Examen Ejercicio
Estefania Garcia De los Santos
2023-07-08
1 Estimación del modelo de Mincer
La ecuación de ingresos propuesto por Mincer (1974), conocida también en la literatura económica como “La Función de Ingresos Minceriana”, es una función en el que los ingresos de los individuos (salarios) varían linealmente con el tiempo invertido en educación, la experiencia laboral y esta última en su forma cuadrática.
El modelo a estimar es el siguiente
wage = beta_0 + (beta_1 * educ) + (beta_2 * exper) + (beta_3 * expersq) + error
donde:
wage = salario, medido en pesos mexicanos.
educ = educación, medido en número de años
exper = experiencia laboral, medido en número de años
expersq = experiencia laboral al cuadrado, medido en número de años
2. Análisis estadístico con R
2.1 Instalación de librerías
install.packages('moments')## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)install.packages('lmtest')## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)install.packages('car')## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)install.packages('stargazer')## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)install.packages('corrplot')## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)2.2. Usando las librerías
library(moments)
library(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(car)## Loading required package: carDatalibrary(stargazer)##
## Please cite as:## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.## R package version 5.2.3. https://CRAN.R-project.org/package=stargazerlibrary(corrplot)## corrplot 0.92 loaded2.3 Utilizando la base de datos
base <- read.csv("mmincer.csv")
attach(base)2.4 Seleccionando las variables del modelo
crear base de datos
base1=data.frame(wage, educ,exper,expersq)
base1## wage educ exper expersq
## 1 3.10 11 2 4
## 2 3.24 12 22 484
## 3 3.00 11 2 4
## 4 6.00 8 44 1936
## 5 5.30 12 7 49
## 6 8.75 16 9 81
## 7 11.25 18 15 225
## 8 5.00 12 5 25
## 9 3.60 12 26 676
## 10 18.18 17 22 484
## 11 6.25 16 8 64
## 12 8.13 13 3 9
## 13 8.77 12 15 225
## 14 5.50 12 18 324
## 15 22.20 12 31 961
## 16 17.33 16 14 196
## 17 7.50 12 10 100
## 18 10.63 13 16 256
## 19 3.60 12 13 169
## 20 4.50 12 36 1296
## 21 6.88 12 11 121
## 22 8.48 12 29 841
## 23 6.33 16 9 81
## 24 0.53 12 3 9
## 25 6.00 11 37 1369
## 26 9.56 16 3 9
## 27 7.78 16 11 121
## 28 12.50 16 31 961
## 29 12.50 15 30 900
## 30 3.25 8 9 81
## 31 13.00 14 23 529
## 32 4.50 14 2 4
## 33 9.68 13 16 256
## 34 5.00 12 7 49
## 35 4.68 12 3 9
## 36 4.27 16 22 484
## 37 6.15 12 15 225
## 38 3.51 4 39 1521
## 39 3.00 14 3 9
## 40 6.25 12 11 121
## 41 7.81 12 3 9
## 42 10.00 12 20 400
## 43 4.50 14 16 256
## 44 4.00 11 45 2025
## 45 6.38 13 11 121
## 46 13.70 15 20 400
## 47 1.67 10 1 1
## 48 2.93 12 36 1296
## 49 3.65 14 9 81
## 50 2.90 12 15 