Captulo 1

Prcticas y problemas de regresin

lineal mltiple.

1.1. Problemas de regresin lineal mltiple con ordenador.

Problema 5.1.
El chero problema-5-1 contiene datos relativos a variables de coches. Se pide:

1. Ajustar un modelo de regresin mltiple con variable respuesta millas por galn
(inversa del consumo) y regresoras: precio, peso y desplazamiento.

2. Son todas las variables signicativas (contraste invidual de la t)?

3. Cul es el coeciente de determinacin?, cul es el coeciente de correlacin mlti-

ple?

4. Tabla ANOVA. Qu conclusiones se obtienen de esta tabla (contraste conjunto de la

F )? qu indican los contrastes individuales de la F ? estos contrastes tienen alguna
relacin con los contrastes inviduales de la t?

5. Analizar los residuos del modelo ajustado: estudio descriptivo y grco de los resid-
uos. Se verican las hiptesis del modelo (homocedasticidad, normalidad)? mejora
el modelo si se introduce la variable aceleracin?

6. Qu indican los grcos de efectos de las componentes?

7. Analizar la hiptesis de multicolinealidad.

8. Analizar la hiptesis de independencia.

9. Repetir este mismo problema pero utilizando solamente los datos relativos a coches
de origen USA, Cambian las conclusiones de los apartados anteriores?

1
2 Modelos estadsticos aplicados. Juan Vilar

Desarrollo del Problema 5.1.

Utilizando el Statgraphics se utiliza el siguiente mdulo que proporciona un anlisis
muy completo con mucha informacin:

dependencia > regresion multiple

Los resultados del apartado resumen del procedimiento permite responder a las
preguntas de los cuatro primeros apartados de este problema:
? Proporciona el modelo estimado y la tabla ANOVA, se deduce que todas las variables
son signicativas y el contraste conjunto de la F indica que el modelo es signicativo.
? Calcula los coecientes de determinacin y correlacin.
? Obtiene el contraste de Durbin-Watson que indica que la primera autocorrelacin de
los residuos es cero.
En el apartado informes se obtienen los valores de las predicciones y de los residuos.
Si se quieren calcular predicciones para un valor de x
~ determinado se debe introducir este
vector como un dato muestral (sin Y ).
En el apartado residuos atipicos se observa que las observaciones 145 y 147 presentan
residuos altos.
En el apartado puntos influyentes se pueden estudiar las observaciones que pueden
ser inuyentes en el clculo del modelo.
Este mdulo proporciona muchos grcos de inters:
? Los grcos de efectos de las componentes indican la importancia de las tres regre-
soras.
? Los diferentes grcos de residuos permiten obtener conclusiones acerca de las hipte-
sis del modelo.
La hiptesis de multicolinealidad puede estudiarse en:
! El apartado matriz de correlaciones valores grandes de esta matriz (valores
fuera de la diagonal prximos a "1) indican la posible existencia de multicolinealidad.
! La matriz de correlaciones de las variables regresoras R; puede calcularse en el
apartado (tambin se obtiene la matriz de correlaciones parciales y un grco matricial)
descripcion > datos numericos > analisis multidimensional.
! En todo caso es conveniente calcular la diagonal de R!1 y el ndice de condicionamien-
to de R:
Se guardan las predicciones y los residuos estandarizados y/o estudentizados y se
pueden estudiar las hiptesis de normalidad, homocedasticidad e independencia.
? Utilizando los residuos estandarizados la normalidad se estudia en el mdulo:

descripcion > distribuciones > ajuste de distribuciones (datos no

censurados)
Prcticas y problemas de regresin lineal mltiple. 3

? Tambin es de inters el grco de normalidad

graficos > graficos exploratorios > grafico probabilistico

La hiptesis de homocedasticidad se puede observar:

? En el grco de residuos frente a predicciones.
? Un estudio ms completo sobre esta hiptesis se puede hacer como sigue: se ordena
el chero segn las predicciones de menor a mayor; se hacen clases (cada una de tamao
aproximado a diez) y se utiliza el modelo de diseo de experimentos de una va siendo la
variable dependiente los residuos y el factor las clases creadas; entonces utilizar los
contrastes de homocedasticidad de este modelo.
? El ajuste de las desviaciones tpicas de los residuos estandarizados en cada clase
frente a la media de las predicciones es til para estudiar la homocedasticidad, adems
indica la forma de transformar el modelo si se supone que hay heterocedasticidad.
? Si se sospecha que la heterocedasticidad puede ser causada por una regresora se
puede repetir el anlisis anterior pero haciendo residuos frente a regresora en lugar de
frente a las predicciones.
La hiptesis de independecia se estudia en el mdulo

avanzado > analisis series temporales > metodos descriptivos

Problema 5.2.
Con los datos del chero problema-5-1 estudiar la regresin de la variable respuesta
millas por galn (inversa del consumo) respecto a las variables regresoras: precio, peso,
desplazamiento, potencia (caballos de vapor) aceleracin y nmero de cilindros.

1. Utilizando el algoritmo de regresin paso a paso obtener las regresoras que deben
entrar en el modelo.

2. Utilizando diferentes medidas de bondad de ajuste indicar el mejor modelo de regre-

sin.

3. Trabajando con el modelo de regresin lineal seleccionado en el apartado anterior

los estimadores contrados proporcionan mejores resultados que los estimadores por
mnimos cuadrados?

4. Introduciendo algn trmino cuadrtico se puede mejorar el modelo de regresin

lineal?

5. Estudiar el modelo de regresin lineal simple de la variable respuesta millas por

galn respecto al peso pero teniendo en cuenta el origen (variables atributo o
dumping) .
4 Modelos estadsticos aplicados. Juan Vilar

Desarrollo del Problema 5.2.

Utilizando el opciones del analisis se calcula la regresin paso a paso en el mdulo

dependencia > regresion multiple

Para seleccionar un modelo de regresin utilizar el anlisis

avanzado > regresion avanzada > seleccion del modelo de regresion

El estudio de la regresin contrada (ridge regression) se hace en el mdulo

avanzado > regresion avanzada > regresion en cadena

El apartado 5 es un problema de regresin lineal con una variable regresora atributo

y se estudia en el apartado

avanzado > regresion avanzada > comparacion de rectas de regresion

Introduciendo en el campo codes level=origin y en la ventana de resultados del

opciones del analisis se puede elegir si las rectas ajustadas tienen igual pendiente y/o
constante segn submuestra.

