valores estimados a partir a partir de la ecuacin de regresin
n : Nmero de datos
m : Nmero de variables independientes
MULTICOLINEALIDAD
El problema de multicolinealidad en un modelo de regresin simple es que los

coeficientes de regresin son indeterminados y sus errores estndar son
infinitos. Si la multicolinealidad no es perfecta es que los errores estndar son
muy grandes; lo cual implica que de llevarse a cabo inferencias sobre los
intervalos de confianza para estos parmetros van a ser artificialmente
grandes.
En otras palabras esto se traduce en que cuando hay multicolinealidad se
encuentran razones t no significativas a pesar de que las variables importantes
para explicar. Como los errores estndar son altos disminuye de manera
considerable el valor t; lo cual nos lleva con facilidad a aceptar la hiptesis nula.
Una forma sencilla de detectar multicolinealidad es tener varias s (o todas)
iguales a cero y una alta R2.
COEFICIENTE DE CORRELACIN DE PEARSON (R)
Si tenemos dos variables cuantitativas y deseamos medir el grado de
asociacin podemos utilizar el coeficiente de correlacin de Pearson. En primer
lugar, es muy aconsejable realizar un grfico de dispersin entre ambas
variables y estudiar visualmente la relacin entre ellas. Este coeficiente mide
asociacin lineal y al ser una prueba paramtrica requiere para su uso que
ambas variables tengan distribuciones normales1. De no ser as, deberemos
utilizar el coeficiente no paramtrico de Spearman.
PREGUNTAS DEL INFORME

1. Condiciones que debe cumplir las variables independientes
para formar parte de un modelo mltiples
Las variables independientes no pueden estar altamente correlacionadas entre
s, las relaciones entre las causas y el resultado deben ser lineales, todas
variables deben seguir la distribucin normal y deben tener varianzas iguales.
Estas condiciones no son tan estrictas y hay maneras de tratar los datos si se
incumple. Sobre ello volveremos en futuras entradas.
Tenemos ciertos requerimientos necesarios para poder realizar la tcnica de
regresin mltiple:
LINEALIDAD, se supone que la variable dependiente depende linealmente de
las variables independientes. Si la dependiente no aparenta ser lineal,

debemos introducir en el modelo componentes no lineales.
NORMALIDAD Y EQUIDISTRIBUCIN DE LOS RESIDUOS, se llaman residuos
las diferencias entre los valores calculados por el modelo y los realmente
observados en la variable dependiente para temer un buen modelo de
regresin no es suficiente con que los residuos sean pequeos.
NUMERO DE VARIABLES INDEPENDIENTES: podemos estar tentados en
incluir en el modelo cualquier cosa que tengamos en una base de datos.

COLINEALIDAD: si dos variables independientes estn estrechamente
relacionadas y ambas son incluidas en un modelo, muy posiblemente ninguna

de las dos sea considerada significativa.
2. Condiciones debe cumplir la parte de perturbacin del
modelo mltiple
Es conocida tambin como el error; la simbologa utilizada para la perturbacin
aleatoria es la siguiente: .
Esta recoge todos aquellos factores de la realidad no controlables u observables
y que por tanto se asocian con el azar y es la que confiere al modelo su carcter
estocstico (es aquel cuyo comportamiento es no determinista)
Esta perturbacin o error sigue el supuesto de modo que tiene distribucin
normal con media cero, adems la varianza es constante.
3. Causas para asumir que existe colinealidad o multicolinealidad

COLINEALIDAD
Si en un modelo de regresin lineal mltiple alguna variable independiente es
combinacin lineal de otras, el modelo es irresoluble, debido a que, en ese caso, la
matriz X'X es singular, es decir, su determinante es cero y no se puede invertir.
A este fenmeno se le denomina colinealidad. Que una variable X1 sea combinacin
lineal de otra X2, significa que ambas estn relacionadas por la expresin
X1 = b1 + b2X2, siendob1 y b2 constantes, por lo tanto el coeficiente de correlacin entre
ambas variables ser 1.
Que una variable X1 sea combinacin lineal de otras X2,..., Xi con i>2, significa
que dichas variables estn relacionadas por la expresin X1 = b1 > + b2 X2 +...
+bi Xi, siendo b1,..., bi constantes y por tanto, el coeficiente de correlacin
mltiple RX1|X2,...Xi tambin ser 1.
MULTICOLINEALIDAD
Consiste en la existencia de relaciones lineales entre dos o ms variables

independientes del modelo lineal uniecuacional mltiple. Dependiendo de
cmo sea dicha relacin lineal hablaremos de multicolinealidad perfecta o
aproximada. Las principales causas que producen multicolinealidad en
un modelo son:
Relacin causal entre variables explicativas del modelo
Escasa variabilidad en las observaciones de las variables
independientes
Reducido tamao de la muestra
En definitiva la multicolinealidad suele ser un problema muestral que se
presenta normalmente en datos con el perfil de series de tiempo.
4. Si tenemos el caso de multicolinealidad cmo construimos

un modelo confiable para hacer el pronstico?
Algunas de las posibles soluciones al problema de multicolinealidad son las
siguientes:
Mejora del diseo muestral extrayendo la informacin mxima de la

variables observadas
Eliminacin de las variables que se sospechan son causantes de la
multicolinealidad
En caso de disponer de pocas observaciones, aumentar el tamao de la

muestra
Utilizar la eleccin extramuestral que permite realizar relaciones entre los
parmetros que permite estimar el modelo por mnimos cuadrados
restringidos.
En primer lugar se debe colocar todos los datos en el SPSS, primero en la vista
de variables y luego se pasan todos los datos que tenemos. Algo que es
importante es elegir en medida Escala.
Luego nos dirigimos a analizar, regresin, lineal para obtener el cuadro de

dialogo en el cual ubicaremos los datos.
Despus pasaremos a escoger la opcin estadsticos donde se

seleccionaran los siguientes tems. Luego ponemos Continuar y aceptar.
Estos son los resultados que obtendremos.
Regresin
Resumen del modelob
Modelo
,661a
R cuadrado
R cuadrado
Error tp. de la
corregida
estimacin
,437
,061
Durbin-Watson
63,095828
2,330
a. Variables predictoras: (Constante), Antiguedad del edificio, en aos, Numero de accesos,

Numero de oficinas, Superficie en metros cuadrados
b. Variable dependiente: Valor de tasacin del edificio de oficinas
ANOVAa
Modelo
Suma de
gl
Media cuadrtica
Sig.
cuadrados
Regresin
18515,726
4628,932
Residual
23886,501
3981,083
Total
42402,227
10
1,163
,413b
a. Variable dependiente: Valor de tasacin del edificio de oficinas

b. Variables predictoras: (Constante), Antiguedad del edificio, en aos, Numero de accesos, Numero
de oficinas, Superficie en metros cuadrados
Coeficientesa
Modelo
(Constante)
Superficie en
metros cuadrados
Numero de
1
oficinas
Numero de
accesos
Coeficientes no
Coeficientes
estandarizados
tipificados
Error tp.
1239,841
654,694
-506,910
290,537
30,569
Estadsticos de
t
colinealidad
Sig.
Beta
Tolerancia
FIV
1,894
,107
-,688
-1,745
,132
,603
1,657
26,004
,380
1,176
,284
,899
1,112
26,123
33,760
,312
,774
,468
,578
1,731
,336
,847
,126
,397
,705
,927
1,078
Antiguedad del
edificio, en aos
Diagnsticos de colinealidada
Proporciones de la varianza
Modelo Dimensin Autovalores
ndice de
Superficie Numero
condicin (Constante) en metros
Antiguedad
de
del edificio,
accesos
en aos
de
cuadrados oficinas
Numero
4,642
1,000
,00
,00
,00
,00
,01
,251
4,305
,00
,00
,02
,02
,83
,059
8,897
,00
,00
,43
,55
,01
,048
9,810
,01
,00
,54
,10
,10
,000
108,630
,99
1,00
,01
,33
,06
Estadsticos sobre los residuosa

