Investigación Cuantitativa

TALLER

METODOLOGÍA DE INVESTIGACIÓN CUANTITATIVA II

DICTADO POR: Dra. Rosa Montaño ALUMNO: Carlos Rojas MAIL:carlosrojascontreras@gmail.com

Datos del taller:

Desarrollo:

a) Para el cálculo de la matriz de correlación de todas las variables se evaluará el determinante de la matriz de correlaciones (utilizando por defecto el coeficiente de Pearson). Posteriormente se evaluará la ejecución de un ajuste de modelo por medio de regresión lineal para la evaluación del comportamiento de las variables, para finalmente escribir el modelo predictivo ajustado; por ultimo en la selección de una única variable se aplicará el criterio de información de AKAIKE para seleccionar la variable que tenga menor AIC

En R…

> cor(Caudal1[,c("x1","x2","x3","x4","x5","x6","x7","x8","x9","y")], use="complete.obs")

De la obtención de matriz de correlación se muestra que las variables más correlacionadas con la variable dependiente Y son:

X1: 0.781; X2: 0.666; X4: 8.656; X7: 0.668

Por lo anterior ajustaremos el modelo lineal para evaluar este comportamiento.

> RegModel.1 <- lm(y~x1+x2+x4+x7, data=Caudal1)

> summary(RegModel.1)

Se estima que las variables que contribuyen a explicar la variación de Y son:

El área de la cuenca X1, el área impermeable al agua X2, la máxima longitud de los afluentes X4, Índice de absorción de agua X5 y la velocidad de Infiltración del agua en el suelo X7.

Modelo lineal

+

850.55

R2 = 0.7158; por lo que el 71,58% de la variable dependiente Y queda explicada por este modelo

En la elección de una sola variable se aplicará AIC, a través de la selección de modelo Paso a paso

Por lo anterior, La variable seleccionada sería X4 por tener menor AIC, además es la que tiene mayor % de correlación (86%) con Y.

b) Para el cálculo de la matriz de correlación de ln(Y) se aplicará la función log() para cada una de las variables independientes en la función

...