PRACTICA 5 PF13012

Gabriela Lisbeth Palencia Flores PF17014

15 de junio de 2019

Modelo estimado:

## 
## Modelo estimado
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                  Y             
## -----------------------------------------------
## X1                           0.237***          
##                               (0.056)          
##                                                
## X2                          -0.0002***         
##                              (0.00003)         
##                                                
## Constant                     1.564***          
##                               (0.079)          
##                                                
## -----------------------------------------------
## Observations                    25             
## R2                             0.865           
## Adjusted R2                    0.853           
## Residual Std. Error       0.053 (df = 22)      
## F Statistic           70.661*** (df = 2; 22)   
## ===============================================
## Note:               *p<0.1; **p<0.05; ***p<0.01

Ejemplo de prueba de White:

## 
## Resultados de la prueba de White
## ===============================
## LMw      Valor critico P value 
## -------------------------------
## 3.690182   11.070500   0.594826
## -------------------------------

Como 0.594826 es mayor que 0.05, no se rechaza H0,por lo tanto hay evidencia de que la varianza de los residuos es homocedasstica.

Uso de la libreria “lmtest”:

## 
##  studentized Breusch-Pagan test
## 
## data:  modelo_lineal
## BP = 3.6902, df = 5, p-value = 0.5948

Como 0.5948 es mayor que 0.05, No se rechaza H0, por lo tanto hay evidencia que la varianza de los residuos es homocedastica.

Ejemplo de DW en R:

## 
##  Durbin-Watson test
## 
## data:  modelo_lineal
## DW = 1.9483, p-value = 0.5649
## alternative hypothesis: true autocorrelation is not 0

Usando la libraria “Car”:

##  lag Autocorrelation D-W Statistic p-value
##    1     -0.04366918      1.948305   0.538
##  Alternative hypothesis: rho != 0

En ambos casos se puede rechazar la presencia de autocorrelacion (No se rechaza la H0), ya que el Pvalue es mayor a 0.05

Ejemplo en R:

Preparacion de datos.

u_i X1 X2 Y Lag_1 Lag_2
0.0734697 3.92 7298 0.75 0.0000000 NA
-0.0033412 3.61 6855 0.71 0.0734697 NA
-0.0391023 3.32 6636 0.66 -0.0033412 0.0734697
-0.0621832 3.07 6506 0.61 -0.0391023 -0.0033412
0.0162403 3.06 6450 0.70 -0.0621832 -0.0391023
0.0124247 3.11 6402 0.72 0.0162403 -0.0621832

Calculando la regresion regresión auxiliar y el estadístico LMbp

## 
## Resultados de la prueba de Breusch Godfrey
## ===============================
## LMbg     Valor Crítico p value 
## -------------------------------
## 3.667591   5.991465    0.159806
## -------------------------------

Como el Pvalue es mayor a 0.05, no se rechaza Ho, por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelación de orden “2”.

Uso de la libreria “lmtest”

## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  modelo_lineal
## LM test = 3.3052, df = 2, p-value = 0.1916

Como el Pvalue es mayor al 0.05 no se rechaza H0, por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelación de orden “2”.

El BG test puede usarse tambien para verificar la autocorrelacion de 1° orden:

## 
##  Breusch-Godfrey test for serial correlation of order up to 1
## 
## data:  modelo_lineal
## LM test = 0.051063, df = 1, p-value = 0.8212

Como el Pvalue es mayor al 0.05 No se rechaza Ho, por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelación de 1° orden.