Problema 5.3. (Regresion No Lineal)

En el chero Problema-5-3 contiene 44 datos de dos variables relativas a la cantidad
de cloro presente en unas muestras de agua sometidas a un proceso qumico en relacin
con el tiempo transcurrido medido en semanas.

1. Dibujar el grco de la nube de observaciones y calcular el ajuste lineal o linealizable

que explique la variable Y =Cloro como funcin de la variable X =Semanas
(tiempo).

2. Utilizando el algoritmo iterativo de Kalman ajustar por mnimos cuadrados la fun-

cin de regresin
! "
Y = )1 + 00 49 # )1 exp (#)2 (X # 8)) ;

siendo los valores iniciales de los parmetros: )1 = 00 2 y )2 = 00 3, estos valores son

necesarios para comenzar el algoritmo. Representar la nube muestral y la funcin de
regresin no lineal estimada. Es bueno el ajuste obtenido?

Desarrollo del Problema 5.3.

Los problemas de regresin no lineal se estudian en el mdulo

avanzado > regresion avanzada > regresion no lineal

Los resultados que calcula este mdulo son similares a los que se obtienen en el ajuste
de un modelo de regresin lineal.
Prcticas y problemas de regresin lineal mltiple. 5

1.2. Problema resuelto de regresin lineal mltiple.

Problema 5.4. Se quiere ajustar un modelo que permita estimar los gastos en al-
imentacin de una familia (Y ) en base a la informacin que proporcionan las variables
regresoras X1 =ingresos mensuales y X2 =nmero de miembros de la familia. Para ello
se recoge una muestra aleatoria simple de 15 familias cuyos resultados son los de la tabla
adjunta. (El gasto e ingreso est dado en cientos de miles de pesetas)
Gasto Ingreso Tamao Gasto Ingreso Tamao
00 43 20 1 3 10 29 80 9 3
00 31 10 1 4 00 35 20 4 2
00 32 00 9 5 00 35 10 2 4
00 46 10 6 4 00 78 40 7 3
10 25 60 2 4 00 43 30 5 2
00 44 20 3 3 00 47 20 9 3
00 52 10 8 6 00 38 10 4 4
00 29 10 0 5
Solucin Problema 5.4.
Los datos en forma matricial:
0 1 0 1
00 43 1 20 1 3
B 00 31 C B 1 10 1 4 C
B C B C
B C B C
B 00 32 C B 1 00 9 5 C
B C B C
B 00 46 C B 1 10 6 4 C
B C B C
B 10 25 C B 1 60 2 4 C
B C B C
B C B C
B 00 44 C B 1 20 3 3 C0 1
B C B C
B 00 52 C B 1 10 8 6 C )0
B C B CB
Y=B 00 29 C = X~ "=B
!+~ 1 10 0 5 C @ )1 C
A+~
"
B C B C
B 10 29 C B 1 80 9 3 C )
B C B C 2
B C B C
B 00 35 C B 1 20 4 2 C
B C B C
B 00 35 C B 1 10 2 4 C
B C B C
B 00 78 C B 1 40 7 3 C
B C B C
B C B C
B 00 43 C B 1 30 5 2 C
B C B C
@ 00 47 A @ 1 20 9 3 A
00 38 1 10 4 4
Con estos datos se obtiene

P P P
n = 15; x1i = 42; x2i = 55; yi = 80 070;
P P P
x21i = 1880 08; x1i x2i = 1400 80; yi x1i = 320 063;
P P
x22i = 2190 00; yi x2i = 280 960:
6 Modelos estadsticos aplicados. Juan Vilar

Por tanto
0 1 0 1
15 420 00 550 00 80 070
B C B C
S = Xt X = @ 42 1880 08 1400 80 A T = @ 320 063 A :
55 1400 80 2190 00 280 960
De donde
0 1!1 0 1
15 420 00 550 00 80 070
B C B C
~ = S!1 T = @ 42 1880 08 1400 80 A @ 320 063 A =
!
55 1400 80 2190 00 280 960
0 10 1 0 1
10 360 #00 092 #00 282 80 070 #00 160
B CB C B C
~ = S!1 T = @ #00 092
! 00 016 00 013 A @ 320 063 A = @ 00 149 A
#00 282 00 013 00 067 280 960 00 077
El modelo de regresin lineal que se obtiene es:

Gasto = #00 160 + 00 149 $ Ingreso + 00 077 $ T ama~

no + error:

A partir de esta ecuacin se obtienen las predicciones y los residuos asociados a las
observaciones muestrales.
Para la primera observacin (x1 = 20 1; x2 = 3; y = 00 43) se obtiene

y^1 = #00 160 + 00 149 $ 20 1 + 00 077 $ 3 = 00 3839;

e1 = y1 # y^1 = 00 43 # 00 3839 = #00 0461:

Razonando as en todos los puntos muestrales se obtienen las siguientes predicciones
y residuos:
Predicciones Residuos
0 0 0
0 38 0 41 0 33 #0 046 #00 028 #00 024
0

00 31 00 57 00 77 00 001 00 048 #00 011

00 36 00 37 00 51 00 038 00 083 00 084
00 39 10 39 00 50 #00 075 00 104 00 032
0 0 0
1 07 0 35 0 36 0
#0 180 0 000 #00 025
0

Se calcula la scR X
scR = e2i = 00 0721

s^2R = 00 0060 ) s^R = 00 0775

Una forma ms fcil de calcular la scR es la siguiente
X X X X
et ~
~ e = Y ~ tY # !^ t Xt Y = yi2 # )0 yi # ) 1 yi x1i # )2 yi x2i =
0
! 0 " 0 0 0 0 0
= 5 7733 # #0 160 $ 8 070 # 0 149 $ 32 063 # 0 077 $ 28 960:
Prcticas y problemas de regresin lineal mltiple. 7

