CAPÍTULO 7. AJUSTE CON MODELOS ESTADÍSTICOS
175
## 1
2 3
## 37.77 38.16 38.55
# Si se quisiera predecir cuál sería el porcentaje de desempleados
# con educación media-superior o superior para el 4o. trimestre
# del año 2015, ello correspondería al trimestre 20 a partir del
# primero de 2011, y se haría el cálculo con:
predict
(mi.modelo,
newdata
=
data.frame
(
x
=
20
),
type
=
"response"
)
## 1
## 42.04
El modelo que se ha creado, como se ha dicho anteriormente, contiene ade-
más información estadística que se puede emplear para evaluar su
bondad
.
Aunque aquí, no se entrará a todo el detalle de ella, sí se señalará cómo se
puede obtener alguna de esa información, a saber, por medio de la función
summary()
:
summary
(mi.modelo)
##
## Call:
## lm(formula = mi.formula, data = datos.desempleo)
##
## Residuals:
## Min
1Q Median
3Q
Max
## -1.0247 -0.1644 0.0563 0.3718 0.7728
##
## Coefficients:
##
Estimate Std. Error t value Pr(>|t|)
## (Intercept) 34.2813
0.3336 102.8 <2e-16 ***
## x
0.3879 0.0392
9.9 4e-07 ***
## ---
## Signif. codes:
## 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.591 on 12 degrees of freedom
## Multiple R-squared: 0.891,Adjusted R-squared: 0.882
## F-statistic: 98 on 1 and 12 DF, p-value: 3.99e-07
Finalmente, para hacer al menos una
evaluación visual
del modelo, sería in-
teresante producir un gráfico en el que se muestren la línea que representa el
modelo junto con los datos que lo originaron. Hay varias formas en las que
esto se puede hacer y en seguida se muestran dos.
