Ejercicio 1. Los primeros 3 pasos del AnÔlisis Económico Empírico (5

puntos) ĀæQuĆ© factores afectan a que un jugador anote x goles en una temporada? • Posición - > Delantero, Medio, Defensa, Portero • Edad -> AƱos de vida del jugador • Carrera -> AƱos de carrera • Tiempo de Juego -> Minutos Jugados • Salario -> Salario Anual

Goles=f( posición, edad, carrera, tiempo de juego, equipo )

Goles= B0+ B1* posición + B2Edad + B3 Carrera + B4Tiempo de Juego + B5Salario+ u

Resumen de 1 cuartilla ā€œDefiniciones de Tipos de Datosā€

Sebastian Romano Mena RaĆŗl CantĆŗ 12/02/2024

La Importancia de los Diferentes Tipos de Datos en Investigaciones Económicas En el Ômbito de la investigación económica, el uso de diversos tipos de datos es fundamental para entender las dinÔmicas y tendencias de los mercados, las economías y el comportamiento social. Los datos de corte transversal, de serie de tiempo y de panel son herramientas esenciales en este anÔlisis, cada uno con sus ventajas y aplicaciones específicas. Los datos de corte transversal se refieren a datos recopilados en un solo punto en el tiempo, pero de múltiples sujetos, regiones o entidades. Estos datos son cruciales para comparar y contrastar diferentes grupos o situaciones en un momento específico, permitiendo a los investigadores identificar patrones o discrepancias. Por ejemplo, un estudio que analiza el ingreso per cÔpita en diferentes países para un año dado utiliza datos de corte transversal para ofrecer una instantÔnea de la distribución económica global (Smith, 2020). Por otro lado, los datos de serie de tiempo se concentran en observar y registrar datos de una sola entidad a lo largo de varios puntos en el tiempo. Esto es particularmente útil para analizar tendencias, ciclos y otros fenómenos que se desarrollan a lo largo del tiempo. Un economista que estudia la inflación anual de un país durante las últimas décadas se basa en datos de serie de tiempo para entender las fluctuaciones y predecir tendencias futuras (Johnson, 2021). Finalmente, los datos de panel o longitudinales combinan las dimensiones de los datos de corte transversal y de serie de tiempo, rastreando múltiples sujetos a lo largo del tiempo. Este tipo de datos permite a los investigadores no solo identificar patrones temporales y entre grupos, sino también observar cómo las variables interactúan y cambian con el tiempo en el mismo sujeto o entidad. Los datos de panel son especialmente valorados en estudios longitudinales que buscan entender el impacto de políticas o cambios económicos en diferentes poblaciones (Davis, 2022). En conclusión, la elección del tipo de datos a utilizar en la investigación económica depende del objetivo del estudio, la naturaleza de la hipótesis y las preguntas de investigación. La capacidad de combinar y analizar estos diferentes tipos de datos ofrece una comprensión mÔs rica y matizada de los fenómenos económicos, lo que resulta esencial para formular políticas efectivas y para avanzar en el conocimiento económico.

Obras Citadas Davis, Laura. ā€œUnderstanding Economic Impacts through Panel Data Analysis.ā€ Journal of Economic Studies, vol.Ā 48, no. 3, 2022, pp.Ā 645-662. Johnson, Mark. ā€œTrends in Inflation: A Time Series Analysis.ā€ Economic Insights, vol.Ā 37, no. 2, 2021, pp.Ā 200-215. Smith, Anna. ā€œGlobal Economic Distribution: A Cross-Sectional Study.ā€ World Economy Review, vol.Ā 55, no. 1, 2020, pp.Ā 30-45.

R Script ā€œPanelā€ para obtener Indicadores del Banco Mundial

Instalar y correr librerias.