Intervalos de conanza de los parmetros del modelo al 90 %,

Para la varianza 9 2 ;
(n # (k + 1)) s^2R 2 12 $ 00 0060
& ;n!(k+1) ) & ;212 ;
92 92

! " 00 072 ! "

;212 00 05 = 50 2253 ' 2
' 210 0298 = ;212 00 95 ;
9
0 0 072 00 072
00 0034 = ' 9 2
' = 00 0138:
210 0298 50 2253

Varianza de los estimadores del modelo,

0 1
10 360 #00 092 #00 282
! "!1 B C
!) = 9 2 Xt X
V ar (^ ( 00 0060 $ @ #00 092 00 016 00 013 A ;
#00 282 00 013 00 067

de donde

)0 ) = s^2R q00 = 00 0060 $ 10 360 = 00 00816 ) 9 (^

V ar (^ )0 ) = 00 0903;
)1 ) = s^2R q11 = 00 0060 $ 00 0166 = 00 000099 ) 9 (^
V ar (^ )1 ) = 00 0099
)2 ) = s^2R q22 = 00 0060 $ 00 067 = 00 00040 ) 9 (^
V ar (^ )2 ) = 00 0201:

Intervalo de conanza para )0 ;

)
^ 0 # )0 #00 160 # )0
p & tn!(k+1) ) & t12 ;
s^R q00 00 0903

! " ! "
t12 00 05 $ 00 0903 ' #00 160 # )0 ' t12 00 95 $ 00 0903 = 10 783 $ 00 0903 = 00 161;
#00 321 = #00 160 # 00 161 ' )0 ' #00 160 + 00 161 = 00 001:

Intervalo de conanza para )1 (ingreso),

)
^ 1 # )1 00 149 # )1
p & tn!(k+1) ) & t12 ;
s^R q11 00 0099

! " ! "
t12 00 05 $ 00 0099 ' 00 149 # )1 ' t12 00 95 $ 00 0099 = 10 783 $ 00 0099 = 00 0176;
00 1314 = 00 149 # 00 0176 ' )1 ' 00 149 + 00 0176 = 00 1666:
8 Modelos estadsticos aplicados. Juan Vilar

Contraste individual de la t; H0 * )1 = 0; la variable ingreso no inuye.

)
^1 00 149
t^1 = p & tn!(k+1) ) t^1 = 0 = 150 050 & t12 ;
s^R q11 0 0099

p1 = 00 000 ) Se Rechaza H0 :

Intervalo de conanza para )2 (tamao)

)
^ 2 # )2 00 077 # )2
p 2 tn!(k+1) ) ;
s^R q22 00 0201

! " ! "
t12 00 05 $ 00 0201 ' 00 077 # )2 ' t12 00 95 $ 00 0201 = 10 783 $ 00 0201 = 00 0358;
00 0412 = 00 077 + 00 0358 ' )2 ' 00 077 + 00 0358 = 00 1128:

Contraste individual de la t; H0 * )2 = 0; la variable tamao no inuye.

)
^2 00 077
t^2 = p & tn!(k+1) ) t^2 = 0 = 30 831;
s^R q22 0 0201

p2 = 00 0012 ) Se Rechaza H0 :

Clculo de la tabla ANOVA

X
scG = (yi # y5)2 = 10 4316;

de donde X
scE = scG # scR == (yi # y^i )2 = 10 3595:

Tabla ANOVA
Fuentes de Suma de Grados Varianzas
variacin cuadrados libertad
scE (por el modelo) 10 3595 2 s^2e = 00 6797
scR (Residual) 00 0721 12 s^2R = 00 0060
scG ( Global) 10 4316 14 s^2y = 00 1023

Contraste conjunto de la F, con estos datos se obtiene

s^2 00 6797
F^M = 2e = 0 = 1130 28 & F2;12 ) pc = 00 0000:
s^R 0 0060

El contraste conjunto de la F indica claramente la inuencia del modelo en la respues-

ta. Por tanto, de los contrastes individuales y del conjunto se deduce la inuencia
de cada una de las dos regresoras y la inuencia conjunta del modelo.
Prcticas y problemas de regresin lineal mltiple. 9

Contraste individual de la F:
Se calcula el contraste individual de la F respecto a la variable x2 =tamao, este
contraste es equivalente al contraste individual de la t.
Se obtiene la regresin de la variable gasto respecto a la variable ingreso,

gasto = #870 124 + 10 543 ingreso.

La tabla ANOVA de este modelo es

Tabla ANOVA
Fuentes de Suma de Grados de Varianzas
variacin cuadrados libertad
scE (ingreso) 10 2716 1 s^2e = 10 2716
scR (Residual) 00 1600 13 s^2R (1) = 00 0123
scG (Global) 10 4316 14 s^2y = 00 1022
La variabilidad incremental debida a la variable dimetro es

no) = V E (2) # V E (ingreso) = 10 3595 # 10 2716 = 00 0879;

4V E (tama~

este valor indica lo que aumenta la variabilidad explicada por el modelo al introducir
la variable tamao.
Para contrastar la inuencia de esta variable se utiliza el estadstico
4V E (x2 )
1 00 0879
F^2 = = = 140 65 & F1;12 ) p = 00 001:
s^2R (k) 00 0060
Este contraste proporciona el mismo p#valor que el contraste individual de la t salvo
problemas de redondeo.

Coecientes de correlacin:

Coeciente de determinacin,
scE 10 3595
R2 = = 0 = 00 9496 ) 940 96 % de scG:
scG 1 4316

Coeciente de correlacin mltiple,

p
R = 00 9496 = 00 9745:

Coeciente de determinacin corregido por los grados de libertad,

2 0
5 2 = 1 # s^R = 1 # 0 0060 = 940 13 ) 940 13 % de scG:
R 2
s^Y 0
0 1023
p
5 = 00 9413 = 00 9702:
R
10 Modelos estadsticos aplicados. Juan Vilar

Coeciente de correlacin simple entre las variables gasto e ingreso,

Cov (gasto; ingreso)

B (gasto; ingreso) = = 00 9424:
9 (gasto) 9 (ingreso)

Este coeciente es una medida de la relacin lineal existente entre las variables gasto
e ingreso.
Este coeciente tambin se puede calcular a partir del coeciente de determinacin
de la siguiente regresin

gasto = #870 124 + 10 543 ingreso.

