Parctica 6

Estimando el modelo

library(foreign)
library(stargazer)
library(lmtest)
library(sandwich)
datos_regresion <- read.dta("C:\\Users\\AD_be\\Desktop\\Econometria\\crime.dta")
modelo_estimado_1<-lm(crime~poverty+single,data=datos_regresion)
stargazer(modelo_estimado_1,title = "modelo estimado",type = "text")

## 
## modelo estimado
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                crime           
## -----------------------------------------------
## poverty                        6.787           
##                               (8.989)          
##                                                
## single                      166.373***         
##                              (19.423)          
##                                                
## Constant                   -1,368.189***       
##                              (187.205)         
##                                                
## -----------------------------------------------
## Observations                    51             
## R2                             0.707           
## Adjusted R2                    0.695           
## Residual Std. Error      243.610 (df = 48)     
## F Statistic           57.964*** (df = 2; 48)   
## ===============================================
## Note:               *p<0.1; **p<0.05; ***p<0.01

Pruebas de Heterocedasticidad y Autocorrelacion

• Prueba de Breusch Pagan (White)

prueba_white<-bptest(modelo_estimado_1,~I(poverty^2)+I(single^2)+poverty*single,data = datos_regresion)
print(prueba_white)

## 
##  studentized Breusch-Pagan test
## 
## data:  modelo_estimado_1
## BP = 10.73, df = 5, p-value = 0.057

Hay evidencia de heterocedasticidad ya que (pvalue < 0.05)

• Prueba de Breusch Godfrey

Verificando autocorrelacion de orden 2

bgtest(modelo_estimado_1,order = 2)

## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  modelo_estimado_1
## LM test = 0.27165, df = 2, p-value = 0.873

No hay evidencia de autocorrelacion de orden 2 ya que (pvalue > 0.05)

Verificando autocorrelación de orden 1

bgtest(modelo_estimado_1,order = 1)

## 
##  Breusch-Godfrey test for serial correlation of order up to 1
## 
## data:  modelo_estimado_1
## LM test = 0.27156, df = 1, p-value = 0.6023

No hay evidencia de autocorrelacion de orden 1 ya que (pvalue > 0.05)

Estimacion robusta

• Sin corregir

coeftest(modelo_estimado_1)

## 
## t test of coefficients:
## 
##               Estimate Std. Error t value  Pr(>|t|)    
## (Intercept) -1368.1887   187.2052 -7.3085 2.479e-09 ***
## poverty         6.7874     8.9885  0.7551    0.4539    
## single        166.3727    19.4229  8.5658 3.117e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

• Corregido

estimacion_omega<-vcovHC(modelo_estimado_1,type = "HC1")
coeftest(modelo_estimado_1,vcov. = estimacion_omega)

## 
## t test of coefficients:
## 
##               Estimate Std. Error t value  Pr(>|t|)    
## (Intercept) -1368.1887   284.9180 -4.8020 1.577e-05 ***
## poverty         6.7874    10.9273  0.6211    0.5374    
## single        166.3727    26.2343  6.3418 7.519e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Uso de estimadores HAC asumiendo heterocedasticidad y autocorrelacion

• Si hubierá sido detectada la autocorrelación de orden 2, tendría que corregirse asi:

estimacion_omega1<-NeweyWest(modelo_estimado_1,lag = 2)
coeftest(modelo_estimado_1,vcov. = estimacion_omega1)

## 
## t test of coefficients:
## 
##               Estimate Std. Error t value  Pr(>|t|)    
## (Intercept) -1368.1887   303.8466 -4.5029 4.280e-05 ***
## poverty         6.7874    10.5943  0.6407    0.5248    
## single        166.3727    25.9154  6.4198 5.708e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1