Ante todo plotearemos las variables PBI y GP para ver si efectivamente existe una relación lineal PBI = f(GP) entre ellas. Esto lo haremos usando la siguiente secuencia:
<Graph> - <ScatterPlot>. Seleccione <Wth groups> - <Ok>. Como variable X elegimos a GP y como Y elegimos a PBI. La gráfica se muestra en la siguiente figura.
La gráfica nos indica que efectivamente existe una relación entre las variables. Pero qué tan bien queda explicada, PBI por GP; si se incrementa una unidad de GP, en cuánto se incrementa el PBI? Qué grado de correlación existe entre ellas?
Necesitamos pues obtener mayor información. Esto nos lo permite el uso de la regresión lineal.
Usando los datos del archivo Regre01.Mtw, obtendremos los estimadores de la ecuación YPBI = a + b GPT + mT
Para ello usemos la siguiente secuencia:
<Stat> - <Regression> - <Regression>
En la siguiente ventana ingresar a la variable GP como variable predictora(Predictor) y a PBI como la variable explicativa(Response).
Ingresando por la opción <Results> pedimos Ecuación de regresión, coeficientes, r,...
Ingresando por la opción <Graph> pedimos ploteo de Residuales vs lo estimado.
Igualmente podemos almacenar una serie de resultados como los valores de los coeficientes, la tabla de los residuales, etc.
Los resultados se dan a continuación; también mostramos la gráfica de los residuales vs el PBI ajustados.
Regression Analysis
The regression equation is
PBI = - 439 + 13.3 GP
Predictor Coef StDev T P
Constant -439.2 221.0 -1.99 0.072
GP 13.2908 0.9434 14.09 0.000
S = 139.9 R-Sq = 94.7% R-Sq(adj) = 94.3%
© Ilmer Condor Espinoza. Todos los derechos reservados.
Prohibida la reproducción por cualquier medio.
Publicación web autorizada a aulaClic.
Enero-2009.
Cursos Informática Gratuitos Síguenos en: Facebook Sobre aulaClic Política de Cookies