La tabla ANOVA del modelo es

Tabla ANOVA
Fuentes de Suma de Grados de Varianzas
variacin cuadrados libertad
scE (ingreso) 10 2716 1 s^2e = 10 2716
scR (Residual) 00 1600 13 s^2R (1) = 00 0123
scG ( Global) 10 4316 14 s^2y = 00 1022

scE 10 2716
R2 = = 0 = 00 8882 ) R = B (gasto; ingreso) = 00 9424:
scG 1 4316

Anlogamente el coeciente de correlacin simple entre gasto y tamao es,

Cov (gasto; tama~no)

B (gasto; tama~
no) = = #00 1265:
9 (gasto) 9 (tama~
no)

! "
Coeciente de correlacin parcial entre las variables gasto e ingreso t^ingreso = t^1 .

2
t^2ingreso
r (gasto; ingreso; tama~
no) =
t^2ingreso + n # (k + 1)

150 0502
= = 00 9496
150 0502 + 12

no) = 00 974:
) r (gasto; ingreso; tama~

Otra forma ms compleja de calcular este coeciente es la siguiente: se calculan las

siguientes regresiones simple y se guardan los residuos egasto:tama~no y eingreso:tama~no :

Gasto = 00 6713 # 00 0363 tamao + egasto:tama~no :

Ingreso = 50 5923 # 07615 tamao + eingreso:tama~no :
Prcticas y problemas de regresin lineal mltiple. 11

El coeciente de correlacin parcial entre las variables gasto e ingreso se obtiene como
el coeciente de correlacin simple entre las variables egasto:tama~no y eingreso:tama~no

r (gasto; ingreso; tama~

no) = B (egasto:tama~no ; eingreso:tama~no )

Cov (egasto:tama~no ; eingreso:tama~no )

= = 00 9740:
9 (egasto:tama~no ) 9 (eingreso:tama~no )

Este coeciente mide la relacin entre gasto e ingreso libres de la inuencia de la

variable tamao.
Anlogamente se obtiene

no; ingreso) = B (egasto:ingreso ; e:tama~no:ingreso ) = 00 7412:

r (gasto; tama~

Estimacin de la media condicionada.

Estimar el gasto medio en alimentacin de una familia con unos ingresos de

xt1 = 30 0 y un tamao de xt2 = 4: Esto es (~xt = (xt1 ; xt2 ) = (30 0; 4)) .

Del modelo de regresin estimado se obtiene

^ 0 0; 4) = m
m(3 ^t = )
^0 + )
^ 1 xt1 + )
^ 2 xt2 =
= #00 160 + 00 149 $ 30 0 + 00 077 $ 4 = 00 595:

El valor de inuencia asociado al dato ~xt = (xt1 ; xt2 ) = (30 0; 4) es

! "!1
htt = ~xtt X t X ~xt
0 10 1
+ , 10 360 #00 092 #00 282 1
B CB C
= 1 30 0 4 @ #00 092 00 016 00 013 A @ 30 0 A = 00 07649
#00 282 00 013 00 067 4
1
) nt = = 130 073:
00 07649
La varianza del estimador m
^ t es

^ t ) = s^2R htt = 00 0060 $ 00 07649 = 00 00046 ) 9 (m

V ar (m ^ t ) = 00 0214:

Y un intervalo de conanza para mt al 90 % es

! " ! "
mt 2 00 595 " t12 00 95 $ 00 0214 = 00 595 " 00 038 = 00 557; 00 633 :
12 Modelos estadsticos aplicados. Juan Vilar

Prediccin de una observacin.

La familia Prez que tiene unos ingresos de xt1 = 30 0 y un tamao de xt2 = 4:

Esto es (~xt = (xt1 ; xt2 ) = (30 0; 4)) qu gasto en alimentacin tendr?.

Utilizando el modelo de regresin estimado la prediccin es

y^(30 0; 4) = )
^0 + ) ^ 2 x2 = 00 595:
^ 1 x1 + )
La varianza de la prediccin es
! "
V ar (^
yt ) = s^2R $ (1 + htt ) = 00 0060 $ 1 + 00 07649 = 00 0065
yt ) = 00 0803:
) 9 (^

Un intervalo de prediccin al 90 % para yt es

! " ! "
yt 2 00 595 " t12 00 95 $ 00 0803 = 00 595 " 00 143 = 00 452; 00 738 :

Algunos grcos de inters que ayudan a resolver el problema son los grcos par-
ciales de las componentes que sirven para observar la inuencia de las regresoras (Figuras
5.1. y 5.2.) y los grcos de residuos que se utilizan para chequar que se verican las hipte-
sis estructurales del modelo, dos de ellos (frente a ingreso y frente a ndice) se representan
en las Figuras 5.3. y 5.4.

Figura 5.1. Grco parcial de ingreso.

Prcticas y problemas de regresin lineal mltiple. 13

Figura 5.2. Grco parcial de tamao.

Figura 5.3. Grco de residuos frente a ingreso.

Figura 5.4. Grco de residuos frente a ndice.

14 Modelos estadsticos aplicados. Juan Vilar

1.3. Resumen de los modelos de regresin lineal.

Las principales frmulas de los modelos de regresin lineal simple y mltiple se pre-
sentan en la tabla adjunta.

