ANÁLISIS PARA X1 A Y1

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

Madres analfabetas (en %)

INEI Mort. Inf Fitted values

Gráfico n° 1. Muestra dispersión que existe entre los datos de x1 y y1

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

y1 Coef. Std. Err. t P>|t| [95% Conf. Interval]

x1 1.550811 .4225725 3.67 0.003 .6444835 2.457139

_cons 4.814578 13.58161 0.35 0.728 -24.31509 33.94425

Tabla n° 2. Muestra la relación que existe entre la variable dependiente y1 y la independiente x1

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

Source SS df MS Number of obs =

F(1, 14) = 13
Model 9040.45497 1 9040.45497 Prob > F = 0.0
Residual 9397.29503 14 671.235359 R-squared = 0.4
Adj R-squared = 0.4
Total 18437.75 15 1229.18333 Root MSE = 25.
Tabla n° 3. Muestra la ANOVA entre la variable dependiente
y1 y la independiente x1

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

Economía promedio de ingreso

INEI Mort. Inf Fitted values

Gráfico n° 2. Muestra dispersión que existe entre los datos de x2 y y1

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

Tabla n° 4. Muestra correlación entre la

variable dependiente y1 y la independiente x2

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

Source SS df MS Number of obs = 16

F(1, 14) = 2.34
Model 2641.92127 1 2641.92127 Prob > F = 0.1482
Residual 15795.8287 14 1128.27348 R-squared = 0.1433
Adj R-squared = 0.0821
Total 18437.75 15 1229.18333 Root MSE = 33.59

y1 Coef. Std. Err. t P>|t| [95% Conf. Interval]

x2 -.5922594 .387043 -1.53 0.148 -1.422384 .2378653

_cons 86.7517 26.29294 3.30 0.005 30.35895 143.1445
Tabla n° 5. Muestra la relación que existe entre la variable dependiente y1 y la independiente x2

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

Source SS df MS Number of obs =

F(1, 14) =
Model 2641.92127 1 2641.92127 Prob > F =
Residual 15795.8287 14 1128.27348 R-squared =
Adj R-squared =
Total 18437.75 15 1229.18333 Root MSE =
Tabla n° 6. Muestra la ANOVA entre la variable dependiente y1 y la
independiente x1

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.