Carga de datos

library(wooldridge)
data(hprice1)
head(force(hprice1),n=5) #mostrar las primeras 5 observaciones
##   price assess bdrms lotsize sqrft colonial   lprice  lassess llotsize   lsqrft
## 1   300  349.1     4    6126  2438        1 5.703783 5.855359 8.720297 7.798934
## 2   370  351.5     3    9903  2076        1 5.913503 5.862210 9.200593 7.638198
## 3   191  217.7     3    5200  1374        0 5.252274 5.383118 8.556414 7.225482
## 4   195  231.8     3    4600  1448        1 5.273000 5.445875 8.433811 7.277938
## 5   373  319.1     4    6095  2514        1 5.921578 5.765504 8.715224 7.829630

1 Estimacion del Modelo

library(stargazer)
modelo_estimadio<-lm(price~lotsize+sqrft+bdrms, data=hprice1)
stargazer(modelo_estimadio, title = "EJERCICIO AUTOCORRELACION", type="text")
## 
## EJERCICIO AUTOCORRELACION
## ===============================================
##                         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. Verifique si los resultados son independientes entre si (no autocorrelacion), a traves de:

a) Prueba de Durbin Watson

library(lmtest)
dwtest(modelo_estimadio, alternative = "two.sided", iterations = 1000)
## 
##  Durbin-Watson test
## 
## data:  modelo_estimadio
## DW = 2.1098, p-value = 0.6218
## alternative hypothesis: true autocorrelation is not 0

Rechazar la hipotesis Nula H0 si Pvalue<0.05 Pvalue=0.6218 Como 0.6218>0.05 no se rechaza la hipotesis nula y se concluye que no hay presencia de auocorrelacion.

Haremos la Prueba de Durbin Watson usando la libreria “car”

library(car)
durbinWatsonTest(modelo_estimadio, simulate = TRUE, reps = 1000)
##  lag Autocorrelation D-W Statistic p-value
##    1     -0.05900522      2.109796   0.612
##  Alternative hypothesis: rho != 0

Interpretacion: Rechazar la hipotesis Nula H0 si Pvalue<0.05 Pvalue=0.6218 Como 0.63>0.05 no se rechaza la hipotesis nula y se concluye que no hay presencia de auocorrelacion. Ya esta confirmado en ambos casos de no autocrrrelacion en el modelo.

b) Prueba del Multiplicador de Lagrange (Verfique la prueba de autorrelacion de primer orden y de segundo orden)

Nuevamente utilizamos la libreria lmtest

library(lmtest)
bgtest(modelo_estimadio, order = 2)
## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  modelo_estimadio
## LM test = 3.0334, df = 2, p-value = 0.2194

Prueba de Hipotesis:

Como Pvalue>0.05 No se rechaza la H0, por lo que puede concluirse que los residuos del modelo, no siguen autocorrelacion de roden 2.

Ahora usamos BG para berificar la autocorrelacion de 1° orden

library(lmtest)
bgtest(modelo_estimadio, order=1)
## 
##  Breusch-Godfrey test for serial correlation of order up to 1
## 
## data:  modelo_estimadio
## LM test = 0.39362, df = 1, p-value = 0.5304

Prueba de hipotesis:

Como Pvalue>0.05 No se rechaza la H0, por lo que puede concluirse que los residuos del modelo, no siguen autocorrelacion de roden 1.