library(rio)
admit="https://raw.githubusercontent.com/luciana1091/clase1/main/dataAdmit%20-%20dataAdmit.csv"
admit=import(admit)
mort="https://raw.githubusercontent.com/luciana1091/clase1/main/mortalidad%20-%20datos.csv"
mort=import(mort)
str(admit)
## 'data.frame': 400 obs. of 4 variables:
## $ admitido : chr "no" "si" "si" "si" ...
## $ gre : int 380 660 800 640 520 760 560 400 540 700 ...
## $ gpa : num 3.61 3.67 4 3.19 2.93 3 2.98 3.08 3.39 3.92 ...
## $ prestigio: chr "Bajo" "Bajo" "MuyAlto" "MuyBajo" ...
admit$gre=as.numeric(admit$gre)
admit = admit[complete.cases(admit),]
mort= mort[complete.cases(mort),]
ETR = "https://raw.githubusercontent.com/luciana1091/clase1/main/ETR_2022.csv"
ETR=import(ETR)
GPI = "https://raw.githubusercontent.com/luciana1091/clase1/main/GPI-2022.csv"
GPI= import(GPI)
str(ETR)
## 'data.frame': 314 obs. of 49 variables:
## $ V1 : chr "" "" "" "Country" ...
## $ V2 : chr "" "" "" "Food Risk Score" ...
## $ V3 : chr "" "" "" "Natural Disasters Score" ...
## $ V4 : chr "" "" "" "Rapid Population Growth Score" ...
## $ V5 : chr "" "" "" "Water Risk Score" ...
## $ V6 : logi NA NA NA NA NA NA ...
## $ V7 : logi NA NA NA NA NA NA ...
## $ V8 : logi NA NA NA NA NA NA ...
## $ V9 : logi NA NA NA NA NA NA ...
## $ V10: logi NA NA NA NA NA NA ...
## $ V11: logi NA NA NA NA NA NA ...
## $ V12: logi NA NA NA NA NA NA ...
## $ V13: logi NA NA NA NA NA NA ...
## $ V14: logi NA NA NA NA NA NA ...
## $ V15: logi NA NA NA NA NA NA ...
## $ V16: logi NA NA NA NA NA NA ...
## $ V17: logi NA NA NA NA NA NA ...
## $ V18: logi NA NA NA NA NA NA ...
## $ V19: logi NA NA NA NA NA NA ...
## $ V20: logi NA NA NA NA NA NA ...
## $ V21: logi NA NA NA NA NA NA ...
## $ V22: logi NA NA NA NA NA NA ...
## $ V23: logi NA NA NA NA NA NA ...
## $ V24: logi NA NA NA NA NA NA ...
## $ V25: logi NA NA NA NA NA NA ...
## $ V26: logi NA NA NA NA NA NA ...
## $ V27: logi NA NA NA NA NA NA ...
## $ V28: logi NA NA NA NA NA NA ...
## $ V29: logi NA NA NA NA NA NA ...
## $ V30: logi NA NA NA NA NA NA ...
## $ V31: logi NA NA NA NA NA NA ...
## $ V32: logi NA NA NA NA NA NA ...
## $ V33: logi NA NA NA NA NA NA ...
## $ V34: logi NA NA NA NA NA NA ...
## $ V35: logi NA NA NA NA NA NA ...
## $ V36: logi NA NA NA NA NA NA ...
## $ V37: logi NA NA NA NA NA NA ...
## $ V38: logi NA NA NA NA NA NA ...
## $ V39: logi NA NA NA NA NA NA ...
## $ V40: logi NA NA NA NA NA NA ...
## $ V41: logi NA NA NA NA NA NA ...
## $ V42: logi NA NA NA NA NA NA ...
## $ V43: logi NA NA NA NA NA NA ...
## $ V44: logi NA NA NA NA NA NA ...
## $ V45: logi NA NA NA NA NA NA ...
## $ V46: logi NA NA NA NA NA NA ...
## $ V47: logi NA NA NA NA NA NA ...
## $ V48: logi NA NA NA NA NA NA ...
## $ V49: logi NA NA NA NA NA NA ...
ETR=ETR[,c(1:5)] # just what is needed