225
## 51 1.63 12 18 324
## 52 8.60 16 3 9
## 53 5.00 12 15 225
## 54 6.00 12 7 49
## 55 2.50 12 2 4
## 56 3.25 15 3 9
## 57 3.40 16 1 1
## 58 10.00 8 13 169
## 59 21.63 18 8 64
## 60 4.38 16 7 49
## 61 11.71 13 40 1600
## 62 12.39 14 42 1764
## 63 6.25 10 36 1296
## 64 3.71 10 13 169
## 65 7.78 14 9 81
## 66 19.98 14 26 676
## 67 6.25 16 7 49
## 68 10.00 12 25 625
## 69 5.71 16 10 100
## 70 2.00 12 3 9
## 71 5.71 16 3 9
## 72 13.08 17 17 289
## 73 4.91 12 17 289
## 74 2.91 12 20 400
## 75 3.75 12 7 49
## 76 11.90 13 24 576
## 77 4.00 12 28 784
## 78 3.10 12 2 4
## 79 8.45 12 19 361
## 80 7.14 18 13 169
## 81 4.50 9 22 484
## 82 4.65 16 3 9
## 83 2.90 10 4 16
## 84 6.67 12 7 49
## 85 3.50 12 6 36
## 86 3.26 12 13 169
## 87 3.25 12 14 196
## 88 8.00 12 14 196
## 89 9.85 8 40 1600
## 90 7.50 12 11 121
## 91 5.91 12 14 196
## 92 11.76 14 40 1600
## 93 3.00 12 1 1
## 94 4.81 12 2 4
## 95 6.50 12 4 16
## 96 4.00 9 19 361
## 97 3.50 13 1 1
## 98 13.16 12 34 1156
## 99 4.25 14 5 25
## 100 3.50 12 3 9
## 101 5.13 15 6 36
## 102 3.75 12 14 196
## 103 4.50 12 35 1225
## 104 7.63 12 8 64
## 105 15.00 14 7 49
## 106 6.85 15 11 121
## 107 13.33 12 14 196
## 108 6.67 12 35 1225
## 109 2.53 12 46 2116
## 110 9.80 17 7 49
## 111 3.37 11 45 2025
## 112 24.98 18 29 841
## 113 5.40 12 6 36
## 114 6.11 14 15 225
## 115 4.20 14 33 1089
## 116 3.75 10 15 225
## 117 3.50 14 5 25
## 118 3.64 12 7 49
## 119 3.80 15 6 36
## 120 3.00 8 33 1089
## 121 5.00 16 2 4
## 122 4.63 14 4 16
## 123 3.00 15 1 1
## 124 3.20 12 29 841
## 125 3.91 18 17 289
## 126 6.43 16 17 289
## 127 5.48 10 36 1296
## 128 1.50 8 31 961
## 129 2.90 10 23 529
## 130 5.00 11 13 169
## 131 8.92 18 3 9
## 132 5.00 15 15 225
## 133 3.52 12 48 2304
## 134 2.90 11 6 36
## 135 4.50 12 12 144
## 136 2.25 12 5 25
## 137 5.00 14 19 361
## 138 10.00 16 9 81
## 139 3.75 2 39 1521
## 140 10.00 14 28 784
## 141 10.95 16 23 529
## 142 7.90 12 2 4
## 143 4.72 12 15 225
## 144 5.84 13 5 25
## 145 3.83 12 18 324
## 146 3.20 15 2 4
## 147 2.00 10 3 9
## 148 4.50 12 31 961
## 149 11.55 16 20 400
## 150 2.14 13 34 1156
## 151 2.38 9 5 25
## 152 3.75 12 11 121
## 153 5.52 13 31 961
## 154 6.50 12 8 64
## 155 3.10 12 2 4
## 156 10.00 14 18 324
## 157 6.63 16 3 9
## 158 10.00 16 3 9
## 159 2.31 9 4 16
## 160 6.88 18 4 16
## 161 2.83 10 1 1
## 162 3.13 10 1 1
## 163 8.00 13 28 784
## 164 4.50 12 47 2209
## 165 8.65 18 13 169
## 166 2.00 13 2 4
## 167 4.75 12 48 2304
## 168 6.25 13 6 36
## 169 6.00 13 8 64
## 170 15.38 13 25 625
## 171 14.58 18 13 169
## 172 12.50 12 8 64
## 173 5.25 12 19 361
## 174 2.17 13 1 1
## 175 7.14 12 43 1849
## 176 6.22 12 19 361
## 177 9.00 12 11 121
## 178 10.00 14 43 1849
## 179 5.77 10 44 1936
## 180 4.00 12 22 484
## 181 8.75 16 3 9
## 182 6.53 16 3 9
## 183 7.60 12 41 1681
## 184 5.00 14 