Modelacion Por Excel y El Criterio de Akaike (Aic) en R

MODELACION POR EXCEL Y EL CRITERIO DE AKAIKE (AIC) EN R
JULIO JOSE DIAZ CORTEZ

SADAN FARAR TON MOSQUERA
INGENIERO AGRICOLA:
JUSTO FUENTES CUELO
UNIVERSIDAD DE SUCRE
FACULTAD DE INGENIERIA
PROGRAMA INGENERIA AGRICOLA
SINCELEJO-SUCRE
10/02/12
TALLER ESTADISTICA APLICADA

Ejercicio 1 de san Cayetano (Sc): Al estimar una funcin de demanda para
resistencia a la compresin (Rcomp), en cierta ciudad intermedia, se incluyeron
las siguientes variables:
Y: Rcomp, X1: tmax, X2: tmaxnom, X3: pea, X4: psss, X5: pen, X6: abs, X7: iapla,
X8: ialar, X9: pus, X10: puc, X11: vas, X12: vac, X13: trit, X14: desg.
Obtenemos la funcin de demanda para el Rcomp, mediante los siguientes
pasos los cuales se demostraran en la siguiente tabla.
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
5,00
3,81
1,93
1,97
2,02
2,15
25,30
24,83
1276,42
1489,81
33,86
22,81
26,10
28,23
233,20
3,81
3,81
2,46
2,55
2,71
3,70
13,32
22,42
1384,53
1585,09
43,72
35,57
25,61
28,78
253,85
3,81
3,81
2,57
2,61
2,69
1,79
33,37
28,46
1399,43
1598,87
45,55
37,79
22,98
27,98
340,09
3,81
2,54
2,50
2,56
2,65
2,25
20,42
39,91
1346,60
1527,92
46,14
38,88
27,54
29,16
340,32
3,81
2,54
2,50
2,56
2,65
2,33
20,43
34,90
1318,30
1541,89
47,27
38,32
25,71
27,96
417,03
3,81
3,81
2,51
2,57
2,65
2,12
23,36
38,13
1315,47
1522,45
47,59
39,34
24,57
28,58
414,62
3,81
3,81
2,50
2,55
2,64
2,26
17,08
20,18
1313,77
1530,94
47,45
38,76
27,19
27,77
343,82
3,81
3,81
2,69
2,75
2,86
2,24
15,70
22,28
1356,04
1554,34
49,59
42,22
28,29
27,47
292,65
3,81
3,81
2,61
2,63
2,68
1,01
23,11
26,64
1347,92
1532,64
48,36
41,28
28,26
27,40
429,47
3,81
3,81
2,57
2,59
2,63
0,94
20,01
23,99
1344,15
1617,36
49,70
37,07
27,37
28,27
216,74
3,81
3,81
2,52
2,57
2,65
1,98
24,19
21,37
1355,85
1579,62
46,20
37,32
28,53
27,43
267,69
3,81
3,81
2,52
2,59
2,71
2,81
22,40
22,85
1315,47
1523,02
47,80
39,56
25,71
28,55
357,51
3,81
3,81
2,52
2,59
2,71
2,75
23,26
32,57
1334,72
1549,62
47,04
38,51
23,58
28,08
279,22
3,81
3,81
2,53
2,59
2,69
2,39
20,22
35,44
1358,49
1582,83
46,30
37,44
28,61
26,15
497,09
3,81
3,81
2,54
2,59
2,68
2,01
30,09
19,69
1316,42
1553,96
48,17
38,82
29,01
29,81
442,73
3,81
2,54
1,91
1,97
2,03
3,17
24,65
42,54
1276,42
1489,81
46,22
37,70
26,10
31,75
158,96
3,81
2,54
2,45
2,41
2,59
2,12
13,32
22,42
1384,53
1585,10
43,49
35,30
25,61
27,40
253,85
3,81
2,54
2,58
2,61
2,67
1,41
33,37
28,46
1394,53
1598,87
45,95
38,03
22,98
29,76
434,70
3,81
3,81
2,50
2,55
2,64
2,25
20,42
39,91
1347,36
1517,17
46,11
39,31
27,54
27,56
243,25
3,81
3,81
2,33
2,40
2,50
2,96
20,43
34,90
1341,70
1554,70
45,90
38,52
25,71
27,93
317,92
3,81
3,81
2,54
2,57
2,57
2,25
23,36
38,13
1315,47
1522,45
47,59
39,34
26,76
27,68
662,38
3,81
3,81
2,53
2,59
2,68
2,26
17,08
20,18
1313,77
1530,94
48,07
39,49
28,36
27,47
241,89
3,81
3,81
2,69
2,75
2,86
2,24
15,70
22,28
1356,10
1554,30
48,63
41,12
27,41
28,63
204,31
3,81
3,81
2,64
2,71
2,73
1,01
23,11
26,64
1347,92
1532,64
48,55
41,50
27,60
28,61
409,48
3,81
3,81
2,62
2,67
2,76
1,96
20,01
23,99
1344,15
1617,36
47,49
36,82
27,15
27,14
297,92
3,81
3,81
2,52
2,57
2,66
1,98
24,19
21,37
1355,85
1579,62
46,20
37,32
29,76
29,97
209,82
3,81
3,81
2,51
2,59
2,71
2,83
22,40
22,85
1315,47
1523,02
47,59
39,32
27,22
28,85
328,00
3,81
2,54
2,50
2,57
2,59
2,76
23,26
32,57
1334,72
1549,62
46,61
38,02
28,25
26,40
244,59
3,81
2,54
2,51
2,58
2,68
2,51
20,22
35,44
1358,49
1582,83
46,30
37,44
27,10
29,72
354,69
3,81
2,54
2,54
2,58
2,66
1,86
28,04
20,32
1316,42
1553,96
48,17
38,32
28,54
26,44
287,71
Regresin 1
Luego de haber observado el resultado de la regresin en donde se incluyen todos