R. L. Simple R. L. Mltiple
yi = )0 + )1 xi1 + )2 xi2 +
yi = )0 + )1 xi + "i
+ : : : + )k xik + "i
Modelo
~ = )0 ~
Y ~ +~
1 + )1 X " ~ =X!
Y ~ + ~"
sXY
)
^1 = 2
sX ! "!1 t
Estimacin ^ = Xt X
! XY
)
^ 0 = y5 # )^1 x
5
- 2
. + ! "!1 ,
9
)
^ 1 & N )1 ; 2 ~ &N !
! ~ ;9 2 Xt X
nsx
Propiedades (normal multivariante)
- - ..
92 52
x ! "
)
^0 & N )0 ; 1+ ^ i & N )i ; 9 2 qii
)
n s2x
y^i = )
^0 + )
^ 1 xi1 + )
^ 2 xi2 +
y^i = )
^0 + )
^ 1 xi
+::: + ) ^ k xik
Prediccin
^ =)
Y ^ 0~
1+) ~
^ 1X ^ =X!
Y ^
ei = yi # y^i ei = yi # y^i
Residuos
~ #Y
e=Y
~ ^ ~ #Y
e=Y
~ ^

Varianza 1 Pn 2
s^2R = e 1 Pn 2
Estimada n # 2 i=1 i s^2R = i=1 ei
n # (k + 1)

9 2M V
n^
Propiedades & ;2n!2 (n # (k + 1)) s^2R
92 & ;2n!(k+1)
92
)
^ #)
!0 = s 0- 0 . & tn!2
1 52
x
Interv. de s^R 1+ 2
n sx )
^ i # )i
Conanza !i = p & tn!(k+1)
s^R qii
^ 1 # )1 p
)
!1 = sx n & tn!2
s^R

s^2 s^2
Contraste F F^R = 2e & Fk;n!2 F^M = 2e & Fk;n!(k+1)
s^R s^R
Prcticas y problemas de regresin lineal mltiple. 15

1.4. Problemas propuestos de regresin lineal mltiple.

Problema 5.5. Se realiza un experimento para determinar la duracin de vida de
ciertos circuitos electrnicos (Y ) en funcin de dos variables de fabricacin (X1 ) y (X2 ),
con los siguientes resultados:

Y 11 8 73 21 46 30
X1 #10 0 10 #10 0 10
X2 0 #5 5 0 5 #5

1. Ajustar un modelo de regresin lineal.

2. Calcular el coeciente de determinacin y la varianza residual. Es el ajuste adecua-

do?

3. Construir un intervalo de conanza al 90 % para la prediccin en el punto (0; 0).

Problema 5.6. Los datos de la tabla adjunta indican la gravedad especca (X1 ),
contenido de humedad (X2 ) y fuerza (Y ) de diez vigas de madera. Encontrar el modelo
de regresin que mejor se ajusta a estos datos.

Y 110 14 120 74 130 13 110 51 120 38 120 60 110 13 110 70 110 02 110 41
X1 00 99 00 558 00 604 00 441 00 550 00 528 00 418 00 480 00 406 00 467
X2 110 1 80 9 80 8 80 9 80 8 90 9 100 7 100 5 100 5 100 7

Problema 5.7. En la tabla adjunta se presenta un indicador provincial global de

consumo (Y ) el nmero de automviles por mil habitantes (X1 ) y el nmero de telfonos
por mil habitantes (X2 ) en ocho provincias espaolas. Estudiar un modelo explicativo que
relacione el indicador global con los dos indicadores de consumo (datos de 1974).

Provincia Avila Palenc Segov Burgos Soria Vallad Logroo Santan

Y 64 778 83 88 89 99 101 102
X1 58 84 78 81 82 102 85 102
X2 111 131 158 147 121 165 174 169

Problema 5.8. La demanda de un tipo de impresoras ha cambiado debido a una

rpida variacin en el precio. Se ha observado la demanda (Y ) en una amplia regin
geogrca y el precio unitario (X) (en unidades de diez mil pesetas). Los resultados son
los de la tabla adjunta. Ajustar un polinomio de regresin a estos datos que explique el
comportamiento de la demanda.

Y 360 305 230 242 180 172

X 80 8 90 7 90 9 100 3 110 0 120 5
Y 121 83 122 91 105
X 130 2 140 8 150 8 170 4 180 2
16 Modelos estadsticos aplicados. Juan Vilar

Problema 5.9. El chero problema-5-9 contiene datos relativos a veinticuatro

pases. El chero consta de las siguientes variables referidas a cada pas:
- Coches: Nmero de coches por persona.
- Pob: Poblacin en millones de personas.
- Den: Densidad de poblacin.
- Ingresos: Ingresos per capita en dlares U.S.A.
- Gasol: Precio de la gasolina en centavos U.S.A. por litro.
- Consumo: Toneladas de gasolina consumida por coche al ao.
- Pasaj: Miles de pasajeros-kilmetros por persona que usan bs o tren.
- Pas: Pas al que se reeren los datos de la la.
Se quiere ajustar un modelo de regresin mltiple que explique la variable coches en
funcin de las variables explicativas: pob, den, ingresos, gasol, consumo y pasaj.

Problema 5.10. El chero problemas-5-10 contiene datos relativos a partidos de

la liga ACB de baloncesto. Los datos son de 62 jugadores al azar del total y han sido
obtenidos de la Gua Ocial de la Liga 1989-1990 de la ACB (Asociacin de Clubs de
Baloncesto). En base a esta muestra se desea estudiar si existe una relacin lineal entre la
variable puntos por partido (punt-part) que es capaz de anotar un jugador de baloncesto
respecto a las siguientes regresoras:
- La altura del jugador (altura).
- Los minutos que juega por partido (min-part).
- Los balones que pierde por partido (bp-part).
- Las faltas personales cometidas por partido (fp-part).
- El porcentaje en tiros de campo por partido (porcentaje obtenido de los tiros de dos
y tres puntos conseguidos e intentados) (por_tc).
En base a estos datos:

1. Ajustar un modelo de regresin sin excluir ninguna variable e interpretar el resultado.

Es el ajuste bueno?

2. Analizar la hiptesis de multicolinealidad para el modelo anterior.

3. En el modelo ajustado Cules son las observaciones atpicas y/o inuyentes?

4. Existe un modelo de regresin lineal ms adecuado?

5. Es aconsejable utilizar un ajuste no lineal? Justicar la respuesta.

6. Analizar los residuos del modelo que se considere ms adecuado.

Problema 5.11. El chero problema-5-11 contiene datos relativos a 60 observa-

ciones de datos del Mercado Financiero Canadiense (de septiembre del 77 a diciembre del
80). Se han considerado las siguientes variables:
- Bankcan: activos del Banco de Canad.
- Trsbill: intereses de las Letras del Tesoro a 90 das.
Prcticas y problemas de regresin lineal mltiple. 17

- CPI: ndice de precios al consumo.