#install.packages('WDI')
#install.packages('wbstats')
#install.packages('tidyverse')
#install.packages('gplots')
library(WDI)
library(wbstats)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## āœ” dplyr     1.1.4     āœ” readr     2.1.5
## āœ” forcats   1.0.0     āœ” stringr   1.5.1
## āœ” ggplot2   3.4.4     āœ” tibble    3.2.1
## āœ” lubridate 1.9.3     āœ” tidyr     1.3.1
## āœ” purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## āœ– dplyr::filter() masks stats::filter()
## āœ– dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(gplots)
## 
## Attaching package: 'gplots'
## 
## The following object is masked from 'package:stats':
## 
##     lowess
#install.packages('plm')
library(plm)
## 
## Attaching package: 'plm'
## 
## The following objects are masked from 'package:dplyr':
## 
##     between, lag, lead

LLamar la Base de datos

# obtener informacion de varios paises
gdp_data <- wb_data(country=c('MX','CA','EC'), indicator ='NY.GDP.PCAP.CD', start_date = 2013, end_date =2023 )
gdp_data
## # A tibble: 30 Ɨ 9
##    iso2c iso3c country  date NY.GDP.PCAP.CD unit  obs_status footnote
##    <chr> <chr> <chr>   <dbl>          <dbl> <chr> <chr>      <chr>   
##  1 CA    CAN   Canada   2013         52635. <NA>  <NA>       <NA>    
##  2 CA    CAN   Canada   2014         50956. <NA>  <NA>       <NA>    
##  3 CA    CAN   Canada   2015         43596. <NA>  <NA>       <NA>    
##  4 CA    CAN   Canada   2016         42316. <NA>  <NA>       <NA>    
##  5 CA    CAN   Canada   2017         45129. <NA>  <NA>       <NA>    
##  6 CA    CAN   Canada   2018         46549. <NA>  <NA>       <NA>    
##  7 CA    CAN   Canada   2019         46374. <NA>  <NA>       <NA>    
##  8 CA    CAN   Canada   2020         43562. <NA>  <NA>       <NA>    
##  9 CA    CAN   Canada   2021         52515. <NA>  <NA>       <NA>    
## 10 CA    CAN   Canada   2022         55522. <NA>  <NA>       <NA>    
## # ℹ 20 more rows
## # ℹ 1 more variable: last_updated <date>
panel <- select(gdp_data,country,date,NY.GDP.PCAP.CD)

Ejercicio 2. Conjunto de Datos de Panel con Indicadores del Banco Mundial

obtener informacion de varios paises

bd<-wb_data(country = c("AR","US","MX","CN"), indicator = c("NY.GDP.MKTP.KD.ZG","SL.UEM.TOTL.ZS",
"AG.LND.AGRI.ZS", "AG.LND.ARBL.ZS", "EG.ELC.ACCS.ZS", "SP.POP.GROW", "GB.XPD.RSDV.GD.ZS"), start_date=1950, end_date=2023)
panel<-subset(bd,date==2000 | date==2010 | date==2015 | date==2020)

Tarea 2. GrƔficas de Heterogeneidad

Obtener Graficas

grafica1 <-plotmeans(panel$NY.GDP.MKTP.KD.ZG ~ panel$date,
             mean.labels=TRUE, digits=-3,
             col="red", connect=FALSE)

grafica1
## NULL
grafica2 <- plotmeans(bd$NY.GDP.MKTP.KD.ZG ~ bd$country,
             mean.labels=TRUE, digits=-3,
             col="red", connect=FALSE)

grafica2
## NULL

Pregunta 1:

La línea que conecta los promedios entre países muestra fluctuaciones moderadas, manteniéndose relativamente estable a lo largo de los años hasta llegar al 2020, donde se observan variaciones mÔs pronunciadas. Este cambio sugiere una alteración significativa en el crecimiento del PIB durante el año 2020, posiblemente debido a eventos globales o cambios económicos específicos de cada país.

Pregunta 2:

Los intervalos de confianza en ambas grÔficas aparecen desalineados, lo que indica una variabilidad en la precisión de las estimaciones promedio entre los diferentes países y años analizados. Esta desalineación de los intervalos de confianza refleja diferencias en la estabilidad de los datos a lo largo del tiempo y entre países, sugiriendo que la confianza en nuestras estimaciones promedio varía según el contexto.

