Actividad 3. Aplicación de modelos de ecuaciones estructurales (actividad individual) - A00833172

Este documento presenta un análisis exhaustivo sobre la fuerza laboral de Form y las oportunidades emergentes del nearshoring en la industria. A través de una exploración detallada de datos, identificamos patrones clave en la rotación de empleados, destacando factores como el género, la ubicación y la percepción del ambiente laboral. Además, examinamos cómo el nearshoring está redefiniendo las cadenas de suministro, abriendo nuevas vías para la innovación en Form. Con un enfoque en la mejora continua, este análisis brinda una perspectiva integral sobre cómo adaptarse y prosperar en el cambiante panorama industrial.

Resumen del Modelo de Clasificación y su Impacto en la Variable Principal: Basándonos en el Análisis Exploratorio de Datos (EDA), procedemos a especificar un modelo de clasificación para predecir la decisión de un cliente de suscribirse a un depósito a plazo (outcome). Consideramos la regresión logística como un modelo adecuado debido a la naturaleza binaria de la variable de interés. Las variables control incluyen aspectos demográficos, financieros y de contacto, como edad, trabajo, estado civil, educación, situación crediticia, saldo en cuenta, préstamos, tipo de comunicación, y resultados de campañas anteriores. Estas variables pueden influir en la probabilidad de suscripción a un depósito a plazo debido a diferencias en la aversión al riesgo, capacidad financiera y receptividad a ofertas de marketing, entre otros factores. El impacto y la relación de estas variables con la suscripción a depósitos a plazo son diversos: - La edad puede reflejar la aversión al riesgo y la estabilidad financiera. - El trabajo y el estado civil pueden indicar ingresos y responsabilidades familiares. - La educación puede influir en la comprensión de productos financieros. - La situación crediticia y los préstamos pueden afectar la capacidad de inversión. - La duración y frecuencia de contacto pueden influir en la efectividad de las campañas de marketing. La selección de variables para el modelo debe considerar su significancia estadística, multicolinealidad y relevancia práctica. Este enfoque permitirá desarrollar un modelo robusto y significativo para predecir la suscripción a depósitos a plazo.

a. Exploratory Data Analysis - Identify missing values - Display the structure of the dataset - Include descriptive statistics (mean, median, standard deviation, minimum, maximum) - Transform variables if required b. Data Visualization - Build at least 2 pair-wised graphs between the dependent variable and independent variables - Display a histogram of dependent variable - Display a correlation plot c. Hypotheses Statement - Briefly describe at least 3 hypotheses which you would like to explore through regression analysis d. Regression Analysis - Estimate 3 different linear regression models by using: • multiple linear regression • polynomial – multiple linear regression • lasso regression model • ridge regression model - Show the level of accuracy for each linear regression model - Select the regression model that better fits the data - Interpret the main results of the selected regression model e. Results Discussion - Briefly explain how linear regression analysis can contribute to improve predictive analytics - Feel free to use and cite external references

"Workshop 1. Prueba de Hipótesis" "Genaro Rodríguez Alcántara - A00833172" "2023-05-18" "DIAGNÓSTICO PARA LÍNEAS DE ACCIÓN (GPO 302 MTY 2311)"

¿Cómo mejorar la posición competitiva de una de las aerolíneas líderes en los aeropuertos de Nueva York?