- Usspot: razn de cambio Canad/USA.
- Usforw: razn de cambio a un mes Canad/USA.
Se quiere estudiar el modelo de regresin lineal mltiple de la variable de inters Trsbill
frente a las otras cuatro variables regresoras. Se pide:

1. Calcular el modelo de regresin lineal mltiple.

2. Estudio de la multicolinealidad del modelo.

3. Estudio de las observaciones inuyentes y atpicas.

4. Anlisis de residuos. Se verican las hiptesis del modelo?

5. Encontrar un ajuste que mejore al modelo de regresin lineal obtenido.

Problema 5.12. (Observaciones inuyentes y datos atpicos) Con los datos

de la tabla adjunta se construyen tres conjuntos de datos. El primero consta de los casos
1 a 9 repetidos tres veces cada uno y aadiendo el caso 28(A). El segundo est formado
por los casos de 1 a 9 repetidos tres veces y, adicionalmente, el caso 28(B). Finalmente, el
tercero se construye de igual manera pero con la observacin adicional 28(C). Por tanto,
estos tres conjuntos tienen 27 datos iguales y uno diferente. Estudiar las regresiones de los
tres conjuntos y examinar las observaciones inuyentes y atpicas.

Caso 1 2 3 4 5 6 7 8 9 A B C
x1 #2 0 2 #4 3 1 #3 #1 4 0 #3 #3
x2 6;5 7;3 8;3 6;0 8;8 8;0 5;9 6;9 9;5 7;2 9 7;3
y #1;5 0;5 1;6 #3;9 3;5 0;8 #2;7 #1;3 4;1 5 #1;5 4

Problema 5.13. Se ha realizado un experimento para investigar como la resistencia

del corcho al rozamiento se ve afectada por la dureza del corcho y la fuerza tensorial. Para
ello se han testado treinta muestras de corcho de las que se ha calculado la dureza (en
grados Shore, a mayor nmero mayor dureza) y la fuerza tensorial (medidos en Kgr por
cm2 ).
Las muestras de corcho eran sometidas a un rozamiento continuo por un perodo de
tiempo jo y despus se meda la prdida de peso de corcho en gramos por hora. Los datos
obtenidos en este experimento se encuentran en el chero problema-5-13, en base a
ellos:

1. Analizar la relacin lineal de la variable de inters, peso de corcho perdido, con las
dos variables explicativas.

2. Analizar las hiptesis del modelo .

18 Modelos estadsticos aplicados. Juan Vilar

Problema 5.14. El chero problema-5-14 contiene datos de contaminacin atmos-

frica en 41 ciudades de EEUU en los aos 1969-71 . La variable de inters es Y =contenido
de SO2 en el aire en microgramos por metro cbico. Se desea estudiar la relacin de Y
con seis variables regresoras, dos relativas a ecologa humana y cuatro al clima. Son la
siguientes:
X1 =temperatura media anual en grados Farenheit.
X2 =nmero de fbricas con ms de 20 empleados
X3 =nmero de habitantes, en miles
X4 =Velocidad media del viento al ao en millas por hora
X5 =precipitacin media anual en litros por pulgada
X6 =nmero medio de das con lluvia al ao
El objetivo del estudio es encontrar un modelo de regresin mltiple que explique
adecuadamente el comportamiento de la variable Y .

Problema 5.15. El chero problema-5-15 contiene datos de seis variables de 22

aviones de combate de EEUU. Las variables estudiadas son las siguientes:
F F D=rst ight date, fecha del primer vuelo en meses despus de Enero de 1940
SP R=specic power, potencia especca proporcional a la potencia por unidad de
peso
RGF =ight range factor, factor de rango de vuelo
P LF =payload como una fraccin del peso bruto del avin
SLF =factor de carga sostenido
CAR=una variable binaria que vale 1 si el avin puede aterrizar en un portaviones y
0 en otro caso
El objetivo del estudio es encontrar un modelo de regresin mltiple que explique el
comportamiento de la variable de inters F F D o una transformada de la misma (por
ejemplo, tomar logaritmos) como una funcin del resto de variables.
Tener en cuenta la presencia de la variable atributo CAR; interpretar el modelo resul-
tante al introducir esta variable.

Problema 5.16. Algunas veces es necesario bajar la presin sangunea de un pa-

ciente durante una intervencin quirrgica utilizando un frmaco hipotensivo. El chero
problema-5-16 contiene datos relativos a la utilizacin de un determinado frmaco en 53
enfermos. En cada uno de ellos se ha medido el tiempo en minutos antes de que la presin
sistlica sangunea del paciente vuelva a los 100 mm (TR es el tiempo de recuperacin), el
logaritmo de la dosis de frmaco en miligramos (LD) y la presin media sistlica sangunea
del paciente mientras el frmaco haca efecto (PM). Qu relacin existe entre la variable
TR y las otras dos variables?.

Problema 5.17. El chero problema-5-17 contiene datos del fsforo encontrado

en 18 muestras de aceite tomadas a 20o . La variable X1 es el fsforo inorgnico, X2 el
fsforo orgnico e Y es el fsforo de maz en el aceite. Encontrar un modelo que explique
la variable Y como funcin de las otras dos regresoras.
Prcticas y problemas de regresin lineal mltiple. 19

Problema 5.18. Se est interesado en estudiar la temperatura mnima de una ciu-

dad en relacin con su longitud y latitud geogrca. Se ha tomado una muestra de 56
ciudades de EEUU y se ha calculado la temperatura mnima (en grados Farenheit) en el
mes de enero, el resultado obtenido es el promedio de 30 aos (de 1931 a 1960). El chero
problema-5-18 contiene los datos de esta variable y de las regresoras: longitud y latitud
de la ciudad.
En base a estos datos ajustar un modelo de regresin que explique el comportamiento
de la variable de inters en funcin de las dos regresoras. En un estudio previo se propona
ajustar la temperatura con una relacin lineal respecto a la variable latitud y un ajuste
cbico respecto a la variable longitud.