Mnimo
Mximo
Media
Desviacin tpica
Valor pronosticado
99,18463
245,02170
170,44545
43,029904
11
Residual
-46,979633
114,978294
,000000
48,873818
11
Valor pronosticado tip.
-1,656
1,733
,000
1,000
11
Residuo tp.
-,745
1,822
,000
,775
11
Para saber si hay problema de multicolinealidad nos percataremos en la

inflacin de la varianza (VIF), lo mximo que se puede aceptar son 4 o 5
unidades, en caso el nmero sea mayor al mencionado anteriormente, pues
tendremos multicolinealidad o multicolinealidad severa segn sea el caso.
Por ello nos dirigiremos a analizar el cuadro de coeficientes.
Coeficientesa
Modelo
(Constante)
Superficie en
metros cuadrados
Numero de
1
oficinas
Numero de
accesos
Antiguedad del
edificio, en aos
Coeficientes no
Coeficientes
estandarizados
tipificados
Error tp.
1239,841
654,694
-506,910
290,537
30,569
Estadsticos de
t
colinealidad
Sig.
Beta
Tolerancia
FIV
1,894
,107
-,688
-1,745
,132
,603
1,657
26,004
,380
1,176
,284
,899
1,112
26,123
33,760
,312
,774
,468
,578
1,731
,336
,847
,126
,397
,705
,927
1,078
En este caso la inflacin de la varianza es de 1,657; 1,112; 1,731; 1,078 es

decir no hay problemas de multicolinealidad, en caso este nmero sea mayor a
5 se proceder a eliminar aquella variable que tenga el menor correlacin de
Pearson, al analizar cada variable independiente con otra variable
independiente, con el siguiente procedimiento: Analizar, correlaciones,
parciales.
De esta forma al eliminar dicha variable disminuira la inflacin de la varianza.
Teniendo as un modelo confiable.
5. Evale los ejercicios de la separata y construya el modelo

adecuado para hacer el pronstico.
PROBLEMA N 1
fabricacio fabricacio Circuit
nX1
nX2
osY
-10
0
11
0
-5
8
10
5
73
-10
0
21
0
5
46
10
-5
30
Regresin
Variables entradas/eliminadasa
Modelo
1
Variables
Variables
introducidas
eliminadas
fabricacion X2,
Mtodo
. Intro
fabricacion x1b
a. Variable dependiente: circuitos electricos Y
b. Todas las variables solicitadas introducidas.
Resumen del modelob
Modelo
,980
R cuadrado
Error estndar
ajustado
de la estimacin
R cuadrado
a
,961
,935
Durbin-Watson
6,245
2,346
a. Predictores: (Constante), fabricacion X2, fabricacion x1

b. Variable dependiente: circuitos electricos Y
ANOVAa
Suma de
Modelo
1
cuadrados
Regresin
Residuo
Total
Media
gl
cuadrtica
2900,500
1450,250
117,000
39,000
3017,500
F
37,186
Sig.
,008b
b. Predictores: (Constante), fabricacion X2, fabricacion x1
Coeficientesa
Modelo
Coeficientes
Coeficientes no estandarizados
estandarizados
Sig.
12,355
,001
Error estndar
Beta
(Constante)
31,500
2,550
fabricacion x1
1,775
,312
,646
5,685
,011
fabricacion X2
4,050
,624
,737
6,485
,007
Estadsticas de residuosa
Desviacin
Mnimo
Mximo
Media
Valor pronosticado
11,25
69,50
31,50
24,085
Residuo
-5,750
7,250
,000
4,837
Valor pronosticado estndar
-,841
1,578
,000
1,000
Residuo estndar
-,921
1,161
,000
,775
estndar
Correlaciones
Correlacin de Pearson
fabricacion x1
fabricacion X2
circuitos electricos Y
circuitos
fabricacion x1
fabricacion X2
,000
,646
1,000
,166
Sig. (bilateral)
electricos Y
,000
,737
Sig. (bilateral)
1,000
,646
,737
Sig. (bilateral)
,166
,094
,094
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
B
(Constante)
fabricacion
1
x1
fabricacion
X2
Error
2,550
1,775
,312
4,050
,624
Sig.
Beta
estndar
31,500
Estadsticas de
colinealidad
Tolerancia
VIF
12,355
,001
,646
5,685
,011
1,000
1,000
,737
6,485
,007
1,000
1,000
Al verificar la significacin vemos que es de 0.8% por lo cual no existe

problema con las variables, luego notamos que la inflacin de la varianza es de
1 por lo cual se esta cumpliendo con el rango aceptable (mximo 5), es decir
no hay multicolinealidad, para poder asegurarnos que no existe problemas de
autocorrelacin verificamos el Durvin Watson el cual es de 2.346 concluyendo
que no hay problema alguno pues no llega al mximo aceptado que es 4.
PROBLEMA N 2
gravedadX1
humedadX2
fuerzaY
,990
11,1
11,14
,558
8,9
12,74
,604
8,8
13,13
,441
8,9
11,51
,550
8,8
12,38
,528
9,9
12,60
,418
10,7
11,13
,480
10,5
11,70
,406
10,5
11,02
,467
10,7
11,41
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
contenido de
humedad,
. Intro
gravedad
especificab
a. Variable dependiente: fuerza
Resumen del modelob

Modelo
R cuadrado
,782a
,611
R cuadrado
Error estndar
ajustado
de la estimacin
,500
,54304
Durbin-Watson
2,550
a. Predictores: (Constante), contenido de humedad, gravedad especifica

b. Variable dependiente: fuerza
ANOVAa
Modelo
Suma de
cuadrados
Media
gl
cuadrtica
Regresin
3,246
1,623
Residuo
2,064
,295
Total
5,310
Sig.
5,504
,037b

b. Predictores: (Constante), contenido de humedad, gravedad especifica
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes
estandarizados
Sig.
9,232
,000
Error estndar
(Constante)
17,865
1,935
gravedad especifica
,861
1,087
,190
,792
,454
contenido de humedad
-,654
,197
-,795
-3,313
,013
Beta
Desviacin
Mnimo
Mximo
Media
Valor pronosticado
11,2314
12,6334
11,8760
,60056
10
Residuo
-,91764
,75102
,00000
,47892
10
-1,073
1,261
,000
1,000
10
Residuo estndar
-1,690
1,383
,000
,882
10
estndar
Correlaciones
Correlaciones
gravedad
contenido de
especifica
humedad
,188
,041
,603
,911
gravedad especifica
Sig. (bilateral)
fuerza
10
10
10
,188
-,759*
Sig. (bilateral)
,603
10
contenido de humedad
,011
10
10
*
,041
-,759
Sig. (bilateral)
,911
,011
10
10
fuerza
10
*. La correlacin es significativa en el nivel 0,05 (2 colas).