Pregunta 3:

La presencia de heterogeneidad en los datos indica que existe variabilidad significativa en las mediciones. Esto significa que los datos muestran una diversidad en las tasas de crecimiento del PIB entre diferentes países y a lo largo del tiempo. La heterogeneidad en los datos es importante, ya que sugiere que los factores que influyen en el crecimiento económico varían entre países y pueden cambiar significativamente a lo largo de los años.

Ejercicio 3. Modelos con Indicadores del Banco Mundia

Regresion agrupada, efectos fijos y aleatorios.

#Modelo 1. Regresion agrupada(pooled)
pooled<-plm(NY.GDP.MKTP.KD.ZG ~ SL.UEM.TOTL.ZS+
AG.LND.AGRI.ZS+AG.LND.ARBL.ZS+EG.ELC.ACCS.ZS+SP.POP.GROW+GB.XPD.RSDV.GD.ZS , data=panel ,model = "pooling")
## Warning in pdata.frame(data, index): duplicate couples (id-time) in resulting pdata.frame
##  to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")
summary(pooled)
## Pooling Model
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + 
##     AG.LND.ARBL.ZS + EG.ELC.ACCS.ZS + SP.POP.GROW + GB.XPD.RSDV.GD.ZS, 
##     data = panel, model = "pooling")
## 
## Unbalanced Panel: n = 4, T = 4-4, N = 16
## 
## Residuals:
##    Min. 1st Qu.  Median 3rd Qu.    Max. 
## -8.1043 -1.9711  1.2967  2.3740  5.8281 
## 
## Coefficients:
##                    Estimate Std. Error t-value Pr(>|t|)
## (Intercept)       108.49114  161.77765  0.6706   0.5193
## SL.UEM.TOTL.ZS     -0.11244    0.70155 -0.1603   0.8762
## AG.LND.AGRI.ZS      1.07183    0.65102  1.6464   0.1341
## AG.LND.ARBL.ZS      2.14456    1.21025  1.7720   0.1102
## EG.ELC.ACCS.ZS     -1.82557    1.44565 -1.2628   0.2384
## SP.POP.GROW        -4.69836    4.18512 -1.1226   0.2906
## GB.XPD.RSDV.GD.ZS  -1.70636    2.19119 -0.7787   0.4561
## 
## Total Sum of Squares:    512.67
## Residual Sum of Squares: 236.86
## R-Squared:      0.53799
## Adj. R-Squared: 0.22998
## F-statistic: 1.74666 on 6 and 9 DF, p-value: 0.21687
#Modelo 2. Efectos fijos(within)
within<-plm(NY.GDP.MKTP.KD.ZG ~ SL.UEM.TOTL.ZS+
AG.LND.AGRI.ZS+AG.LND.ARBL.ZS+EG.ELC.ACCS.ZS+SP.POP.GROW+GB.XPD.RSDV.GD.ZS , data=panel ,model = "within")
## Warning in pdata.frame(data, index): duplicate couples (id-time) in resulting pdata.frame
##  to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")
summary(within)
## Oneway (individual) effect Within Model
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + 
##     AG.LND.ARBL.ZS + EG.ELC.ACCS.ZS + SP.POP.GROW + GB.XPD.RSDV.GD.ZS, 
##     data = panel, model = "within")
## 
## Unbalanced Panel: n = 4, T = 4-4, N = 16
## 
## Residuals:
##     Min.  1st Qu.   Median  3rd Qu.     Max. 
## -4.98771 -2.38596  0.41446  1.92653  5.64725 
## 
## Coefficients:
##                   Estimate Std. Error t-value Pr(>|t|)  
## SL.UEM.TOTL.ZS    -0.60572    0.97119 -0.6237  0.55579  
## AG.LND.AGRI.ZS     3.29170    1.43542  2.2932  0.06167 .
## AG.LND.ARBL.ZS     0.47688    2.68288  0.1777  0.86477  
## EG.ELC.ACCS.ZS     0.75577    3.26340  0.2316  0.82455  
## SP.POP.GROW       -3.77042    7.00843 -0.5380  0.60995  
## GB.XPD.RSDV.GD.ZS -3.72381    7.02411 -0.5301  0.61505  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    401.22
## Residual Sum of Squares: 144.53
## R-Squared:      0.63977
## Adj. R-Squared: 0.099435
## F-statistic: 1.77603 on 6 and 6 DF, p-value: 0.25126
#Prueba pF

