trabajo de análisis de regresión simple
TRANSCRIPT
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA CIVIL
ESTADISTICA Y PROBABILIDAD
DOCENTE:
Estad. Romero Paredes, Rolando Ronald
ALUMNO:
Delgado Fernández, Kewin Braysen
Chiclayo, Junio de 2016
I. CASO PROBLEMA 1
a) Relación S&P500-MICROSOFT
1. Diagrama de Dispersión:
Se observa que el comportamiento S&P y Microsoft no tiene relación.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.05) y concluir que existe correlación,
la cual es r= -0.266
α = 0.00
SIG= 0.117
3. Coeficiente de Determinación:
R2 = 0.071*100=7.1%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de Microsoft en 7.1%, y no la explica en 92.9%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Mayor que 0.00), por lo tanto el modelo no es significativo y no permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,005 1 ,005 2,588 ,117b
Residuo ,067 34 ,002
Total ,072 35
a. Variable dependiente: Microsoft
b. Predictores: (Constante), S&P 500
No Se rechaza a Ho
Correlaciones
S&P 500 Microsoft
S&P 500 Correlación de Pearson 1 ,266
Sig. (bilateral) ,117
N 36 36
Microsoft Correlación de Pearson ,266 1
Sig. (bilateral) ,117
N 36 36
b) Relación S&P500-Exxon Mobil
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de Exxom Mobil es directo, es decir a más acciones de S&P500 más acciones de Exxom Mobil.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.05) y concluir que existe un alto grado
de asociación, la cual es r= 0.831
Correlaciones
S&P 500 Exxon Mobil
S&P 500 Correlación de Pearson 1 ,348*
Sig. (bilateral) ,038
N 36 36
Exxon Mobil Correlación de Pearson ,348* 1
Sig. (bilateral) ,038
N 36 36
*. La correlación es significativa en el nivel 0,05 (2 colas).
α = 0.05
SIG= 0.348
3. Coeficiente de Determinación:
R2 = 0.121*100=12.1%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de Exxon Mobil en 12.1%%, y no la explica en 87.9%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados no se rechaza la hipótesis nula (SIG. Menor que 0.05), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,013 1 ,013 4,677 ,038b
Residuo ,094 34 ,003
Total ,107 35
a. Variable dependiente: Exxon Mobil
b. Predictores: (Constante), S&P 500
No Se rechaza a Ho
5. Plantear el Modelo:
El modelo es: C = 0.009 + 0.731*(acciones de S&P500)
Interpretar B1: cuando las acciones de S&P varia en una unidad, entonces las acciones de Exxon Mobil se incrementa en 0.731
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,009 ,009 ,983 ,332 -,010 ,028
S&P
500,731 ,338 ,348 2,163 ,038 ,044 1,418
a. Variable dependiente: Exxon Mobil
1. Estimar las acciones de Exxon Mobil si tenemos: 3, 17 y 19 acciones de S&P500.
a. Si acciones de S&P500 son 3, las acciones de Exxon Mobil se estiman en 2.202b. Si acciones de S&P500 son 17, las acciones de Exxon Mobil se estiman en 12.436c. Si acciones de S&P500 son 19, las acciones de Exxon Mobil se estiman en 13.898
c) Relación S&P500-Caterpillar
2. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de Caterpillar es directo, es decir a más Edad más Costo.
3. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe correlación
significativa, la cual es r= 0.573
Correlaciones
S&P 500 Caterpillar
S&P 500 Correlación de Pearson 1 ,573**
Sig. (bilateral) ,000
N 36 36
Caterpillar Correlación de Pearson ,573** 1
Sig. (bilateral) ,000
N 36 36
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.000
4. Coeficiente de Determinación:
R2 = 0.329*100=32.9%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de Caterpillar en 32.9%%, y no la explica en 67.1%
5. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.01), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,054 1 ,054 16,656 ,000b
Residuo ,110 34 ,003
Total ,165 35
a. Variable dependiente: Caterpillar
b. Predictores: (Constante), S&P 500
Se rechaza a Ho
6. Plantear el modelo:
El modelo es: C = 0.015 + 1.493*(acciones de S%P500)
Interpretar B1: cuando las acciones de S&P500 varía en una unidad, entonces las acciones de Caterpillar se incrementa en 1.493
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes
estandarizados
t Sig.
