Cargando Datos

library(wooldridge)
data(hprice1)
head(force(hprice1),n=5) #Para mostrar las primeras 5 observaciones
##   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. Estimacion del modelo de regresion

library(stargazer)
options(scipen = 999999)
m_lineal<-lm(formula = price~lotsize+sqrft+bdrms,data = hprice1)
stargazer(m_lineal,title="Regresion Lineal",type="html",digits=4)
Regresion Lineal
Dependent variable:
price
lotsize 0.0021***
(0.0006)
sqrft 0.1228***
(0.0132)
bdrms 13.8525
(9.0101)
Constant -21.7703
(29.4750)
Observations 88
R2 0.6724
Adjusted R2 0.6607
Residual Std. Error 59.8335 (df = 84)
F Statistic 57.4602*** (df = 3; 84)
Note: p<0.1; p<0.05; p<0.01

2. Verificar la no autocorrelación de los datos

a) Prueba de Durbin Watson.

Hipótesis de la prueba:

H0:ρ=0

“No hay evidencia de autocorrelación de primer orden, en los residuos del modelo”

H1:ρ≠0

“Hay evidencia de autocorrelación de primer orden, en los residuos del modelo”

Autocorrelacion de primer orden

  • Usando libreria lmtest
library(lmtest)
dwtest(m_lineal,alternative="two.sided",iterations=1000)
## 
##  Durbin-Watson test
## 
## data:  m_lineal
## DW = 2.1098, p-value = 0.6218
## alternative hypothesis: true autocorrelation is not 0
  • Usando libreria car
library(car)
durbinWatsonTest(m_lineal,simulate=TRUE,reps=1000)
##  lag Autocorrelation D-W Statistic p-value
##    1     -0.05900522      2.109796   0.652
##  Alternative hypothesis: rho != 0

Conclusion:

Como Pvalue > 0.05. En ambos casos se puede rechazar la presencia de autocorrelacion. Es decir, no se rechaza la hipotesis Ho.

b) Prueba del Multiplicador de Lagrange

Hipótesis de la prueba:

H0:ρ1=ρ2=ρ3=⋯=ρm=0

“No hay evidencia de autocorrelación de orden “m”, en los residuos del modelo”

H1:ρ1=ρ2=ρ3=⋯=ρm≠0

“Hay evidencia de autocorrelación de orden “m”, en los residuos del modelo”

Criterio de decisión: Rechazar H0 si LMBG > V.C Alternativamente: Rechazar H0 si pvalue ≤ α

  • Autocorrelacion de primer orden
library(lmtest)
bgtest(m_lineal,order = 1)->Prueba_LM1
print(Prueba_LM1)
## 
##  Breusch-Godfrey test for serial correlation of order up to 1
## 
## data:  m_lineal
## LM test = 0.39362, df = 1, p-value = 0.5304

Como Pvalue > 0.05 No se rechaza Ho, por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelación de primer orden.

  • Autocorrelacion de segundo orden
library(lmtest)
bgtest(m_lineal,order = 2)->Prueba_LM2
print(Prueba_LM2)
## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  m_lineal
## LM test = 3.0334, df = 2, p-value = 0.2194

Conclusion: usando un nivel de significancia de 0.05

Como Pvalue > 0.05 No se rechaza Ho, por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelación de orden 2.