Guia 3 Modelos lineales y no lineales en R y Stata

Vista previa del material en texto

1 
 
 
 
 
 
 
 
 
 
Introducción a la Econometría 
Docente: Ramiro Rodríguez Revilla 
 
Guía 3. Modelos lineales y no lineales en R y Stata 
I. En R 
 
1. Leer una base de datos de Excel 
> library(readxl) 
> dda=read_excel("dda.xls") 
> View(dda) 
> attach(dda) 
 
2. Modelo lineal 
> m1=lm(dx~px) 
> summary(m1) 
 
Call: 
lm(formula = dx ~ px) 
 
Residuals: 
 Min 1Q Median 3Q Max 
-6.332 -3.160 -1.246 2.097 10.925 
 
Coefficients: 
 Estimate Std. Error t value Pr(>|t|) 
(Intercept) 71.4179 3.1309 22.81 1.30e-10 *** 
px -5.0429 0.4548 -11.09 2.61e-07 *** 
--- 
Signif. codes: 
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
 
Residual standard error: 5.058 on 11 degrees of freedom 
Multiple R-squared: 0.9179, Adjusted R-squared: 0.9104 
F-statistic: 122.9 on 1 and 11 DF, p-value: 2.611e-07 
2 
 
 
 
 
3. Modelo log log 
 
 
 
 
 
 
 
 
 
 
3 
 
3. Modelo log lin 
 
 
 
> AIC(m3) 
[1] -6.1245 
> BIC(m3) 
[1] -4.429652 
 
4. Modelo lin log 
 
> m4=lm(dx~lpx) 
> summary(m4) 
 
Call: 
lm(formula = dx ~ lpx) 
 
Residuals: 
 Min 1Q Median 3Q Max 
-10.5466 -4.5983 -0.6483 3.8939 12.3517 
 
Coefficients: 
 Estimate Std. Error t value Pr(>|t|) 
(Intercept) 83.496 5.423 15.397 8.65e-09 *** 
lpx -25.895 3.074 -8.424 3.98e-06 *** 
--- 
Signif. codes: 
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
 
Residual standard error: 6.466 on 11 degrees of freedom 
Multiple R-squared: 0.8658, Adjusted R-squared: 0.8536 
F-statistic: 70.96 on 1 and 11 DF, p-value: 3.985e-06 
 
> AIC(m4) 
[1] 89.25225 
> BIC(m4) 
[1] 90.9471 
4 
 
II. En Stata: 
 
1. Preliminares: 
clear all 
use dda 
 
2. Estadísticas descriptivas base de datos demanda 
 
3. Modelo de regresión lineal (Demanda x – precio x) 
 
regress dx px 
 
estat ic 
4. Modelo de regresión doble logarítmico (Demanda x – precio x) 
gen ldx=ln(dx) 
gen lpx=ln(px) 
regress ldx lpx 
 
 
5 
 
estat ic 
5. Modelo de regresión doble logarítmico (Demanda x – precio z)