##Validación de supuestos #Ingreso de datos

base <- read_excel(file.choose())

Multicolinealidad

base$logsalud = log(base$Salud)
base$logedu = log(base$Educacion)
base$logtrans=log(base$Transporte)
base$logcanasta=log(base$`Canasta Basica`)


base.lm <- lm(logsalud ~ logedu + logcanasta + logtrans, data=base)
summary(base.lm)
## 
## Call:
## lm(formula = logsalud ~ logedu + logcanasta + logtrans, data = base)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -0.0111704 -0.0045673  0.0008052  0.0043248  0.0071265 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -30.75303    2.44694 -12.568 2.92e-13 ***
## logedu        6.63163    0.61901  10.713 1.35e-11 ***
## logcanasta    0.47317    0.10787   4.386 0.000139 ***
## logtrans      0.16121    0.04652   3.465 0.001670 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.005268 on 29 degrees of freedom
## Multiple R-squared:  0.9148, Adjusted R-squared:  0.906 
## F-statistic: 103.8 on 3 and 29 DF,  p-value: 1.317e-15

Correlacion

cor(base$logedu,base$logsalud)
## [1] 0.9150021
corPlot(base)

#Existen variables con correlación, entre las variables de Salud y educacion

Heteroceasticidad

bptest(base.lm)
## 
##  studentized Breusch-Pagan test
## 
## data:  base.lm
## BP = 1.891, df = 3, p-value = 0.5953

#Ho = no hay heterocedasticidad #Ha = si hay heterocedasticidad #Ya que P valor es mayor que 0.05, se acepta Ho, el modelo presenta heterocedasticidad

##Autocorrelación:

bgtest(base.lm, order=2)
## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  base.lm
## LM test = 6.0299, df = 2, p-value = 0.04905

#Ho = No hay autocorrelación #Ha = Existe autocorrelación #Ya que P valor es mayor que 0.05 se acepta Ho, el modelo no contiene autocorrelación