pFtest(within,pooled)
## 
##  F test for individual effects
## 
## data:  NY.GDP.MKTP.KD.ZG ~ SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + AG.LND.ARBL.ZS +  ...
## F = 1.2777, df1 = 3, df2 = 6, p-value = 0.364
## alternative hypothesis: significant effects
#Modelo 3. Efectos aleatorios(random) = Metodo walhus
walhus<- plm(NY.GDP.MKTP.KD.ZG ~ +SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + AG.LND.ARBL.ZS+ EG.ELC.ACCS.ZS+ SP.POP.GROW +GB.XPD.RSDV.GD.ZS, data = bd, model ='random', random.method = 'walhus')
## Warning in pdata.frame(data, index): duplicate couples (id-time) in resulting pdata.frame
##  to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")
summary(walhus)
## Oneway (individual) effect Random Effect Model 
##    (Wallace-Hussain's transformation)
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ +SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + 
##     AG.LND.ARBL.ZS + EG.ELC.ACCS.ZS + SP.POP.GROW + GB.XPD.RSDV.GD.ZS, 
##     data = bd, model = "random", random.method = "walhus")
## 
## Unbalanced Panel: n = 4, T = 22-26, N = 99
## 
## Effects:
##                  var std.dev share
## idiosyncratic 12.595   3.549 0.634
## individual     7.258   2.694 0.366
## theta:
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.7296  0.7452  0.7499  0.7442  0.7499  0.7499 
## 
## Residuals:
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -9.6390 -1.6357  0.5489  0.0008  1.7536  9.8348 
## 
## Coefficients:
##                   Estimate Std. Error z-value Pr(>|z|)   
## (Intercept)       95.35299   51.81528  1.8402 0.065732 . 
## SL.UEM.TOTL.ZS    -0.41142    0.23863 -1.7241 0.084688 . 
## AG.LND.AGRI.ZS     0.61260    0.26456  2.3156 0.020582 * 
## AG.LND.ARBL.ZS     0.92455    0.42606  2.1700 0.030009 * 
## EG.ELC.ACCS.ZS    -1.28399    0.45085 -2.8479 0.004401 **
## SP.POP.GROW       -4.41230    2.15552 -2.0470 0.040660 * 
## GB.XPD.RSDV.GD.ZS -0.82609    1.20447 -0.6859 0.492803   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    1557.7
## Residual Sum of Squares: 1164
## R-Squared:      0.25273
## Adj. R-Squared: 0.20399
## Chisq: 30.7827 on 6 DF, p-value: 2.7889e-05
#Modelo 3. Efectos aleatorios(random) = Metodo amemiya
amemiya<- plm(NY.GDP.MKTP.KD.ZG ~ +SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + AG.LND.ARBL.ZS+ EG.ELC.ACCS.ZS+ SP.POP.GROW +GB.XPD.RSDV.GD.ZS, data = bd, model ='random', random.method = 'amemiya')
## Warning in pdata.frame(data, index): duplicate couples (id-time) in resulting pdata.frame
##  to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")
summary(amemiya)
## Oneway (individual) effect Random Effect Model 
##    (Amemiya's transformation)
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ +SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + 
##     AG.LND.ARBL.ZS + EG.ELC.ACCS.ZS + SP.POP.GROW + GB.XPD.RSDV.GD.ZS, 
##     data = bd, model = "random", random.method = "amemiya")
## 
## Unbalanced Panel: n = 4, T = 22-26, N = 99
## 
## Effects:
##                  var std.dev share
## idiosyncratic 12.765   3.573 0.782
## individual     3.552   1.885 0.218
## theta:
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.6253  0.6455  0.6515  0.6442  0.6515  0.6515 
