ESTIMADORES HAC
UNIVERSIDAD DE EL SALVADOR
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA DE ECONOMÍA
CICLO I - 2023
“Aplicación de la librería stargazer para presentar modelos corregidos con estimadores HAC”
Asignatura
Econometría
Grupo teórico
GT-03
Docente
MSF.Carlos Ademir Peréz Alas
Presentado por:
Mendoza Lemus, Johan Eli ML18043
Ciudad universitaria, 18 de junio de 2023
1. Importación de datos
load("C:/Users/johan/OneDrive/Documentos/A/Johan Eli Mendoza Lemus - smoke.RData")2. Estimación del modelo estadístico
options(scipen = 999999999)
library(lmtest)
modelo_estimado_smoke <-lm(cigs~ cigpric + lcigpric + income + lincome + age + agesq + educ + white + restaurn, data = data)
coeftest(modelo_estimado_smoke)##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 340.804374604 260.015587269 1.3107 0.190334
## cigpric 2.002267667 1.492831189 1.3413 0.180220
## lcigpric -115.273464445 85.424315195 -1.3494 0.177585
## income -0.000046194 0.000133491 -0.3460 0.729402
## lincome 1.404061178 1.708165841 0.8220 0.411340
## age 0.778359013 0.160555612 4.8479 0.0000015001 ***
## agesq -0.009150353 0.001749292 -5.2309 0.0000002158 ***
## educ -0.494780616 0.168180198 -2.9420 0.003356 **
## white -0.531051635 1.460721806 -0.3636 0.716287
## restaurn -2.644241351 1.129998690 -2.3400 0.019528 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 13. Resumen del modelo utilizando stargazer
library(stargazer)
stargazer(modelo_estimado_smoke, title = "Modelo estimado", type = "html") | Dependent variable: | |
| cigs | |
| cigpric | 2.002 |
| (1.493) | |
| lcigpric | -115.273 |
| (85.424) | |
| income | -0.00005 |
| (0.0001) | |
| lincome | 1.404 |
| (1.708) | |
| age | 0.778*** |
| (0.161) | |
| agesq | -0.009*** |
| (0.002) | |
| educ | -0.495*** |
| (0.168) | |
| white | -0.531 |
| (1.461) | |
| restaurn | -2.644** |
| (1.130) | |
| Constant | 340.804 |
| (260.016) | |
| Observations | 807 |
| R2 | 0.055 |
| Adjusted R2 | 0.044 |
| Residual Std. Error | 13.413 (df = 797) |
| F Statistic | 5.169*** (df = 9; 797) |
| Note: | p<0.1; p<0.05; p<0.01 |
4. Verificación de Pruebas de Heterocedasticidad y Autocorrelación
4.1 Prueba de heterocedasticidad (Prueba White)
library(lmtest)
w_test<-bptest(modelo_estimado_smoke,~I(cigpric^2)+I(lcigpric^2)+I(income^2)+I(lincome^2)+I(age^2)+I(agesq^2)+I(educ^2)+I(white^2)+I(restaurn^2),data = data)
print(w_test)##
## studentized Breusch-Pagan test
##
## data: modelo_estimado_smoke
## BP = 26.323, df = 9, p-value = 0.001809Se rechaza H0 ya que el P-value(0.01809) es < α(0.05) por lo que hay evidencia de que la varianza de los residuos no es homocedástica, por tanto, se concluye que es heterocedástica
4.2 Prueba de Autocorrelación ( Multiplicador de Lagrange)
Prueba de segundo orden
library(lmtest)
bgtest(modelo_estimado_smoke,order = 2)##
## Breusch-Godfrey test for serial correlation of order up to 2
##
## data: modelo_estimado_smoke
## LM test = 0.26889, df = 2, p-value = 0.8742
No se rechaza la H~0, ya que el P-value (0.8742) > α (0.05), por
tanto, se rechaza la presencia de autocorrelación de segundo orden en el
modelo estimado.