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
B
(Constante)
gravedad
1
especifica
contenido de
humedad
Error
estndar
17,865
1,935
,861
1,087
-,654
,197
Estadsticas de
t
Sig.
Beta
colinealidad
Tolerancia
VIF
9,232
,000
,190
,792
,454
,965
1,037
-,795
-3,313
,013
,965
1,037
Al verificar la significacin vemos que es de 3.7% por lo cual no existe

problema con las variables, luego notamos que la inflacin de la varianza es de
1.037 por lo cual se est cumpliendo con el rango aceptable (mximo 5), es
decir no hay multicolinealidad, para poder asegurarnos que no existe
problemas de autocorrelacin verificamos el Durbin Watson el cual es de 2.550
concluyendo que no hay problema alguno pues no llega al mximo aceptado
que es 4.
PROBLEMA N 3
automoviles
X1
58
84
78
81
82
102
85
102
telefonos
X2
111
131
158
147
121
165
174
169
consumo
Y
64
778
83
88
89
99
101
102
Modelo
Variables
Variables
introducidas
eliminadas
Mtodo
numero de
telfonos por mil
1
habitantes,
numero de
Intro
automviles por
mil habitantes
a. Variable dependiente: consumo
Resumen del modelob
Modelo
1
R
,390
R cuadrado
a
,152
R cuadrado
Error estndar
ajustado
de la estimacin
-,188
265,634
Durbin-Watson
2,091
a. Predictores: (Constante), numero de telefonos por mil habitantes, numero de automoviles

por mil habitantes
b. Variable dependiente: consumo
ANOVAa
Suma de
Modelo
cuadrados
gl
Media cuadrtica
Sig.
,447
,663b
Regresin
63130,708
31565,354
Residuo
352807,292
70561,458
Total
415938,000

b. Predictores: (Constante), numero de telefonos por mil habitantes, numero de automoviles por mil
habitantes
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
estndar
367,506
669,280
7,840
10,362
-5,786
6,161
Estadsticas de
t
colinealidad
Sig.
Beta
Tolerancia
VIF
,549
,607
,451
,757
,483
,478
2,091
-,559
-,939
,391
,478
2,091
numero de
automoviles por
1
mil habitantes
numero de
telefonos por mil
habitantes
Proporciones de varianza
Modelo
Dimensin
Autovalor
ndice de
condicin
(Constante)
numero de
numero de
automoviles por
telefonos por
mil habitantes
mil habitantes
2,980
1,000
,00
,00
,00
,013
14,996
,99
,18
,10
,006
21,706
,01
,82
,90
Desviacin
Mnimo
Mximo
Media
Valor pronosticado
27,12
310,26
175,50
94,967
Residuo
-221,259
509,923
,000
224,502
-1,562
1,419
,000
1,000
Residuo estndar
-,833
1,920
,000
,845
estndar
Despus de analizar todos los datos nos damos cuenta que el nivel de
significacin de muy alto (66.3%), por lo cual vemos de eliminar aquella
variable que en trminos absolutos presente menor coeficiente estandarizado
B. Es as que eliminaremos la variable nmero de automviles por mil
habitantes.
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
numero de
telefonos por mil
habitantes
. Intro

Resumen del modelob
Modelo
1
R
,234
R cuadrado
a
,055
R cuadrado
Error estndar
ajustado
de la estimacin
-,103
a. Predictores: (Constante), numero de telefonos por mil habitantes

b. Variable dependiente: consumo
255,995
Durbin-Watson
2,534
Coeficientesa
Coeficientes no
Coeficientes
Estadsticas de
estandarizados
estandarizados
colinealidad
Error
Modelo
1
(Constante)
estndar
531,084
610,414
-2,419
4,107
Beta
Sig.
Tolerancia
,870
,418
-,589
,577
VIF
numero de
telefonos por mil
-,234
1,000
habitantes
Modelo
Dimensin
Autovalor
ndice de
condicin
numero de
(Constante)
telefonos por mil

habitantes
1,989
1,000
,01
,01
,011
13,414
,99
,99

Desviacin
Mnimo
Mximo
Media
Valor pronosticado
110,19
262,58
175,50
56,994
Residuo
-198,582
563,797
,000
237,005
-1,146
1,528
,000
1,000
Residuo estndar
-,776
2,202
,000
,926
Sig.
,347
,577b
estndar

ANOVAa
Suma de
Modelo
cuadrados
gl
Media
cuadrtica
Regresin
22738,034
22738,034
Residuo
393199,966
65533,328
Total
415938,000

b. Predictores: (Constante), numero de telfonos por mil habitantes
1,000
Es as que se concluye que no se puede realizar los pronsticos puesto que el

nivel de significacin es muy alto aun as eliminada la variable nmero de
automviles por mil habitantes.
PROBLEMA N 4
Superficie
X1
2310
2333
2356
2273
2402
2425
2448
2471
2494
2517
2540
Oficinas
X2
2
2
3
3
2
4
2
2
3
4
2
Accesos
X3
2,0
2,0
1,5
2,0
3,0
2,0
1,5
2,0
3,0
4,0
3,0
Antigedad
X4
20
12
33
40
53
23
99
34
23
55
22
Valor Y
142000
144000
161000
360000
139000
169000
125000
142000
163000
189000
149000
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
AntiguedadX4,
AccesosX3,
. Intro
OficinasX2,
SuperficieX1b
a. Variable dependiente: ValorY

Resumen del modelob
Modelo
1
R
,672
R cuadrado
a
,451
R cuadrado
Error estndar
ajustado
de la estimacin
,085
Durbin-Watson
62168,022
a. Predictores: (Constante), AntiguedadX4, AccesosX3, OficinasX2, SuperficieX1

b. Variable dependiente: ValorY
2,235
ANOVAa
Suma de
Modelo
cuadrados
gl
Media cuadrtica
Sig.
1,233
,389b
Regresin
19058458894,231
4764614723,558
Residuo
23189177469,406
3864862911,568
Total
42247636363,636
10

a
Coeficientes
b. Predictores: (Constante), AntiguedadX4,
AccesosX3, OficinasX2, SuperficieX1
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
Estadsticas de
t
Beta
estndar
1244642,419 645066,921
colinealidad
Sig.
1,929
-
Tolerancia
VIF
,126
,603
1,657
,102
SuperficieX1
-508,112
286,265
-,691
OficinasX2
31764,274
25621,636
,395
1,240
,261
,899
1,112
AccesosX3
24561,790
33263,442
,294
,738
,488
,578
1,731
AntiguedadX4
319,299
834,490
,120
,383
,715
,927
1,078
1,775
ndice
Model
o
Dimensi Autovalo
n
de
condici
(Constante SuperficieX OficinasX AccesosX AntiguedadX
4,642
1,000
,00
,00
,00
,00
,01
,251
4,305
,00
,00
,02
,02
,83
,059
8,897
,00
,00
,43
,55
,01
,048
9,810
,01
,00
,54
,10
,10
,000
108,630
,99
1,00
,01
,33
,06
Desviacin
Mnimo
Mximo
Media
Valor pronosticado
98276,51
246892,28
171181,82
43655,995
11
Residuo
-47941,875
113107,719
,000
48155,142
11
-1,670
1,734
,000
1,000
11
Residuo estndar
-,771
1,819
,000
,775
11
estndar
Notamos que el nivel de significacin es alto sobrepasando los 20% aceptables

(38.9%), por ello se recurrir a eliminar la variable con menor coeficiente
estandarizado B en este caso es Antigedad X4 con 0.120.
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
AccesosX3,
OficinasX2,
. Intro
SuperficieX1b
Resumen del modelob
Modelo
Error estndar
ajustado
de la estimacin
R cuadrado
,662a
R cuadrado
,438
,197
Durbin-Watson
58254,381
2,127
a. Predictores: (Constante), AccesosX3, OficinasX2, SuperficieX1