ETR=ETR[,c(1:5)] # just what is needed
newNames=c('Country','FoodRisk','NaturalD','RPGrowth','WaterS')
names(ETR)=newNames
ETR=ETR[-c(1:4),] # just what is needed
ETR=ETR[c(1:232),] # just what is needed
ETR=ETR[-c(233:236),] # just what is needed
mean(admit$gre)
## [1] 587.7
Si considera un primer modelo donde WaterRisk tiene como predictores
a RapidPopulationGrowth y FoodRisk; y uno segundo donde se propone que
RapidPopulationGrowth, FoodRiskSafety y NaturalDisasters explican a
WaterRisk. Al analizar ambos concluyes que…
ETR$WaterS=as.numeric(ETR$WaterS)
ETR$FoodRisk=as.numeric(ETR$FoodRisk)
ETR$RPGrowth=as.numeric(ETR$RPGrowth)
modelo1 <- lm(WaterS~FoodRisk+RPGrowth,data=ETR)
library(modelsummary)
modelO1=list(modelo1)
modelsummary(modelO1,
stars = TRUE)
|
|
Model 1
|
|
(Intercept)
|
1.107***
|
|
|
(0.156)
|
|
FoodRisk
|
0.637***
|
|
|
(0.066)
|
|
RPGrowth
|
0.202***
|
|
|
(0.056)
|
|
Num.Obs.
|
228
|
|
R2
|
0.543
|
|
R2 Adj.
|
0.539
|
|
AIC
|
659.2
|
|
BIC
|
672.9
|
|
Log.Lik.
|
−325.613
|
|
F
|
133.611
|
|
RMSE
|
1.01
|
|
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p <
0.001
|
ETR$NaturalD=as.numeric(ETR$NaturalD)
modelo2<- lm(WaterS ~ FoodRisk+RPGrowth+NaturalD, data= ETR)
model2=list(modelo2)
modelsummary(model2,
stars = TRUE)
|
|
Model 1
|
|
(Intercept)
|
0.556**
|
|
|
(0.186)
|
|
FoodRisk
|
0.620***
|
|
|
(0.063)
|
|
RPGrowth
|
0.159**
|
|
|
(0.054)
|
|
NaturalD
|
0.209***
|
|
|
(0.043)
|
|
Num.Obs.
|
228
|
|
R2
|
0.587
|
|
R2 Adj.
|
0.581
|
|
AIC
|
638.2
|
|
BIC
|
655.3
|
|
Log.Lik.
|
−314.086
|
|
F
|
106.057
|
|
RMSE
|
0.96
|
|
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p <
0.001
|
modelos=list(modelo1,modelo2)
modelsummary(modelos,
stars = TRUE)
|
|
Model 1
|
Model 2
|
|
(Intercept)
|
1.107***
|
0.556**
|
|
|
(0.156)
|
(0.186)
|
|
FoodRisk
|
0.637***
|
0.620***
|
|
|
(0.066)
|
(0.063)
|
|
RPGrowth
|
0.202***
|
0.159**
|
|
|
(0.056)
|
(0.054)
|
|
NaturalD
|
|
0.209***
|
|
|
|
(0.043)
|
|
Num.Obs.
|
228
|
228
|
|
R2
|
0.543
|
0.587
|
|
R2 Adj.
|
0.539
|
0.581
|
|
AIC
|
659.2
|
638.2
|
|
BIC
|
672.9
|
655.3
|
|
Log.Lik.
|
−325.613
|
−314.086
|
|
F
|
133.611
|
106.057
|
|
RMSE
|
1.01
|
0.96
|
|
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p <
0.001
|
library(lmtest)
## Loading required package: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(kableExtra)
resBP=bptest(modelo2)
data.frame(list('BP'=resBP$statistic,
'df'=resBP$parameter,
"p-value"=resBP$p.value))%>%
kable(caption = resBP$method)%>%kable_styling(full_width = F)
studentized Breusch-Pagan test
|
|
BP
|
df
|
p.value
|
|
BP
|
5.911735
|
3
|
0.1159844
|