Utilizando los datos del dataframe hprice1: disponible en el paquete wooldridge use el siguiente código

Para generar el dataframe:

library(wooldridge)
library(stargazer)
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

1. Estime el siguiente modelo

options(scipen = 9999)
library(stargazer)
modelo_2<-lm(formula = price~lotsize+sqrft+bdrms, data =  hprice1)
stargazer(modelo_2,title = "Modelo 2", type = "text")
## 
## Modelo 2
## ===============================================
##                         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

Verifique si hay evidencia de la independencia de los regresores (no colinealidad), a través de:

A.

Indice de condición y prueba de FG, presente sus resultados de manera tabular en ambos casos y para la prueba de FG presente también sus resultados de forma gráfica usando la librería fastGraph

library(mctest)
source(file = "C:/Users/ToolHouse/Desktop/correccion_eigprop.R")
my_eigprop(mod = modelo_2)
## 
## Call:
## my_eigprop(mod = modelo_2)
## 
##   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

El resultado es de 11.86, por tanto es inferior al criterio de 20. Entonces la multicolinealidad no se considera un problema grave.

Prueba de Farrar-Glaubar

# calculo de Mat_x
matriz_x<-model.matrix(modelo_2)
library(fastGraph)
library(psych)
FG_test1<-cortest.bartlett(matriz_x[,-1])
VC_1<-qchisq(0.05,FG_test1$df,lower.tail =FALSE)
print(FG_test1)
## $chisq
## [1] 31.38122
## 
## $p.value
## [1] 0.0000007065806
## 
## $df
## [1] 3
shadeDist(xshade = FG_test1$chisq,ddist ='dchisq',parm1 = FG_test1$df,lower.tail =FALSE,sub=paste('VC:',VC_1,'FG:',FG_test1$chisq))

Comentario: Prueba FG: 31.38 Valor critico: 7.81 como χ F G 2 es ≥ que el valor critico, entonces hay evidencia que existe colinealidad en los regresores.

B.

Factores inflacionarios de la varianza, presente sus resultados de forma tabular

Usando la libreria Car

library(car)
VIF_car<-vif(modelo_2)
print(VIF_car)
##  lotsize    sqrft    bdrms 
## 1.037211 1.418654 1.396663