ANOVAa
Suma de
Modelo
cuadrados
gl
Media cuadrtica
Sig.
1,816
,232b
Regresin
18492625631,996
6164208543,999
Residuo
23755010731,641
3393572961,663
Total
42247636363,636
10

b. Predictores: (Constante), AccesosX3, OficinasX2, SuperficieX1
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
1
Estadsticas de
t
Beta
estndar
1193512,590 591346,624
colinealidad
Sig.
2,018
,083
Tolerancia
VIF
SuperficieX1
-479,393
258,859
-,652
-1,852
,106
,648
1,543
OficinasX2
31450,301
23996,371
,391
1,311
,231
,900
1,111
AccesosX3
22280,667
30664,716
,267
,727
,491
,597
1,675
Modelo
ndice de
condicin
(Constante) SuperficieX1 OficinasX2 AccesosX3
Dimensin
Autovalor
3,888
1,000
,00
,00
,00
,00
,059
8,107
,00
,00
,26
,64
,052
8,609
,00
,00
,73
,04
,000
96,573
1,00
1,00
,01
,31
Desviacin
Mnimo
Mximo
Media
Valor pronosticado
105596,79
242764,38
171181,82
43003,053
11
Residuo
-51576,527
117235,625
,000
48739,112
11
-1,525
1,665
,000
1,000
11
Residuo estndar
-,885
2,012
,000
,837
11
estndar
Al eliminar la variable Antigedad X4 notamos que el nivel de significacin se

reduzco, pero no lo suficiente (23.2%), por ello procederemos a eliminar la otra
variable con menor coeficiente estandarizado que viene a ser Accesos X3
(0.267). Quedando finalmente los siguientes datos.
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
OficinasX2,
. Intro
SuperficieX1b
Resumen del modelob
Modelo
Error estndar
ajustado
de la estimacin
R cuadrado
,629a
R cuadrado
,395
,244
Durbin-Watson
56509,500
2,046
a. Predictores: (Constante), OficinasX2, SuperficieX1

ANOVAa
Suma de
Modelo
1
cuadrados
gl
Media cuadrtica
Regresin
16701047815,873
8350523907,936
Residuo
25546588547,764
3193323568,470
Total
42247636363,636
10
Sig.
,134b
2,615

b. Predictores: (Constante), OficinasX2, SuperficieX1
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
1
estndar
Estadsticas de
t
Sig.
Beta
968423,804 488620,983
1,982
,083
colinealidad
Tolerancia
VIF
SuperficieX1
-369,844
204,117
-,503
-1,812
,108
,981
1,020
OficinasX2
36439,023
22304,435
,454
1,634
,141
,981
1,020
ndice de
Modelo
Dimensin
Autovalor
condicin
(Constante)
SuperficieX1
OficinasX2
2,947
1,000
,00
,00
,01
,053
7,469
,00
,00
,98
,001
69,819
1,00
1,00
,01

Desviacin
Valor pronosticado
Residuo
Residuo estndar
Mnimo
Mximo
Media
estndar
101897,30
237084,75
171181,82
40866,915
11
-48307,441
122915,250
,000
50543,633
11
-1,695
1,613
,000
1,000
11
-,855
2,175
,000
,894
11
Finalmente al eliminar las variables Antigedad y accesos nos damos cuenta

que el nivel de significacin es idneo para realizar el posterior pronstico.
PROBLEMA N 5
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
inversion en
propaganda,
mes
. Intro
a. Variable dependiente: porcentaje de ventas con respecto

al mes anterior
Resumen del modelob
Modelo
,968
R cuadrado
a
R cuadrado
Error estndar
ajustado
de la estimacin
,937
,919
Durbin-Watson
5,35678
2,002
a. Predictores: (Constante), inversion en propaganda, mes

b. Variable dependiente: porcentaje de ventas con respecto al mes anterior
ANOVAa
Modelo
Suma de
cuadrados
gl
Media cuadrtica
Sig.
51,897
,000b
Regresin
2978,395
1489,198
Residuo
200,866
28,695
Total
3179,261
a. Variable dependiente: porcentaje de ventas con respecto al mes anterior

b. Predictores: (Constante), inversion en propaganda, en
Coeficientesa
Coeficientes no
Coeficientes
estandarizados
estandarizados
Modelo
Error
68,130
13,417
mes
-4,183
,965
3,597
1,631
inversion en
propaganda
colinealidad
Sig.
Beta
estndar
(Constante)
Estadsticas de
Tolerancia
VIF
5,078
,001
-,674
-4,337
,003
,374
2,675
,343
2,205
,063
,374
2,675

Modelo
Dimensin
ndice de
Autovalor
condicin
(Constante)
mes
inversion en
propaganda
2,719
1,000
,00
,01
,00
,271
3,164
,00
,17
,05
,010
16,511
1,00
,82
,95

Desviacin
Mnimo
Mximo
Media
Valor pronosticado
33,8519
88,4057
64,3300
18,19156
10
Residuo
-5,85193
10,08294
,00000
4,72424
10
-1,675
1,323
,000
1,000
10
Residuo estndar
-1,092
1,882
,000
,882
10
estndar
Al verificar la significacin vemos que es de 0 % por lo cual no existe problema

con las variables, luego notamos que la inflacin de la varianza es de 2.675 por
lo cual se esta cumpliendo con el rango aceptable (mximo 5), es decir no hay
multicolinealidad, para poder asegurarnos que no existe problemas de
autocorrelacin verificamos el Durvin Watson el cual es de 2.002 concluyendo
que no hay problema alguno pues no llega al mximo aceptado que es 4. Es
as que se puede realizar el pronstico.
PROBLEMA N 6
remuneraci
nY
2,19
2,23
desempleo
X1
6,10
6,20
tiempoX
2
1996
1969
2,32
2,39
2,46
2,53
2,61
2,72
2,63
3,01
3,19
3,35
3,55
7,80
6,80
5,70
5,00
4,00
3,20
3,60
3,30
3,30
5,60
6,60
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
tasa de
desempleo,
. Intro
remuneracion
por horab
a. Variable dependiente: tiempo
Resumen del modelob
Modelo
,146
R cuadrado
a
R cuadrado
Error estndar
ajustado
de la estimacin
,021
-,174
Durbin-Watson
7,467
1,326
a. Predictores: (Constante), tasa de desempleo, remuneracion por hora

b. Variable dependiente: tiempo
ANOVAa
Suma de
Modelo
1
cuadrados
Regresin
Media
gl
cuadrtica
12,107
6,053
Residuo
557,586
10
55,759
Total
569,692
12

b. Predictores: (Constante), tasa de desempleo, remuneracion por hora
Coeficientesa
Sig.
,109
,898b
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
17,785
2,138
5,144
-,116
1,457
remuneracion
1
por hora
tasa de
desempleo
colinealidad
Sig.
Beta
estndar
1970,968
Estadsticas de
Tolerancia
VIF
110,821
,000
,136
,416
,686
,914
1,094
-,026
-,079
,938
,914
1,094