5 25
## 185 5.00 12 14 196
## 186 21.86 12 24 576
## 187 8.64 12 28 784
## 188 3.30 12 25 625
## 189 4.44 12 3 9
## 190 4.55 12 11 121
## 191 3.50 12 7 49
## 192 6.25 16 9 81
## 193 3.85 16 5 25
## 194 6.18 14 9 81
## 195 2.91 11 1 1
## 196 6.25 16 2 4
## 197 6.25 12 13 169
## 198 9.05 12 10 100
## 199 10.00 17 5 25
## 200 11.11 12 30 900
## 201 6.88 12 31 961
## 202 8.75 16 1 1
## 203 10.00 8 9 81
## 204 3.05 12 10 100
## 205 3.00 12 38 1444
## 206 5.80 12 19 361
## 207 4.10 16 5 25
## 208 8.00 12 26 676
## 209 6.15 12 35 1225
## 210 2.70 9 2 4
## 211 2.75 13 1 1
## 212 3.00 16 19 361
## 213 3.00 14 3 9
## 214 7.36 8 36 1296
## 215 7.50 14 29 841
## 216 3.50 13 1 1
## 217 8.10 12 38 1444
## 218 3.75 18 1 1
## 219 3.25 9 29 841
## 220 5.83 8 36 1296
## 221 3.50 8 4 16
## 222 3.33 12 45 2025
## 223 4.00 14 22 484
## 224 3.50 12 20 400
## 225 6.25 16 5 25
## 226 2.95 8 15 225
## 227 5.71 13 10 100
## 228 3.00 9 3 9
## 229 22.86 16 16 256
## 230 9.00 12 38 1444
## 231 8.33 15 33 1089
## 232 3.00 11 2 4
## 233 5.75 14 6 36
## 234 6.76 12 19 361
## 235 10.00 12 29 841
## 236 3.00 12 2 4
## 237 3.50 18 3 9
## 238 3.25 12 4 16
## 239 4.00 12 10 100
## 240 2.92 12 4 16
## 241 3.06 12 14 196
## 242 3.20 12 15 225
## 243 4.75 12 19 361
## 244 3.00 14 17 289
## 245 18.16 16 29 841
## 246 3.50 12 2 4
## 247 4.11 14 5 25
## 248 1.96 11 38 1444
## 249 4.29 12 3 9
## 250 3.00 10 47 2209
## 251 6.45 12 7 49
## 252 5.20 6 47 2209
## 253 4.50 13 23 529
## 254 3.88 12 12 144
## 255 3.45 10 11 121
## 256 10.91 12 25 625
## 257 4.10 14 6 36
## 258 3.00 13 3 9
## 259 5.90 12 14 196
## 260 18.00 18 13 169
## 261 4.00 12 9 81
## 262 3.00 12 1 1
## 263 3.55 12 6 36
## 264 3.00 12 11 121
## 265 8.75 12 47 2209
## 266 2.90 8 49 2401
## 267 6.26 13 37 1369
## 268 3.50 13 2 4
## 269 4.60 14 7 49
## 270 6.00 12 22 484
## 271 2.89 10 8 64
## 272 5.58 16 1 1
## 273 4.00 12 43 1849
## 274 6.00 16 2 4
## 275 4.50 12 2 4
## 276 2.92 14 1 1
## 277 4.33 18 1 1
## 278 18.89 17 26 676
## 279 4.28 13 1 1
## 280 4.57 14 37 1369
## 281 6.25 15 12 144
## 282 2.95 14 41 1681
## 283 8.75 12 24 576
## 284 8.50 8 38 1444
## 285 3.75 12 18 324
## 286 3.15 12 26 676
## 287 5.00 8 45 2025
## 288 6.46 12 27 729
## 289 2.00 9 2 4
## 290 4.79 12 41 1681
## 291 5.78 16 11 121
## 292 3.18 12 5 25
## 293 4.68 16 3 9
## 294 4.10 12 3 9
## 295 2.91 12 4 16
## 296 6.00 13 21 441
## 297 3.60 10 34 1156
## 298 3.95 6 49 2401
## 299 7.00 12 6 36
## 300 3.00 12 26 676
## 301 6.08 16 9 81
## 302 8.63 12 23 529
## 303 3.00 8 33 1089
## 304 3.75 12 5 25
## 305 2.90 6 49 2401
## 306 3.00 4 48 2304
## 307 6.25 11 35 1225
## 308 3.50 11 23 529
## 309 3.00 7 26 676
## 310 3.24 12 16 256
## 311 8.02 18 23 529
## 312 3.33 12 36 1296
## 313 5.25 16 4 16
## 314 6.25 12 10 100
## 315 3.50 14 18 324
## 316 2.95 12 