Nivel de correlación entre dos Variables

En este punto vamos a realizar un análisis de correlación que busca demostrar la fuerza o el
grado de asociación lineal entre dos variables mediante la fórmula Y=a+bX , para obtener estos
datos ingresamos este código: corr<-cor(econometria[,2:8]).

INF PIB INPC INV MM X M

INF 1.000000000 0.04297177 0.1088062 0.0538008 0.006180615 -0.4048106 0.005187309
PIB 0.042971765 1.000000000 0.7937789 0.9822240 0.793240721 -0.5828835 0.974142143
INPC 0.108806213 0.79377886 1.000000000 0.7384644 0.972413200 -0.8600476 0.741873371
INV 0.053800804 0.98222405 0.7384644 1.000000000 0.769264576 -0.5179825 0.987404691
MM 0.006180615 0.79324072 0.9724132 0.7692646 1.000000000 -0.7602524 0.784542391
X -0.404810592 -0.58288351 -0.8600476 -0.5179825 -0.760252401 1.000000000 -0.495002522
M 0.005187309 0.97414214 0.7418734 0.9874047 0.784542391 -0.4950025 1.000000000

Estos datos describen la correlación entre las variables planteadas, para empezar
se nota una correlación débil entre la inflación y las variables descriptivas, excepto en el
caso de la masa monetaria (0,62%) e importaciones (0,52%) ya que estas se relacionan
directamente con ella, siendo estas moderadas ya que los puntos no demuestran en su
totalidad una línea recta.

Asimismo se observa que a diferencia de la inflación, la mayoría de las variables

responden a una correlación moderada ya que unas tienen efectos sobre otras y varían de
la misma forma por razones económicas reflejadas en una actualidad, de estos resultados
resaltan aquellos que por sus cifras altas indican una correlación totalmente positiva en
las que cuanto mayores son las puntuaciones en una variable, mayores son las
puntuaciones en la otra, como en el caso del PIB con la INV (98,22%) y las M (97,41%) ya
que estas son componentes del mismo, el INPC con la MM y por último la INV con las M
(98,74%) ya que es por allí en donde se está destinando el dinero para la compra de
bienes y servicios.

Por otro lado se muestra una relación lineal negativa que significa que los valores
de las dos variables varían justamente al revés como en el caso X con respecto al resto de
las variables.
 Grafico de Interacciones

De esta forma podemos observar todas las variables que se están estudiando en el modelo cabe
destacar que la masa monetaria y importaciones fueron las más resaltantes en el análisis de
correlación de variables, en esta oportunidad podemos observar la dispersión de los datos
conjunto al análisis anterior donde podemos ver que algunas variables muestran una forma lineal
con mayor precisión, como lo son (PIB + INV), (INPC+MM), (INV+M), para graficar utilizamos el
siguiente código plot(econometria[,2:8]).

3.5e+07 1.0e+07 8.0e+06

30
INF

15
3.5e+07

PIB

300
INPC

50
1.0e+07

INV

MM
0e+00
8.0e+06

X
1.0e+07

15 30 50 300 0e+00 1.0e+07

 BOXPLOT

En este grafico de caja podemos observar el comportamiento de las variables de acuerdo a la

correlación de variables expuestas en el cuadro anterior, entre la más resaltante esta la masa
monetaria porque presenta menos dispersión entre las otras variables, también se observa un
sesgo hacia la derecha en MM para visualizar este grafico introducimos
>boxplot(econometría[,2:8]).
6e+08
4e+08
2e+08
0e+00

INF PIB INPC INV MM X M

Modelo T STUDENT

El modelo t student nos va a mostrar una distribución de probabilidades de acuerdo al

comportamiento de las variables y el modelo creado para ver estos datos usamos este código:
econometria<-lm(INF~PIB+INPC+INV+MM+X+M,data=econometria).

Modelo 1

Estimate Std.Error T.Value Pr(>|t|)

Intercept 1.198e+02 5.926e+01 2.021 0.113
PIB -3.164e-06 2.775e-06 -1.140 0.318
INPC 2.415e-01 2.911e-01 0.830 0.453
INV 3.907e-06 3.732e-06 1.047 0.354
MM -1.137e-07 1.057e-07 -1.075 0.343
X -1.808e-06 4.614e-06 -0.392 0.715
M 8.650e-07 2.031e-06 0.426 0.692

Residual standard error 6.22 en 4 grados de libertad

Multiple R-squared: 0.5661,
Adjusted R-squared: -0.08475
F-statistic: 0.8698 on 6 and 4 DF
p-value: 0.5824

En el siguiente modelo se observa que tiene una potencia de -8,4% siendo esta muy baja y
negativa lo cual indica que está muy lejos del modelo esperado, por otra parte a través del p valor
lo confirma, dando datos totalmente altos entre estos valores destacan las importaciones 0.692 y
exportaciones 0.715, estas variables muestran poca eficiencia con la inflación.
 Modelo 2

Estímate Std. Error t value Pr(>|t|)

(Intercept) 9.891e+01 4.124e+01 2.398 0.0534 .
INPC 2.878e-01 1.129e-01 2.548 0.0436 *
INV 5.195e-06 2.553e-06 2.035 0.0881 .
MM -1.218e-07 4.886e-08 -2.492 0.0470 *
PIB -3.243e-06 1.621e-06 -2.001 0.0924 .

Residual standard error 5.323 on 6 degrees of freedom

Multiple R-squared: 0.5233,
Adjusted R-squared: 0.2055
F-statistic: 1.647 on 4 and 6 DF
p-value: 0.2784

Luego de hacer la evaluación del modelo 1 ( INF ~ INPC + INV + M + MM + PIB + X), se decidió
eliminar las variables independientes x y m ya que dichos valor obtenidos en la prueba t student
dichos valores por ser muy elevados se entiende que posee mayor posibilidad de certeza por lo
cual se decide eliminarlas, luego se crea el modelo 2 (INF ~ INPC + INV + MM + PIB) quedando de la
siguiente manera : las variables independientes INPC Y MM poseen un margen de probabilidad
inferior al 5% sobre entendiendo que son variables nulas.

En cuanto a el coeficiente Adjusted R-squared nos dio un valor de 0,2784 por lo que muestra un
grado débil de relación entre las variables independientes de la muestra.

Prueba Anova

Sum Sq Df F value Pr(>F)

INPC 184.03 1 6.4947 0.04358
INV 117.35 1 4.1413 0.08805
MM 175.99 1 6.2108 0.04703
PIB 113.41 1 4.0023 0.09235
Residual 170.02 6
 Se concluye como base en la prueba anova aplicado al modelo 2 que existe suficiente evidencia
estadística para incluir la variable INPC con 4,358 % y la variable MM con 4,703% ya que son
menores al 5%.