ndice de
Autovalor
condicin
(Constante)
remuneracion
tasa de
por hora
desempleo
Modelo
Dimensin
2,924
1,000
,00
,00
,01
,067
6,592
,01
,10
,66
,008
18,665
,99
,90
,34
Desviacin
Mnimo
Valor pronosticado
Mximo
Media
estndar
1974,94
1977,79
1976,15
1,004
13
Residuo
-6,009
21,057
,000
6,817
13
-1,205
1,632
,000
1,000
13
-,805
2,820
,000
,913
13
Residuo estndar
a.
Variable dependiente: tiempo
El nivel de significacin es muy alto (89.9%) por ello procederemos

a eliminar la variable con menor coeficiente estandarizado B, es
decir la tasa de desempleo (0.079). Es as que tendremos otros
cuadros.
Regresin
Modelo
Variables
Variables
introducidas
eliminadas
Mtodo
remuneracion
. Intro
por horab
Resumen del modelob
Modelo
R cuadrado
Error estndar
ajustado
de la estimacin
R cuadrado
,144
,021
-,068
Durbin-Watson
7,122
1,326
a. Predictores: (Constante), remuneracion por hora

b. Variable dependiente: tiempo
ANOVAa
Suma de
Modelo
1
Media
cuadrados
Regresin
gl
cuadrtica
11,755
11,755
Residuo
557,938
11
50,722
Total
569,692
12
Sig.
,640b
,232

b. Predictores: (Constante), remuneracion por hora
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
1
estndar
1970,045
12,843
2,258
4,690
remuneracion
por hora
Estadsticas de
t
Sig.
Beta
,144
153,392
,000
,481
,640
colinealidad
Tolerancia
VIF
1,000
1,000

Modelo
Dimensin
Autovalor
ndice de condicin
(Constante)
remuneracion por
hora
1,988
1,000
,01
,01
,012
12,927
,99
,99
Desviacin
Mnimo
Mximo
Media
Valor pronosticado
1974,99
1978,06
1976,15
,990
13
Residuo
-6,070
21,011
,000
6,819
13
-1,177
1,926
,000
1,000
13
Residuo estndar
-,852
2,950
,000
,957
13
estndar
El nivel de significacin sigue siendo muy alto (64%), es as que se concluye

que no se puede realizar el pronstico pues no es confiable.
PROBLEMA N 7
Utilidad
Oferta
IPC
2,5
3,8
4,8
4,1
2,1
1,9
4,0
,0
-1,0
1,0
5,0
8,0
2,1
1,9
2,3
1,8
1,5
2,0
Regresin
Modelo
Variables
Variables
introducidas
eliminadas
Mtodo
precio por
accion ,
variacion en
precio otras
1
empresas,
variacion meisl
Intro
de IPC,
porcentaje de
oferta sore la
demandab
a. Variable dependiente: utilidad toatal mensual de la
empresa
precio
otras
2
3
5
3
1
-2
accion
250
290
33
298
129
107
Resumen del modelob
Modelo
R cuadrado
a
,969
R cuadrado
Error estndar de
ajustado
la estimacin
,940
,698
Durbin-Watson
,6556
1,977
a. Predictores: (Constante), precio por accion , variacion en precio otras empresas, variacion meisl de
IPC, porcentaje de oferta sore la demanda
b. Variable dependiente: utilidad toatal mensual de la empresa
ANOVAa
Suma de
Modelo
cuadrados
gl
Media cuadrtica
Sig.
3,891
,361b
Regresin
6,690
1,673
Residuo
,430
,430
Total
7,120
a. Variable dependiente: utilidad toatal mensual de la empresa

b. Predictores: (Constante), precio por accion , variacion en precio otras empresas, variacion meisl de
IPC, porcentaje de oferta sore la demanda
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
B
(Constante)
Error
estndar
4,135
3,457
-,477
,361
,595
Estadsticas de
t
colinealidad
Sig.
Beta
Tolerancia
VIF
1,196
,443
-1,371
-1,320
,413
,056
17,876
1,227
,136
,485
,712
,765
1,307
-,264
,594
-,460
-,445
,733
,057
17,638
-,001
,003
-,102
-,373
,772
,803
1,246
porcentaje de
oferta sore la
demanda
1
variacion meisl de
IPC
variacion en
precio otras
empresas
precio por accion
Modelo Dimensin Autovalor
porcentaje
ndice de
condicin (Constante)
de oferta
sore la
demanda
variacion
meisl de
IPC
variacion
en precio
precio por
otras
accion
empresas
3,779
1,000
,00
,00
,00
,00
,01
1,012
1,933
,00
,02
,00
,01
,00
,192
4,431
,00
,00
,01
,01
,73
,013
16,863
,00
,54
,42
,65
,01
,004
30,129
1,00
,44
,57
,33
,25

Desviacin
Mnimo
Mximo
Media
Valor pronosticado
1,787
4,754
3,200
1,1567
Residuo
-,3498
,4956
,0000
,2932
-1,221
1,344
,000
1,000
Residuo estndar
-,534
,756
,000
,447
estndar
Notamos que el nivel de significacin es alto (36.1%), transgrediendo el lmite

aceptable de 20%, por ello se proceder a eliminar la variable que tenga menor
coeficiente estandarizado B, en este caso es la variable precio por accin
(0.102). De esta forma se tendr los siguientes datos.
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
variacion en
precio otras
empresas,
variacion meisl
de IPC,
. Intro
porcentaje de
oferta sore la
demandab
a. Variable dependiente: utilidad toatal mensual de la
empresa
ANOVAa
Suma de
Modelo
cuadrados
gl
Media cuadrtica
F
Sig.
Resumen del modelob
1
Regresin
6,630
3
2,210
9,024
,101b
Modelo
R
R cuadrado
R cuadrado
Error estndar
Durbin-Watson
Residuo
,490
2
,245
ajustado
de la estimacin
Total
7,120
5
1
,965a
,931
,828
,4949
1,326
a. Predictores: (Constante), variacion en precio otras empresas, variacion meisl de IPC,
b. Predictores: (Constante), variacion en precio otras empresas, variacion meisl de IPC, porcentaje de
porcentaje de oferta sore la demanda
oferta sore la demanda
b. Variable dependiente: utilidad toatal mensual de la empresa
Coeficientesa
Coeficientes no
Coeficientes
Estadsticas de
estandarizados
estandarizados
colinealidad
Error
Modelo
3,454
2,217
1,558
,260
-,447
,266
-1,285 -1,681
,235
,059
16,990
,764
,861
,175
,887
,469
,885
1,130
-,232
,444
-,404
-,524
,653
,058
17,268
(Constante)
estndar
Beta
Sig.
Tolerancia
VIF
porcentaje de
oferta sore la
demanda
variacion meisl de
IPC
variacion en precio
otras empresas
porcentaje
ndice de
condicin
(Constante)
de oferta
variacion
sore la
meisl de IPC
demanda
1
variacion en
precio otras
empresas
2,973
1,000
,00
,00
,00
,00
1,008
1,717
,00
,02
,00
,01
,013
14,876
,00
,52
,52
,61
,006
23,207
1,00
,46
,48
,38

Desviacin
Mnimo
Valor pronosticado
Mximo
Media
estndar
1,755
4,613
3,200
1,1515
Residuo
-,4086
,4148
,0000
,3130
-1,255
1,227
,000
1,000
-,826
,838
,000
,632
Residuo estndar
Al ser eliminada la variable precio por accin (0.102 como coeficiente

estandarizado B) notamos que el nivel de significacin se redujo a 10.1%,
siendo este aceptable para realizar el pronstico.
PROBLEMA N 8
consumo maquina
Y
X1
320
20
200
10
185
50
376
22
2405
120
893
40
1930
93
6010
380
1540
75
distancia
X2
630
396
1395
720
4230
1752
4000
15780
3080
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
rendimiento
promedio
motores,
numero de
. Intro
horas maquinas,
distancia de
transportesb
a. Variable dependiente: consumo diario de petroleo
rendimient
oX3
2,40
4,00
2,80
2,60
,60
,10
,06
,01
,04
Resumen del modelob