3 9
## 317 3.00 10 7 49
## 318 4.69 10 7 49
## 319 3.73 9 33 1089
## 320 4.00 10 34 1156
## 321 4.00 12 8 64
## 322 2.90 12 17 289
## 323 3.05 12 2 4
## 324 5.05 10 5 25
## 325 13.95 16 41 1681
## 326 18.16 16 35 1225
## 327 6.25 16 11 121
## 328 5.25 12 4 16
## 329 4.79 12 12 144
## 330 3.35 7 35 1225
## 331 3.00 8 33 1089
## 332 8.43 16 8 64
## 333 5.70 16 2 4
## 334 11.98 18 8 64
## 335 3.50 13 29 841
## 336 4.24 10 14 196
## 337 7.00 16 26 676
## 338 6.00 14 11 121
## 339 12.22 16 10 100
## 340 4.50 12 13 169
## 341 3.00 9 23 529
## 342 2.90 11 1 1
## 343 15.00 11 35 1225
## 344 4.00 12 5 25
## 345 5.25 11 13 169
## 346 4.00 12 22 484
## 347 3.30 12 21 441
## 348 5.05 12 19 361
## 349 3.58 12 13 169
## 350 5.00 14 15 225
## 351 4.57 14 3 9
## 352 12.50 18 6 36
## 353 3.45 12 6 36
## 354 4.63 12 16 256
## 355 10.00 12 31 961
## 356 2.92 11 1 1
## 357 4.51 12 5 25
## 358 6.50 17 3 9
## 359 7.50 16 11 121
## 360 3.54 13 6 36
## 361 4.20 13 11 121
## 362 3.51 12 7 49
## 363 4.50 14 5 25
## 364 3.35 14 5 25
## 365 2.91 11 2 4
## 366 5.25 10 44 1936
## 367 4.05 8 44 1936
## 368 3.75 14 13 169
## 369 3.40 12 26 676
## 370 3.00 10 2 4
## 371 6.29 17 10 100
## 372 2.54 9 2 4
## 373 4.50 12 35 1225
## 374 3.13 12 6 36
## 375 6.36 14 8 64
## 376 4.68 16 1 1
## 377 6.80 12 14 196
## 378 8.53 10 14 196
## 379 4.17 0 22 484
## 380 3.75 14 8 64
## 381 11.10 15 1 1
## 382 3.26 16 15 225
## 383 9.13 12 14 196
## 384 4.50 11 37 1369
## 385 3.00 11 1 1
## 386 8.75 12 4 16
## 387 4.14 13 29 841
## 388 2.87 12 45 2025
## 389 3.35 13 22 484
## 390 6.08 16 42 1764
## 391 3.00 15 9 81
## 392 4.20 16 8 64
## 393 5.60 15 31 961
## 394 10.00 12 24 576
## 395 12.50 18 16 256
## 396 3.76 6 6 36
## 397 3.10 6 14 196
## 398 4.29 12 47 2209
## 399 10.92 12 34 1156
## 400 7.50 16 6 36
## 401 4.05 9 7 49
## 402 4.65 12 27 729
## 403 5.00 11 24 576
## 404 2.90 10 18 324
## 405 8.00 12 12 144
## 406 8.43 8 27 729
## 407 2.92 9 49 2401
## 408 6.25 17 4 16
## 409 6.25 16 24 576
## 410 5.11 11 3 9
## 411 4.00 10 2 4
## 412 4.44 8 29 841
## 413 6.88 13 34 1156
## 414 5.43 14 10 100
## 415 3.00 13 5 25
## 416 2.90 11 2 4
## 417 6.25 7 39 1521
## 418 4.34 16 5 25
## 419 3.25 12 14 196
## 420 7.26 13 8 64
## 421 6.35 14 10 100
## 422 5.63 16 2 4
## 423 8.75 14 9 81
## 424 3.20 11 1 1
## 425 3.00 8 45 2025
## 426 3.00 14 33 1089
## 427 12.50 17 21 441
## 428 2.88 10 2 4
## 429 3.35 12 9 81
## 430 6.50 12 33 1089
## 431 10.38 18 16 256
## 432 4.50 14 10 100
## 433 10.00 18 9 81
## 434 3.81 12 8 64
## 435 8.80 16 9 81
## 436 9.42 14 23 529
## 437 6.33 12 23 529
## 438 4.00 9 22 484
## 439 2.90 12 37 1369
## 440 20.00 12 22 484
## 441 11.25 17 28 784
## 442 3.50 12 14 196
## 443 6.00 15 19 361
## 444 14.38 17 10 100
## 445 6.36 16 25 625
## 446 3.55 12 21 441
## 447 3.00 15 32 1024
