Datos a Utilizar

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

1. Estimar el modelo

price = ˆα + ˆα1(lotsize) + ˆα2(sqrft) + ˆα3(bdrms) + e

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

a) Use la libreria lmtest para verificar si su varianza residual es

#homocedástica a través de la prueba deWhite (incluya los términos cruzados).

#Prueba de White paso a paso

library(dplyr)
datos2 <- select(hprice1, price, lotsize, sqrft, bdrms)
library(stargazer)
Y <- hprice1$price 
X1 <- hprice1$lotsize
X2 <- hprice1$sqrft
X3 <- hprice1$bdrms

residuos<- modelo_estimado$residuals
c <- cbind(residuos,datos2)
data_reg_aux <- as.data.frame(c)
reg_aux <- lm(formula = I(residuos^2) ~ X1 + X2+ X3 + I(X1^2) + I(X2^2) 
              + I(X3^2) + X1*X2 + X1*X3 + X2*X3,data = data_reg_aux)
resumen<- summary(reg_aux)
R_2 <- resumen$r.squared
n<- nrow(data_reg_aux)
LM_w <- n*R_2
gl <- 3*2 + 3
VC<- qchisq(p = 0.95, df = gl )
p_values <- pchisq(q = LM_w,df = gl)
salida <- c(LM_w,VC,p_values)
names(salida) <- c("LM_w", "Valor critico", "p value")
stargazer(salida, title = "Prueba white", type = "html", digits = 6)
Prueba white
LM_w Valor critico p value
33.731660 16.918980 0.999900 
#observamos que LMW es mayor que el valor critico por lo cual no hay evidencia suficiente para concluir que la varianza es homosedastica

b) Presente sus resultados de forma gráfica a través de la librería fastGraph

library(fastGraph)

shadeDist(xshade = LM_w , ddist = "dchisq", parm1 = VC , lower.tail = FALSE, sub = paste("VC:", VC, "LW:", LM_w, "P values:", p_values) )