los coeficientes de nuestra funcin de demanda para Resistencia a la
compresin (Rcomp). Si este fuera el modelo definitivo, nuestra funcin
quedara de la siguiente manera:
Pero nos falta determinar si los coeficientes de las variables X1, X2, X3, X4, X5,
X6, X7, X8, X9, X10, X11, X12, X13 y X14, son significativamente diferentes de
cero. Esto nos lo indica el valor de la probabilidad que se encuentra ms a la
derecha del resultado.
Si el valor de la probabilidad es menor que 0.05, significa que ese coeficiente es
significativamente diferente de cero, lo que se puede interpretar como que la
variable X correspondiente si est explicando la variabilidad de la variable Y.
El procedimiento continua ordenando los valores de las probabilidades de los

coeficientes obtenidos y la mayor probabilidad de todas las que sean mayores que
0.05, nos indicar que esa variable X no est explicando a Y, luego debemos
retirarla. Para nuestro caso los valores ordenados de las probabilidades de los
coeficientes quedaran como se muestra:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X1
-143,781006
364,335583
-0,39463893
0,69866381
X6
30,4663835
74,7791423
0,4074182
0,68945596
X13
-5,85354928
13,5451969
-0,43214944
0,67178072
X4
-822,02496
1408,09812
-0,58378386
0,56804129
X14
12,8667588
20,4649297
0,62872236
0,53898778
X7
3,723717
5,34296551
0,69693824
0,49650143
X2
30,8422886
37,794689
0,81604822
0,42724215
X5
-834,605305
847,743051
-0,98450268
0,34048301
X10
2,82588267
2,69160149
1,04988895
0,31039093
X12
59,4143752
52,6293276
1,12892142
0,276663
X11
-96,6920965
62,4637644
-1,54797101
0,14246577
X8
5,93092735
3,79060896
1,56463708
0,13851686
X9
-5,27439913
3,14930468
-1,67478211
0,11469326
X3
2474,57148
1434,90907
1,72454934
0,10514784
Intercepcin
3287,60895
4256,35993
0,77239919
0,45187726
Como puede observar los coeficientes de X1, X6, X13, X4, X14, X7, X2, X5, X10,
X12, X11, X8, X9, Y X3, tienen probabilidades mayores que 0.05, lo que indica
que su aporte a la variabilidad de Y no es significativo y el coeficiente con la mayor
probabilidad es el de X1 (0,69866381), lo que nos indica que debemos eliminar la
variable X1 y proceder a efectuar una nueva regresin lineal mltiple. Teniendo en
cuenta que al eliminar una variable el comportamiento de las que quedan puede
variar significativamente.
Eliminamos la columna de la variable X1 y realicemos una nueva regresin lineal
mltiple con lo cual obtenemos el siguiente resultado:
Regresin 2
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X13
-4,95123122
12,9938161
-0,3810452
0,70818183
X14
13,1185789
19,9079995
0,65896018
0,51929304
X6
45,4461057
62,7062087
0,72474651
0,47907309
X2
28,2198027
36,2109869
0,77931604
0,44716805
X7
4,16114579
5,08696021
0,81800242
0,42537082
X4
-1075,86862
1219,10019
-0,88251042
0,3905674
X5
-791,824047
818,300111
-0,96764504
0,34762195
X10
3,04775055
2,56184422
1,18967052
0,25153081
X12
64,5051457
49,6595105
1,29894848
0,21236986
X11
-91,3696744
59,3594669
-1,53926036
0,14328228
X9
-5,13060123
3,04450523
-1,68520033
0,11135099
X8
6,30564441
3,57162713
1,76548228
0,09655625
X3
2662,83349
1317,10023
2,02173945
0,06025629
Intercepcin
1743,9464
1633,25736
1,06777195
0,30146992
La tabla anterior nos indica que el mayor valor de la probabilidad que es mayor
que 0.05 es la probabilidad del coeficiente de X13, lo que nos indica que debemos
eliminar la variable X13y realizar otra regresin lineal mltiple, la cual se muestra a
continuacin:
Regresin 3:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X14
13,791704
19,3245005
0,71369007
0,48510263
X6
48,9295938
60,4564421
0,80933631
0,42950459
X2
30,0586852
34,9740623
0,8594565
0,40204613
X5
-723,369643
778,006493
-0,92977327
0,36550404
X4
-1207,81195
1139,12386
-1,06029905
0,30384128
X7
4,91804937
4,56384241
1,07761157
0,29626163
X10
2,92679903
2,47736739
1,18141501
0,25370204
X12
61,9616805
47,9557276
1,29206007
0,21362536
X11
-89,0214676
57,5352573
-1,54725071
0,14021607
X9
-4,9397901
2,92656674
-1,68791302
0,10968695
X8
6,76231444
3,27887
2,06239175
0,05479495
X3
2729,5189
1272,17837
2,14554734
0,04664373
Intercepcin
1457,4411
1412,96948
1,03147387
0,31677095
eliminar la variable X14 y realizar otra regresin lineal mltiple, la cual se muestra
a continuacin:
Regresin 4:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X6
39,583232
58,21106
0,67999504
0,50516
X5
-577,119434
740,234332
-0,77964424
0,44573115
X2
27,6708969
34,3359103
0,80588797
0,43082598
X4
-1083,21896
1110,21933
-0,97568015
0,34215417
X10
2,62202054
2,40679439
1,0894244
0,29033762
X12
57,8595948
46,9566732
1,2321911
0,2337315
X7
5,74813701
4,3525851
1,32062599
0,20317196
X11
-80,5410934
55,5223332
-1,45060715
0,16409293
X9
-4,44609786
2,80461466
-1,5852794
0,13031396
X8
6,57240702
3,2232067
2,03908952
0,05640162
X3
2347,27831
1138,10876
2,06243762
0,05390199
Intercepcin
1687,10155
1356,95771
1,24329707
0,22970932
eliminar la variable X6 y realizar otra regresin lineal mltiple, la cual se muestra a

