#carga de datos

library(wooldridge)
data(hprice1)
head(force(hprice1),n=5) #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. Estimación del modelo
library(stargazer)
## 
## Please cite as:
##  Hlavac, Marek (2018). stargazer: Well-Formatted Regression and Summary Statistics Tables.
##  R package version 5.2.2. https://CRAN.R-project.org/package=stargazer
modelo_E<-lm(formula = price~lotsize+sqrft+bdrms, data = hprice1)
stargazer(modelo_E, title = 'Estimación del modelo',type = 'text')
## 
## Estimación del modelo
## ===============================================
##                         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
  1. Verifique si los residuos del modelo son independientes entre sí (no autocorrelación)a través de:

a) Prueba de Durbin Watson.

library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
dwtest(modelo_E,alternative = "two.sided",iterations = 1000)
## 
##  Durbin-Watson test
## 
## data:  modelo_E
## DW = 2.1098, p-value = 0.6218
## alternative hypothesis: true autocorrelation is not 0

b) Prueba del Multiplicador de Lagrange (verifique autocorrelación de primer y segundo orden).

#Prueba de Breusch-Godfrey # Autocorrelación de orden 1 a travez de la prueba Breusch-Godfrey

library(lmtest)
bgtest(modelo_E,order = 1)
## 
##  Breusch-Godfrey test for serial correlation of order up to 1
## 
## data:  modelo_E
## LM test = 0.39362, df = 1, p-value = 0.5304

los resultados nos muestran que el valor del p-value > 0.05 NO se rechaza H0, por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelación de 1° orden

Autocorrelación de orden 2 a travez de el test Breusch-Godfrey

library(lmtest)
bgtest(modelo_E,order = 2)
## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  modelo_E
## LM test = 3.0334, df = 2, p-value = 0.2194

los resultados nos muestran que el valor del p-value > 0.05 NO se rechaza H0, por lo tanto puede concluirse que los residuos del modelo, no siguen autocorrelación de 2° orden