## 448 4.50 16 21 441
## 449 6.63 12 36 1296
## 450 9.30 15 2 4
## 451 3.00 12 11 121
## 452 3.25 12 40 1600
## 453 1.50 12 11 121
## 454 5.90 12 9 81
## 455 8.00 16 23 529
## 456 2.90 11 1 1
## 457 3.29 14 30 900
## 458 6.50 14 41 1681
## 459 4.00 13 6 36
## 460 6.00 14 11 121
## 461 4.08 12 43 1849
## 462 3.75 12 39 1521
## 463 3.05 8 50 2500
## 464 3.50 12 26 676
## 465 2.92 3 51 2601
## 466 4.50 11 3 9
## 467 3.35 15 3 9
## 468 5.95 11 15 225
## 469 8.00 12 17 289
## 470 3.00 4 36 1296
## 471 5.00 9 31 961
## 472 5.50 12 9 81
## 473 2.65 12 42 1764
## 474 3.00 11 3 9
## 475 4.50 12 37 1369
## 476 17.50 16 23 529
## 477 8.18 13 21 441
## 478 9.09 15 11 121
## 479 11.82 16 35 1225
## 480 3.25 12 42 1764
## 481 4.50 12 3 9
## 482 4.50 12 13 169
## 483 3.71 9 14 196
## 484 6.50 10 14 196
## 485 2.90 12 39 1521
## 486 5.60 11 11 121
## 487 2.23 8 28 784
## 488 5.00 6 18 324
## 489 8.33 16 6 36
## 490 2.90 12 26 676
## 491 6.25 12 21 441
## 492 4.55 16 34 1156
## 493 3.28 12 17 289
## 494 2.30 10 2 4
## 495 3.30 13 5 25
## 496 3.15 13 1 1
## 497 12.50 14 40 1600
## 498 5.15 16 39 1521
## 499 3.13 10 1 1
## 500 7.25 12 14 196
## 501 2.90 12 2 4
## 502 1.75 11 2 4
## 503 2.89 0 42 1764
## 504 2.90 5 34 1156
## 505 17.71 16 10 100
## 506 6.25 16 4 16
## 507 2.60 9 4 16
## 508 6.63 15 21 441
## 509 3.50 12 31 961
## 510 6.50 12 20 400
## 511 3.00 12 36 1296
## 512 4.38 13 7 49
## 513 10.00 12 15 225
## 514 4.95 7 25 625
## 515 9.00 17 7 49
## 516 1.43 12 17 289
## 517 3.08 12 3 9
## 518 9.33 14 12 144
## 519 7.50 12 18 324
## 520 4.75 13 47 2209
## 521 5.65 12 2 4
## 522 15.00 16 14 196
## 523 2.27 10 2 4
## 524 4.67 15 13 169
## 525 11.56 16 5 25
## 526 3.50 14 5 252.5 Gráfica de correlación
plot(base1)
Interpretacion: De acuerdo a la relacion de salario con educacion se puede percebir que hay una relacion relativamente positiva, pero con experiencia y experiencia2 no se logra ver una relacion, ya que el analisis es insuficiente de acuerdo a la grafica de correlacion.
2.6 Tabla de correlación
mcor<-round(cor(base1),2)
upper<-mcor
upper[upper.tri(mcor)]<-""
upper<-as.data.frame(upper)
upper## wage educ exper expersq
## wage 1
## educ 0.41 1
## exper 0.11 -0.3 1
## expersq 0.03 -0.33 0.96 1###Tabla de correlacion 2
correlacion<-round(cor(base1), 1)
corrplot(correlacion, method="number", type="upper")
Interpretacion: La correralacion entre salario con educacion no es tan buena porque esta debajo de 1 si tiene una relacion pero no es la mejor aun que es positiva, mientras que con experiencia la relacion aun es menor por lo cual se tiene una reselacion positiva y la correlacion con experiencia2 es una correlacion casi neutra, los valores son muy bajos, en concluciòn se puede decir que no tenemos una buena correlacion entre el salario y las variables.