95.0% intervalo de confianza para
B
B Error estándar Beta Límite inferior Límite superior
1 (Constante) ,015 ,010 1,474 ,150 -,006 ,036
S&P 500 1,493 ,366 ,573 4,081 ,000 ,750 2,237
a. Variable dependiente: Caterpillar
7. Estimar las acciones de Caterpillar si tenemos: 5, 13 y 18 acciones de S&P500.
d. Si acciones de S&P500 son 5, las acciones de Caterpillar se estiman en 7.48e. Si acciones de S&P500 son 13, las acciones de Caterpillar se estiman en 19.424f. Si acciones de S&P500 son 18, las acciones de Caterpillar se estiman en 26.889
d) Relación S&P500-Johnson & Johnson
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de Johnson&Johnson es nula.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.00) y concluir que existe correlación
no significativa, la cual es r= 0.007
α =
0.00
SIG= 0.969
3. Coeficiente de Determinación:
R2 = 0.00*100=0%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de Johnson&Johnson en 0%, y no la explica en 100%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Igual que 0.00), por lo tanto el modelo no es significativo y no nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 121,470 1 121,470 45,130 ,000b
Residuo 29,607 11 2,692
Total 151,077 12
a. Variable dependiente: Depart%
b. Predictores: (Constante), Arrive%
e) Relación S&P500-McDonald’s
1. Diagrama de Dispersión:
No se rechaza a Ho
Correlaciones
S&P 500
Johnson &
Johnson
S&P 500 Correlación de Pearson 1 ,007
Sig. (bilateral) ,969
N 36 36
Johnson & Johnson Correlación de Pearson ,007 1
Sig. (bilateral) ,969
N 36 36
Se observa que el comportamiento de las acciones de S&P500 y las acciones de McDonald’s es directo, es decir a más acciones de S&P500 más acciones de McDonald’s salen.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe correlación
significativa, la cual es r= 0.581
Correlaciones
McDonald's S&P 500
McDonald's Correlación de Pearson 1 ,581**
Sig. (bilateral) ,000
N 36 36
S&P 500 Correlación de Pearson ,581** 1
Sig. (bilateral) ,000
N 36 36
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2 = 0.338*100=33.8%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de McDonald’s en 33.8%, y no la explica en 66.2%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Es menor que 0.01), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,055 1 ,055 17,344 ,000b
Residuo ,107 34 ,003
Total ,162 35
a. Variable dependiente: McDonald's
b. Predictores: (Constante), S&P 500
5. Plantear el modelo:
El modelo es: C = 0.009 + 1.503*(acciones de S%P500)
Se rechaza a Ho
Interpretar B1: cuando las acciones de S&P500 varía en una unidad, entonces las acciones de McDonald’s se incrementa en 1.503
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,009 ,010 ,925 ,362 -,011 ,030
S&P
5001,503 ,361 ,581 4,165 ,000 ,770 2,237
a. Variable dependiente: McDonald's
6. Estimar las acciones de McDonald’s si tenemos: 1, 6 y 10 acciones de S&P500.
g. Si acciones de S&P500 son 1, las acciones de McDonald’s se estiman en 1.512h. Si acciones de S&P500 son 6, las acciones de McDonald’s se estiman en 9.027i. Si acciones de S&P500 son 10, las acciones de McDonald’s se estiman en 15.039
f) Relación S&P500-Sandisk
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de Sandisk es directo, es decir a más acciones de S&P500 más acciones de Sandisk.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.05) y concluir que existe una
correlación baja, la cual es r= 0.351
Correlaciones
Sandisk S&P 500
Sandisk Correlación de Pearson 1 ,351*
Sig. (bilateral) ,036
N 36 36
S&P 500 Correlación de Pearson ,351* 1
Sig. (bilateral) ,036
N 36 36
*. La correlación es significativa en el nivel 0,05 (2 colas).
