Tema: Aplicación de la Econometría en su Trabajo de Investigación

Doctoral.

Tutor: Dr. Nilton Otiniano Velarde

Presenta: Franklin Mauricio Chugá Cárdenas

2021-2022
Ejercicio 1

El gerente de ventas de una cadena de tiendas obtuvo información de los

pedidos los internet y del número de ventas realizadas por esa modalidad.
Como parte de su presentación en la próxima reunión de vendedores al
gerente le gustaría dar información específica sobre la relación entre el número
de pedidos y el número de ventas realizadas.

Tienda 1 2 3 4 5 6 7 8 9 10
Número de
pedidos 50 56 60 68 65 50 79 35 42 15
Número de
ventas 45 55 50 65 60 40 75 30 38 12

a) Use el método de mínimos cuadrados para expresar la relación

entre estas dos variables.

El método de mínimos cuadrados indaga la diferencia entre valores

observados y los valores ajustados por la regresión lineal , calculando la
variable independiente y dependiente que tiene la recta.

Estadisticas descriptivas
Media Desviación N
Número 47.00 18.251 10
de Ventas

Número 52.00 18.257 10

de
Pedidos
Correlaciones
Número de Número de
Ventas Pedidos
Número de Ventas 1.000 .987
Número de Pedidos .987 1.000
Número de Ventas . .000
Número de Pedidos .000 .
Número de Ventas 10 10
Número de Pedidos 10 10
En la observación podemos decir que los porcentajes de la variable
independiente – ventas y la variable dependiente pedidos si están
directamente relacionadas teniendo en cuenta una alta correlación en las dos
variables.

Coeficientes
Modelo Coeficientes Coeficientes 95,0%
desentandarizado estandarizado intervalo de
s s confianza B
Upper
Std. Lower Boun
B Error Beta T Sig. Bound d
1 (Constant -4.324 3.074 -1.407 . - 2.765
 
) 197 11.413
Número .987 .056 .987 17.59 . .858 1.116
de 8 000
Pedidos

Teniendo en cuenta las variables la regresión es de la siguiente manera ,B

indica el cambio medio que corresponde a la variable dependiente (Ventas) por
cada unidad de cambio de la variable independiente (pedidos).

y= a +bx

y= -4,324+0,987x

Pronóstico ventas= -4,324+0,987(pedidos)

A cada valor de pedidos le corresponde un pronóstico en ventas basado en un

incremento constante (-4,324) más 0,987 veces el valor de pedidos

b) ¿Proporcionan los datos suficiente evidencia para indicar que las

unidades producidas aportan información para producir los gastos
generales?

ANOVA
Modelo Suma de
cuadrado Cuadrado
s Df medio F Sig.
1 Regressio 2922.507 1 2922.507 309.698 .000
n
Residual 75.493 8 9.437    
Total 2998.000 9      
Esta tabla nos indica si existe o no relación significativa entre las variables. El
estadístico F permite contrastar la hipótesis nula de que el valor poblacional de
R es cero, lo cual, en el modelo de regresión simple, equivale a contrastar la
hipótesis de de que la pendiente de la regresión vale cero. El nivel crítico (Sig.)
indica que, si suponemos que el valor poblacional de R es cero, es improbable
(probabilidad = 0, 000) que R, en esta muestra, tome el valor de 0,98. Lo cual
implica que R es mayor que cero y que, en consecuencia, ambas variables
están linealmente relacionadas.

c) Realice un análisis de bondad del ajuste de la ecuación de

regresión lineal.

Una vez obtenida la recta que minimiza la suma del cuadrado de los residuos,
se necesita conocer la bondad del ajuste, es decir en qué medida esta recta
obtenida se ajusta más o menos a la nube de puntos.  El coeficiente de
determinación “R2” se ha impuesto entre el resto. El coeficiente de
determinación es el cuadrado del coeficiente de correlación múltiple y sus
valores se mueven entre -1 y 1, donde 0 es que no existe ninguna relación y 1
que existe la máxima relación positiva. El coeficiente de determinación
representa la ganancia que obtenemos al predecir una variable basándonos en
el conocimiento que tenemos de otra u otras variables.

 La R que es el coeficiente de correlación de Pearson.

 La R cuadrado que es el coeficiente de determinación.

