Capítulo 6 Wooldridge

Capítulo 6: Regresión múltiple: otros problemas

Example 6.1: Efectos de la contaminación en los precios de la vivienda, estandarizados.

β0β1β2β3β4reyo β5μpagryodomi=β0+β1norteoX+β2doryometromi+β3roometros+β4reyost+β5struntyoo+μ

epagryodomi: precio medio de la vivienda.

xnorteoX: Concentración de óxido nitroso; partes por millón.

edoryometromi: número de crímenes reportados per capita.

sroometros: número promedio de habitaciones en casas en la comunidad.

retreyost: distancia ponderada de la comunidad a 5 centros de empleo.

ostruntyoo: proporción promedio de alumnos por maestro en las escuelas de la comunidad.

ze1.β1zβ2zβ3zβ4zreyo β5zozpagryodomi^=β1znorteoX+β2zdoryometromi+β3zroometros+β4zreyost+β5zstruntyoo

Cargue los hprice2datos y vea la documentación.

data("hprice2")
?hprice2

Datos de Hedonic Housing Prices y Demand for Clean Air , por Harrison, D. y DLRubinfeld, Journal of Environmental Economics and Management 5, 81-102. Diego García, un ex Ph.D. estudiante de economía en el MIT, amablemente proporcionó estos datos, que obtuvo del libro Regression Diagnostics: Identifying Influential Data and Sources of Collinearity, por DA Belsey, E. Kuh, y R. Welsch, 1990. Nueva York: Wiley.

Estime el coeficiente con el lmmodelo de regresión habitual , pero esta vez, coeficientes estandarizados envolviendo cada variable con la scalefunción de R :

housing_standard <- lm(scale(price) ~ 0 + scale(nox) + scale(crime) + scale(rooms) + 
    scale(dist) + scale(stratio), data = hprice2)
Variable dependiente:
escala (precio)
escala (nox) -0.340 *** (0.044)
escala (crimen) -0.143 *** ( 0.031 )
escala (habitaciones) 0.514 *** (0.030)
escala (dist) -0.235 *** (0.043)
escala (stratio) -0.270 *** (0.030)
Observaciones 506
2 0.636
2 ajustado 0.632
Residual Std. Error 0.606 (df = 501)
Estadística F 174.822 *** (df ​​= 5; 501)
Nota: p <0.1; p <0.05; p <0.01

Example 6.2: Efectos de la contaminación en los precios de la vivienda, término interactivo cuadrático

Modificar el modelo de vivienda, agregando un término cuadrático en las habitaciones :

gβ0β1gβ2gdβ3β4s2β5μlogramo(pagryodomi)=β0+β1logramo(norteoX)+β2logramo(reyost)+β3roometros+β4roometros2+β5struntyoo+μ
housing_interactive <- lm(lprice ~ lnox + log(dist) + rooms+I(rooms^2) + stratio, data = hprice2)

Compare los resultados con el modelo de example 6.1.

Variable dependiente:
escala (precio) lprice
(1) (2)
escala (nox) -0.340 *** (0.044)
escala (crimen) -0.143 *** ( 0.031 )
escala (habitaciones) 0.514 *** (0.030)
escala (dist) -0.235 *** (0.043)
escala (stratio) -0.270 *** (0.030)
lnox -0.902 *** ( 0.115 )
log (dist) -0.087 ** (0.043)
habitaciones -0.545 *** (0.165)
Yo (habitaciones2) 0.062 *** (0.013)
stratio -0.048 *** (0.006)
Constante 13.385 *** (0.566)
Observaciones 506 506
2 0.636 0.603
2 ajustado 0.632 0.599
Residual Std. Error 0.606 (df = 501) 0,259 (df = 500)
Estadística F 174.822 *** (df ​​= 5; 501) 151.770 *** (df ​​= 5; 500)
Nota: p <0.1; p <0.05; p <0.01
0.587
Residual Std. Error 1.843 (df = 53)
Estadística F 40.094 *** (df ​​= 2; 53)
Nota: p <0.1; p <0.05; p <0.01

Example 10.11: Efectos estacionales de las presentaciones antidumping

CM Krupp y PS Pollard (1999), Las respuestas del mercado a las leyes antidumping: algunas pruebas de la industria química de los Estados Unidos , Canadian Journal of Economics 29, 199-227. El Dr. Krupp amablemente proporcionó los datos. Son datos mensuales que abarcan desde febrero de 1978 hasta diciembre de 1988.

data("barium")
?barium
barium_imports <- lm(lchnimp ~ lchempi + lgas + lrtwex + befile6 + affile6 + 
    afdec6, data = barium)

