Dato a utilizar

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.Estimar modelo

library(stargazer)
modelo_lineal<-lm(formula = price~lotsize+sqrft+bdrms,data = hprice1)
stargazer(modelo_lineal,title = "Modelo Estimado",type = "text",digits = 4)
## 
## Modelo Estimado
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                price           
## -----------------------------------------------
## lotsize                      0.0021***         
##                              (0.0006)          
##                                                
## sqrft                        0.1228***         
##                              (0.0132)          
##                                                
## bdrms                         13.8525          
##                              (9.0101)          
##                                                
## Constant                     -21.7703          
##                              (29.4750)         
##                                                
## -----------------------------------------------
## Observations                    88             
## R2                            0.6724           
## Adjusted R2                   0.6607           
## Residual Std. Error      59.8335 (df = 84)     
## F Statistic           57.4602*** (df = 3; 84)  
## ===============================================
## Note:               *p<0.1; **p<0.05; ***p<0.01

2.Verificar los residuos del modelo si son independientes entre sí.

a)Prueba de Durbin Watson

#librería "lmtest"
library(lmtest)
dwtest(modelo_lineal,alternative = "two.sided",iterations = 1000)
## 
##  Durbin-Watson test
## 
## data:  modelo_lineal
## DW = 2.1098, p-value = 0.6218
## alternative hypothesis: true autocorrelation is not 0
#librería "car"
library(car)
durbinWatsonTest(modelo_lineal,simulate = TRUE,reps = 1000)
##  lag Autocorrelation D-W Statistic p-value
##    1     -0.05900522      2.109796   0.606
##  Alternative hypothesis: rho != 0

Para ambos caso se rechaza la presencia de autocorrelación, es decir No se rechaza la H0 ,ya que p-value > 0.05

b)Prueba del multiplicador Lagrange(autocorrelación de primer y segundo orden)

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

Como 0.2194 > 0.05 No se rechaza H0,por lo tanto podemos concluir que los residuos del modelo no siguen autocorrelación de orden “2”.

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

Como 0.5304 > 0.05 No se rechaza H0, por lo tanto se concluye que los residuos del modelo no siguen autocorrelación de 1° orden.