Regresion lineal simple
rls.RdAjuste del modelo de regresion lineal simple de acuerdo a la especificacion y~x
Usage
rls(
y = NULL,
x = NULL,
data = NULL,
pred = NULL,
grf = TRUE,
dfout = F,
alfa = 0.05,
conf = 1 - alfa,
decs = 3
)Arguments
- y
vector: variable explicada o formula del modelo lineal
- x
vector: variable explicativa
- data
data.frame: tabla de datos (necesaria si se indica y como formula)
- pred
vector: valores del regresor para realizar pronosticos a partir del modelo
- grf
valor logico: si grf=FALSE se omite la salida grafica
- dfout
valor logico: si dfout=TRUE el procedimiento devuelve la matriz de datos con valores residuales y pronosticos
- alfa
valor real < 1: error alfa (parametro alternativamente al nivel de confianza, en tanto por uno). Por defecto =.05.
- conf
valor real < 1: nivel de confianza para la elaboracion del IC para la estimacion del efecto
- decs
valor entero: precision decimal para la salida de resultados. Por defecto = 4.
Value
Informe con medidas descriptivas, correlaciones, estimacion de los parametros de regr. lineal, descriptiva residual y graficos de dispersion y de la distribucion residual
References
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis.
Examples
pre <-c(200.1, 190.9, 192.7, 213, 241.4, 196.9, 172.2, 185.5, 205.2, 193.7)
post <-c(392.9, 393.2, 345.1, 393, 434, 427.9, 422, 383.9, 392.3, 352.2)
# Ejemplo 1 - entrada como vectores individuales
rls(post, pre) #ajusta el modelo post~pre
#>
#> Regresión lineal simple
#> ----------------------------------------------------------------
#> # Información muestral ---
#>
#> variable n media dt Min Max Rango
#> 1 <NA> 10 393.65 29.398 345.1 434.0 88.9
#> 2 <NA> 10 199.16 18.474 172.2 241.4 69.2
#>
#> Cov(NA,NA) = 169.073
#>
#> # Correlación de Pearson ---
#>
#> r IC_inf IC_sup gl texp sig
#> 0.311 -0.396 0.787 8 0.927 = 0.381
#>
#> # Modelo lineal ---
#>
#> Modelo: NA ~ NA
#> R² = 0.097
#> S²residual = 878.04
#> :
#>
#> Coef estim se ic_inf ic_sup texp sig
#> 1 (Constante) 294.982 106.896 48.478 541.485 2.760 0.025
#> 2 <NA> 0.495 0.535 -0.738 1.728 0.927 0.381
#>
#> # Distribución residual ---
#> Error estándar residual: 29.632
#> res zres
#> min -45.350 -1.626
#> Q1 -6.716 -0.246
#> Q2 -2.099 -0.077
#> Q3 15.478 0.903
#> max 41.707 1.728
#>
#> Test de normalidad residual (Shapiro-Wilk):
#> w =0.938, p= 0.526
#>
# Ejemplo 2 - entrada como formula
datos<-data.frame(pre,post)
rls(post~pre, data=datos)
#>
#> Regresión lineal simple
#> ----------------------------------------------------------------
#> # Información muestral ---
#>
#> variable n media dt Min Max Rango
#> 1 post 10 393.65 29.398 345.1 434.0 88.9
#> 2 pre 10 199.16 18.474 172.2 241.4 69.2
#>
#> Cov(post,pre) = 169.073
#>
#> # Correlación de Pearson ---
#>
#> r IC_inf IC_sup gl texp sig
#> 0.311 -0.396 0.787 8 0.927 = 0.381
#>
#> # Modelo lineal ---
#>
#> Modelo: post ~ pre
#> R² = 0.097
#> S²residual = 878.04
#> :
#>
#> Coef estim se ic_inf ic_sup texp sig
#> 1 (Constante) 294.982 106.896 48.478 541.485 2.760 0.025
#> 2 pre 0.495 0.535 -0.738 1.728 0.927 0.381
#>
#> # Distribución residual ---