## 
## Residuals:
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -9.9298 -1.7232  0.5122 -0.0006  1.7030  9.8299 
## 
## Coefficients:
##                   Estimate Std. Error z-value Pr(>|z|)   
## (Intercept)       99.31748   49.32899  2.0134 0.044076 * 
## SL.UEM.TOTL.ZS    -0.35816    0.23266 -1.5395 0.123692   
## AG.LND.AGRI.ZS     0.59705    0.23228  2.5704 0.010158 * 
## AG.LND.ARBL.ZS     1.00722    0.39936  2.5221 0.011666 * 
## EG.ELC.ACCS.ZS    -1.32527    0.43006 -3.0816 0.002059 **
## SP.POP.GROW       -4.87025    2.04537 -2.3811 0.017261 * 
## GB.XPD.RSDV.GD.ZS -0.93679    1.07896 -0.8682 0.385263   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    1608.7
## Residual Sum of Squares: 1175
## R-Squared:      0.26957
## Adj. R-Squared: 0.22193
## Chisq: 33.3638 on 6 DF, p-value: 8.9239e-06
#Modelo 3. Efectos aleatorios(random) = Metodo nerlove
nerlove<- plm(NY.GDP.MKTP.KD.ZG ~ SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + AG.LND.ARBL.ZS+ EG.ELC.ACCS.ZS+ SP.POP.GROW +GB.XPD.RSDV.GD.ZS, data = bd, model ='random', random.method = 'nerlove')
## Warning in pdata.frame(data, index): duplicate couples (id-time) in resulting pdata.frame
##  to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")
summary(nerlove)
## Oneway (individual) effect Random Effect Model 
##    (Nerlove's transformation)
## 
## Call:
## plm(formula = NY.GDP.MKTP.KD.ZG ~ SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + 
##     AG.LND.ARBL.ZS + EG.ELC.ACCS.ZS + SP.POP.GROW + GB.XPD.RSDV.GD.ZS, 
##     data = bd, model = "random", random.method = "nerlove")
## 
## Unbalanced Panel: n = 4, T = 22-26, N = 99
## 
## Effects:
##                  var std.dev share
## idiosyncratic 11.475   3.388 0.332
## individual    23.106   4.807 0.668
## theta:
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.8514  0.8604  0.8631  0.8598  0.8631  0.8631 
## 
## Residuals:
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -9.3668 -1.5509  0.5815  0.0029  1.9156  9.8825 
## 
## Coefficients:
##                   Estimate Std. Error z-value Pr(>|z|)  
## (Intercept)       80.32725   59.31273  1.3543  0.17564  
## SL.UEM.TOTL.ZS    -0.47647    0.24603 -1.9366  0.05279 .
## AG.LND.AGRI.ZS     0.69455    0.32794  2.1179  0.03418 *
## AG.LND.ARBL.ZS     0.76875    0.49230  1.5615  0.11839  
## EG.ELC.ACCS.ZS    -1.14960    0.51719 -2.2228  0.02623 *
## SP.POP.GROW       -3.99823    2.27999 -1.7536  0.07950 .
## GB.XPD.RSDV.GD.ZS -0.96033    1.47629 -0.6505  0.51537  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    1518.8
## Residual Sum of Squares: 1151
## R-Squared:      0.24215
## Adj. R-Squared: 0.19273
## Chisq: 29.2897 on 6 DF, p-value: 5.3617e-05
#prueba de hausman
phtest(amemiya,within)
## 
##  Hausman Test
## 
## data:  NY.GDP.MKTP.KD.ZG ~ +SL.UEM.TOTL.ZS + AG.LND.AGRI.ZS + AG.LND.ARBL.ZS +  ...
## chisq = 4.9544, df = 6, p-value = 0.5497
## alternative hypothesis: one model is inconsistent