α = 0.05
SIG= 0.036
3. Coeficiente de Determinación:
R2 = 0.123*100=12.3%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de Sandisk en 12.3%, y no la explica en 87.7%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.05), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,165 1 ,165 4,777 ,036b
Residuo 1,172 34 ,034
Total 1,336 35
a. Variable dependiente: Sandisk
b. Predictores: (Constante), S&P 5005. Plantear el modelo:
El modelo es: C = 0.043 + 2.605*(acciones de S%P500)
Se rechaza a Ho
Interpretar B1: cuando las acciones de S&P500 varía en una unidad, entonces las acciones de Sandisk se incrementa en 2.605
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta Límite inferior
Límite
superior
1 (Constante) ,043 ,033 1,294 ,204 -,024 ,110
S&P
5002,605 1,192 ,351 2,186 ,036 ,183 5,027
a. Variable dependiente: Sandisk
6. Estimar las acciones de Sandisk si tenemos: 5, 13 y 16 acciones de S&P500.
j. Si acciones de S&P500 son 5, las acciones de Sandisk se estiman en 13.068k. Si acciones de S&P500 son 13, las acciones de Sandisk se estiman en 33.908l. Si acciones de S&P500 son 16, las acciones de Sandisk se estiman en 41.723
g) Qualcomm
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de Qualcomm es directo, es decir a más acciones de S&P500 más acciones de Qualcomm.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe una
correlación significativa, la cual es r= 0.432
Correlaciones
Qualcomm S&P 500
Qualcomm Correlación de Pearson 1 ,432**
Sig. (bilateral) ,009
N 36 36
S&P 500 Correlación de Pearson ,432** 1
Sig. (bilateral) ,009
N 36 36
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.009
3. Coeficiente de Determinación:
R2 = 0.187*100=18.7%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de Qualcomm en 18.7%, y no la explica en 81.3%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.01), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,049 1 ,049 7,798 ,009b
Residuo ,211 34 ,006
Total ,260 35
a. Variable dependiente: Qualcomm
b. Predictores: (Constante), S&P 5005. Plantear el modelo:
El modelo es: C = 0.014 + 1.414*(acciones de S%P500)
Se rechaza a Ho
Interpretar B1: cuando las acciones de S&P500 varía en una unidad, entonces las acciones de Qualcomm se incrementa en 1.414
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,014 ,014 ,999 ,325 -,015 ,043
S&P
5001,414 ,506 ,432 2,793 ,009 ,385 2,443
a. Variable dependiente: Qualcomm
6. Estimar las acciones de Qualcomm si tenemos: 3, 7 y 11 acciones de S&P500.
m. Si acciones de S&P500 son 3, las acciones de Qualcomm se estiman en 4.256n. Si acciones de S&P500 son 7, las acciones de Qualcomm se estiman en 9.912o. Si acciones de S&P500 son 11, las acciones de Qualcomm se estiman en 15.568
h) Relación S&P500-Procter&Gamble
1. Diagrama de Dispersión:
Se observa que el comportamiento de las acciones de S&P500 y las acciones de Procter&Gamble es directo, es decir a más acciones de S&P500 más acciones de Procter&Gamble.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.05) y concluir que existe una
correlación baja, la cual es r= 0.360
Correlaciones
Procter &
Gamble S&P 500
Procter & Gamble Correlación de Pearson 1 ,360*
Sig. (bilateral) ,031
N 36 36
S&P 500 Correlación de Pearson ,360* 1
Sig. (bilateral) ,031
N 36 36
*. La correlación es significativa en el nivel 0,05 (2 colas).