#> Error estándar residual: 29.632
#> res zres
#> min -45.350 -1.626
#> Q1 -6.716 -0.246
#> Q2 -2.099 -0.077
#> Q3 15.478 0.903
#> max 41.707 1.728
#>
#> Test de normalidad residual (Shapiro-Wilk):
#> w =0.938, p= 0.526
#>
# Ejemplo 3 - Pronosticos
rls(post~pre, data=datos,pred=c(197,205))
#>
#> Regresión lineal simple
#> ----------------------------------------------------------------
#> # Información muestral ---
#>
#> variable n media dt Min Max Rango
#> 1 post 10 393.65 29.398 345.1 434.0 88.9
#> 2 pre 10 199.16 18.474 172.2 241.4 69.2
#>
#> Cov(post,pre) = 169.073
#>
#> # Correlación de Pearson ---
#>
#> r IC_inf IC_sup gl texp sig
#> 0.311 -0.396 0.787 8 0.927 = 0.381
#>
#> # Modelo lineal ---
#>
#> Modelo: post ~ pre
#> R² = 0.097
#> S²residual = 878.04
#> :
#>
#> Coef estim se ic_inf ic_sup texp sig
#> 1 (Constante) 294.982 106.896 48.478 541.485 2.760 0.025
#> 2 pre 0.495 0.535 -0.738 1.728 0.927 0.381
#>
#> # Pronósticos con el modelo ---
#> Pronosticos puntuales y bandas al 95 % de confianza para
#> promedios IC(m), y para una nueva observación: IC(obs)
#>
#> Predictor Puntual IC(m)_inf IC(m)_sup IC(obs)_inf IC(obs)_sup
#> 1 197 392.5799 370.8083 414.3515 320.8643 464.2954
#> 2 205 396.5433 373.7670 419.3195 324.5164 468.5702
#>
#> # Distribución residual ---
#> Error estándar residual: 29.632
#> res zres
#> min -45.350 -1.626
#> Q1 -6.716 -0.246
#> Q2 -2.099 -0.077
#> Q3 15.478 0.903
#> max 41.707 1.728
#>
#> Test de normalidad residual (Shapiro-Wilk):
#> w =0.938, p= 0.526
#>
# Ejemplo 4 - Obtencion de la matriz con residuos y pronosticos
tabla<-rls(post~pre, data=datos,dfout=TRUE)
#>
#> Regresión lineal simple
#> ----------------------------------------------------------------
#> # Información muestral ---
#>
#> variable n media dt Min Max Rango
#> 1 post 10 393.65 29.398 345.1 434.0 88.9
#> 2 pre 10 199.16 18.474 172.2 241.4 69.2
#>
#> Cov(post,pre) = 169.073
#>
#> # Correlación de Pearson ---
#>
#> r IC_inf IC_sup gl texp sig
#> 0.311 -0.396 0.787 8 0.927 = 0.381
#>
#> # Modelo lineal ---
#>
#> Modelo: post ~ pre
#> R² = 0.097
#> S²residual = 878.04
#> :
#>
#> Coef estim se ic_inf ic_sup texp sig
#> 1 (Constante) 294.982 106.896 48.478 541.485 2.760 0.025
#> 2 pre 0.495 0.535 -0.738 1.728 0.927 0.381
#>
#> # Distribución residual ---
#> Error estándar residual: 29.632
#> res zres
#> min -45.350 -1.626
#> Q1 -6.716 -0.246
#> Q2 -2.099 -0.077
#> Q3 15.478 0.903
#> max 41.707 1.728
#>
#> Test de normalidad residual (Shapiro-Wilk):
#> w =0.938, p= 0.526
#>
head(tabla)
#> x y res zres pre lwr upr lwr.1
#> 1 200.1 392.9 -1.215696 -0.04325299 394.1157 372.4765 415.7549 322.4402
#> 2 190.9 393.2 3.642183 0.13119284 389.5578 365.6700 413.4457 317.1717
#> 3 192.7 345.1 -45.349576 -1.62554113 390.4496 367.4202 413.4789 318.3423
#> 4 213.0 393.0 -7.506636 -0.27679634 400.5066 372.9731 428.0401 326.8370
#> 5 241.4 434.0 19.423388 1.16040040 414.5766 358.1920 470.9612 325.9858
#> 6 196.9 427.9 35.369653 1.25937173 392.5303 370.7433 414.3174 320.8101
#> upr.1
#> 1 465.7911
#> 2 461.9439
#> 3 462.5569
#> 4 474.1762
#> 5 503.1675
#> 6 464.2506