Modelo
R cuadrado
,992a
,984
R cuadrado
Error estndar de
ajustado
la estimacin
,974
300,440
Durbin-Watson
2,876
a. Predictores: (Constante), rendimiento promedio motores, numero de horas maquinas, distancia de

transportes
b. Variable dependiente: consumo diario de petroleo
ANOVAa
Modelo
Suma de
cuadrados
gl
Media cuadrtica
Sig.
100,901
,000b
Regresin
27323432,845
9107810,948
Residuo
451322,044
90264,409
Total
27774754,889

b. Predictores: (Constante), rendimiento promedio motores, numero de horas maquinas, distancia de
transportes
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
numero de horas
maquinas
1
distancia de
transportes
rendimiento
promedio motores
estndar
481,348
213,778
7,673
14,201
,170
-167,598
Estadsticas de
t
Sig.
Beta
colinealidad
Tolerancia
VIF
2,252
,074
,472
,540
,612
,004
235,176
,342
,438
,495
,641
,004
240,140
84,515
-,139
-1,983
,104
,663
1,509
ndice de
condicin
numero de
(Constante)
horas
maquinas
distancia de
transportes
rendimiento
promedio
motores
2,684
1,000
,02
,00
,00
,01
1,174
1,512
,02
,00
,00
,17
,140
4,378
,93
,00
,00
,75
,001
45,903
,02
1,00
1,00
,06
Desviacin
Mnimo
Mximo
Media
Valor pronosticado
-45,14
6072,11
1539,89
1848,088
Residuo
-447,355
385,930
,000
237,519
-,858
2,452
,000
1,000
Residuo estndar
-1,489
1,285
,000
,791
estndar
Si bien es cierto el nivel de significacin es bajo, encontramos que la inflacin

de la varianza es muy alta (233.176, 240.140) para poder disminuir esta
inflacin (VIF) procederemos a eliminar la variable con menor coeficiente
estandarizado B, en este caso es la variable rendimiento promedio de motores
(0.139). Encontrando los siguientes datos modificados.
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
distancia de
transportes,
. Intro
numero de
horas maquinasb

Resumen del modelob
Modelo
1
R
,985a
R cuadrado
,971
R cuadrado
Error estndar
ajustado
de la estimacin
,961
366,581
Durbin-Watson
1,848
a. Predictores: (Constante), distancia de transportes, numero de horas maquinas

ANOVAa
Suma de
Modelo
1
Media
cuadrados
Regresin
Residuo
Total
gl
cuadrtica
26968463,962
13484231,981
806290,927
134381,821
27774754,889
Sig.
,000b
100,343

b. Predictores: (Constante), distancia de transportes, numero de horas maquinas
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
numero de horas
1
maquinas
distancia de
transportes
179,976
1,476
16,903
,347
,403
Sig.
Beta
estndar
174,495
Estadsticas de
colinealidad
Tolerancia
VIF
,970
,370
,091
,087
,933
,004
223,787
,895
,860
,423
,004
223,787
ndice de
Autovalor
condicin
distancia de
horas maquinas
transportes
Modelo
Dimensin
2,518
1,000
,05
,00
,00
,480
2,290
,71
,00
,00
,001
43,166
,24
1,00
1,00
(Constante)
numero de
Desviacin
Mnimo
Valor pronosticado
Residuo
Media
estndar
326,60
6208,52
1539,89
1836,044
-547,134
586,254
,000
317,469
-,661
2,543
,000
1,000
-1,493
1,599
,000
,866

Residuo estndar
Mximo
Aun as eliminada la variable rendimiento promedio motores sigue habiendo

alta inflacin de la varianza, es decir sigue habiendo multicolinealidad
severa(223.787). Por ello procederemos a eliminar la siguiente variable con
menor coeficiente estandarizado B, que viene a ser nmero de horas mquinas
(0.91).
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
distancia de
Mtodo
. Intro
transportesb

Resumen del modelob
Modelo
R
,985a
R cuadrado
R cuadrado
Error estndar
ajustado
de la estimacin
,971
,967
Durbin-Watson
339,604
1,866
a. Predictores: (Constante), distancia de transportes

ANOVAa
Suma de
Modelo
1
cuadrados
Regresin
Residuo
Total
Media
gl
cuadrtica
26967439,539
26967439,539
807315,350
115330,764
27774754,889
F
233,827
Sig.
,000b

b. Predictores: (Constante), distancia de transportes
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
B
(Constante)
1
143,858
,382
,025
distancia de
transportes
colinealidad
Sig.
Beta
estndar
182,439
Estadsticas de
,985
1,268
,245
15,291
,000
Tolerancia
VIF
1,000
1,000
ndice de
Autovalor
condicin
distancia de
Modelo
Dimensin
(Constante)
transportes
1,617
1,000
,19
,19
,383
2,055
,81
,81
Desviacin
Mnimo
Valor pronosticado
Residuo
Residuo estndar
Mximo
Media
estndar
333,71
6210,17
1539,89
1836,009
-530,309
606,761
,000
317,670
-,657
2,544
,000
1,000
-1,562
1,787
,000
,935
Al ser eliminada la variable nmero de horas mquinas encontramos que

persiste baja el nivel de significacin y la inflacin de la varianza disminuyo
considerablemente en 1, pudiendo realizarse ahora si el pronstico.
PROBLEMA N 9
tiempoX
1
1984
1985
1986
1987
1988
1989
1990
y
29,0
14,9
23,1
29,8
12,0
23,5
33,6
utilidadX2 variacionX3
3
28
12
9
14
-1
6
31,0
19,0
19,8
21,0
18,7
22,6
26,6
reajusteX
4
29,6
14,9
23,1
29,8
12,0
23,5
33,6
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
reajusteX4,
tiempoX1,
. Intro
utilidadX2,
variacionX3b
a. Variable dependiente: Y

Resumen del modelob
Modelo
1,000a
R cuadrado
1,000
R cuadrado
Error estndar
ajustado
de la estimacin
1,000
,0545
a. Predictores: (Constante), reajusteX4, tiempoX1, utilidadX2, variacionX3

b. Variable dependiente: Y
Durbin-Watson
2,162
ANOVAa
Suma de
Modelo
1
Media
cuadrados
Regresin
Residuo
Total
gl
cuadrtica
378,034
94,509
,006
,003
378,040
Sig.
,000b
31870,972
b. Predictores: (Constante), reajusteX4, tiempoX1, utilidadX2, variacionX3
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
-114,620
26,222
tiempoX1
,058
,013
utilidadX2
,006
variacionX3
reajusteX4
colinealidad
Sig.
Beta
estndar
(Constante)
Estadsticas de
Tolerancia
VIF
-4,371
,049
,016
4,409
,048
,613
1,632
,004
,007
1,659
,239
,389
2,569
-,041
,009
-,024
-4,787
,041
,320
3,130
1,010
,004
1,019
228,707
,000
,395
2,530
ndice de
condicin (Constante) tiempoX1 utilidadX2 variacionX3 reajusteX4
4,486
1,000
,00
,00
,01
,00
,00
,475
3,073
,00
,00
,28
,00
,01
,029
12,534
,00
,00
,35
,00
,72
,011
20,486
,00
,00
,10
,72
,22
1,00
1,00
,28
,27
,05
3,092E-7 3808,688
Desviacin
Mnimo
Valor pronosticado
12,043
Mximo
33,598
Media
23,700
estndar
7,9376
N
7
Residuo
-,0431
,0397
,0000
,0314
-1,469
1,247
,000
1,000
-,792
,730
,000
,577
Residuo estndar
a.
Variable dependiente: Y
Notamos que el nivel de significacin es aceptable para realizar el pronstico