Problema 5.19. Se desea estudiar la relacin entre el consumo de helados, medido

en pintas per capita, y las variables regresoras precio del helado, en dolres por pinta,
el ingreso familiar por semana y la temperatura media medida en grados Farenheit. Para
ello se obtuvieron datos de 30 meses, desde marzo de 1951 a julio de 1953. El chero
problema-5-19 contiene estos datos. Analizarlos y estudiar un modelo de regresin que
se ajuste a los mismos.

Problema 5.20. El chero problema-5-20 contiene datos relativos al nmero de

muertes e intensidad de los terremotos ocurridos desde 1.900. Tambin se proporciona el
ao en que ocurri el terremoto, en total, 40 datos. Se desea estudiar si existe una relacin
entre el nmero de muertes y la intensidad del terremoto. Analizar las hiptesis bsicas
del modelo ajustado.

Problema 5.21. El chero problema-5-21 contiene datos de 209 procesadores

(CPU). De cada uno de ellos se han obtenido caractersticas y medidas de rendimiento
relativo respecto a un procesador IBM 370/158-3. Las variables observadas las siguientes:
-Cycle time(ns), nmero de ciclos por segundo.
-Minimum memory (kb), memoria mnima en kb.
-Maximum memory (kb), memoria mxima en kb.
-Cache size (kb), tamao del cach.
-Minimum channels, nmero mnimo de canales.
-Maximum channels, nmero mximo de canales.
-Relative performance, rendimiento relativo.
-Estimated relative performance, rendimiento relativo estimado.
El objetivo del estudio es conocer que variables inuyen en el rendimiento relativo
(en el relative performance y en el estimated relative performance). Ajustar el modelo de
regresin en cada uno de los dos casos e indicar la bondad del ajuste.
(Los datos proceden del trabajo de Ein-Dor,P. y Feldmesser,J. (1987) Atributes of
the performance of central processing units: a relative performance prediction model,
Communitaions of the ACM, 30,308-317).
20 Modelos estadsticos aplicados. Juan Vilar

Problema 5.22. El chero problema-5-22 contiene los resultados de 35 carreras

de montaa celebradas en Escocia en 1984. Se proporcionan datos sobre la distancia en
millas de la carrera, tiempo del vencedor en minutos y la altura total ganada en pies.
Se quiere estudiar un modelo de regresin que relacione el tiempo con las otras dos
variables. Al analizar los datos parece razonable transformar la variable respuesta pero
tambin se observa la aparicin de observaciones inuyentes.

Problema 5.23. El chero problema-5-23 contiene datos de tres variables relativas

a las 48 ciudades ms grandes del mundo en 1991. Las variables consideradas son:
Horas de trabajo=promedio ponderado de 12 ocupaciones
Nivel de precios=coste de una cesta de la compra de 112 productos bsicos, en base
al nivel de Zurich=100
Nivel de salarios=nivel del salario de 12 ocupaciones diferentes ponderadas segn la
distribucin ocupacional, excludas tasas a la seguridad social e impuestos, en base al nivel
de Zurich=100
El objetivo del estudio es encontrar una relacin entre estas tres variables. Tiene par-
ticular inters el estudio de los siguientes modelos de regresin:

1. Estudiar la variable respuesta nivel de precios respecto a la regresora nivel de salarios.

2. Estudiar la respuesta nivel de precios respecto a las otras dos regresoras.

3. Estudiar la respuesta nivel de salarios respecto a la regresora horas de trabajo.

Problema 5.24. Se est interesado en investigar el ndice de criminalidad en relacin

con otras variables. Para ello se dispone de datos de 47 estados de EEUU relativos al ao
1960 (problema-5-24). Las variables estudiadas son las siguientes:
R=ndice de criminalidad, nmero de delitos conocidos por la polica por cada milln
de habitantes
Age=distribucin de la edad, nmero de varones de edad 14-24 por cada mil de toda
la poblacin del estado
S=variable binaria que distingue entre estados del sur (S = 1) del resto
Ed=nivel educativo, nmero medio de aos de escolarizacin
Ex1 =gasto per cpita en proteccin policial relativa a 1960
Ex2 =gasto per cpita en proteccin policial relativa a 1959
LF =proporcin en participacin en trabajos de fuerza por cada mil hombres con edad
14-24
M =Nmero de varones por mil mujeres
N =Tamao de la poblacin del estado en cin mil
N W =El nmero de personas de raza no blanca por 1000 habitantes
U1 =Razn de desempleo entre hombres de edad 14-24, por cada mil
U2 =Razn de desempleo entre hombres de edad 35-39, por cada mil
W =Riqueza medida por el ingreso familiar
Prcticas y problemas de regresin lineal mltiple. 21

X=Desigualdad en ingresos, el nmero de familias por mil que ganan por debajo de
la mitad de la mediana de ingresos
El objetivo del estudio es encontrar la mejor relacin entre la variable de inters R con
el resto de las variables regresoras. Analizar la inuencia de la variable atributo S.

Problema 5.25. Los datos de este problema son clsicos en anlisis de regresin
(chero problema-5-25), corresponden a la observacin de 21 das de trabajo en una
planta qumica para la oxidacin del amonio como una etapa en la produccin del cido
ntrico. Las variables observadas son:
X1 =ujo de aire
X2 =temperatura del ahua de refrigeracin (o C)
X3 =concentracin de cido ( %)
Y =prdida acumulada, porcentage del amonio que escapa sin ser absorbido
El objetivo del estudio es ajustar un modelo de regresin a estos datos que explique el
comportamiento de la respuesta Y respecto a las tres regresoras.

Problema 5.26. En la tabla adjunta se presentan cuatro indicadores del tamao

medio de las empresas en 15 paises desarrolados. Estos indicadores son: (V ) ventas, (A)
activos, (N ) nmero de empleados y (R) recursos propios. Estudiar un modelo de regresin
que relacione la variable V con las restantes variables (se sugiere transformar los datos
tomando logaritmos).