Tarea 3. Patentes

library(magick)
## Linking to ImageMagick 6.9.12.98
## Enabled features: cairo, freetype, fftw, ghostscript, heic, lcms, pango, raw, rsvg, webp
## Disabled features: fontconfig, x11
gif_url <- image_read("https://i.gifer.com/origin/36/36b951b5410ef7e312548228ae1ab420_w200.gif")
print(gif_url)
## # A tibble: 17 Ɨ 7
##    format width height colorspace matte filesize density
##    <chr>  <int>  <int> <chr>      <lgl>    <int> <chr>  
##  1 GIF      200    168 sRGB       TRUE         0 72x72  
##  2 GIF      200    168 sRGB       TRUE         0 72x72  
##  3 GIF      200    168 sRGB       TRUE         0 72x72  
##  4 GIF      200    168 sRGB       TRUE         0 72x72  
##  5 GIF      200    168 sRGB       TRUE         0 72x72  
##  6 GIF      200    168 sRGB       TRUE         0 72x72  
##  7 GIF      200    168 sRGB       TRUE         0 72x72  
##  8 GIF      200    168 sRGB       TRUE         0 72x72  
##  9 GIF      200    168 sRGB       TRUE         0 72x72  
## 10 GIF      200    168 sRGB       TRUE         0 72x72  
## 11 GIF      200    168 sRGB       TRUE         0 72x72  
## 12 GIF      200    168 sRGB       TRUE         0 72x72  
## 13 GIF      200    168 sRGB       TRUE         0 72x72  
## 14 GIF      200    168 sRGB       TRUE         0 72x72  
## 15 GIF      200    168 sRGB       TRUE         0 72x72  
## 16 GIF      200    168 sRGB       TRUE         0 72x72  
## 17 GIF      200    168 sRGB       TRUE         0 72x72

Importar la base de datos

library(WDI)
library(wbstats)
library(tidyverse)
library(gplots)
library(readxl)
library(plm)
library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

Leer la base de Datos y omitir NAs

bd <- read_excel("C:/Users/roman/OneDrive/Desktop/Gestion/PATENT 3.xls")

# Eliminar filas con valores NA de la base de datos principal
bd <- na.omit(bd)
View(bd)
panel<-select(bd,patentsg,return, year, cusip , employ , rnd, sales,stckpr)
panel<-pdata.frame(panel, index=c("cusip","year"))

Usar los modelos ensenados (Fijos, Aleatoris y Agrupados)

# Modelo de efectos fijos (within)
within <- plm(patentsg ~ return + employ + rnd + sales + stckpr, data = panel, index = c("cusip", "year"), model = "within")

# Modelo de efectos aleatorios
walhus <- plm(patentsg ~ return + employ + rnd + sales + stckpr, data = panel, index = c("cusip", "year"), model = "random", random.method = 'walhus')

#Regresion agrupada 
pooled<-plm(patentsg ~ return + employ + rnd + sales + stckpr, data = panel, index = c("cusip", "year"), model = "pooling")