α = 0.05
SIG= 0.031
3. Coeficiente de Determinación:
R2 = 0.129*100=12.9%
Esto nos indica que las acciones de S&P500 explica la variación de las acciones de Procter&Gamble en 12.9%, y no la explica en 87.1%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.05), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión ,006 1 ,006 5,056 ,031b
Residuo ,042 34 ,001
Total ,048 35
a. Variable dependiente: Procter & Gamble
b. Predictores: (Constante), S&P 500
5. Plantear el modelo:
El modelo es: C = 0.005 + 0.507*(acciones de S%P500)
Se rechaza a Ho
Interpretar B1: cuando las acciones de S&P500 varía en una unidad, entonces las acciones de Procter&Gamble se incrementa en 0.507
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) ,005 ,006 ,873 ,389 -,007 ,018
S&P
500,507 ,225 ,360 2,249 ,031 ,049 ,964
a. Variable dependiente: Procter & Gamble
6. Estimar las acciones de Procter&Gambles si tenemos: 8, 14 y 21 acciones de S&P500.p. Si acciones de S&P500 son 8, las acciones de Procter&Gambles se estiman en
4.061q. Si acciones de S&P500 son 14, las acciones de Procter&Gambles se estiman en
7.103r. Si acciones de S&P500 son 21, las acciones de Procter&Gambles se estiman en
10.652
II. CASO PROBLEMA 2
1. Diagrama de Dispersión:
Se observa que el comportamiento del porcentaje de menores de 21 años y accidentes fatales por 1000 licencias es directo, es decir a más porcentaje de menores de 21 años más accidentes fatales por 1000 licencias.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe un alto grado
de asociación, la cual es r= 0.839
α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2 = 0.705*100=70.5%
Esto nos indica que el porcentaje de menores de 21 años explica la variación de los accidentes fatales por 1000 licencias en 70.5%, y no la explica en 29.5%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 33,134 1 33,134 95,396 ,000b
Residuo 13,893 40 ,347
Total 47,028 41
a. Variable dependiente: Fatal Accidents
per 1000
b. Predictores: (Constante), Percent
Under 21De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.01), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
Se rechaza a Ho
Correlaciones
Percent
Under 21
Fatal Accidents
per 1000
Percent
Under 21
Correlación de Pearson 1 ,839**
Sig. (bilateral) ,000
N 42 42
Fatal Accidents
per 1000
Correlación de Pearson ,839** 1
Sig. (bilateral) ,000
N 42 42
**. La correlación es significativa en el nivel 0,01 (2 colas).
5. Plantear el modelo:
El modelo es: C = -1.597 + 0.287*(porcentaje de menores de 21 años)
Interpretar B1: cuando el porcentaje de menores de 21 años varía en una unidad, entonces los accidentes fatales por 1000 licencias se incrementa en 0.287
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante
)-1,597 ,372 -4,298 ,000 -2,349 -,846
Percent
Under 21,287 ,029 ,839 9,767 ,000 ,228 ,346
a. Variable dependiente: Fatal Accidents
per 1000
6. Estimar los accidentes fatales por 1000 licencias si tenemos: 7, 11 y 16 como porcentajes de menores de 21 añoss. Si los porcentajes de menores de 21 es 7, los accidentes fatales por 1000 licencias
se estiman en 0.412t. Si los porcentajes de menores de 21 es 11, los accidentes fatales por 1000 licencias
se estiman en 1.56u. Si los porcentajes de menores de 21 es 16, los accidentes fatales por 1000 licencias
se estiman en 2.995
III. CASO PROBLEMA 3
a) % De grupos con menos de 20
1. Diagrama de Dispersión:
Se observa que el comportamiento de la tasa de alumnos que donan y el % de grupos con menos de 20 es directo, es decir a más la tasa de alumnos que donan más % de grupos con menos de 20.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe una
correlación significativa, la cual es r= 0.646
α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2 = 0.417*100=41.7%
Esto nos indica que el % de grupos con menos de 20 explica la variación de la tasa de alumnos que donan en 41.7%, y no la explica en 58.3%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.01), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 3539,796 1 3539,796 32,884 ,000b
