Paste
Copy
Cut
Options

¡Tu solución está lista!

Nuestra ayuda de expertos desglosó tu problema en una solución confiable y fácil de entender.

Mira la respuesta

  • Pregunta: a.) Ajuste un modelo de regresión lineal múltiple que relacione la cantidad de juegos ganados con las yardas por pase del equipo ( x 2 ), el porcentaje de jugadas por tierra ( x 7 ) y las yardas por tierra de los oponentes ( x 8 ). Reporte la información de resumen. (b) Proporcione una interpretación de su coeficiente de regresión estimado para la variable x

    a.) Ajuste un modelo de regresión lineal múltiple que relacione la cantidad de juegos ganados con las yardas por pase del equipo ( x 2 ), el porcentaje de jugadas por tierra ( x 7 ) y las yardas por tierra de los oponentes ( x 8 ). Reporte la información de resumen.

    (b) Proporcione una interpretación de su coeficiente de regresión estimado para la variable x 2 que es la distancia de paso. Incluir unidades.
    (c) Usando solo la información provista por la función de resumen para la salida de un modelo lineal y una tabla t, construya un intervalo de confianza del 95% para el coeficiente de regresión en la parte (b). Muestra suficiente trabajo para que quede claro que hiciste esto usando la información del resumen. Puede verificar su intervalo usando la función confint.
    (d) Construya la matriz de diseño X (no olvide la columna de 1) y el vector de observaciones y , y use la multiplicación de matrices para encontrar β. Proporcione suficiente salida/código en R para verificar que sus estimaciones se obtuvieron de esta manera.
    (e) Usando la multiplicación de matrices y la estimación de MSres que se puede obtener del resumen, dé la matriz de covarianza de β. Verifique que los errores estándar para los β proporcionados por el resumen surgen de esta matriz.

    (f) ¿Qué tiene de extraño la variable de respuesta en este problema?

    y x1 x2 x3 x4 x5 x6 x7 x8 x9
    10 2113 1985 38,9 64.7 4 868 59.7 2205 1917
    11 2003 2855 38.8 61.3 3 615 55 2096 1575
    11 2957 1737 40.1 60 14 914 65,6 1847 2175
    13 2285 2905 41.6 45.3 -4 957 61.4 1903 2476
    10 2971 1666 39.2 53.8 15 836 66.1 1457 1866
    11 2309 2927 39.7 74.1 8 786 61 1848 2339
    10 2528 2341 38.1 65.4 12 754 66.1 1564 2092
    11 2147 2737 37 78.3 -1 761 58 1821 1909
    4 1689 1414 42.1 47.6 -3 714 57 2577 2001
    2 2566 1838 42.3 54.2 -1 797 58,9 2476 2254
    7 2363 1480 37.3 48 19 984 67.5 1984 2217
    10 2109 2191 39.5 51,9 6 700 57.2 1917 1758
    9 2295 2229 37.4 53.6 -5 1037 58.8 1761 2032
    9 1932 2204 35.1 71.4 3 986 58.6 1709 2025
    6 2213 2140 38.8 58.3 6 819 59.2 1901 1686
    5 1722 1730 36.6 52.6 -19 791 54.4 2288 1835
    5 1498 2072 35.3 59.3 -5 776 49.6 2072 1914
    5 1873 2929 41.1 55.3 10 789 54.3 2861 2496
    6 2118 2268 38.2 69.6 6 582 58.7 2411 2670
    4 1775 1983 39.3 78.3 7 901 51.7 2289 2202
    3 1904 1792 39.7 38.1 -9 734 61,9 2203 1988
    3 1929 1606 39.7 68.8 -21 627 52.7 2592 2324
    4 2080 1492 35.5 68.8 -8 722 57.8 2053 2550
    10 2301 2835 35.3 74.1 2 683 59.7 1979 2110
    6 2040 2416 38.7 50 0 576 54,9 2048 2628
    8 2447 1638 39.9 57.1 -8 848 65.3 1786 1776
    2 1416 2649 37.4 56.3 -22 684 43.8 2876 2524
    0 1503 1503 39.3 47 -9 875 53.5 2560 2241

  • Chegg Logo
    Esta es la mejor manera de resolver el problema.
    Solución
    Te mostramos cómo abordar esta pregunta.

    To get started with part (a), first read the data into an R data frame using the read.csv function.

    El fragmento R es el siguiente # leer los datos en el marco de datos R data.df<- read.csv("C:\\Usuarios\\586645\\Descargas\\Chegg\\sample.csv",header=TRUE) str(datos.df) ## Modelo de regresión ajuste <- lm(y~x2 +x7 +x8,datos=datos.df) resumen (ajuste…

    Mira la respuesta completa
    answer image blur