Capítulo 6: Regresión múltiple: otros problemas
Example 6.1: Efectos de la contaminación en los precios de la vivienda, estandarizados.
p r i c epagryodomi: precio medio de la vivienda.
n o xnorteoX: Concentración de óxido nitroso; partes por millón.
c r i m edoryometromi: número de crímenes reportados per capita.
r o o m sroometros: número promedio de habitaciones en casas en la comunidad.
rei s treyost: distancia ponderada de la comunidad a 5 centros de empleo.
s t r a t i ostruntyoo: proporción promedio de alumnos por maestro en las escuelas de la comunidad.
Cargue los hprice2datos y vea la documentación.
data("hprice2")
?hprice2Datos 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 |
| R 2 | 0.636 |
| R 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 :
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 |
| R 2 | 0.636 | 0.603 |
| R 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")
?bariumbarium_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 |
| R 2 | 0.305 | 0.358 |
| R 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.