Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
> options(scipen=999,digits=4)
>
ven=c(148,135.37,109.35,101.97,127.73,174.07,142.62,102.82,113.26,109.24,120.4,104.69,66.38,
110.54,151.81,152.66,85.4,111.69,116.72,141.4,160.6,118.13,160.54,80.03,129.93,82.22,102.21,1
26.44,123.99,77.13)
>
ben=c(12.2976,25.3227,1.8745,0.7579,1.1456,39.604,18.312,6.743,8.3155,22.4568,17.0381,16.80
13,1.9336,3.1372,4.5819,9.6395,4.6201,20.9046,13.5548,28.952,7.1542,6.075,6.7454,5.2981,21.7
531,14.1775,3.7271,4.6861,17.7992,5.8374)
> cbind(ven,ben)
ven ben
> plot(ven,ben)
> abline(h=mean(ben),lwd=2,col="red")
> abline(lm(ben~ven),lwd=2,col="green")
> # (3) estimar modelo y evaluar su significancia
> modelo1=lm(ben~ven)
> summary(modelo1)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>> ven1=ven[1:14]
> ven2=ven[17:30]
> cbind(ven1,ven2)
ven1 ven2
>
> ben1=ben[1:14]
> ben2=ben[17:30]
> cbind(ben1,ben2)
ben1 ben2
> modelo1=lm(ben1~ven1)
Call:
Residuals:
Min 1Q Median 3Q Max
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> # (4.3) estimar la suma cuadrada de los residuales del modelo de la primera submuestra
> sety_1=sum((ben1-predict(modelo1))^2)
> sety_1
[1] 891.6
> modelo2=lm(ben2~ven2)
> summary(modelo2)
Call:
Residuals:
> # (4.5) estimar la suma cuadrada de los residuales del modelo de la segunda submuestra
> sety_2=sum((ben2-predict(modelo2))^2)
> sety_2
[1] 784.5
>
> f_est=(sety_2/length(ben2))/(sety_1/length(ben1))
> f_est
[1] 0.8799
> p_val=1-pf(f_est,23,23)
> p_val
[1] 0.6192
> # la heterocedasticidad puede ser una función lineal de todas las variables
> res1_2=resid(modelo1)^2
> pred=fitted(modelo1)
> bp.test=lm(res1_2~pred)
> summary(bp.test)
Call:
Residuals:
Coefficients:
> # la heterocedasticidad puede ser una función lineal de todas las variables
> res2_2=resid(modelo1)^2
> pred_2=fitted(modelo1)^2
> white.test=lm(res2_2~pred+pred_2)
> summary(white.test)
Call:
Coefficients:
>
>>
>