Imitando una salida completa de MCO en R

Consideramos que las salidas de regresión de eviews son de las más completas del mercado de software econométricos. Tampoco podemos olvidar a Limdep. Si embargo cuando elaboramos una regresión en R nos saldrá una salida como la siguiente:

Para que se se vea como generamos las variables

q1 <-  c(1,2,2,3,4,5,5,4)
q2 <- c(1,1,2,1,5,4,3,5)
q3 <- c(5,4,4,6,2,5,4,5)
q4 <- c(1,1,3,3,4,5,4,5)

Ahora pues aplico la regresión:

> summary(lm(q4 ~ q1 + q2 + q3)) Call: lm(formula = q4 ~ q1 + q2 + q3) Residuals: 1 2 3 4 5 6 7 8 -0.40545 -0.50454 0.91649 0.27318 -0.01861 -0.03632 -0.08295 -0.14180 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -1.5190 1.1379 -1.335 0.2528 q1 0.4735 0.2300 2.058 0.1086 q2 0.5790 0.2140 2.705 0.0538 . q3 0.3744 0.2147 1.743 0.1562 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.5836 on 4 degrees of freedom Multiple R-squared: 0.9222, Adjusted R-squared: 0.8638 F-statistic: 15.8 on 3 and 4 DF, p-value: 0.01106

> De seguro que al pasarse a R va a extrañar algunos estimadores para eso he construido una función que nos calculará algunos estimadores que extrañamos de Eviews cuando nos pasamos a R: La programación de creación es la siguiente: eviews.mco <- function(x) { require(lmtest) modelo.reg <- lm(x) salida.modelo<-summary(modelo.reg) tabla.anova <- anova.lm(modelo.reg) log.likelihood <- logLik(modelo.reg) criterio.informacion.akaike <- AIC(modelo.reg) criterio.bayesiano.schwarz <- BIC(modelo.reg) durbin.watson <- dwtest(modelo.reg) coeficientes <- coefficients(modelo.reg) intervalos.confianza <- confint(modelo.reg,level = 0.95) list( salida.modelo=salida.modelo, tabla.anova=tabla.anova, log.likelihood=log.likelihood, criterio.informacion.akaike=criterio.informacion.akaike, criterio.bayesiano.schwarz=criterio.bayesiano.schwarz, durbin.watson=durbin.watson, coeficientes=coeficientes, intervalos.confianza.95=intervalos.confianza) } Mi nueva función es eviews.mco(). Puedo hacer uso de esta de la siguiente forma después que haya corrido toda la programación para crearla: > eviews.mco(q4 ~ q1+q2+q3) Cuya salida será: Loading required package: lmtest Loading required package: zoo Attaching package: ‘zoo’ The following object(s) are masked from ‘package:base’: as.Date, as.Date.numeric $salida.modelo Call: lm(formula = x) Residuals: 1 2 3 4 5 6 7 8 -0.40545 -0.50454 0.91649 0.27318 -0.01861 -0.03632 -0.08295 -0.14180 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -1.5190 1.1379 -1.335 0.2528 q1 0.4735 0.2300 2.058 0.1086 q2 0.5790 0.2140 2.705 0.0538 . q3 0.3744 0.2147 1.743 0.1562 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.5836 on 4 degrees of freedom Multiple R-squared: 0.9222, Adjusted R-squared: 0.8638 F-statistic: 15.8 on 3 and 4 DF, p-value: 0.01106 $tabla.anova Analysis of Variance Table Response: q4 Df Sum Sq Mean Sq F value Pr(>F) q1 1 13.5645 13.5645 39.8318 0.003223 ** q2 1 1.5381 1.5381 4.5167 0.100745 q3 1 1.0352 1.0352 3.0398 0.156200 Residuals 4 1.3622 0.3405 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 $log.likelihood 'log Lik.' -4.270085 (df=5) $criterio.informacion.akaike [1] 18.54017 $criterio.bayesiano.schwarz [1] 18.93738 $durbin.watson Durbin-Watson test data: modelo.reg DW = 1.8603, p-value = 0.4323 alternative hypothesis: true autocorrelation is greater than 0 $coeficientes (Intercept) q1 q2 q3 -1.5190001 0.4734895 0.5789710 0.3743975 $intervalos.confianza.95 2.5 % 97.5 % (Intercept) -4.67820762 1.6402074 q1 -0.16514303 1.1121221 q2 -0.01526654 1.1732085 q3 -0.22181752 0.9706125 > Reconoceremos pues algunos estimadores que nos hemos acostumbrado a leer en Eviews. Considerando que existe una gran comunidad mundial de grupos R acepto sugerencias y aportes es este tema. Saludos. Deybi Morales León Economista Aplicado morales.economia@gmail.com