Residuo 4951,683 46 107,645
Total 8491,479 47
a. Variable dependiente: Alumni Giving Rate
b. Predictores: (Constante), % of Classes Under 20
5. Plantear el modelo:
Se rechaza a Ho
Correlaciones
% of Classes
Under 20
Alumni Giving
Rate
% of Classes Under 20 Correlación de Pearson 1 ,646**
Sig. (bilateral) ,000
N 48 48
Alumni Giving Rate Correlación de Pearson ,646** 1
Sig. (bilateral) ,000
N 48 48
**. La correlación es significativa en el nivel 0,01 (2 colas).
El modelo es: C = -7.386 + 0.658*(% de grupos con menos de 20)
Interpretar B1: cuando el % de grupos con menos de 20 varía en una unidad, entonces la tasa de alumnos que donan se incrementa en 0.658
Coeficientesa
Modelo
Coeficientes no estandarizados
Coeficientes
estandarizado
s
t Sig.
95.0% intervalo de confianza
para B
B Error estándar Beta Límite inferior Límite superior
1 (Constante) -7,386 6,565 -1,125 ,266 -20,602 5,830
% of Classes Under 20 ,658 ,115 ,646 5,734 ,000 ,427 ,889
a. Variable dependiente: Alumni Giving Rate
6. Estimar la tasa de alumnos que donan si tenemos: 15, 26 y 34 como porcentaje de grupos con menos de 20.v. Si el porcentaje es de 15, la tasa de alumnos que donan se estiman en 2.484w. Si el porcentaje es de 26, la tasa de alumnos que donan se estiman en 9.722x. Si el porcentaje es de 34, la tasa de alumnos que donan se estiman en 14.986
b) Tasa de estudiantes/facultad
1. Diagrama de Dispersión:
Se observa que el comportamiento de la tasa de estudiantes/facultad y la tasa de alumnos que donan es inversa, es decir a más tasa de estudiantes/facultad, menos tasa de alumnos que donan.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe una
correlación, la cual es r= -0.742
Correlaciones
Student/Faculty
Ratio
Alumni Giving
Rate
Student/Faculty Ratio Correlación de Pearson 1 -,742**
Sig. (bilateral) ,000
N 48 48
Alumni Giving Rate Correlación de Pearson -,742** 1
Sig. (bilateral) ,000
N 48 48
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2 = 0.551*100=55.1%
Esto nos indica que la tasa de estudiantes/facultad explica la variación de la tasa de estudiantes que donan en 55.1%, y no la explica en 44.9%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.01), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 4680,113 1 4680,113 56,485 ,000b
Residuo 3811,367 46 82,856
Total 8491,479 47
a. Variable dependiente: Alumni Giving Rate
b. Predictores: (Constante), Student/Faculty Ratio
5. Plantear el modelo:
El modelo es: C = 53.014 + -2.057*(tasa de estudiante/facultad)
Interpretar B1: cuando la tasa de estudiantes/facultad varía en una unidad, entonces la tasa de alumnos que donan se incrementa en 0.658
Se rechaza a Ho
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante) 53,014 3,421 15,495 ,000 46,127 59,901
Student/Faculty
Ratio-2,057 ,274 -,742 -7,516 ,000 -2,608 -1,506
a. Variable dependiente: Alumni Giving Rate
6. Estimar la tasa de alumnos que donan si tenemos: 13, 17 y 22 tasa alumnos/facultady. Si la tasa de alumnos/facultad es 13, la tasa de alumnos que donan se estiman en
26.273z. Si la tasa de alumnos/facultad es 17, la tasa de alumnos que donan se estiman en
18.045aa. Si la tasa de alumnos/facultad es 22, la tasa de alumnos que donan se estiman en
7.76
IV. CASO PROBLEMA 4
a) Relación Valor-Ganancia
1. Diagrama de Dispersión:
Se observa que el comportamiento del valor y la ganancia es directa, es decir a más valor, más ganancia.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que se rechaza la
hipótesis nula (valor SIG. Es menor que 0.01) y concluir que existe un alto grado