Pais V A N R Pais V A N R
Espaa 249 454 3;358 166 Italia 109 100 874 16
EE.UU. 3;334 2;612 15;230 1;209 Blgica 167 124 1;267 37
Alemania 707 542 7;391 119 Noruega 100 81 894 14
Inglaterra 511 352 7;307 243 Dinamarca 84 67 978 20
Francia 477 535 6;306 91 Finlandia 119 100 1;350 15
Suecia 142 137 2;075 34 Portugal 35 46 1;302 16
Suiza 494 475 6;163 215 Irlanda 237 283 3;668 80
Holanda 301 227 3;517 70

Problema 5.27. En la tabla adjunta se indica la altura (H), longitudde las naves
(L), anchura de la nave principal (A) y nmero de naves (N ) de algunas iglesias romnicas
espaolas. Estudiar la relacin entre la variable altura (H) y el resto de las variables.
22 Modelos estadsticos aplicados. Juan Vilar

H L A N H L A N H L A N
60 15 200 00 60 18 1 90 20 170 00 80 20 1 90 00 200 50 70 00 3
110 60 190 40 50 20 3 90 10 200 60 90 50 1 130 00 260 50 60 40 3
220 00 850 00 80 10 3 70 75 120 20 50 40 1 110 45 210 75 70 45 3
100 20 240 00 50 50 3 80 85 170 90 60 50 1 80 50 100 00 60 70 1
80 90 140 30 60 50 1 100 00 280 20 50 45 1 60 70 140 60 60 20 3
90 50 110 90 60 40 1 100 50 260 78 80 80 3 110 60 130 60 70 60 1
120 20 200 00 60 10 3 190 00 350 00 70 70 3 100 15 110 60 40 10 3
110 40 190 30 70 50 1 80 20 160 00 90 00 1

Problema 5.28. El chero problema-5-28 contiene datos de tres variables obser-

vadas en cincuenta tipos de madera utilizados en la construccin. Las variables estudiadas
son las siguientes:
X =densidad de la madera en aire seco
Y =mdulo de rigidez
Z =mdulo de elasticidad.
El objetivo del estudio es ajustar un mdelo de regresin que explique el compor-
tamiento de la variable elasticidad en funcin de las otras dos variables.
Los datos estn ordenados de forma creciente segn la variable X.

Y Z X Y Z X Y Z X Y Z X
1000 99 250 3 1897 240 500 3 1145 193 400 3 2036 264 580 6
1112 173 280 2 1822 248 510 3 1438 167 400 3 2570 189 580 7
1033 188 280 6 2129 261 510 7 1281 188 400 6 1474 223 590 5
1087 133 290 1 2053 245 520 8 1595 238 420 3 2116 245 600 8
1069 146 300 7 1676 186 530 8 1129 130 420 4 2054 272 610 3
925 91 310 4 1621 188 530 9 1492 189 420 5 1994 264 610 5
1306 188 320 5 1990 252 540 9 1605 213 430 0 1746 196 630 2
1306 194 360 8 1764 222 550 1 1647 165 430 0 2604 268 630 3
1323 195 370 1 1909 244 550 2 1539 210 460 7 1767 205 680 1
1379 177 380 3 2086 274 550 3 1706 224 490 0 2649 346 680 9
1332 182 390 0 1916 276 560 9 1728 228 500 2 2159 246 680 9
1254 110 390 6 1889 254 570 3 1703 209 500 3 2078 237;5 700 8
1587 203 400 1 1870 238 580 3

Problema 5.29. Se presentan dos problemas anlogos. En una primera parte en el

chero problema-5-29A, se recogen las distancias en metros de los saltos obtenidos por
los ganadores de la medalla de oro en las Olimpadas en las siguientes pruebas: salto de
altura, salto de prtiga, salto de longitud y triple salto, en las pruebas realizadas entre los
aos 1896 y 1988.
Prcticas y problemas de regresin lineal mltiple. 23

Los datos de la segunda parte estn en el chero problema-5-29B que contiene los
tiempos, en segundos, de los ganadores de las carreras de hombres de 100, 200, 400, 800 y
1500 metros en los JJOO desde 1900 a 1988 (no hubo JJOO en 1916, 1940 y 1944).
En ambos casos el objetivo del estudio es el mismo:

1. Ajustar un modelo de regresin razonable a la nube de datos que permita predecir

futuros resultados.

2. Para una determinada variable (en ambos cheros) ajustar un modelo de regresin
simple donde la variable regresora es el tiempo (reescalado) o, dicho de otra forma,
estimar la tendencia de la variable (serie de tiempo).

3. En ambos apartados estudiar la hiptesis de independencia. (Estas variables son

series de tiempo y los modelos estadsticos ARIMA son, en muchos casos, adecuados
para hacer predicciones).

Problema 5.30. El chero problema-5-30 contiene datos de tres variables relativas

a 35 carreras de montaa que tuvieron lugar en Escocia durante el ao 1984. Las variables
estudiadas son:
- Distancia: recorrida en la carrera medida en millas.
- Altura: alcanzada en la montaa en el ascenso efectuado, medida en pies.
- Tiempo: que tard el vencedor de la carrera.
Se desea ajustar un modelo de regresin que explique el comportamiento de la variable
respuesta, tiempo, respecto a las dos regresoras distancia y altura. En principio, puede ser
razonable hacer una transformacin de la variable respuesta pero debe de estudiarse la
existencia de datos inuyentes.

Problema 5.31. En este problema se presenta una coleccin de datos obtenidos en

pruebas simuladas de accidentes de motos. Se observaban dos variables:
- X = tiempo transcurrido (en milisegundos) despus del impacto.
- Y = aceleracin de la cabeza.
Los datos se recogen en el chero problema-5-31. En base a ellos se pide:

1. Representar los datos y ajustar un modelo de regresin que explique el compor-

tamiento de la variable respuesta Y a partir de la variable regresora. Se mejoran
los resultados si se transforma alguna de las dos variables o ambas?

2. Utilizando mtodos de regresin no paramtrica se obtienen mejores resultados?

Problema 5.32. El chero problema-5-32 contiene datos de porcentajes de delitos

de siete tipos (asesinato, violacin, atraco, agresin, robo, latrocinio y robo de vehculos)
en cincuenta estados de EEUU en el ao 1986. Los datos que se presentan son el nmero
de delitos por cada 100.000 residentes.
Analizar analtica y grcamente estas variables y estudiar si se puede ajustar un
modelo de regresin que explique el comportamiento de una de ellas en funcin de las
otras.