Anlisis de regresin: Salario vs.

Sexo, Publicacin, Aos

La ecuacin de regresin es Salario = 56.1 - 1.75 Sexo + 2.14 Publicacin + 1.70 Aos

Anlisis de varianza

H0:i=0 (i=1,2,3) Ha: i0 (i=1,2,3)

Fuente Regresin Error residual Total GL 3 31 34 SC 5487.2 621.4 6108.6 MC 1829.1 20.0 F 91.25 P 0.000

Pruebas Individuales

H0:1=0 H0:2=0 H0:3=0 Ha: 10 Ha: 20 Ha: 30

Predictor Constante Sexo Publicacin Aos Coef 56.077 -1.754 2.1404 1.7005 Coef. de EE 3.515 1.607 0.4862 0.1736 T 15.95 -1.09 4.40 9.80 P 0.000 0.283 0.000 0.000 VIF 1.104 1.500 1.625

S = 4.47715

R-cuad. = 89.8%

R-cuad.(ajustado) = 88.8%

Observaciones poco comunes

R denota una observacin con un residuo estandarizado grande. Prueba de falta de ajuste

H0: La relacin es lineal. Ha: La relacin no es lineal.

Posible curvatura en la variable Publicac Posible curvatura en la variable Aos (Valor P = 0.033 )

(Valor P = 0.002 )

La prueba general de falta de ajuste es significativa en P = 0.002

Grficas de residuos para Salario

Anlisis de regresin: 1/S vs. 1/P, 1/A, 1/SX

La ecuacin de regresin es 1/S = 0.00899 + 0.0105 1/P + 0.0115 1/A - 0.000580 1/SX

Anlisis de varianza

Fuente Regresin Error residual Total

GL 3 31 34

SC 0.000147840 0.000017813 0.000165653

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

Grficas de residuos para 1/S

Anlisis de regresin: S^2 vs. P^2, A^2, SX^2

La ecuacin de regresin es S^2 = 4760 + 32.5 P^2 + 10.9 A^2 - 140 SX^2 Coef. Anlisis de varianza Fuente P Regresin 0.000 Error residual Total GL 3 31 34 SC 130842232 28633124 159475356 MC 43614077 923649 F 47.22

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

(Valor P = 0.029 ) (Valor P = 0.000 )

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

Grficas de residuos para S^2

Anlisis de regresin: LNS vs. LNP, LNA, LNSX

La ecuacin de regresin es LNS = 3.77 + 0.137 LNP + 0.192 LNA - 0.0214 LNSX

Predictor Constante LNP LNA LNSX

Coef 3.77272 0.13714 0.19158 -0.02135

Coef. de EE 0.03516 0.02373 0.01481 0.02209

T 107.29 5.78 12.94 -0.97

P 0.000 0.000 0.000 0.341

VIF 1.603 1.722 1.103

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).

Grficas de residuos para LNS

Anlisis de regresin: SQRTS vs. SQRTP, SQRTA, SQRTSX

La ecuacin de regresin es SQRTS = 6.19 + 0.532 SQRTP + 0.608 SQRTA - 0.181 SQRTSX

Anlisis de varianza

H0:i=0 (i=1,2,3) Ha: i0 (i=1,2,3)

Fuente Regresin Error residual Total GL 3 31 34 SC 17.9065 1.3371 19.2436 MC 5.9688 0.0431 F 138.39 P 0.000

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

H0:1=0 H0:2=0 H0:3=0 Ha: 10 Ha: 20 Ha: 30

Predictor VIF Constante SQRTP 1.565 SQRTA 1.693 Coef 6.1867 0.5320 0.60769 Coef. de EE 0.3118 0.1045 0.05075 T 19.84 5.09 11.97 P 0.000 0.000 0.000

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

R denota una observacin con un residuo estandarizado grande.

Prueba de falta de ajuste

H0: La relacin es lineal. Ha: La relacin no es lineal.

Posible curvatura en la variable SQRTP (Valor P = 0.062 )

La prueba general de falta de ajuste es significativa en P = 0.062

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.

Grficas de residuos para SQRTS

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.