# Ver los resĆŗmenes de los modelos
summary(within)
## Oneway (individual) effect Within Model
## 
## Call:
## plm(formula = patentsg ~ return + employ + rnd + sales + stckpr, 
##     data = panel, model = "within", index = c("cusip", "year"))
## 
## Unbalanced Panel: n = 215, T = 2-10, N = 2083
## 
## Residuals:
##       Min.    1st Qu.     Median    3rd Qu.       Max. 
## -219.22852   -2.15429   -0.32051    1.82530  267.24979 
## 
## Coefficients:
##           Estimate  Std. Error  t-value  Pr(>|t|)    
## return -0.05875796  0.10859324  -0.5411   0.58852    
## employ -0.06008489  0.06378744  -0.9420   0.34634    
## rnd    -0.13925828  0.01277223 -10.9032 < 2.2e-16 ***
## sales  -0.00157648  0.00036809  -4.2829 1.938e-05 ***
## stckpr  0.05327363  0.02907453   1.8323   0.06706 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    713530
## Residual Sum of Squares: 587240
## R-Squared:      0.177
## Adj. R-Squared: 0.080254
## F-statistic: 80.1338 on 5 and 1863 DF, p-value: < 2.22e-16
summary(walhus)
## Oneway (individual) effect Random Effect Model 
##    (Wallace-Hussain's transformation)
## 
## Call:
## plm(formula = patentsg ~ return + employ + rnd + sales + stckpr, 
##     data = panel, model = "random", random.method = "walhus", 
##     index = c("cusip", "year"))
## 
## Unbalanced Panel: n = 215, T = 2-10, N = 2083
## 
## Effects:
##                   var std.dev share
## idiosyncratic  491.88   22.18 0.182
## individual    2206.61   46.97 0.818
## theta:
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.6833  0.8523  0.8523  0.8504  0.8523  0.8523 
## 
## Residuals:
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -145.414   -4.430   -2.204    0.037    0.557  307.273 
## 
## Coefficients:
##                Estimate  Std. Error z-value  Pr(>|z|)    
## (Intercept) 14.02575017  3.21531882  4.3622 1.288e-05 ***
## return      -0.12918817  0.12078351 -1.0696    0.2848    
## employ       0.86554048  0.04969144 17.4183 < 2.2e-16 ***
## rnd         -0.09578384  0.01366226 -7.0108 2.369e-12 ***
## sales       -0.00243471  0.00039724 -6.1290 8.843e-10 ***
## stckpr       0.20200524  0.03136593  6.4403 1.193e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    1004200
## Residual Sum of Squares: 828750
## R-Squared:      0.17473
## Adj. R-Squared: 0.17275
## Chisq: 441.974 on 5 DF, p-value: < 2.22e-16
summary(pooled)
## Pooling Model
## 
## Call:
## plm(formula = patentsg ~ return + employ + rnd + sales + stckpr, 
##     data = panel, model = "pooling", index = c("cusip", "year"))
## 
## Unbalanced Panel: n = 215, T = 2-10, N = 2083
## 
## Residuals:
##      Min.   1st Qu.    Median   3rd Qu.      Max. 
## -374.0512  -11.1835    0.5751    7.7176  534.3202 
## 
## Coefficients:
##                Estimate  Std. Error t-value  Pr(>|t|)    
## (Intercept) -1.0079e+01  2.1869e+00 -4.6090 4.293e-06 ***
## return      -4.3803e-03  2.2588e-01 -0.0194    0.9845    
## employ       1.4468e+00  4.7690e-02 30.3365 < 2.2e-16 ***
## rnd         -1.1653e-01  1.8397e-02 -6.3344 2.913e-10 ***
## sales       -2.7178e-03  5.3251e-04 -5.1037 3.633e-07 ***
## stckpr       7.5405e-01  4.9816e-02 15.1367 < 2.2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    14044000
## Residual Sum of Squares: 5522100
## R-Squared:      0.60679
## Adj. R-Squared: 0.60584
## F-statistic: 641.025 on 5 and 2077 DF, p-value: < 2.22e-16

Hacer Graficas representando la Heterocedasticidad

plotmeans(panel$patentsg ~ panel$year,xlab="AƱos",ylab="Patentes",
             mean.labels=TRUE, digits=-3,
             col="red",connect=TRUE, main="Heterogeneidad entre patentes")

suppressWarnings({
  
plotmeans(panel$patentsg ~ panel$cusip,xlab="Empresas",ylab="Patentes",
             mean.labels=TRUE, digits=-3,
             col="red",connect=TRUE, main="Heterogeneidad entre empresas") 
})

##Pruebas para comprbar la heterocedasticidas y la auto-correlacion

# Prueba de Hausman
phtest(walhus, within)
## 
##  Hausman Test
## 
## data:  patentsg ~ return + employ + rnd + sales + stckpr
## chisq = 501.39, df = 5, p-value < 2.2e-16
## alternative hypothesis: one model is inconsistent
# Prueba de heterocedasticidad: Breusch-Pagan
#bp_test <- bptest(within)
#bp_test
# Prueba de autocorrelación serial: Wooldridge test for panel data
#wooldridge_test <- pdwtest(within)