REGRESIÓN LINEAL – CASO: KIMBERLY CLARK

La correlación entre las variables ¨Marca Confiable¨ y ¨Marca Recomendable¨ están

correlacionadas en un 78%, esto significa que podemos construir un modelo de
Regresión Lineal Simple, donde una variable se utilice para predecir a la otra, en este
ejemplo podríamos expresar la MARCA RECOMENDABLE EN FUNCIÓN DE MARCA
CONFIABLE.
REGRESIÓN LINEAL SIMPLE: VAR DEPENDIENTE- MR  VAR INDEPENDIENTE- MC

PASO 2 PASO 3

PASO 4 PASO 5
 Según el valor de R cuadrado, el poder de predicción del modelo es 61%.

El valor de la significancia determina que variables deben permanecer en el modelo

(Sig < 0.05), esto se confirma con los signos del intervalo de confianza (De menos a
menos, o de más a más). En nuestro caso la constante y la variable Marca Confiable son
parte del modelo poblacional.

MR = 0.68 + 0.887(MC)
MR = 0.68 + 0.887(MC)

MR = 0.68 + 0.887(9)=8.663

MR = 0.68 + 0.887(10)=9.55030
 REGRESIÓN LINEAL SIMPLE: VAR DEPENDIENTE- MR  VAR INDEPENDIENTE- CG

PASO 1

La correlación entre las variables ¨Calidad General del pañal¨ y ¨Marca

Recomendable¨ están correlacionadas en un 73%, esto significa que podemos
construir un modelo de Regresión Lineal Simple, donde una variable se utilice para
predecir a la otra, en este ejemplo podríamos expresar la MARCA RECOMENDABLE
EN FUNCIÓN DE LA CALIDAD GENERAL.
 Según el valor de R cuadrado, el poder de predicción del modelo es 53%.

El valor de la significancia determina que variables deben permanecer en el modelo

(Sig < 0.05), esto se confirma con los signos del intervalo de confianza (De menos a
menos, o de más a más). En nuestro caso la constante no debe estar en el modelo de
regresión Lineal Simple poblacional, solamente la variable Calidad General.
REGRESIÓN LINEAL MÚLTIPLE: VAR DEPENDIENTE- MR  VAR INDEPENDIENTES- CG y MC

Según el valor de R cuadrado, el poder de predicción del modelo es 64%.

El valor de la significancia de la constante 0.802 > 0.05 nos indica que la constante no
debe estar en el modelo de Regresión Lineal Múltiple Poblacional, solamente las
variables MC y CG.
ANÁLISIS FACTORIAL– CASO: KIMBERLY CLARK

VARIABLES: CG, MC y MR

PASO 1 PASO 2
El valor KMO = 0.75 >0.60 nos indica que podemos
continuar con el Análisis Factorial.
La sig de la prueba de Bartlett nos indica la matriz
de correlaciones no es la Identidad, por tanto las
correlaciones son diferentes de cero.
Después de la rotación Varimax las
correlaciones siguen siendo altas, mayor
al 82%.
Las correlaciones obtenidas entre las tres
variables estudiadas y el factor obtenido
son altas, mayores al 91%.
Con el factor obtenido s explica hasta un 86%
aproximadamente de la varianza total.
 VARIABLES: IND, IA, IC y ICO

PASO 1 PASO 2
 El valor KMO = 0.589 esta en el limite de poder
continuar con el Análisis Factorial.
Las variables más explicativas del análisis
La sig de la prueba de Bartlett nos indica la matriz factorial son IND e ICO.
de correlaciones no es la Identidad, por tanto las
correlaciones son diferentes de cero.

Se obtienen dos factores que explican el 72.34% de la varianza total.

La configuración de la matriz de componentes cambia su configuración después de la rotación. En
el primer factor se representan mejor las variables IA e ICO, mientras que en el segundo factor se
representan las variables IND e IC.