continuacin:
Regresin 5:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X5
-307,641802
616,309828
-0,49916745
0,62339188
X2
24,022818
33,430955
0,71858007
0,48114398
X4
-897,095187
1060,6185
-0,84582269
0,40817808
X7
4,866991
4,09601367
1,18822626
0,24938534
X10
3,1086657
2,26518834
1,37236522
0,18593511
X12
67,8001435
43,9873265
1,54135632
0,13972067
X11
-91,9865666
52,1556649
-1,76369272
0,09385815
X9
-5,02178771
2,63568432
-1,90530697
0,07198782
X3
1845,38023
853,977562
2,16092356
0,04367959
X8
7,02085229
3,1100627
2,25746327
0,03594347
Intercepcin
2033,58289
1239,73934
1,64033101
0,11738747

continuacin:
Regresin 6:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X2
26,1525597
32,5292301
0,80397106
0,43086658
X10
2,80828129
2,14240895
1,31080543
0,20477631
X12
60,9722013
41,0142014
1,48661194
0,15271268
X4
-1241,73186
789,868481
-1,5720742
0,13162004
X11
-84,2273278
48,8419508
-1,72448738
0,10004242
X7
5,96783708
3,38621279
1,76239281
0,09328012
X9
-4,84215746
2,56152285
-1,89034326
0,07329179
X3
1899,37006
831,047581
2,28551301
0,03333225
X8
7,60639191
2,82577805
2,69178675
0,01402774
Intercepcin
2042,72659
1216,11307
1,67971765
0,10856696

continuacin:
Regresin 7:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X10
2,72338753
2,12171201
1,2835802
0,21327246
X4
-1093,93683
761,683195
-1,43620975
0,16567327
X12
60,1065883
40,65339
1,47851356
0,15411406
X7
5,8106817
3,35198163
1,73350643
0,0976653
X11
-84,4388953
48,4282637
-1,74358709
0,09585452
X9
-4,86929783
2,53964326
-1,91731567
0,06890245
X3
1786,45232
812,167465
2,19961079
0,03917144
X8
6,99445102
2,69832674
2,59214383
0,01700595
Intercepcin
2270,54503
1172,63893
1,93626952
0,06640896
a continuacin:
Regresin 8:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X12
11,807448
15,6130614
0,75625451
0,45751891
X4
-830,37061
744,200424
-1,11578895
0,27655224
X11
-27,0746189
18,9280183
-1,43039902
0,16665301
X7
6,07511304
3,39452802
1,78967827
0,08728175
X3
1462,16603
783,150843
1,86702989
0,07528071
X9
-1,7749424
0,81055023
-2,18979938
0,03943206
X8
6,6106249
2,72088874
2,42958295
0,02373348
Intercepcin
1662,04487
1088,21206
1,52731709
0,14093257
a continuacin:
Regresin 9:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X4
-710,213409
720,244239
-0,98607302
0,3343577
X11
-14,8090749
9,66685083
-1,53194408
0,13917656
X7
5,8324785
3,34773589
1,74221584
0,09482932
X3
1348,48713
761,40325
1,77105513
0,08980445
X9
-1,6055851
0,77171689
-2,08053644
0,04880318
X8
7,29400921
2,54245401
2,86888541
0,00867588
Intercepcin
1276,65824
952,526658
1,3402861
0,19324299
continuacin:
Regresin 10:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X11
-15,3180632
9,64749576
-1,5877761
0,12542562
X7
6,03527196
3,33948691
1,80724528
0,08327689
X9
-1,43868944
0,7524939
-1,91189515
0,06790003
X8
6,86605294
2,5036939
2,74236916
0,0113458
X3
623,382121
197,372684
3,15840119
0,00424685
Intercepcin
1084,8505
931,916408
1,16410709
0,25582288
a continuacin:
Regresin 11:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X9
-0,86172231
0,67868915
-1,26968629
0,21588845
X7
6,1214302
3,43912227
1,77993968
0,08724557
X8
5,6181331
2,44837868
2,29463405
0,03042497
X3
375,034317
123,987142
3,02478395
0,00568867
Intercepcin
251,173421
792,998213
0,31673895
0,7540715
continuacin:
Regresin 12:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
X7
6,08670358
3,4792594
1,74942506
0,09201435
X8
5,4512847
2,47346109
2,20390962
0,03658665
X3
288,010008
104,529402
2,7553014
0,01056755
Intercepcin
-680,580154
304,044769
-2,23842086
0,03397372
continuacin:
Regresin 13:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x3
273,088913
108,08302
2,5266588
0,0176835
x8
5,75924683
2,55959923
2,25005805
0,03279811
Intercepcin
-517,761297
300,291394
-1,72419625
0,09610563
Observamos que todas las probabilidades de las tres variables X7, X8, y X3 todas
son menores que 0.05, lo que indica que nuestro modelo definitivo quedara de la
siguiente manera:
Algunos detalles adicionales del reporte de Excel nos permiten observar adems
que nuestro modelo definitivo es bueno por el valor del Valor crtico de F el cual
es de 0.022350389, que es mucho menor que 0.05.
Otro valor que se puede interpretar es el valor de R que es igual a 0.18948873, a
partir del cual puede decirse que aproximadamente el 18.95% de la variacin en Y
es debida a las variables X3, y X8.
San Cayetano (Sc) por R:

Cargamos el archivo en R, seleccione todo el conjunto de datos y envelas a R con
la siguiente orden:
d=read.delim("clipboard")
attach(d)
Invocamos la librera MASS (que contiene la funcin stepAIC()) con la siguiente
orden:
library(MASS)
Genere una regresin lineal mltiple con la variable Y, en funcin de todas las
dems variables X, con la siguiente orden:
r1=lm(y~.,data=d)
Puede observar todos los detalles de la modelacin con la siguiente orden:
summary(r1)
En el listado anterior, observamos que los valores de las probabilidades de cada

uno de los coeficientes estimados, aquellos valores mayores de 0.05 significan
que deben salir del modelo. Puede seguir el procedimiento indicado en el taller de
regresin lineal mltiple.
Pero puede realizar la modelacin con eliminacin hacia atrs, utilizando la
funcin stepAIC(), con la siguiente orden:
r2=stepAIC(r1,k=log(length(d)))
Importante usar k=log(length(d) este nos brinda una salida detallada de todos los
pasos del proceso de modelacin. Observe que se incluye dentro del parntesis el
valor de la matriz d. El resultado es el siguiente:
Como puede apreciar las variables que selecciona el mtodo de eliminacin hacia
atrs no son las mismas que obtuvimos con el procedimiento manual utilizando
Excel. Con esta observacin procedemos a realizar una regresin lineal mltiple
en R utilizando solamente las variables X11, X7, X9, X8 y X3, la cual la podemos
realizar de la siguiente manera:
r1=lm(y~x11+x7+x9+x8+x3,data=d)
summary(r1)
Y = 1084.8505 + X11*-15.3181 + X7*6.0353 X9*-1.4387 + x8*6.8661 +

x3*623.3821
Algunos detalles adicionales del reporte de R nos permiten observar adems que
nuestro modelo definitivo es bueno por el valor del P-value el cual es de 0.01498,
que es mucho menor que 0.05.
Otro valor que se puede interpretar es el valor de R que es igual a 0.426, a partir
del cual puede decirse que aproximadamente el 42.6% de la variacin en Y es
debida a las variables X11, X7, X9, X8 y X3.
El procedimiento en Excel report solamente las variables X3 y X8
Mientras que el procedimiento en R:

Y = 1084.8505 + X11*-15.3181 + X7*6.0353 X9*-1.4387 + X8*6.8661 +
X3*623.3821
Slo nos restara averiguar si existe alguna diferencia significativa entre los dos
modelos, lo cual lo podemos averiguar con la funcin anova() de R. Llamemos a r1
al primer modelo de tres variables X11, X7, X9, X8 y X3, luego llamemos r2 al
segundo modelo de dos variables X11 y X3. Finalmente verificaremos si hay
diferencias entre ellos aplicando la funcin anova() a los dos modelos r1 y r2. El
procedimiento en R es el siguiente:
r1=lm(y~x11+x7+x9+x8+x3,data=d)
r2=lm(y~x11+x3,data=d)
anova(r1,r2)
El resultado se muestra a continuacin:
El resultado de la funcin anova() de R, que realmente es un anlisis de la

varianza de los dos modelos, nos reporta un valor de la probabilidad igual a
0.01234. Como este valor es menor que 0.05 podemos concluir que los dos
modelos tienen diferencias significativas, es decir, cualquiera de los dos modelos
que se utilicen dar resultados estadsticamente significativas. El planteamiento de
las hiptesis sera:
Ho:
Ha:
r1 = r2
r1 r2
Como el valor de la probabilidad Pr(>F) fue de 0.01234 y este valor es menor que
0.05, podemos rechazar la hiptesis nula con lo que concluimos que los dos
modelos r1 y r2 son diferentes.
Ejercicio 2 de Tol viejo (Tv): Al estimar una funcin de demanda para