Estime un nuevo modelo, barium_seasonalque tenga en cuenta la estacionalidad mediante la adición de variables ficticias contenidas en los datos. Calcule el anovaentre los dos modelos.

barium_seasonal <- lm(lchnimp ~ lchempi + lgas + lrtwex + befile6 + affile6 + 
    afdec6 + feb + mar + apr + may + jun + jul + aug + sep + oct + nov + dec, 
    data = barium)
barium_anova <- anova(barium_imports, barium_seasonal)
Variable dependiente:
lchnimp
(1) (2)
lchempi 3.117 *** (0.479) 3.265 *** (0.493)
lgas 0.196 (0.907) -1.278 (1.389)
lrtwex 0,983 ** (0,400) 0,663 (0,471)
befile6 0.060 (0.261) 0.140 (0.267)
affile6 -0.032 (0.264) 0.013 (0.279)
afdec6 -0.565 * (0.286) -0.521 * (0.302)
feb -0.418 (0.304)
mar 0.059 (0.265)
abr -0.451 * (0.268)
mayo 0.033 (0.269)
jun -0.206 (0.269)
jul 0.004 (0.279)
ago -0.157 (0.278)
sep -0.134 (0.268)
oct 0.052 (0.267)
nov -0.246 (0.263)
dic 0.133 (0.271)
Constante -17.803 (21.045) 16.779 (32.429)
Observaciones 131 131
2 0.305 0.358
2 ajustado 0.271 0.262
Residual Std. Error 0.597 (df = 124) 0.601 (df = 113)
Estadística F 9.064 *** (df ​​= 6; 124) 3.712 *** (df ​​= 17; 113)
Nota: p <0.1; p <0.05; p <0.01
Estadística norte Media St. Dev. Min. Max
Res.Df 2 118.500 7.778 113 124
RSS 2 42.545 2.406 40.844 44.247
Df 1 11,000 11 11
Suma de Sq 1 3.403 3.403 3.403
F 1 0.856 0.856 0.856
Pr (> F) 1 0.585 0.585 0.585

Econometría Aplicada con R

es mi proyecto registrado en el Consejo Divisional de la DCSH.

Este proyecto presenta  los métodos de la  econometría aplicada que utiliza el sistema R para computación y gráficos estadísticos. Presenta ejemplos prácticos para una amplia gama de modelos econométricos, desde modelos de regresión lineal clásicos para secciones transversales, series de tiempo o datos de panel y los modelos comunes no lineales de microeconometría, como modelos logit, probit y tobit, hasta modelos semiparamétricos recientes. extensiones Además, proporciona un capítulo sobre programación, que incluye simulaciones, optimización y una introducción a las herramientas R que permite una investigación econométrica reproducible. Un paquete R que acompaña a este libro, AER, está disponible en la Red Integral de Archivos R (CRAN) en https://CRAN.R-project.org/package=AER .

 

Bibliografía

Yves Croissant, Giovanni Millo (2008). Econometría de datos de panel en R: El paquete de plm . Journal of Statistical Software 27 (2). URL www.jstatsoft.org/v27/i02/.

Marek Hlavac (2015). stargazer: Regresión con formato correcto y tablas de estadísticas de resumen . Paquete R versión 5.2. https://CRAN.R-project.org/package=stargazer

Christian Kleiber y Achim Zeileis (2008). Econometría Aplicada con R . Nueva York: Springer-Verlag. ISBN 978-0-387-77316-2. URL https://CRAN.R-project.org/package=AER

Franz Mohr (2015). prais: Prais-Winsten Procedimiento de estimación para AR (1) Correlación en serie . Versión del paquete R 0.1.1. https://CRAN.R-project.org/package=prais

R Core Team (2018). R: Un lenguaje y entorno para la informática estadística . R Foundation for Statistical Computing, Viena, Austria. URL https://www.R-project.org/ .

Hadley Wickham y Winston Chang (2016). devtools: herramientas para hacer que los paquetes R en desarrollo sean más fáciles . Paquete R versión 1.12.0. https://CRAN.R-project.org/package=devtools

Hadley Wickham. prueba de que: comience con las pruebas . Paquete R versión 1.0.2. https://CRAN.R-project.org/package=testthat

 

EL LIBRO DE WOOLDRIDGE, ES UN CLASICO. YA VAMOS EN LA 4ta. edición en español y la 6ta en inglés.

Jeffrey M. Wooldridge (2016). Econometría introductoria: un enfoque moderno . Mason, Ohio: South-Western Cengage Learning.

 

Guillermo Martínez Atilano