1.

- Análisis de correlación

Correlaciones

Número de años Deuda de

Edad en Level of Años de trabajo viviendo en la dirección Ingreso del Proporción deuda / tarjeta de Otras
años education en la empresa actual Hogar en miles ingreso (x100) crédito deudas

Edad en años Correlación de 1 ,013 ,554** ,600** ,476** ,008 ,279** ,338**
Pearson

Sig. (bilateral) ,705 ,000 ,000 ,000 ,810 ,000 ,000

N 850 850 850 850 850 850 850 850

Level of education Correlación de ,013 1 -,151** ,053 ,218** ,008 ,099** ,141**
Pearson
Sig. (bilateral) ,705 ,000 ,123 ,000 ,815 ,004 ,000
N 850 850 850 850 850 850 850 850
Años de trabajo en la Correlación de ,554** -,151** 1 ,345** ,625** -,034 ,382** ,414**
empresa Pearson
Sig. (bilateral) ,000 ,000 ,000 ,000 ,327 ,000 ,000
N 850 850 850 850 850 850 850 850
Número de años viviendo Correlación de ,600** ,053 ,345** 1 ,308** -,033 ,162** ,185**
en la dirección actual Pearson
Sig. (bilateral) ,000 ,123 ,000 ,000 ,337 ,000 ,000
N 850 850 850 850 850 850 850 850
Ingreso del Hogar en Correlación de ,476** ,218** ,625** ,308** 1 -,036 ,552** ,603**
miles Pearson
Sig. (bilateral) ,000 ,000 ,000 ,000 ,300 ,000 ,000
N 850 850 850 850 850 850 850 850
Proporción deuda / Correlación de ,008 ,008 -,034 -,033 -,036 1 ,515** ,573**
ingreso (x100) Pearson
Sig. (bilateral) ,810 ,815 ,327 ,337 ,300 ,000 ,000
 N 850 850 850 850 850 850 850 850
Deuda de tarjeta de Correlación de ,279** ,099** ,382** ,162** ,552** ,515** 1 ,645**
crédito Pearson
Sig. (bilateral) ,000 ,004 ,000 ,000 ,000 ,000 ,000
N 850 850 850 850 850 850 850 850
Otras deudas Correlación de ,338** ,141** ,414** ,185** ,603** ,573** ,645** 1
Pearson

Sig. (bilateral) ,000 ,000 ,000 ,000 ,000 ,000 ,000

N 850 850 850 850 850 850 850 850

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

Se observa que no hay una correlación e entre las variables (el r de Pearson en todos los casos es muy bajo, cerno a cero, y el P_ valor es también menor
que 0.05 y aceptando la Hipótesis nula). Se trata de variables independientes.

2.- Modelos de regresión líneal múltiple

Variables introducidas/eliminadasb

Variables Variables
Modelo introducidas eliminadas Método
1 Otras deudas, . Introducir
Número de
años viviendo
en la dirección
actual, Años de
trabajo en la
empresa,
Proporción
deuda / ingreso
(x100), Deuda
de tarjeta de
crédito, Edad
en años

a. Todas las variables solicitadas introducidas.

b. Variable dependiente: Ingreso del Hogar en miles

Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación

1 ,851a ,725 ,723 20,28653

a. Variables predictoras: (Constante), Otras deudas, Número de años

viviendo en la dirección actual, Años de trabajo en la empresa, Proporción
deuda / ingreso (x100), Deuda de tarjeta de crédito, Edad en años

ANOVAb
 Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión 914315,265 6 152385,877 370,279 ,000a

Residual 346931,116 843 411,543

Total 1261246,381 849

a. Variables predictoras: (Constante), Otras deudas, Número de años viviendo en la dirección

actual, Años de trabajo en la empresa, Proporción deuda / ingreso (x100), Deuda de tarjeta de
crédito, Edad en años
b. Variable dependiente: Ingreso del Hogar en miles

Coeficientesa

Coeficientes
Coeficientes no estandarizados tipificados

Modelo B Error típ. Beta t Sig.

1 (Constante) 26,447 3,764 7,026 ,000

Edad en años ,344 ,123 ,072 2,785 ,005

Años de trabajo en la 1,019 ,139 ,179 7,351 ,000
empresa

Número de años viviendo ,101 ,126 ,018 ,802 ,423

en la dirección actual

Proporción deuda / ingreso -3,164 ,144 -,552 -22,021 ,000

(x100)

Deuda de tarjeta de crédito 6,740 ,459 ,372 14,697 ,000

Otras deudas 6,550 ,316 ,578 20,749 ,000

a. Variable dependiente: Ingreso del Hogar en miles

Y=26.447+0.344X1+1.019X2+0.101X3-3.164X4+6.740X5+6.550X6

3.- Modelo de regresión no líneal

Generamos gráficamente la relación entre pares de variables y apreciar un modelo (si existiese):
Al ser variables independientes m se tiene:
Y = 0X1
4.- Serie de tiempo de la variable ventas

Descripción del modelo

Tipo de modelo

ID del modelo Ventas Modelo_1 Simple

Ajuste del modelo

Percentil

Estadístico de ajuste Media ET Mínimo Máximo 5 10 25 50 75 90 95

R-cuadrado estacionaria ,102 . ,102 ,102 ,102 ,102 ,102 ,102 ,102 ,102 ,102
R-cuadrado ,665 . ,665 ,665 ,665 ,665 ,665 ,665 ,665 ,665 ,665
RMSE 1120,014 . 1120,014 1120,014 1120,014 1120,014 1120,014 1120,014 1120,014 1120,014 1120,014
MAPE 8,476 . 8,476 8,476 8,476 8,476 8,476 8,476 8,476 8,476 8,476
MaxAPE 80,889 . 80,889 80,889 80,889 80,889 80,889 80,889 80,889 80,889 80,889
MAE 805,501 . 805,501 805,501 805,501 805,501 805,501 805,501 805,501 805,501 805,501
MaxAE 4502,264 . 4502,264 4502,264 4502,264 4502,264 4502,264 4502,264 4502,264 4502,264 4502,264
BIC normalizado 14,095 . 14,095 14,095 14,095 14,095 14,095 14,095 14,095 14,095 14,095

Estadísticos del modelo

Estadísticos de
ajuste del
modelo Ljung-Box Q(18)

Número de R-cuadrado Número de

Modelo predictores estacionaria Estadísticos GL Sig. valores atípicos

Ventas-Modelo_1 0 ,102 20,790 17 ,236 0