resistencia a la compresin (Rcomp), en cierta ciudad intermedia, se incluyeron
las siguientes variables:
Y: Rcomp, X1: tmax, X2: tmaxnom, X3: pea, X4: psss, X5: pen, X6: abs, X7: iapla,
X8: ialar, X9: pus, X10: puc, X11: vas, X12: vac, X13: trit, X14: desg.
Obtenemos la funcin de demanda para el Rcomp, mediante los siguientes
pasos los cuales se demostraran en la siguiente tabla.
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
x14
1,50 2,54 1,93 1,97 2,02 2,15 25,30 24,83 1276,42 1489,81 22,81 22,81 26,10 28,23 262,71
1,50 2,54 2,46 2,55 2,71 3,70 13,32 22,42 1384,53 1585,09 35,57 35,57 25,61 28,78 282,41
1,50 2,54 2,57 2,61 2,69 1,79 33,37 28,46 1399,43 1598,87 37,79 37,79 22,98 27,98 330,57
1,50 2,54 2,50 2,56 2,65 2,25 20,42 39,91 1346,60 1527,92 38,88 38,88 27,54 29,16 351,00
1,50 3,81 2,50 2,56 2,65 2,33 20,43 34,90 1318,30 1541,89 38,32 38,32 25,71 27,96 420,99
1,50 3,81 2,51 2,57 2,65 2,12 23,36 38,13 1315,47 1522,45 39,34 39,34 24,57 28,58 502,30
1,50 3,81 2,50 2,55 2,64 2,26 17,08 20,18 1313,77 1530,94 38,76 38,76 27,19 27,77 394,37
1,50 3,81 2,69 2,75 2,86 2,24 15,70 22,28 1356,04 1554,34 42,22 42,22 28,29 27,47 303,44
1,50 3,81 2,61 2,63 2,68 1,01 23,11 26,64 1347,92 1532,64 41,28 41,28 28,26 27,40 387,50
1,50 3,81 2,57 2,59 2,63 0,94 20,01 23,99 1344,15 1617,36 37,07 37,07 27,37 28,27 270,05
1,50 3,81 2,52 2,57 2,65 1,98 24,19 21,37 1355,85 1579,62 37,32 37,32 28,53 27,43 302,08
1,50 2,54 2,52 2,59 2,71 2,81 22,40 22,85 1315,47 1523,02 39,56 39,56 25,71 28,55 354,69
1,50 2,54 2,52 2,59 2,71 2,75 23,26 32,57 1334,72 1549,62 38,51 38,51 23,58 28,08 302,37
1,50 2,54 2,53 2,59 2,69 2,39 20,22 35,44 1358,49 1582,83 37,44 37,44 28,61 26,15 462,82
1,50 2,54 2,54 2,59 2,68 2,01 30,09 19,69 1316,42 1553,96 38,82 38,82 29,01 29,81 278,45
5,08 3,81 2,59 2,67 2,79 2,76 28,53 29,20 1336,98 1548,87 44,29 38,35 26,42 29,67 669,52
3,81 3,81 2,51 2,56 2,65 2,06 22,42 19,70 1341,89 1530,94 46,54 39,01 25,72 28,45 421,67
3,81 3,81 2,44 2,50 2,60 2,51 28,46 18,37 1336,23 1531,32 46,54 37,24 23,01 28,13 215,68
3,81 2,54 2,47 2,52 2,60 1,93 39,91 25,37 1366,42 1579,81 44,68 36,04 26,84 29,16 320,29
3,81 2,54 2,44 2,47 2,52 1,37 34,90 22,04 1365,47 1558,87 44,04 36,11 26,65 28,13 255,15
3,81 3,81 2,54 2,59 2,67 1,89 38,13 28,93 1364,53 1517,74 46,28 40,25 24,57 28,58 568,25
3,81 3,81 2,55 2,60 2,67 1,81 20,18 25,42 1356,04 1555,28 46,82 39,01 27,43 27,77 359,03
3,81 2,54 2,53 2,57 2,64 1,60 22,28 27,96 1351,32 1452,45 46,59 42,59 27,98 27,47 379,78
3,81 3,81 2,44 2,51 2,61 2,59 26,64 23,47 1344,15 1498,11 44,91 38,60 28,26 27,40 210,04
3,81 3,81 2,50 2,56 2,60 2,59 23,99 24,01 1315,47 1508,11 46,96 39,19 27,37 28,27 193,32
3,81 3,81 2,46 2,53 2,65 2,90 21,37 27,56 1356,23 1504,34 44,42 38,35 28,53 27,43 327,67
3,81 3,81 2,42 2,48 2,58 2,56 22,85 26,13 1333,40 1521,51 44,90 37,13 25,71 28,55 317,82
3,81 3,81 2,51 2,56 2,65 2,11 32,57 26,70 1356,04 1502,64 45,97 40,13 23,58 28,08 162,67
3,81 3,81 2,38 2,44 2,53 2,49 35,44 29,08 1338,87 1485,47 45,13 39,12 28,61 26,15 404,78
3,81 3,81 2,40 2,47 2,56 2,58 19,69 24,51 1435,85 1559,43 40,17 35,02 29,01 29,81 261,70
Regresin 1:
Luego de haber observado el resultado de la regresin en donde se incluyen todos

los coeficientes de nuestra funcin de demanda para Resistencia a la
compresin (Rcomp). Si este fuera el modelo definitivo, nuestra funcin
quedara de la siguiente manera:
Y = 783.493529 + x1*102.3715017 + x2*25.5789293 + x3*-671.887951 + x4*1172.10603 + x5*2217.481569 + x6*-112.146043 +
x7*1.807528918 +
x8*8.699090676 + x9*-1.46328161 + x10*0.362831829 + x11*-27.9621945 +
x12*15.30868059 + x13*2.676998888 + x14*-3.36748835
Pero nos falta determinar si los coeficientes de las variables X1, X2, X3, X4, X5,
X6, X7, X8, X9, X10, X11, X12, X13 y X14, son significativamente diferentes de
cero. Esto nos lo indica el valor de la probabilidad que se encuentra ms a la
derecha del resultado.
Si el valor de la probabilidad es menor que 0.05, significa que ese coeficiente es
significativamente diferente de cero, lo que se puede interpretar como que la
variable X correspondiente si est explicando la variabilidad de la variable Y.
El procedimiento continua ordenando los valores de las probabilidades de los

