CÁLCULO Y PRESENTACIÓN DE ESTIMADORES HAC
2.Estimación del modelo.
options(scipen = 999999999)
library(lmtest)
modelo_smoke<-lm(cigs~ cigpric + lcigpric + income + lincome + age + agesq + educ + white + restaurn, data = data)
coeftest(modelo_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_smoke, title = "Resumen del modelo de regresión", type = "text")##
## Resumen del modelo de regresión
## ===============================================
## 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<0.014. Verificación de pruebas de Heterocedasticidad y Autocorrelación
4.1 Prueba de heterocedasticidad
4.1.1 Prueba de White (prueba de Breusch Pagan)
library(lmtest)
library(lmtest)
white_test<-bptest(modelo_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(white_test)##
## studentized Breusch-Pagan test
##
## data: modelo_smoke
## BP = 26.323, df = 9, p-value = 0.001809Interpretación: Como P-value ≤ 0.05 Se rechaza la H0, por lo tanto hay evidencia de que la varianza de los residuos es heterocedástica
4.2 Prueba del Multiplicador de Lagrange (Breusch Godfrey) - Pruebas de Autocorrelación
4.2.1 Autocorrelación de 2º orden
##
## Breusch-Godfrey test for serial correlation of order up to 2
##
## data: modelo_smoke
## LM test = 0.26889, df = 2, p-value = 0.8742Interpretación: No hay evidencia de Autocorrelación de 2º orden ya que p-value > 0.05
4.2.2 Autocorrelación de 1º Orden (prueba de Durbin Watson)
## lag Autocorrelation D-W Statistic p-value
## 1 -0.009243664 2.017442 0.896
## Alternative hypothesis: rho != 0No hay evidencia de Autocorrelación de 1º orden ya que p-value > 0.05.
La matriz de Varianza-Covarianza del modelo es no escalar, por la presencia de heterocedasticidad en el modelo.
5.Fuente del problema
Con las pruebas 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. Obtenga el Estimador HAC apropiado y denominelo vcov_HAC
options(scipen = 999999999)
library(lmtest)
library(sandwich)
# Corregido
# Hc0 corrige solo Heterocedasticidad
vcov_HAC<- vcovHC(modelo_smoke, type="HC0")
coeftest(modelo_smoke,vcov. = vcov_HAC)##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 340.804374604 278.565072885 1.2234 0.221530
## cigpric 2.002267667 1.602727983 1.2493 0.211927
## lcigpric -115.273464445 91.344424879 -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 ' ' 17. Modelo “original” y el modelo “corregido” en una sola tabla
library(stargazer)
library(sandwich)
vcov_HAC<-vcovHC(modelo_smoke, type = "HC0")
robust<- sqrt(diag(vcov_HAC))
stargazer(modelo_smoke,modelo_smoke, se=list(NULL, robust),column.labels = c("Original","Corregido"), aling=TRUE, type = "text", title = "Modelo de consumo de cigarrillos")##
## Modelo de consumo de cigarrillos
## ===========================================================
## 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
##
## Modelo de consumo de cigarrillos
## ====
## TRUE
## ----