Ejercicio autocorrelacion

library(wooldridge)
library(fastGraph)
library(haven)
hprice1 <- read_dta("C:/Users/USUARIO/Downloads/hprice1.dta")
head(hprice1, n=5)

## # A tibble: 5 x 10
##   price assess bdrms lotsize sqrft colonial lprice lassess llotsize lsqrft
##   <dbl>  <dbl> <dbl>   <dbl> <dbl>    <dbl>  <dbl>   <dbl>    <dbl>  <dbl>
## 1   300   349.     4    6126  2438        1   5.70    5.86     8.72   7.80
## 2   370   352.     3    9903  2076        1   5.91    5.86     9.20   7.64
## 3   191   218.     3    5200  1374        0   5.25    5.38     8.56   7.23
## 4   195   232.     3    4600  1448        1   5.27    5.45     8.43   7.28
## 5   373   319.     4    6095  2514        1   5.92    5.77     8.72   7.83

1. estimacion del modelo

library(stargazer)
modelo_estimado<-lm(formula= price~lotsize+sqrft+bdrms, data = hprice1)
stargazer(modelo_estimado, type="html", title="Modelo estimado")

**Modelo estimado**

	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. Autocorrelacion de 1er orden a traves de: a) Durbin-Watson

usando lmtest

## usando library lmtest
library(lmtest)
dwtest(modelo_estimado, alternative = "two.sided",iterations = 1000)

Durbin-Watson test

data: modelo_estimado DW = 2.1098, p-value = 0.6218 alternative hypothesis: true autocorrelation is not 0

Usando library car

library(car)
durbinWatsonTest(modelo_estimado, simulate = TRUE, reps = 1000)

##  lag Autocorrelation D-W Statistic p-value
##    1     -0.05900522      2.109796   0.622
##  Alternative hypothesis: rho != 0

b. autocorrelacion de orden superior

library(dplyr)
residu<-modelo_estimado$residuals
library(tidyr)
library(kableExtra)
cbind(residu, hprice1)%>%
  as.data.frame()%>%
  mutate(Lag_1=dplyr::lag(residu,1), 
         Lag_2=dplyr::lag(residu,2))%>%
           replace_na(list(Lag_1=0, Lag_2=0))->data_prueba_BG
kable(head(data_prueba_BG,5))

residu	price	assess	bdrms	lotsize	sqrft	colonial	lprice	lassess	llotsize	lsqrft	Lag_1	Lag_2
-45.639765	300	349.1	4	6126	2438	1	5.703783	5.855359	8.720297	7.798934	0.000000	0.000000
74.848732	370	351.5	3	9903	2076	1	5.913503	5.862210	9.200593	7.638198	-45.639765	0.000000
-8.236558	191	217.7	3	5200	1374	0	5.252274	5.383118	8.556414	7.225481	74.848732	-45.639765
-12.081520	195	231.8	3	4600	1448	1	5.273000	5.445875	8.433811	7.277938	-8.236558	74.848732
18.093192	373	319.1	4	6095	2514	1	5.921578	5.765504	8.715224	7.829630	-12.081520	-8.236558

calcuando la regresion auxiliar y el ESTADISTICO LM_BP

regresion_auxiliar_BG<-lm(residu~lotsize+sqrft+bdrms+Lag_1+Lag_2, data = data_prueba_BG)
sumario_BG<-summary(regresion_auxiliar_BG)
R_2_BG<-sumario_BG$r.squared
n<-nrow(data_prueba_BG)
LM_BG<-n*R_2_BG
gl=2
p_value<-1-pchisq(q=LM_BG,df=gl)
vc<-qchisq(p=0.95, df=gl)
salida_bg<-c(LM_BG, vc, p_value)
names(salida_bg)<-c("LM_BG", "Valor critico", "p value")
stargazer(salida_bg, title="Resultados de la pobreza de Breusch Godfrey", type="html", digits=5)

**Resultados de la pobreza de Breusch Godfrey**

LM_BG	Valor critico	p value

3.03340	5.99146	0.21943

Usanso library “lmtest”

library(lmtest)
bgtest(modelo_estimado, order=2)

## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  modelo_estimado
## LM test = 3.0334, df = 2, p-value = 0.2194

como pvalue>o.05 no se rechaza fipotesis nula por lo tanto se puede concluir que los residuos del modelo, no siguen autocorrelacion de orden 2

verificar 1er orden de autocorrelacion

library(lmtest)
bgtest(modelo_estimado, order=1)

## 
##  Breusch-Godfrey test for serial correlation of order up to 1
## 
## data:  modelo_estimado
## LM test = 0.39362, df = 1, p-value = 0.5304

como pvalue>0.05 no se rechaza hipotesis nula por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelacion de 1er orden