Base de datos.

library(wooldridge)
data(hprice1)
head(force(hprice1),n=5)
price assess bdrms lotsize sqrft colonial lprice lassess llotsize lsqrft
300 349.1 4 6126 2438 1 5.703783 5.855359 8.720297 7.798934
370 351.5 3 9903 2076 1 5.913503 5.862210 9.200593 7.638198
191 217.7 3 5200 1374 0 5.252274 5.383118 8.556414 7.225481
195 231.8 3 4600 1448 1 5.273000 5.445875 8.433811 7.277938
373 319.1 4 6095 2514 1 5.921578 5.765504 8.715224 7.829630

1. Estimación del modelo.

library(stargazer) 
modelo_ejercicio<-lm(formula = price~lotsize+sqrft+bdrms, data=hprice1) 
stargazer(modelo_ejercicio, title = "Ejercicio", type = "html")
Ejercicio
Dependent variable:
price
lotsize 0.002***
(0.001)
sqrft 0.123***
(0.013)
bdrms 13.853
(9.010)
Constant -21.770
(29.475)
Observations 88
R2 0.672
Adjusted R2 0.661
Residual Std. Error 59.833 (df = 84)
F Statistic 57.460*** (df = 3; 84)
Note: p<0.1; p<0.05; p<0.01

2. Uso de la librería lmtest.

library(lmtest)
prueba_white<-bptest(modelo_ejercicio,~I(lotsize^2)+I(sqrft^2)+I(bdrms^2)+lotsize*sqrft+lotsize*bdrms+sqrft*bdrms,data = hprice1)
print(prueba_white)
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo_ejercicio
## BP = 33.732, df = 9, p-value = 9.953e-05

Como 0.00009953 ≤ 0.05 Se rechaza la H0, por lo tanto hay evidencia de que la varianza de los residuos es heterocedástica

Grafica utilizando librería fastGraph.

library(fastGraph)
alphan_sig<-0.05
gl<-3+3+3
u_i<-modelo_ejercicio$residuals
data_prueba_white<-as.data.frame(cbind(u_i,hprice1))
regresion_auxiliar<-lm(formula = I(u_i^2)~lotsize+sqrft+bdrms+I(lotsize^2)+I(sqrft^2)+I(bdrms^2)+lotsize*sqrft+lotsize*bdrms+sqrft*bdrms,data = data_prueba_white)
sumario<-summary(regresion_auxiliar)
n<-nrow(data_prueba_white)
R_2<-sumario$r.squared
LM_w<-n*R_2
VC<-qchisq(p = 0.95,df = gl)
shadeDist(LM_w,ddist = "dchisq",
          parm1 = gl,
          lower.tail = FALSE, xmin = 0,
          sub=paste("VC:", round(VC,2)," ","LM_w", round(LM_w,2)))