CAPÍTULO 7. AJUSTE CON MODELOS ESTADÍSTICOS
176
# Primeramente se grafican los datos originales, pero, se
# extenderá el rango de las X hasta el trimestre 20, para
# observar la predicción del último trimestre del 2015:
plot
(prcnt,
ylim
=
c
(
34
,
42.5
),
# <- Rango de valores de interés
xlim
=
c
(
1
,
20
),
# <- Las x, ahora de 1 a 20
# El título:
main
=
"Incremento en Desempleo\nEduc.Media Sup o Superior"
,
xlab
=
"Trimestres a partir de 2011 (x)"
,
ylab
=
"% del total de desempleados (y)"
,
# Características para el desplegado:
pch
=
16
,
col
=
"red"
)
PRIMER MÉTODO:
# PRIMER MÉTODO: la función abline con los
# coeficientes encontrados
abline
(mi.modelo
$
coefficients[
1
],
# Intercepto
mi.modelo
$
coefficients[
2
],
# coef. de x
col
=
"blue"
)
# color de línea
SEGUNDO MÉTODO:
# SEGUNDO MÉTODO: Pasando directamente el
# modelo a la función abline:
abline
(mi.modelo,
# El modelo
col
=
"blue"
)
# color de línea
Cualquiera de estos dos métodos produce el gráfico que se muestra en la
Fig. 7.2. En ese gráfico se puede corroborar también el valor predicho para el
20-
avo
trimestre a partir de 2011, es decir, el cuarto trimestre del año 2015, esto
es, el 42.04%, calculado con anterioridad.
En general, se puede establecer que una variable de respuesta, dependa de
más de una variable predictora, lo cual podría dar lugar a una ecuación como
la siguiente:
y
=
β
0
+
β
1
x
1
+
. . .
+
β
n
x
n
(7.3)
donde
y
sería la variable de respuesta y,
x
1
, . . . ,
x
n
serían las variables predicto-
ras. En este caso, si se suponen, por ejemplo, cuatro variables, la fórmula para
establecer el modelo sería algo semejante a lo que se muestra a continuación.
otra.formula
<-
y
~
x.1
+
x.2
+
x.3
+
x.4
# las variables predictoras son:
# x.1, x.2, x.3, x.4
