library(wooldridge)
data(hprice1)
head(force(hprice1), n=5)

##   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

Estimacion del Modelo

modelo_estimado_colinealidad<-lm(formula = price~lotsize+sqrft+bdrms, data = hprice1)
library(stargazer)
stargazer(modelo_estimado_colinealidad, title = "Modelo Estimado Regresion Lineal",type="html", digits=5)

**Modelo Estimado Regresion Lineal**

	Dependent variable:

	price

lotsize	0.00207^***
	(0.00064)

sqrft	0.12278^***
	(0.01324)

bdrms	13.85252
	(9.01015)

Constant	-21.77031
	(29.47504)


Observations	88
R²	0.67236
Adjusted R²	0.66066
Residual Std. Error	59.83348 (df = 84)
F Statistic	57.46023^*** (df = 3; 84)

Note:	p<0.1; p<0.05; p<0.01

matrizX<-model.matrix(modelo_estimado_colinealidad)
print(matrizX)

##    (Intercept) lotsize sqrft bdrms
## 1            1    6126  2438     4
## 2            1    9903  2076     3
## 3            1    5200  1374     3
## 4            1    4600  1448     3
## 5            1    6095  2514     4
## 6            1    8566  2754     5
## 7            1    9000  2067     3
## 8            1    6210  1731     3
## 9            1    6000  1767     3
## 10           1    2892  1890     3
## 11           1    6000  2336     4
## 12           1    7047  2634     5
## 13           1   12237  3375     3
## 14           1    6460  1899     3
## 15           1    6519  2312     3
## 16           1    3597  1760     4
## 17           1    5922  2000     4
## 18           1    7123  1774     3
## 19           1    5642  1376     3
## 20           1    8602  1835     4
## 21           1    5494  2048     3
## 22           1    7800  2124     3
## 23           1    6003  1768     3
## 24           1    5218  1732     4
## 25           1    9425  1440     3
## 26           1    6114  1932     3
## 27           1    6710  1932     3
## 28           1    8577  2106     3
## 29           1    8400  3529     7
## 30           1    9773  2051     4
## 31           1    4806  1573     4
## 32           1   15086  2829     4
## 33           1    5763  1630     3
## 34           1    6383  1840     4
## 35           1    9000  2066     4
## 36           1    3500  1702     4
## 37           1   10892  2750     4
## 38           1   15634  3880     5
## 39           1    6400  1854     4
## 40           1    8880  1421     2
## 41           1    6314  1662     3
## 42           1   28231  3331     5
## 43           1    7050  1656     4
## 44           1    5305  1171     3
## 45           1    6637  2293     5
## 46           1    7834  1764     3
## 47           1    1000  2768     3
## 48           1    8112  3733     4
## 49           1    5850  1536     3
## 50           1    6660  1638     4
## 51           1    6637  1972     3
## 52           1   15267  1478     2
## 53           1    5146  1408     3
## 54           1    6017  1812     3
## 55           1    8410  1722     3
## 56           1    5625  1780     4
## 57           1    5600  1674     4
## 58           1    6525  1850     4
## 59           1    6060  1925     3
## 60           1    5539  2343     4
## 61           1    7566  1567     3
## 62           1    5484  1664     4
## 63           1    5348  1386     6
## 64           1   15834  2617     5
## 65           1    8022  2321     4
## 66           1   11966  2638     4
## 67           1    8460  1915     4
## 68           1   15105  2589     4
## 69           1   10859  2709     4
## 70           1    6300  1587     3
## 71           1   11554  1694     3
## 72           1    6000  1536     3
## 73           1   31000  3662     5
## 74           1    4054  1736     3
## 75           1   20700  2205     2
## 76           1    5525  1502     3
## 77           1   92681  1696     4
## 78           1    8178  2186     3
## 79           1    5944  1928     4
## 80           1   18838  1294     3
## 81           1    4315  1535     4
## 82           1    5167  1980     3
## 83           1    7893  2090     4
## 84           1    6056  1837     3
## 85           1    5828  1715     3
## 86           1    6341  1574     3
## 87           1    6362  1185     2
## 88           1    4950  1774     4
## attr(,"assign")
## [1] 0 1 2 3

2.Indice de Condicion y Prueba de FG presentados tabularmeente

library(mctest)
eigprop(modelo_estimado_colinealidad)

## 
## Call:
## eigprop(mod = modelo_estimado_colinealidad)
## 
##   Eigenvalues      CI (Intercept) lotsize  sqrft  bdrms
## 1      3.4816  1.0000      0.0037  0.0278 0.0042 0.0029
## 2      0.4552  2.7656      0.0068  0.9671 0.0061 0.0051
## 3      0.0385  9.5082      0.4726  0.0051 0.8161 0.0169
## 4      0.0247 11.8678      0.5170  0.0000 0.1737 0.9750
## 
## ===============================
## Row 2==> lotsize, proportion 0.967080 >= 0.50 
## Row 3==> sqrft, proportion 0.816079 >= 0.50 
## Row 4==> bdrms, proportion 0.975026 >= 0.50

library(psych)
FG.test<-cortest.bartlett(matrizX[,-1])
print(FG.test)

## $chisq
## [1] 31.38122
## 
## $p.value
## [1] 7.065806e-07
## 
## $df
## [1] 3

VC<-qchisq(p = 0.95,df = 6)
print(VC)

## [1] 12.59159

print(FG.test$chisq<VC)

## [1] FALSE

Resumen: Al observar que FG Valor es mayor al Valor Critico, quiere decir, que las variables son ortogonales, lo que significa que no son independientes entre si y que existe un problema de multicolinealidad de variables explicativas de dicho modelo estadistico regresivo

Factores Inflacionarios de la Varianza

library(car)
VIFS_cardemodelo<-(modelo_estimado_colinealidad)
print(VIFS_cardemodelo)

## 
## Call:
## lm(formula = price ~ lotsize + sqrft + bdrms, data = hprice1)
## 
## Coefficients:
## (Intercept)      lotsize        sqrft        bdrms  
##  -21.770308     0.002068     0.122778    13.852522

Interpretacion: Segun la teoria, si el VIF da un valor mas alto del intervalo de 5 a 10, quiere decir, que existe un alto indicio de multicolinealidad, lo que significa, que la variable [bdrms] genera multicolinealidad en el modelo.

Ejercicio de Colinealidad

LUIS FERNANDO LAGOS ALAS LA18009 GT:03

26/5/2021

Resumen: Al observar que FG Valor es mayor al Valor Critico, quiere decir, que las variables son ortogonales, lo que significa que no son independientes entre si y que existe un problema de multicolinealidad de variables explicativas de dicho modelo estadistico regresivo

Interpretacion: Segun la teoria, si el VIF da un valor mas alto del intervalo de 5 a 10, quiere decir, que existe un alto indicio de multicolinealidad, lo que significa, que la variable [bdrms] genera multicolinealidad en el modelo.