coeficientes obtenidos y la mayor probabilidad de todas las que sean mayores que
0.05, nos indicar que esa variable X no est explicando a Y, luego debemos
retirarla. Para nuestro caso los valores ordenados de las probabilidades de los
coeficientes quedaran como se muestra:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x3
-671,887951
7535,68755
-0,0891608
0,93013369
x14
-3,36748835
27,9960441
-0,12028444
0,90585419
x4
-1172,10603
8053,91447
-0,14553247
0,88622812
x10
0,36283183
2,12007142
0,17114132
0,86639993
x13
2,67699889
13,7431513
0,19478785
0,84817277
x12
15,3086806
56,413948
0,2713634
0,78981055
x7
1,80752892
4,28351686
0,42197311
0,67903021
x6
-112,146043
192,434902
-0,58277393
0,56870363
x2
25,5789293
40,033937
0,63893115
0,53250363
x5
2217,48157
1781,38051
1,24481072
0,23229942
x11
-27,9621945
22,0654403
-1,26723936
0,2243913
x1
102,371502
71,6497028
1,42877776
0,17356107
x9
-1,46328161
0,97554552
-1,49996242
0,1543763
x8
8,69909068
5,04912171
1,72289186
0,10545423
Intercepcin
783,493529
1967,46712
0,39822446
0,69607531
Como puede observar los coeficientes de X3, X14, X4, X10, X13, X12, X7, X6, X2,
X5, X11, X1, X9, Y X8, tienen probabilidades mayores que 0.05, lo que indica que
su aporte a la variabilidad de Y no es significativo y el coeficiente con la mayor
probabilidad es el de X3 (0,93013369), lo que nos indica que debemos eliminar la
variable X3 y proceder a efectuar una nueva regresin lineal mltiple. Teniendo en
cuenta que al eliminar una variable el comportamiento de las que quedan puede
variar significativamente.
Eliminamos la columna de la variable X3 y realicemos una nueva regresin lineal
mltiple con lo cual obtenemos el siguiente resultado:
Regresin 2
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x14
-2,33992911
24,7102478
-0,09469468
0,92573313
x10
0,33863603
2,03640372
0,1662912
0,87001104
x13
3,19720907
12,0512453
0,26530114
0,79416528
x12
14,4879618
53,904817
0,26876933
0,79154198
x7
1,86621964
4,09931883
0,45525116
0,65504542
x2
26,6155036
37,1020435
0,7173595
0,48349469
x4
-1866,46536
1988,84309
-0,93846788
0,361956
x6
-96,5214115
77,0051995
-1,25344019
0,22805289
x11
-27,8400362
21,3291956
-1,30525486
0,21026545
x5
2268,86946
1632,47574
1,38983349
0,18361566
x1
102,613527
69,3430895
1,47979456
0,15834826
x9
-1,46056049
0,94435569
-1,54662116
0,14150386
x8
8,97105752
3,89686225
2,30212334
0,03509866
Intercepcin
711,887721
1739,51855
0,40924411
0,68778659
a continuacin:
Regresin 3:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x10
0,36715982
1,9544172
0,18786154
0,8532093
x13
3,39288386
11,5215034
0,29448274
0,77195467
x12
15,4239854
51,423014
0,29994324
0,76785705
x7
1,8477782
3,9735461
0,46501995
0,64781815
x2
27,1916143
35,5170061
0,76559421
0,45441672
x4
-1912,78339
1870,72337
-1,02248329
0,32088317
x6
-96,8794976
74,6367924
-1,29801261
0,21161852
x11
-27,7198287
20,6614665
-1,34161961
0,19736716
x5
2285,41355
1575,07946
1,45098302
0,16498735
x1
102,003495
67,0005098
1,52242864
0,14628572
x9
-1,46338601
0,91595872
-1,59765499
0,12853956
x8
9,0220186
3,74533627
2,40886744
0,02762623
Intercepcin
634,081191
1487,87173
0,42616657
0,67533362
a continuacin:
Regresin 4:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x12
6,65574881
20,9976713
0,31697557
0,7549091
x13
3,89697643
10,9002878
0,35751133
0,72486663
x7
2,10073282
3,63689107
0,57761775
0,57067776
x2
28,2986374
34,0732515
0,83052354
0,41712322
x4
-1759,39787
1637,41599
-1,07449658
0,29679343
x6
-101,235552
69,016263
-1,46683618
0,15967499
x5
2313,0575
1525,58849
1,51617394
0,14684056
x11
-25,3279179
15,830144
-1,59998026
0,12700758
x9
-1,35985555
0,7117455
-1,91059242
0,07211915
x1
92,9162358
45,1001198
2,06022149
0,05413487
x8
9,02055141
3,64358085
2,47573796
0,02346017
Intercepcin
841,508289
970,211939
0,86734481
0,39716891
a continuacin:
Regresin 5:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x13
4,96200576
10,121075
0,4902647
0,62956019
x7