(0%), adems el Durbin Watson es de 2.162, menor a 4 por ello tambin es
aceptable. Los niveles de inflacin de la varianza (VIF) son tambin bajos por
ello se puede realizar el pronstico.
PROBLEMA N 10
gastoY
,43
,31
,32
,46
1,25
,44
,52
,29
1,29
,35
,35
,78
,43
,47
,38
ingresoX
1
2,1
1,1
,9
1,6
6,2
2,3
1,8
1,0
8,9
2,4
1,2
4,7
3,5
2,9
1,4
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
tamaoX2,
ingresox1b
Mtodo
. Intro
a. Variable dependiente: gastoY

Resumen del modelob
tamaoX2
3
4
5
4
4
3
6
5
3
2
4
3
2
3
4
Modelo
Error estndar
ajustado
de la estimacin
R cuadrado
,974a
R cuadrado
,950
,941
Durbin-Watson
,07751
1,177
a. Predictores: (Constante), tamaoX2, ingresox1

b. Variable dependiente: gastoY
ANOVAa
Suma de
Modelo
1
Media
cuadrados
Regresin
Residuo
Total
gl
cuadrtica
1,360
,680
,072
12
,006
1,432
14
Sig.
,000b
113,141

b. Predictores: (Constante), tamaoX2, ingresox1
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
estndar
(Constante)
-,160
,090
ingresox1
,149
,010
tamaoX2
,077
,020
Estadsticas de
t
Sig.
Beta
colinealidad
Tolerancia
VIF
-1,775
,101
1,044
14,915
,000
,857
1,166
,268
3,825
,002
,857
1,166
ndice de
Autovalor
condicin
Modelo
Dimensin
(Constante)
ingresox1
tamaoX2
2,634
1,000
,01
,04
,01
,337
2,797
,01
,65
,05
,029
9,589
,98
,32
,94
Notamos que el nivel de significacin es bajo (0%) , el Durbin Watson es 1.177

con lo cual est dentro del rango aceptable que es hasta los 4, finalmente
notamos que la inflacin de la varianza (VIF) es baja 1.166 es as que no

encontramos problemas de multicolinealidad ni autocorrelacin.
PROBLEMA N 11
temperatura
Y
56
48
60
46
38
46
53
46
44
latitudX1
altitudX2
longitudX3
29,767
32,850
26,933
31,950
34,800
33,450
28,700
32,450
31,800
41
440
25
2851
3840
1461
815
2380
3918
95,367
96,850
97,800
102,183
102,467
99,633
100,483
100,533
106,400
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
Mtodo
longitud de la
estacion, latitud,
altitud en pies
. Intro
a. Variable dependiente: temperatura en F

Resumen del modelob
Modelo
1
R
,992a
R cuadrado
,984
R cuadrado
Error estndar
ajustado
de la estimacin
,974
1,078
a. Predictores: (Constante), longitud de la estacion, latitud, altitud en pies

b. Variable dependiente: temperatura en F
Durbin-Watson
2,887
Coeficientesa
Coeficientes
Coeficientes no
estandariza
Estadsticas de
estandarizados
dos
colinealidad
Error
Modelo
1
(Constante)
estndar
155,595
41,376
-1,938
,274
-,001
-,446
latitud
altitud en pies
longitud de la
estacion
Beta
Sig.
Tolerancia
VIF
3,761
,013
-,719
-7,084
,001
,315
3,179
,001
-,200
-,903
,408
,066
15,119
,366
-,221
-1,218
,278
,098
10,183
Sig.

ANOVAa
Suma de
Modelo
1
cuadrados
Regresin
Residuo
Total
gl
Media cuadrtica
352,413
117,471
5,809
1,162
358,222
101,109
,000b

b. Predictores: (Constante), longitud de la estacion, latitud, altitud en pies
ndice de
Autovalor
condicin
longitud de la
Modelo
Dimensin
(Constante)
3,682
1,000
,00
,00
,00
,00
,315
3,418
,00
,00
,07
,00
,003
37,346
,00
,44
,02
,01
4,182E-5
296,733
1,00
,56
,92
,99
latitud
altitud en pies
estacion
Desviacin
Mnimo
Valor pronosticado
Mximo
Media
estndar
39,17
59,79
48,56
6,637
Residuo
-1,488
,896
,000
,852
-1,414
1,693
,000
1,000
Residuo estndar
-1,380
,831
,000
,791
Notamos el nivel de significacin es bajo (0%), pero la inflacin de la varianza

es de 15.119 y 10.183, excediendo lo permitido encontrando problemas de
multicolinealidad, para ello pasaremos a eliminar la variable con menor
coeficiente estandarizado
que viene a ser la altitud en pies (0.200),
encontrando los siguientes datos ya modificados.
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
longitud de la
Mtodo
. Intro
estacion, latitudb
Resumen del modelob
Modelo
R
,991a
R cuadrado
R cuadrado
Error estndar
ajustado
de la estimacin
,981
,975
Durbin-Watson
1,061
3,000
a. Predictores: (Constante), longitud de la estacion, latitud

b. Variable dependiente: temperatura en F
ANOVAa
Suma de
Modelo
1
cuadrados
Regresin
Residuo
Total
Media
gl
cuadrtica
351,467
175,733
6,756
1,126
358,222
F
156,080
Sig.
,000b
b. Predictores: (Constante), longitud de la estacion, latitud
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
estandarizados
Error
191,461
11,342
latitud
-2,136
,162
-,793
-,757
,121
-,376
estacion
colinealidad
Sig.
Beta
estndar
(Constante)
longitud de la
Estadsticas de
16,881
Tolerancia
VIF
,000
,874
1,144
,001
,874
1,144
,000
13,215
-6,267

ndice de
Autovalor
condicin
longitud de la
Modelo
Dimensin
(Constante)
latitud
estacion
2,996
1,000
,00
,00
,00
,003
30,070
,06
,97
,03
,000
79,407
,94
,03
,97
Desviacin
Mnimo
Valor pronosticado
Mximo
Media
estndar
39,60
59,93
48,56
6,628
Residuo
-1,595
1,377
,000
,919
-1,352
1,716
,000
1,000
Residuo estndar
-1,504
1,297
,000
,866
Con la eliminacin de la variable altitud en pies encontramos que tenemos un

Durbin Watson bajo (3) y la inflacin de la varianza disminuy
considerablemente a 1.44, es as que se puede realizar el respectivo pronstico
con los datos modificados.
PROBLEMA N 12
Tasa de
Potasio
Zinc
respiracin
71
53
55
48
69
84
21
68
68
388
258
292
205
449
331
114
580
622
2414
10693
11682
12560
2464
2607
16205
2005
1825
Regresin
Modelo
1
Variables
Variables
introducidas
eliminadas
zinc, potasio
Mtodo
. Intro
a. Variable dependiente: tasa de respiracion