de asociación, la cual es r= 0.965
Correlaciones
Value Revenue
Value Correlación de Pearson 1 ,965**
Sig. (bilateral) ,000
N 30 30
Revenue Correlación de Pearson ,965** 1
Sig. (bilateral) ,000
N 30 30
**. La correlación es significativa en el nivel 0,01 (2 colas).
α = 0.01
SIG= 0.00
3. Coeficiente de Determinación:
R2 = 0.931*100=93.1%
Esto nos indica que el valor explica la variación de la ganancia en 93.1%, y no la explica en 6.9%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados se rechaza la hipótesis nula (SIG. Menor que 0.01), por lo tanto el modelo es significativo y nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 30514,038 1 30514,038 375,833 ,000b
Residuo 2273,329 28 81,190
Total 32787,367 29
a. Variable dependiente: Revenue
b. Predictores: (Constante), Value
5. Plantear el modelo:
El modelo es: C = 49.067 + 0.246*(valor)
Se rechaza a Ho
Interpretar B1: cuando el valor varía en una unidad, entonces la ganancia se incrementa en 0.246
Coeficientesa
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizad
os
t Sig.
95.0% intervalo de
confianza para B
B
Error
estándar Beta
Límite
inferior
Límite
superior
1 (Constante
)49,067 3,985 12,313 ,000 40,904 57,230
Value ,246 ,013 ,965 19,386 ,000 ,220 ,272
a. Variable dependiente: Revenue
6. Estimar la ganancia si tenemos: 435, 214 y 170 millones como valores de los equipos.
bb. Si el valor es 435 millones, la ganancia será de 156.077 millonescc. Si el valor es 214 millones, la ganancia será de 101.711 millonesdd. Si el valor es 170 millones, la ganancia será de 90.887 millones
b) Relación Valor-Ingreso
1. Diagrama de Dispersión:
Se observa que el comportamiento del valor y el ingreso es nula.
2. Coeficiente de Correlación:
Ho: No existe correlación
Ha: Existe correlación
De acuerdo a los resultados encontrados, podemos decir que no se rechaza la
hipótesis nula (valor SIG. Es mayor que 0.00) y concluir que existe una
correlación no significativa, la cual es r= 0.186
Correlaciones
Value Income
Value Correlación de Pearson 1 ,186
Sig. (bilateral) ,326
N 30 30
Income Correlación de Pearson ,186 1
Sig. (bilateral) ,326
N 30 30
α = 0.00
SIG= 0.326
3. Coeficiente de Determinación:
R2 = 0.034*100=3.4%
Esto nos indica que el valor explica la variación del ingreso en 3.4%, y no la explica en 96.6%
4. Validez del Modelo:
Ho: B0 = B1 = 0: El modelo no es significativo, Ha: al menos uno de ellos es diferente de cero: El modelo es significativo.
De acuerdo a los resultados encontrados no se rechaza la hipótesis nula (SIG. Mayor que 0.00), por lo tanto el modelo no es significativo y no nos permite hacer estimaciones válidas.
ANOVAa
Modelo
Suma de
cuadrados gl
Media
cuadrática F Sig.
1 Regresión 117,856 1 117,856 1,000 ,326b
Residuo 3299,783 28 117,849
Total 3417,639 29
a. Variable dependiente: Income
b. Predictores: (Constante), Value
No se rechaza a Ho