##2.7 Regresiones
reg1<- lm ( wage ~ educ + exper + expersq, base)
stargazer( reg1,type = 'text')##
## ===============================================
## Dependent variable:
## ---------------------------
## wage
## -----------------------------------------------
## educ 0.595***
## (0.053)
##
## exper 0.268***
## (0.037)
##
## expersq -0.005***
## (0.001)
##
## Constant -3.965***
## (0.752)
##
## -----------------------------------------------
## Observations 526
## R2 0.269
## Adjusted R2 0.265
## Residual Std. Error 3.166 (df = 522)
## F Statistic 64.109*** (df = 3; 522)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01summary(reg1)##
## Call:
## lm(formula = wage ~ educ + exper + expersq, data = base)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.0692 -2.0837 -0.5417 1.2860 15.1363
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.964890 0.752153 -5.271 1.99e-07 ***
## educ 0.595343 0.053025 11.228 < 2e-16 ***
## exper 0.268287 0.036897 7.271 1.31e-12 ***
## expersq -0.004612 0.000822 -5.611 3.26e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.166 on 522 degrees of freedom
## Multiple R-squared: 0.2692, Adjusted R-squared: 0.265
## F-statistic: 64.11 on 3 and 522 DF, p-value: < 2.2e-16Interpretacion de los coeficientes: Incremento de Beta1 en 1 año de educacion hay un 1 incremento en el salario de 0.595 pesos, Si incrementamos un año de experiencia (B2) tenemos un incremento de 0.268 pesos en el salario, si incrementamos de 1 año en (B3) experiencia donde ya se tiene mucha experiencia hay una caida en el salario de 0.005 pesos lo cual es negativo, esto se debe a que despues de cierta edad ya no es rentable, y si hay un incremento de 1 en la constante de nuestro modelo tener un impacto negativo en nuestro salario en el cual estamos perdiendo 3.965 pesos.
Interpretacion de R2: Nuestro coeficiente de relacion es deficiente porque esta por debajo de los parametros aceptables, no hay tanta precision del modelo, ya que hay una relacion del 26.9% entre las variables y la varible dependiente.
2.8 Análisis de la forma funcional o especificación del modelo: Prueba LM
resettest(reg1)##
## RESET test
##
## data: reg1
## RESET = 18.056, df1 = 2, df2 = 520, p-value = 2.622e-08Interpretacion: Dado a que Ho es la forma funcional es correcta, y Ha es la forma funcional incorrecta, nuestro P-value es menor a 0.05 lo cual estamos rechanzando Ho y aceptando a Ha, lo cual nos indica que que nuestro modelo tiene una forma FUNCIONAL INCORRECTA
2.9 Multicolinealidad: VIF
vif(reg1)## educ exper expersq
## 1.129103 13.133957 13.429089Interpretacion: El modelo nos indica que el la educacion esta moderadamente correlacionada, y con la experiencia laboral y experiencia2 esta altamente correlacionados.
2.10 Heteroscedasticidad: Prueba de Breusch-Pagan
bptest(reg1)##
## studentized Breusch-Pagan test
##
## data: reg1
## BP = 46.353, df = 3, p-value = 4.77e-10Interpretacion: Existe heteroscedasticidad
2.11 Autocorrelación: Prueba de Durbin Watson
dwtest(reg1)##
## Durbin-Watson test
##
## data: reg1
## DW = 1.8211, p-value = 0.01952
## alternative hypothesis: true autocorrelation is greater than 0Interpretacion: Existe autocorrelacion
2.12 Normalidad: Prueba de Shapiro
resid = reg1$residuals
shapiro.test(resid)##
## Shapiro-Wilk normality test
##
## data: resid
## W = 0.89304, p-value < 2.2e-16Interpretacion: Los errores no se distribuyen segun lo normal
#EL MODELO NO ES CONSISTENTE Y SE TIENEN QUE TOMAR NUEVAS VARIABLES