Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Anlisis de varianza
Pruebas Individuales
S = 4.47715
R-cuad. = 89.8%
R-cuad.(ajustado) = 88.8%
R denota una observacin con un residuo estandarizado grande. Prueba de falta de ajuste
(Valor P = 0.002 )
Anlisis de varianza
GL 3 31 34
MC 0.000049280 0.000000575
F 85.76
P 0.000
Pruebas Individuales Predictor Constante 1/P 1/A 1/SX Coef 0.0089861 0.010500 0.011549 -0.0005798 Coef. de EE 0.0005772 0.001711 0.001406 0.0005378 T 15.57 6.14 8.21 -1.08 P 0.000 0.000 0.000 0.289 VIF 1.487 1.538 1.079
S = 0.000758039
R-cuad. = 89.2%
R-cuad.(ajustado) = 88.2%
Sin rplicas. No se puede hacer la prueba de error puro. Fuente 1/P 1/A 1/SX GL 1 1 1 SC sec. 0.000104920 0.000042252 0.000000668
Observaciones poco comunes Obs 8 14 31 1/P 0.385 0.313 0.182 1/S 0.017094 0.015625 0.015314 Ajuste 0.018219 0.013997 0.016380 Ajuste SE 0.000479 0.000241 0.000535 Residuo -0.001125 0.001628 -0.001066 Residuo estndar -1.92 X 2.27R -1.98 X
R denota una observacin con un residuo estandarizado grande. X denota una observacin cuyo valor X le concede gran influencia. Prueba de falta de ajuste Posible curvatura en la variable 1/A
(Valor P = 0.000 )
Posible falta de ajuste en los valores externos de X (Valor P = 0.000) La prueba general de falta de ajuste es significativa en P = 0.000
Pruebas Individuales Predictor Constante P^2 A^2 SX^2 S = 961.067 Coef 4759.5 32.472 10.928 -139.7 de EE 431.1 8.844 1.552 114.7 T 11.04 3.67 7.04 -1.22 P 0.000 0.001 0.000 0.232 VIF 1.390 1.505 1.098
R-cuad. = 82.0%
R-cuad.(ajustado) = 80.3%
Sin rplicas. No se puede hacer la prueba de error puro. Fuente P^2 A^2 SX^2 GL 1 1 1 SC sec. 74564371 54907427 1370434
Observaciones poco comunes Obs 4 P^2 77.4 S^2 9293 Ajuste 11506 Ajuste SE 413 Residuo -2213 Residuo estndar -2.55R
R denota una observacin con un residuo estandarizado grande. Prueba de falta de ajuste Posible curvatura en la variable P^2 Posible curvatura en la variable A^2
Posible falta de ajuste en los valores externos de X (Valor P = 0.014) La prueba general de falta de ajuste es significativa en P = 0.000
S = 0.0426901
R-cuad. = 94.2%
R-cuad.(ajustado) = 93.7%
Sin rplicas. No se puede hacer la prueba de error puro. Fuente LNP LNA LNSX GL 1 1 1 SC sec. 0.58236 0.34122 0.00170
Observaciones poco comunes Obs 14 LNP 1.16 LNS 4.15888 Ajuste 4.24056 Ajuste SE 0.01428 Residuo -0.08168 Residuo estndar -2.03R
R denota una observacin con un residuo estandarizado grande. No hay evidencia de falta de ajuste (P >= 0.1).
La ecuacin de regresin es SQRTS = 6.19 + 0.532 SQRTP + 0.608 SQRTA - 0.181 SQRTSX
Anlisis de varianza
En el anlisis de la varianza se rechaza H0 con un nivel de significancia del 95%, debido a que el p-valor es de 0.000 lo cual significa que al menos una de las variables del modelo sirven para predecir el salario. Por lo cual se procede a las pruebas individuales para ver que variables en especfico nos sirven.
Pruebas Individuales
Para esta parte se hace una prueba con cada variable en la cual se rechaza H0 con un nivel de significancia del 95%, si el p-valor es menor a .05 y se acepta cuando es mayor. Como podemos
observar todas las variables nos arrojan un p-valor de 0.000, lo cual significa que todas las variables de este modelo nos sirven.
S = 0.207683 R-cuad. = 93.1% R-cuad.(ajustado) = 92.4%
La R-cuadrada y la R-cuadrada ajustada nos indican que tan efectivo es el modelo, en este caso su confianza es de 92.4%, lo cual significa que el modelo es muy bueno y mejor que el primer modelo que se present que tena una R-cuadrada de 88.8%.
Sin rplicas. No se puede hacer la prueba de error puro. Fuente SQRTP SQRTA SQRTSX GL 1 1 1 SC sec. 10.8326 7.0303 0.0437
Observaciones poco comunes Obs 4 5 SQRTP 2.97 2.26 SQRTS 9.8184 9.3648 Ajuste 10.3014 8.9258 Ajuste SE 0.0718 0.0505 Residuo -0.4831 0.4390 Residuo estndar -2.48R 2.18R
El p-valor de esta prueba nos indica que se acepta H0 con un nivel de significancia del 95%, ya que este es mayor a 0.05. Esto significa que este modelo tiene una relacin lineal que es lo que queremos.
Finalmente, al comprobar los supuestos con ayuda de las grficas de los residuos vs. Los valores ajustados, podemos observar que los datos siguen una distribucin lineal (Grficos de la derecha) ya que en la grfica de probabilidad normal los puntos se encuentran muy cerca de la recta y en el histograma se puede distinguir una campana de Gauss. El grfico de vs. Ajustes (Grfico superior derecho) nos muestra que hay homocedasticidad de los errores ya que los puntos se distribuyen en una banda y no se observan conos. Y la grfica del orden de observaciones nos muestra que hay independencia entre los datos, ya que estos se encuentran distribuidos de forma creciente y decreciente.