2,06897763
3,54840866
0,58307197
0,56670185
x2
29,1574488
33,1515917
0,87951882
0,39010862
x4
-1822,74701
1586,23642
-1,14910172
0,26477457
x6
-106,414997
65,4474941
-1,62595984
0,12043005
x5
2438,77207
1437,83945
1,69613657
0,10618386
x9
-1,41507411
0,67356355
-2,10087692
0,04922882
x11
-21,3310655
9,3413843
-2,28350155
0,03408427
x1
83,9854509
34,3725986
2,44338381
0,02448556
x8
9,49577716
3,24126963
2,92964741
0,00859914
Intercepcin
826,162596
945,787185
0,87351849
0,39328732
a continuacin:
Regresin 6:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x7
1,47667252
3,27243282
0,45124609
0,65666691
x2
28,0185986
32,4359935
0,86381194
0,39793277
x4
-1696,53917
1535,19561
-1,10509642
0,28223535
x6
-106,303384
64,1921599
-1,65601819
0,11332484
x5
2324,8396
1391,7274
1,67047053
0,1104028
x9
-1,38904259
0,65859219
-2,10910881
0,04773906
x11
-21,6641234
9,13800391
-2,37077196
0,02791093
x1
86,3133519
33,390285
2,58498398
0,01769181
x8
9,34288768
3,16437023
2,95252673
0,00787231
Intercepcin
931,948152
903,188034
1,03184289
0,31446289
continuacin:
Regresin 7:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x2
23,2148656
30,0527327
0,77247104
0,44844269
x4
-1779,01007
1495,09628
-1,18989666
0,24736608
x5
2385,44751
1358,71144
1,75566896
0,09372229
x6
-114,523938
60,3744802
-1,89689315
0,07168111
x9
-1,40218052
0,64535216
-2,172737
0,04139249
x11
-21,1531939
8,89398942
-2,37836959
0,02695964
x1
89,5307785
31,9956305
2,79821891
0,01077258
x8
9,48197117
3,08903096
3,06956171
0,00581648
Intercepcin
1037,58233
855,62329
1,21266256
0,23872499
continuacin:
Regresin 8:
Variables
x4
x5
x6
x9
x11
Coeficientes
Error tpico
Estadstico t
Probabilidad
-1518,64975
2168,73834
-107,485701
-1,47842034
-21,0136309
1443,19693
1317,19223
59,1334454
0,63188801
8,81027485
-1,05228172
1,64648583
-1,81768034
-2,33968727
-2,38512774
0,30409163
0,11387573
0,08275866
0,02878042
0,02611708
x1
x8
93,0761626
9,18591228
31,3731632
3,03693856
2,96674461
3,02472773
0,00712211
0,00622693
Intercepcin
1102,7763
843,610579
1,30721014
0,20463972
continuacin:
Regresin 9:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x6
-55,0361447
31,8919775
-1,72570499
0,09781282
x9
-1,39770154
0,62867601
-2,22324618
0,0363066
x11
-23,4403026
8,52291752
-2,75026744
0,01139719
x8
8,86194412
3,02833196
2,92634501
0,00759178
x1
97,109221
31,2107214
3,11140584
0,00491293
x5
803,662013
228,848135
3,51176999
0,00187352
Intercepcin
705,566211
756,205475
0,93303505
0,3604941
continuacin:
Regresin 10:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x9
-1,19280444
0,6422998
-1,85708364
0,07561396
x11
-17,1383753
8,01201036
-2,13908551
0,04280717
x1
73,8743301
29,2946096
2,52177213
0,01872276
x8
8,80620636
3,15047832
2,79519663
0,01004054
x5
639,340194
216,503405
2,95302604
0,00693658
Intercepcin
543,442075
780,656392
0,69613479
0,49303155
continuacin:
Regresin 11:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x11
-13,5291957
8,14450399
-1,66114421
0,10917603
x1
56,1285613
29,0168375
1,93434454
0,06446549
x5
475,671424
207,212308
2,29557514
0,03036306
x8
9,00599561
3,29924444
2,72971457
0,0114418
Intercepcin
-738,324352
382,196996
-1,93179005
0,06479543
a continuacin:
Regresin 12:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x1
14,2377953
14,8313913
0,95997705
0,34590975
x5
208,747543
135,184986
1,54416218
0,13463468
x8
9,3744021
3,40133507
2,75609486
0,01054783
Intercepcin
-492,769702
364,182785
-1,35308346
0,18767811
continuacin:
Regresin 13:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x5
207,072853
134,977224
1,53413181
0,13663303
x8
8,75853162
3,33542821
2,6259092
0,01406116
Intercepcin
-433,697718
358,424664
-1,21001081
0,23676226
continuacin:
Regresin 14:
Variables
Coeficientes
Error tpico
Estadstico t
Probabilidad
x8
9,22861377
3,400655
2,71377537
0,01125409
Intercepcin
98,7680914
91,6020626
1,07822999
0,29013279
Observamos que las probabilidades estn en la variable X8 ya que es menor que

