Professional Documents
Culture Documents
1. En el conjunto de datos mtcars, ajustar un modelo de regresin lineal de weight (predictor) en mpg
(respuesta). Obtenga un intervalo de confianza del 95% para las mpg esperado en el weight promedio. Cul
es el limite inferior del intervalo?. Como se interpreta el coeficiente del weight?
Tomando las variables asignadas tendriamos el siguiente modelo
data(mtcars)
pred <- mtcars[,"wt"]
res <- mtcars[,"mpg"]
reg<-lm(res~pred);reg
##
## Call:
## lm(formula = res ~ pred)
##
## Coefficients:
## (Intercept) pred
## 37.285 -5.344
yb = 37.285 5.344(W t)
Por lo tanto tenemos que por cada unnidad en que incremente el peso del vehiculo tendremos como respuesta
que el promedio de millas por galon se vera reducida en 5.344.
Luego un intervalo de confianza para mpg esperado en el weight promedio es:
s
1 2
(X0 X)
E(by ) t(0.95,n2) +P
2
b
n (Xi X)
entonces
1
reg1 <- lm(res ~ I(pred/2))
Coef <- coef(summary(reg1))
(Coef[2,1] + c(-1, 1) * qt(.975, df = reg1$df) * Coef[2, 2])
##
## Call:
## lm(formula = mpg ~ cyl + wt, data = mtcars)
##
## Coefficients:
## (Intercept) cyl6 cyl8 wt
## 33.991 -4.256 -6.071 -3.206
Por lo tanto la estimacin ajustada para el cambio esperado en mpg comparando 8 cilindros con 4 es:
summary(reg2)$coef[3, 1]
## [1] -6.07086
reg3
##
## Call:
## lm(formula = mpg ~ I(wt * 0.5) + factor(cyl), data = mtcars)
##
## Coefficients:
## (Intercept) I(wt * 0.5) factor(cyl)6 factor(cyl)8
## 33.991 -6.411 -4.256 -6.071
2
As el coeficiente wt se interpreta como el cambio estimado que se espera en MPG por una tonelada de
aumento de peso para un nmero especfico de cilindros ya sea 4, 6 o 8.
5. Considere el siguiente conjunto de datos
De la diagonal de la matriz Hat para el punto ms influyente. se tienen los siguientes datos
pred
## [1] 2.620 2.875 2.320 3.215 3.440 3.460 3.570 3.190 3.150 3.440 3.440
## [12] 4.070 3.730 3.780 5.250 5.424 5.345 2.200 1.615 1.835 2.465 3.520
## [23] 3.435 3.840 3.845 1.935 2.140 1.513 3.170 2.770 3.570 2.780
res
## [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2
## [15] 10.4 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4
## [29] 15.8 19.7 15.0 21.4
##
## Call:
## lm(formula = res ~ pred)
##
## Coefficients:
## (Intercept) pred
## 37.285 -5.344
h<-hatvalues(reg4);h
## 1 2 3 4 5 6
## 0.04326896 0.03519677 0.05837573 0.03125017 0.03292182 0.03323551
## 7 8 9 10 11 12
## 0.03544265 0.03127502 0.03140238 0.03292182 0.03292182 0.05575179
## 13 14 15 16 17 18
## 0.04010861 0.04192052 0.17047665 0.19533191 0.18379417 0.06611662
## 19 20 21 22 23 24
## 0.11774978 0.09562654 0.05031684 0.03433832 0.03284761 0.04431718
## 25 26 27 28 29 30
## 0.04452785 0.08664873 0.07035096 0.12911356 0.03132522 0.03798993
## 31 32
## 0.03544265 0.03769190
3
max(hatvalues(reg4))
## [1] 0.1953319