Prueba de primer orden
library(car)
durbinWatsonTest(model = modelo_estimado_smoke)## lag Autocorrelation D-W Statistic p-value
## 1 -0.009243664 2.017442 0.922
## Alternative hypothesis: rho != 0
No se rechaza la H~0, ya que el P-value (0.892) > α (0.05), por
tanto, se rechaza la presencia de autocorrelación de primer orden en el
modelo estimado.
5. Fuente del problema
Con las purebas de heterocedasticidad y autocorrelación del modelo
estimado smoke se ha determinado que no es escalar, ya que se ha
detectado la presencial de heterocedasticidad en el modelo.
6. Estimador HAC
Sin corregir
options(scipen = 99999)
library(lmtest)
coeftest(modelo_estimado_smoke)##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 340.804374604 260.015587269 1.3107 0.190334
## cigpric 2.002267667 1.492831189 1.3413 0.180220
## lcigpric -115.273464445 85.424315195 -1.3494 0.177585
## income -0.000046194 0.000133491 -0.3460 0.729402
## lincome 1.404061178 1.708165841 0.8220 0.411340
## age 0.778359013 0.160555612 4.8479 0.0000015001 ***
## agesq -0.009150353 0.001749292 -5.2309 0.0000002158 ***
## educ -0.494780616 0.168180198 -2.9420 0.003356 **
## white -0.531051635 1.460721806 -0.3636 0.716287
## restaurn -2.644241351 1.129998690 -2.3400 0.019528 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Corregido
options(scipen = 999999999)
library(lmtest)
library(sandwich)
vcov_HAC<- vcovHC(modelo_estimado_smoke, type="HC0")
coeftest(modelo_estimado_smoke,vcov. = vcov_HAC)##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 340.804374604 278.565072832 1.2234 0.221530
## cigpric 2.002267667 1.602727983 1.2493 0.211927
## lcigpric -115.273464445 91.344424868 -1.2620 0.207331
## income -0.000046194 0.000115593 -0.3996 0.689540
## lincome 1.404061178 1.228970726 1.1425 0.253602
## age 0.778359013 0.136944678 5.6837 0.0000000184838 ***
## agesq -0.009150353 0.001451548 -6.3039 0.0000000004804 ***
## educ -0.494780616 0.162968371 -3.0361 0.002475 **
## white -0.531051635 1.361907703 -0.3899 0.696691
## restaurn -2.644241351 1.038254938 -2.5468 0.011058 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 16. Presentación del modelo original(sin corregir) y corregido utilizando la libreria stargazer
library(stargazer)
library(sandwich)
vcoc_HAC<-vcovHC(modelo_estimado_smoke,type = "HC0")
robust.se<-sqrt(diag(vcoc_HAC))
stargazer(modelo_estimado_smoke, modelo_estimado_smoke, se=list(NULL,robust.se),
column.labels = c("Original","Corregido"), align = TRUE, type = "html", title = "Modelo de consumo de cigarros corregido por heterocedasticidad")| Dependent variable: | ||
| cigs | ||
| Original | Corregido | |
| (1) | (2) | |
| cigpric | 2.002 | 2.002 |
| (1.493) | (1.603) | |
| lcigpric | -115.273 | -115.273 |
| (85.424) | (91.344) | |
| income | -0.00005 | -0.00005 |
| (0.0001) | (0.0001) | |
| lincome | 1.404 | 1.404 |
| (1.708) | (1.229) | |
| age | 0.778*** | 0.778*** |
| (0.161) | (0.137) | |
| agesq | -0.009*** | -0.009*** |
| (0.002) | (0.001) | |
| educ | -0.495*** | -0.495*** |
| (0.168) | (0.163) | |
| white | -0.531 | -0.531 |
| (1.461) | (1.362) | |
| restaurn | -2.644** | -2.644** |
| (1.130) | (1.038) | |
| Constant | 340.804 | 340.804 |
| (260.016) | (278.565) | |
| Observations | 807 | 807 |
| R2 | 0.055 | 0.055 |
| Adjusted R2 | 0.044 | 0.044 |
| Residual Std. Error (df = 797) | 13.413 | 13.413 |
| F Statistic (df = 9; 797) | 5.169*** | 5.169*** |
| Note: | p<0.1; p<0.05; p<0.01 | |