Scribd
Upload
27 views3 pages

Script R Better Life Index

Rstudio

Uploaded by

Eulji Mundeok
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
27 views3 pages

Script R Better Life Index

Rstudio

Uploaded by

Eulji Mundeok
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 3

#---------SCRIPT COMENTADO PARA REGRESIÓN LINEAL SIMPLE EN R---------

#----------------Realizado por Esmeralda Martínez--------------------

#En color negro colocamos todos los comandos que debes ejecutar en
#RStudio para correr tu análisis correctamente, en color verde están
#las explicaciones, iguales a esta, para que sea fácil entender lo que
#estás haciendo
#Instalamos las librerias que vamos a usar (solo se hace una vez)
install.packages("readr")
install.packages("tidyverse")
install.packages("ggplot2")
install.packages("boot")
install.packages("QuantPsyc")
install.packages("car")
install.packages("conflicted")

#llamamos a las librerias (esto lo tienes que repetir cada que


comienzas un proyecto)
library(tidyverse)
library(ggplot2)
library(boot)
library(QuantPsyc)
library(car)

#llamamos al archivo, recuerda que debes colocar en el paréntesis el


nombre que tiene tu archivo con la base de datos en formato CSV
attach(betterlifeindex_reducida)
#recordamos los nombres que pusimos en cada columna
names(betterlifeindex_reducida)

#Examinamos la correlación entre los datos en (y) y (x)


#usamos la función cor.test(y,x) para calcularla, recuerda que (x) es
#tu variable independiente y (y) tu variable dependiente y que al usar
#la función cor.test(y,x) debes sustituir “y” y “x” por los nombres de
#las variables, según aparecen en el archivo Excel que descargaste, que
#en teoría, son los mismos que están en tu archivo CSV
#correlación es una medida estadística que expresa hasta qué punto dos
#variables están relacionadas linealmente
#Por ejemplo, si mi variable independiente es
#“anoanospromedioescolaridad” y la dependiente es
#“participacioncivicaypolitica”, entonces el comando queda como sigue:

cor.test(`participacioncivicaypolitica`, anospromedioescolaridad)

#Hacemos la regresión lineal


#El comando básico es lm(linear models)
#El primer argumento de este comando es una fórmula y ~ x en la que:
#y es la variable respuesta o dependiente
#x es la variable regresora o independiente
#data indica el fichero en el que se encuentran las variables
#En este comando debes sustituir los nombres de las variables
#“participacioncivicaypolitica” que es (y) y “anospromedioescolaridad”
#que es (x), por aquellos que corresponden a las variables de tu
#análisis
#El resultado lo guardamos en un objeto llamado regresion_lineal, lo
#que ya está incluido en el comando que te damos a continuacion

regresion_lineal=lm(`participacioncivicaypolitica` ~
anospromedioescolaridad, data = betterlifeindex_reducida)

#para ver los resultados de la regresión usamos la función summary


summary(regresion_lineal)

#----------¿Cómo interpretamos los resultados?--------------------

#Call: muestra la formula con la que obtuvimos el modelo

#Residuals: nos da valores estadísticos sobre la distribución de los


#residuos del modelo.

#Coefficients: muestra los coeficientes estimados por el modelo,

#------Recuerda que una regresión lineal tiene la forma y=mx+b-----

#Intercept=b es el valor que intercepta la recta con el eje “y” con x=0

#El segundo valor es la pendiente

#std. Error es la desviación estándar de los valores encontrados

#El valor p de cada término evalúa la hipótesis nula de que el


#coeficiente =0 (no hay efecto)
#Un valor p bajo (< 0.05) indica que se puede rechazar la hipótesis
#nula (la hipótesis nula nos dice que no existe relación entre las
#variables)
#un valor de “p” grande indica que los cambios en el predictor o
#variable independiente no están asociados con cambios en la respuesta
# o variable dependiente.
#RSE mide la desviación estándar de los residuos, que son las
#diferencias entre los valores
#observados de la variable dependiente y los valores predichos por el
#modelo
#Adjusted R-squared, entre más cerca esté de 1, la recta ajusta mejor a
#los puntos, y también es la varianza explicada, es decir,en qué medida
#(expresada en términos de porcentaje)mi variable independiente explica
#la variabilidad de mi variable dependiente.
#F-statistic mide si el modelo de regresión es útil para predecir la
#variable dependiente

#Hacemos la gráfica con plot(y ~ x)


plot(`participacioncivicaypolitica` ~ anospromedioescolaridad ,
pch=16,col='blue', bty='l',ylab='%
participacioncivicaypolitica',xlab='anospromedioescolaridad')

#ponemos la línea que describe el ajuste de datos


abline(regresion_lineal, col="red", lwd=2)

#Podemos interpretar el modelo de regresión lineal como sigue:


#El valor del Residual standard error (RSE) es de (colocar aquí el
#valor que arroja el resultado) unidades en la escala de la variable
#dependiente.

#El valor del coeficiente de determinación múltiple (Multiple


#R-squared) es la varianza explicada e indica el porcentaje en el que
#mi variable independiente explica la variabilidad total de mi
#variable dependiente.

#El valor del coeficiente de determinación ajustado (Adjusted


#R-squared) ajusta el coeficiente de determinación
#múltiple por el número de variables explicativas y el tamaño de la
#muestra. Nos indica si el modelo es una buena representación de los
#datos, incluso después de ajustar por el número de variables
explicativas y el tamaño de la #muestra.

#El valor del estadístico “F” es mide la relación entre la variabilidad


#explicada y la variabilidad no explicada en el modelo. Un valor alto
#de “F” y un valor bajo de “p” #indican que el modelo es significativo.
#El valor de “p” nos indica si el modelo es significativo con un nivel
#de confianza del 95%.

#Datos obtenidos de https://www.inegi.org.mx/app/bienestar/

You might also like