0.05, lo que indica que nuestro modelo definitivo quedara de la siguiente manera:
Algunos detalles adicionales del reporte de Excel nos permiten observar adems
que nuestro modelo definitivo es bueno por el valor del Valor crtico de F el cual
es de 0.011254087, que es mucho menor que 0.05.
Otro valor que se puede interpretar es el valor de R que es igual a 0.17997039, a
partir del cual puede decirse que aproximadamente el 17.99% de la variacin en Y
es debida a las variable X8.
Tol viejo (Tv) por R:

Cargamos el archivo en R, seleccione todo el conjunto de datos y envelas a R con
la siguiente orden:
d=read.delim("clipboard")
attach(d)
Invocamos la librera MASS (que contiene la funcin stepAIC()) con la siguiente
orden:
library(MASS)
Genere una regresin lineal mltiple con la variable Y, en funcin de todas las
dems variables X, con la siguiente orden:
r1=lm(y~.,data=d)
Puede observar todos los detalles de la modelacin con la siguiente orden:
summary(r1)
En el listado anterior, observamos que los valores de las probabilidades de cada

uno de los coeficientes estimados, aquellos valores mayores de 0.05 significa que
deben salir del modelo. Puede seguir el procedimiento indicado en el taller de
regresin lineal mltiple.
Pero puede realizar la modelacin con eliminacin hacia atrs, utilizando la
funcin stepAIC(), con la siguiente orden:
r2=stepAIC(r1,k=log(length(d)))
Importante usar k=log(length(d) este nos brinda una salida detallada de todos los
pasos del proceso de modelacin. Observe que se incluye dentro del parntesis el
valor de la matriz d. El resultado es el siguiente:
Como puede apreciar las variables que selecciona el mtodo de eliminacin hacia
atrs no son las mismas que obtuvimos con el procedimiento manual utilizando
Excel. Con esta observacin procedemos a realizar una regresin lineal mltiple
en R utilizando solamente las variables X6, X9, X11, X8, X1, y X5 la cual la
podemos realizar de la siguiente manera:
r1=lm(y~x6+x9+x11+x8+x1+x5,data=d)
summary(r1)
Y = 705.5662 + X6*-55.0361 + X9*-1.3977 + X11*-23.4403 + X8*8.8619 +

X1*97.1092 + X5*803.6620
Algunos detalles adicionales del reporte de R nos permiten observar adems que
nuestro modelo definitivo es bueno por el valor del P-value el cual es de
0.007045, que es mucho menor que 0.05.
Otro valor que se puede interpretar es el valor de R que es igual a 0.5097, a partir
del cual puede decirse que aproximadamente el 50.97% de la variacin en Y es
debida a las variables X6, X9, x11, x8, X1 y X5.
El procedimiento en Excel report solamente la variable X8
Mientras que el procedimiento en R:

Y = 705.5662 + X6*-55.0361 + X9*-1.3977 + X11*-23.4403 + X8*8.8619 +
X1*97.1092 + X5*803.6620
Slo nos restara averiguar si existe alguna diferencia significativa entre los dos
modelos, lo cual lo podemos averiguar con la funcin anova() de R. Llamemos a r1
al primer modelo de tres variables X6, X9, x11, X8, X1 y X5, luego llamemos r2 al
segundo modelo de dos variables X6 y X5. Finalmente verificaremos si hay
diferencias entre ellos aplicando la funcin anova() a los dos modelos r1 y r2. El
procedimiento en R es el siguiente:
r1=lm(y~x6+x9+x11+x8+x1+x5,data=d)
r2=lm(y~x6+x5,data=d)
anova(r1,r2)
El resultado se muestra a continuacin:
El resultado de la funcin anova() de R, que realmente es un anlisis de la

varianza de los dos modelos, nos reporta un valor de la probabilidad igual a
0.005023. Como este valor es menor que 0.05 podemos concluir que los dos
modelos tienen diferencias significativas, es decir, cualquiera de los dos modelos
que se utilicen dar resultados estadsticamente significativas. El planteamiento de
las hiptesis sera:
Ho:
Ha:
r1 = r2
r1 r2
Como el valor de la probabilidad Pr(>F) fue de 0.005023 y este valor es menor que
0.05, podemos rechazar la hiptesis nula con lo que concluimos que los dos
modelos r1 y r2 son diferentes.

Modelacion Por Excel y El Criterio de Akaike (Aic) en R

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelacion Por Excel y El Criterio de Akaike (Aic) en R

Uploaded by

Copyright:

Available Formats

MODELACION POR EXCEL Y EL CRITERIO DE AKAIKE (AIC) EN R

JULIO JOSE DIAZ CORTEZ

TALLER ESTADISTICA APLICADA

Luego de haber observado el resultado de la regresin en donde se incluyen todos

El procedimiento continua ordenando los valores de las probabilidades de los

eliminar la variable X6 y realizar otra regresin lineal mltiple, la cual se muestra a

eliminar la variable X5 y realizar otra regresin lineal mltiple, la cual se muestra a

eliminar la variable X2 y realizar otra regresin lineal mltiple, la cual se muestra a

San Cayetano (Sc) por R:

En el listado anterior, observamos que los valores de las probabilidades de cada

Y = 1084.8505 + X11*-15.3181 + X7*6.0353 X9*-1.4387 + x8*6.8661 +

Mientras que el procedimiento en R:

El resultado de la funcin anova() de R, que realmente es un anlisis de la

Ejercicio 2 de Tol viejo (Tv): Al estimar una funcin de demanda para

Luego de haber observado el resultado de la regresin en donde se incluyen todos

El procedimiento continua ordenando los valores de las probabilidades de los

Observamos que las probabilidades estn en la variable X8 ya que es menor que

Tol viejo (Tv) por R:

En el listado anterior, observamos que los valores de las probabilidades de cada

Y = 705.5662 + X6*-55.0361 + X9*-1.3977 + X11*-23.4403 + X8*8.8619 +

Mientras que el procedimiento en R:

El resultado de la funcin anova() de R, que realmente es un anlisis de la

You might also like

Y = 1084.8505 + X11-15.3181 + X76.0353 X9-1.4387 + x86.8661 +

Y = 705.5662 + X6-55.0361 + X9-1.3977 + X11-23.4403 + X88.8619 +