Resumen del modelob
Modelo
,921
R cuadrado
Error estndar
ajustado
de la estimacin
R cuadrado
a
,848
,798
Durbin-Watson
8,172
2,109
a. Predictores: (Constante), zinc, potasio

b. Variable dependiente: tasa de respiracion
ANOVAa
Suma de
Modelo
1
cuadrados
Regresin
Residuo
Total
Media
gl
cuadrtica
2243,299
1121,649
400,701
66,784
2644,000

b. Predictores: (Constante), zinc, potasio
F
16,795
Sig.
,003b
Coeficientesa
Coeficientes no
Coeficientes
Estadsticas de
estandarizados
estandarizados
colinealidad
Error
Modelo
1
(Constante)
estndar
Beta
101,088
18,866
potasio
-,040
,034
zinc
-,004
,001
Sig.
Tolerancia
VIF
5,358
,002
-,373
-1,178
,283
,252
3,970
-1,225
-3,867
,008
,252
3,970
ndice de
Modelo
Dimensin
Autovalor
condicin
(Constante)
potasio
zinc
2,486
1,000
,00
,01
,01
,501
2,227
,00
,03
,12
,012
14,146
1,00
,96
,87
Desviacin
Mnimo
Valor pronosticado
Mximo
Media
estndar
33,67
77,63
59,67
16,746
-12,665
10,981
,000
7,077
-1,553
1,073
,000
1,000
Residuo estndar
-1,550
1,344
,000
,866
Residuo

Correlaciones
tasa de
respiracion
tasa de respiracion
potasio
,686*
-,902**
,041
,001
-,865**
Sig. (bilateral)
N
potasio
,686
Sig. (bilateral)
,041
zinc
,003
9
zinc
Sig. (bilateral)
N
-,902**
-,865**
,001
,003
*. La correlacin es significativa en el nivel 0,05 (2 colas).

**. La correlacin es significativa en el nivel 0,01 (2 colas).
Notamos que los valores del nivel de significacin (0.3%), el Durbin Watson
(2.109) y la inflacin de la varianza (3.970) son bajos, es decir estn dentro de
sus respectivos rangos para poder realizar el pronstico.
CONCLUSIONES
La finalidad de una ecuacin de regresin es la de estimar los valores de
una variable con base en los valores conocidos de la otra. Del mismo
modo, una ecuacin de regresin explica los valores de una variable en
trminos de otra. Es decir, se puede intuir una relacin de causa y efecto
entre dos o ms variables.
En el proceso de la investigacin estadstica nos encontramos con

algunos problemas en torno a la relacin de las variables, tienen una
relacin dependiente y ello afecta al proceso de la investigacin.
La observacin en torno a los problemas de multicolinealidad y

autocorrelacin es fundamental para realizar los pronsticos, de tal
modo que si se encuentra algn problema con ello no se podrn realizar
estos de forma correcta.
RECOMENDACIONES
El uso de herramientas como el SPSS es fundamental para realizar los
clculos de manera eficiente y segura, con ello podremos obtener
resultados que nos ayudan a obtener los pronsticos deseados.
Se debe verificar los datos que arroja el SPSS, verificar que el Durbin
Watson no excede a las 4 unidades, caso contrario estaramos
incurriendo en un problema de autocorrelacin, tambin verificar la
inflacin de la varianza conocido como VIF, la cual debe ser mximo
hasta 5 unidades y as evitaremos incurrir en problemas de
multicolinealidad.
Ante un problema de multicolinealidad o de autocorrelacin, se
recomienda eliminar una variable (la que tiene menor valor) con el
anlisis respectivo, para cada problema; con ello podremos realizar
nuestros pronsticos sin problemas.
BIBLIOGRAFA
Jhon E. Freund. 2000 Estadstica matemtica con aplicaciones 6ta edicin.

Levine M. David, 2006. Estadstica para Administracin 4ta edicin, edit.
Person.
Thomas A. Williams, 2008. Estadstica para administracin y economa 10ma
edicin.
http://www.psicothema.com/pdf/181.pdf
http://www.ugr.es/~romansg/material
http://www.uv.es/uriel/material/multicolinealidad3.pdf

Regresión Lineal Múltiple, Pronósticos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Regresión Lineal Múltiple, Pronósticos

Încărcat de

Drepturi de autor:

Formate disponibile

1 DE NOVIEMBRE DE 2014

Este trabajo se lo dedico a mis padres, ya

Donde los coeficientes b0 y b1 son parmetros que definen la posicin e

Uno de los puntos ms importantes en el modelo de regresin, en general, es

Y: Valores observados en la muestra

m : Nmero de variables independientes

El problema de multicolinealidad en un modelo de regresin simple es que los

PREGUNTAS DEL INFORME

las variables independientes. Si la dependiente no aparenta ser lineal,

incluir en el modelo cualquier cosa que tengamos en una base de datos.

relacionadas y ambas son incluidas en un modelo, muy posiblemente ninguna

3. Causas para asumir que existe colinealidad o multicolinealidad

Consiste en la existencia de relaciones lineales entre dos o ms variables

4. Si tenemos el caso de multicolinealidad cmo construimos

Mejora del diseo muestral extrayendo la informacin mxima de la

En caso de disponer de pocas observaciones, aumentar el tamao de la

Luego nos dirigimos a analizar, regresin, lineal para obtener el cuadro de

Despus pasaremos a escoger la opcin estadsticos donde se

Estos son los resultados que obtendremos.

a. Variables predictoras: (Constante), Antiguedad del edificio, en aos, Numero de accesos,

a. Variable dependiente: Valor de tasacin del edificio de oficinas

a. Variable dependiente: Valor de tasacin del edificio de oficinas

condicin (Constante) en metros

a. Variable dependiente: Valor de tasacin del edificio de oficinas

Estadsticos sobre los residuosa

Valor pronosticado tip.

a. Variable dependiente: Valor de tasacin del edificio de oficinas

Para saber si hay problema de multicolinealidad nos percataremos en la

Por ello nos dirigiremos a analizar el cuadro de coeficientes.

a. Variable dependiente: Valor de tasacin del edificio de oficinas

En este caso la inflacin de la varianza es de 1,657; 1,112; 1,731; 1,078 es

5. Evale los ejercicios de la separata y construya el modelo

b. Todas las variables solicitadas introducidas.

Resumen del modelob

a. Predictores: (Constante), fabricacion X2, fabricacion x1

a. Variable dependiente: circuitos electricos Y

b. Predictores: (Constante), fabricacion X2, fabricacion x1

a. Variable dependiente: circuitos electricos Y

Valor pronosticado estndar

a. Variable dependiente: circuitos electricos Y

a. Variable dependiente: circuitos electricos Y

Al verificar la significacin vemos que es de 0.8% por lo cual no existe

b. Todas las variables solicitadas introducidas.

Resumen del modelob

a. Predictores: (Constante), contenido de humedad, gravedad especifica

a. Variable dependiente: fuerza

a. Variable dependiente: fuerza

Valor pronosticado estndar

a. Variable dependiente: fuerza

*. La correlacin es significativa en el nivel 0,05 (2 colas).

a. Variable dependiente: fuerza

Al verificar la significacin vemos que es de 3.7% por lo cual no existe

Resumen del modelob

a. Predictores: (Constante), numero de telefonos por mil habitantes, numero de automoviles

a. Variable dependiente: consumo

a. Variable dependiente: consumo

Valor pronosticado estndar

a. Variable dependiente: consumo

a. Variable dependiente: consumo

a. Predictores: (Constante), numero de telefonos por mil habitantes

telefonos por mil

a. Variable dependiente: consumo

Valor pronosticado estndar