Para conocer la bondad de ajuste de la recta, el coeficiente de determinación

es 0,975. Esto indica que la variable pedidos mejora la capacidad de predicción
de la variable dependiente en un 97,5%. En conclusión, el R2 obtenido es un
muy alto, lo que indica que los puntos se ajustan del todo bien a la recta
propuesta. Esto se debe a que nuestras variables se relacionan linealmente
durante toda la distribución.

Resumen modelo
Modelo Equilibrio Error de la
R. R estimacio Durbin-
R cuadrado cuadrado n Watson
  1 .987 .975 .972 3.072 2.955
 Estadísticas de residual
Std.
Desviacio
Minimo Maximo Medio n N
Valor 10.48 73.65 47.00 18.020 10
previsto
Residual -5.026 4.052 .000 2.896 10
Std. -2.027 1.479 .000 1.000 10
Valor
previsto
Std. -1.636 1.319 .000 .943 10
Residual
 d) ¿Qué puede usted concluir acerca de la correlación poblacional
entre gastos generales y unidades producidas?

Como conclusión el coeficiente de determinación y el nivel significancia; se

observa que el R2 es alto (97,5%) lo cual indica que las variables están
estrechamente relacionadas y se acepta la hipótesis nula. Es decir, si existe
una relación entre el número de pedidos y las ventas que se realizan en las
tiendas.

Ejercicio 2

El gerente de personal de la empresa P&C quiere estudiar la relación entre el

ausentismo y la edad de sus trabajadores. Tomo una muestra aleatoria de 10
trabajadores de la empresa y encontró los siguientes datos.

Edad (año) 25 46 58 37 55 32 41 50 23 69
Ausentismo
(días por
año) 18 12 8 15 10 13 7 9 16 6
 a) Use el método de los mínimos cuadrados para hallar la ecuación
muestral que relaciona las dos variables.

Bajo este criterio se calcula la constante y pendiente que debe tener la recta.
Este método busca la recta que minimiza la suma del cuadrado de los residuos.
Los residuos se calculan como la diferencia entre los valores observados y los
valores ajustados por la regresión.

Estadísticas descriptivas
Std.
Deviacio
medio n N
Ausentismo 11.40 4.061 10
s
Edad 42.70 13.334 10
(años)

Correlationes
Edad
Ausentismos (años)
Ausentismos 1.000 -.853
Edad (años) -.853 1.000
Ausentismos . .001
Edad (años) .001 .
Ausentismos 10 10
Edad (años) 10 10

ANOVAb
Model Sum of Mean
Squares df Square F Sig.
1 Regressio 108.049 1 108.049 21.422 .002
n
Residual 40.351 8 5.044    
Total 148.400 9      

Coeficientes
Modelo Coeficientes Coeficientes 95,0%
desestandarizado estandarizado coeficiente de
s s intervalo B
Std. Lower Upper
B Error Beta t Sig. Bound Bound
1 (Constante 22.496 2.500 8.997 . 16.73 28.26
 
) 000 0 2
Edad -.260 .056 -.853 - . -.389 -.130
(años) 4.628 002

Estadística residual
Std.
Minimo Máximo Medio Deviacion N
Valor 6.90 16.52 11.40 3.465 10
previsto
Residual -4.842 2.119 .000 2.117 10
Std. Valor -1.297 1.477 .000 1.000 10
previsto
Std. -2.156 .943 .000 .943 10
Residual

Las variables (ausentismo y edad) están directamente relacionadas (alta

correlación).

B indica el cambio medio que corresponde a la variable dependiente

(ausentismo) por cada unidad de cambio de la variable independiente (edad).
Según esto, la regresión queda de la siguiente manera:

y= a +bx

y= 22,496-0,260x

Pronóstico de Ausentismo= 22,496-0,260(edad)

Por tanto, a cada valor de Edad le corresponde un pronóstico en ausentismo

basado en un incremento constante (22,496) menos 0,260 veces el valor de
edad.

b) Calcule el coeficiente de determinación. Dé su comentario sobre el

ajuste de la línea de regresión a los datos de la muestra.

Luego de realizar el modelo de regresión lineal, se obtiene un coeficiente de

determinación de 0,728, lo cual indica que la variable independiente, en este
caso la edad, explica el 72,8% de relación en la variable de ausentismo.

Cabe mencionar que el R ajustado disminuye respecto al coeficiente de

determinación, esto es como consecuencia de la muestra muy pequeña.
 Resumen modelo
Modelo Error de
Cuadrado la
R estimació Durbin-
R R Square ajustado n Watson
  1 .853 .728 .694 2.246 1.110