CAPÍTULO 7. AJUSTE CON MODELOS ESTADÍSTICOS
173
lm()
, cuyo uso se describe a continuación con el ejemplo que se ha propuesto
al principio de esta sección.
El primer paso consiste en arreglar los datos de una manera adecuada para
que la función
lm()
los pueda manejar; esto es, se creará un
data frame
, con una
columna correspondiente a las abscisas y otra, a las ordenadas, y sólo para usar
los nombres de variables que se han empleado en la ecuación 7.1, se nombrarán
de igual modo las columnas:
datos.desempleo
<-
data.frame
(
x
=
1
:
length
(prcnt),
y
=prcnt)
head
(datos.desempleo)
# los primeros 6
## x y
## 1 1 34.66
## 2 2 35.28
## 3 3 35.41
## 4 4 35.19
## 5 5 36.63
## 6 6 37.38
Lo siguiente consiste en establecer la regla de dependencia entre los datos;
esto es, hay que definir cuál es la variable de
respuesta
y cuál o cuáles son las
variables
predictoras
o
de estímulo
. De la ecuación 7.1, se puede ver que la va-
riable de respuesta es
y
, mientras que la única variable predictora es
x
. R tiene
una manera muy particular de establecer esta relación por medio de la forma
sintáctica conocida como una
fórmula
, y que para este caso particular se puede
establecer como sigue:
# Para decir que 'y' depende de 'x' se
# crea una formula:
mi.formula
<-
y
~
x
Finalmente, para encontrar el ajuste lineal, se llama a la función lm(), indi-
cando la fórmula y la fuente de los datos que se utilizarán, del siguiente modo:
mi.modelo
<-
lm
(mi.formula,
data
=datos.desempleo)
# Ahora veamos el contenido del modelo:
mi.modelo
##
## Call:
## lm(formula = mi.formula, data = datos.desempleo)
##
## Coefficients:
## (Intercept)
x
##
34.281
0.388
