Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Los mejores documentos en venta realizados por estudiantes que han terminado sus estudios
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Descubre las mejores universidades de tu país según los usuarios de Docsity
Ebooks gratuitos
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
Diagramas Dispersión, coeficiente correlación y modelo lineal en R
Tipo: Ejercicios
1 / 12
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL Introducción Este trabajo analiza la relación entre las ventas (ingresos operacionales) y el total de activos de un conjunto de empresas de un sector económico específico en Colombia durante el año
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL
6. Modelo de regresión lineal - Estimar modelo lineal - Extraer coeficientes del modelo - Graficar y validar los supuestos del modelo Resultados
3.
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL
Análisis del Diagrama de Dispersión: Ventas vs. Activos Se observa una relación positiva entre los activos y las ventas. A medida que los activos aumentan, los ingresos operacionales también tienden a aumentar. Esto sugiere que las empresas con más activos suelen generar más ventas, lo cual es lógico, ya que más recursos pueden facilitar una mayor producción o mejores operaciones. Parece que el modelo se ajusta bien en la parte inicial de los datos (cuando los activos son pequeños), pero hay algunos puntos alejados (outliers) en la parte superior derecha. Hay algunos puntos que se alejan de la tendencia general. Estas empresas pueden tener activos grandes, pero ventas más bajas de lo esperado (o viceversa). Se podría analizar qué tipo de empresas son y si hay factores específicos que expliquen estas desviaciones. La mayoría de los puntos están concentrados en la parte inferior izquierda del gráfico, lo que indica que muchas empresas tienen valores relativamente bajos de activos y ventas. Pocas empresas tienen valores muy altos, lo que genera cierta asimetría en la distribución de los datos.
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL Las cuatro gráficas de diagnóstico muestran lo siguiente:
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL
conteo_ciiu <- datos_completos %>% group_by(CIIU.x) %>% summarise(num_empresas = n()) %>% filter(num_empresas >= 30) # Filtrar solo los que tienen al menos 30 empresas
set.seed(150) # Fijar semilla para reproducibilidad ciiu_seleccionado <- sample(conteo_ciiu$CIIU.x, 1)
datos_filtrados <- datos_completos %>% filter(CIIU.x == ciiu_seleccionado) %>% select( SECTOR.x, VENTAS = 41 INGRESOS OPERACIONALES, ACTIVOS = TOTAL ACTIVO)
print(paste("CIIU seleccionado:", ciiu_seleccionado))
str(datos_filtrados) summary(datos_filtrados)
ECONOMETRIA DIAGRAMAS DIPERSION, COEFICIENTE CORRELACION Y MODELO LINEAL estadisticas <- data.frame( Variable = c("VENTAS", "ACTIVOS"), Media = c(mean(datos_filtrados$VENTAS, na.rm = TRUE), mean(datos_filtrados$ACTIVOS, na.rm = TRUE)), Minimo = c(min(datos_filtrados$VENTAS, na.rm = TRUE), min(datos_filtrados$ACTIVOS, na.rm = TRUE)), Maximo = c(max(datos_filtrados$VENTAS, na.rm = TRUE), max(datos_filtrados$ACTIVOS, na.rm = TRUE)), Varianza = c(var(datos_filtrados$VENTAS, na.rm = TRUE), var(datos_filtrados$ACTIVOS, na.rm = TRUE)), Asimetria = c(skewness(datos_filtrados$VENTAS, na.rm = TRUE), skewness(datos_filtrados$ACTIVOS, na.rm = TRUE)), Curtosis = c(kurtosis(datos_filtrados$VENTAS, na.rm = TRUE), kurtosis(datos_filtrados$ACTIVOS, na.rm = TRUE)) ) print(estadisticas)
ggplot(datos_filtrados, aes(x = ACTIVOS, y = VENTAS)) + geom_point(color = "blue") + geom_smooth(method = "lm", se = FALSE, color = "red") + labs(title = "Diagrama de Dispersión: Ventas vs Activos", x = "Total Activos", y = "Ventas (Ingresos operacionales)") + theme_minimal()
