Escolar Documentos
Profissional Documentos
Cultura Documentos
skim(cep61$pospol)
###Podemos concluir que con un nivel de significancia del 0.05, se rechaza la hipótesis
nula. Es decir, hay asociación entre situación económica e identificación política.
Restringimos la base para que sólo de valores 1 y 3 que es lo que estamos buscando.
Hacemos entonces el Test de hipótesis y nos da como resultado que no se rechaza la hipótesis
nula donde el promedio de edad no es diferente entre quienes prefieren la democracia y
quienes considera que da lo mismo.
Pregunta 3:
View(precios)
precios
summary(precios) ##Con esto podemos tener un resumen.
skim(precios)
Para crear modelos, necesitamos escribir ##nombre_modelo <- lm(VD ~ X1 + X2 + X3, data
= nombre_base)
Modelo_1 <- lm(lnprecio ~ crimen + nox + habs + nueva + distancia, data = precios)
summary(Modelo_1)
# Modelo (2)
Modelo_2 <- lm(lnprecio ~ crimen + nox + habs + nueva + distancia + (habs*distancia), data
= precios)
summary(Modelo_2)
Gráfico modelo 2
#Modelo (3)
summary(Modelo_3)
Gráfico modelo 3
#Modelo (4)
summary(Modelo_4)
Las diferencias sustantivas básicamente es que, entre los Modelos 1, 2 y 3.
El modelo 1 es el modelo completo, o no restringido, donde se ubican todas los regresores.
El modelo 2 y el modelo 3 vemos que se integra una interacción entre dos regresores, en este
caso, vemos una interacción entre la variable “habs” y la variable “nueva”.
Una última diferencia es que el Modelo 3, a diferencia del resto de los mencionados, se
integra una variable con función cuadrática.
Modelo 2:
Gráfico Modelo_2
Gráfico Modelo_3
Gráfico Modelo_4
#Modelo (5):
Primero:
Supuestos:
Gauss Markov + Normalidad de los errores
Con Test Breush Pagan se analiza la varianza del error de los 5 modelos. De esta
forma se hace el comando:
bptest(Modelo_2)
bptest(Modelo_3)
bptest(Modelo_4)
bptest(Modelo_5)
Prueba de Rest
resettest(Modelo_2)
resettest(Modelo_3)
resettest(Modelo_4)
resettest(Modelo_5)
Test de restricciones múltiples
par(mfrow = c(2,2))
plot(Modelo_2, which = 1, main="Modelo 2")
plot(Modelo_3, which = 1, main="Modelo 3")
plot(Modelo_4, which = 1, main="Modelo 4")
plot(Modelo_5, which = 1, main="Modelo 5")
ncvTest(Modelo_2)
ncvTest(Modelo_3)
ncvTest(Modelo_4)
ncvTest(Modelo_5)
Interpretación: Cada Modelo analizado presenta heterocedasticidad. Sin embargo, el Modelo
5 pareciera ser el mejor modelo.
Prueba de F
jtest(Modelo_3, Modelo_5)
Según los resultados entregados, se concluye que en el modelo 5 explica más varianza que el
resto de los modelos.
c. Interpretar el modelo 5 seleccionado:
Con el paquete stargazer creamos la tabla:
Interpretación:
Intercepto: Manteniendo todos los demás valores iguales a cero, el intercepto es de
14.118.
Variable log(crimen): El aumento de 1% de crimen, disminuye en porcentaje -0.061
el precio de las casas, manteniendo todo lo demás constante.
Nox (cantidad de oxígeno): El aumento de una unidad de nox disminuye en 1.084 %
el precio de las casas, manteniendo todo lo demás constante.
I(nox2): Variable cuadrática. Quiere decir que es positiva, sin embargo, su resultado
es decreciente. Por consiguiente, el efecto marginal de nox sobre el precio de las casas
depende del valor dado a nox.
Habs (Número de habitantes): El aumento de una unidad de habs aumenta en 0.243
% el precio de las casas, manteniendo todo lo demás constante.
Nueva (Si la casa es nueva o no): El aumento de una unidad de nueva disminuye en
0.067 % el precio de las casas, manteniendo todo lo demá´s constante.
Interacción entre variable habs y nueva: Es decir, hay multicolinealidad entre ambas
variables. Una depende de la otra en el efecto sobre el precio de las casas.
Este es el Modelo restringido porque excluye la variable I(crimen^2).
ic
Interpretación: Para realizar la predicción, ocupamos el Modelo 5. Esto quiere decir, que el
valor promedio de la casa con las siguientes características: nueva, 3 habitaciones, en una
comunidad con 0.25 crímenes reportados per cápita, un nivel de NOX de 5.2 y distancia de
4 kms se encuentra en ese intervalo de 95%.