Estimado Felix, remito lo realizado.

saludos,
Wilmer Alavi Argandoña

install.packages(“forecast”)
install.packages(“dynlm”)
install.packages(“nlme”)
install.packages(“car”)
install.packages(“qplot”)
install.packages(“dygraphs”)
install.packages(“lmtest”)
install.packages(“strucchange”)
install.packages(“sandwich”)
install.packages(“nortest”)
install.packages(“strucchange”)

library(strucchange)
library(GGally)
library(car)
library(ggplot2)
library(forecast)
library(dynlm) #no carga
library(nlme)
library(sandwich)
library(car)
library(lmtest)
library(qplot)
library(dygraphs)
library(base)
library(strucchange)
library(nortest)

file.choose()
reg <- read.csv("C:\\Users\\DELL\\Desktop\\ECONOMETRIA APLICADA I\\1. Introducción a la Econometría\\1.1. Consideraciones previas Econometría Aplicada 1\\Material\\ventas.csv")
attach(reg)
names(reg)

modelo <- lm(VENTAS_NETAS ~ GSueldosySalarios+GMarketyPublicidad+INVENTARIOS)
summary(modelo)
#OBS: Los coeficientes Intercept e INVENTARIOS tienen una P(r) mayor a 0.05 al igual que sus t value no son mayores a 2

# INDENTIFICACION DE LA AUTOCORRELACION
# a) Método gráfico
plot(modelo$residuals,type="p")
# OBS: No parecen ser muy aleatorios
qplot(x=c(tail(modelo$residuals,-1),0),y=modelo$residuals)
# OBS: parece que hay una leve tendencia entre los puntos

# b) Durbin Watson
dwtest(modelo)
# OBS: El DW es 1.90 cercano a 2, no hay el problema de autocorrelacion

# c) Breusch Godfrey
bgtest(modelo,order=1)
# OBS: El p-value es mayor a 0.05, se rechaza H0 es decir que se rechaza que no hay autorrelacion de orden 1.

# CONCLUSION AUTOCORRELACION: NO EXISTE, NO SE ATENUA NADA.

# IDENTIFICACION DE LA HETEROCEDASTICIDAD

# a) Método Gráfico:
qplot(x=modelo$fitted.values,y=modelo$residuals)+geom_point()
#OBS: Se puede ver que las variables se abren del centro hacia arriba y abajo.
qplot(x=reg$VENTAS_NETAS,y=modelo$residuals)+geom_point()
#OBS: Se puede ver que las variables se abren del centro hacia arriba.

# b) Breusch Pagan Test
bptest(modelo)
#OBS: El p-value es menor a 0.05, se acepta H0 es decir que es un modelo con homocedasticidad.

# c) Non Constant Error Variance
ncvTest(modelo)
# OBS: p = 4.53e-12, es menor a 0.05, se acepta H0 es decir que es un modelo con homocedasticidad.

# d) Glesjer
modeloa <- lm(abs(modelo$residuals) ~ log(GSueldosySalarios), data = reg)
summary(modeloa)

modelob <- lm(abs(modelo$residuals) ~ log(GMarketyPublicidad), data = reg)
summary(modelob)

modeloc <- lm(abs(modelo$residuals) ~ log(INVENTARIOS), data = reg)
summary(modeloc)

# p-value A: 0.001678, p-value B: 0.00029, p-value C: 0.000425.
# OBS: El menor p-value es del modelo B, es decir que GMarketyPublicidad puede ser la variable que afecte al modelo.

# e) Goldfeld Quandt

gqtest(modelo,order.by = ~ GSueldosySalarios, data=reg)
gqtest(modelo,order.by = ~ GMarketyPublicidad, data=reg)
gqtest(modelo,order.by = ~ INVENTARIOS, data=reg)

# p-value A: 1.421e-07, p-value B: 1.629e-05, p-value C: 1.436e-05
#Se puede observar que el menor p-value es de la variable GSueldosySalarios misma que estaria influenciada por la heterocedasticidad.

# CONCLUSION: Se puede concluir que las variables GSueldosySalarios y GMarketyPublicidad, son las más propensas a estar influenciadas por la heterocedasticidad.

# ATENUANDO LA HETEROCEDASTICIDAD BAJO EL METODO HAC

modelohac ~ coeftest(modelo,vcov = cvoVHV(modelo))
modelohac

# MULTICOLINEALIDAD

# IDENTIFICACION DE LA MULTICOLINEALIDAD

# a) Correlacion entre variables

cor(reg[3:5], use = "complete.obs")
# OBS: la mayor correlacion es 0.5661586 entre GMarketyPublicidad e INVENTARIOS. No es relevante.

# a) Metodo Gráfico

pairs(reg[3:5])
ggpairs(reg[3:5])

vif(modelo)
# OBS: los valores son menores a 10, no existe el problema de multicolinealidad

# ATENUANDO LA HETEROCEDASTICIDAD BAJO EL METODO HAC

# Analisis de componentes principales – APC

x <- data.frame(reg$GSueldosySalarios, reg$GMarketyPublicidad,reg$INVENTARIOS)
cor(x)

macp1 <- princomp(x,scores = T,cor = T)
summary(macp1)

# Con un componente la varianza explicada es 0.66
# Con dos componentes la varianza explicada es 0.85
# Con tres componentes la varianza explicada es 1

macp1$scores[1:10,]
score <- data.frame(macp1$scores)

reg2 <- lm(VENTAS_NETAS ~ score$Comp.1+score$Comp.2+score$Comp.3,data = reg)
summary(reg2)
vif(reg2)
# OBS: se puede que el vif(reg2) da un valor de uno a todos los componentes , por lo que el analisis de ACP atenuo la ortogonalidad.

# CONTRASTE DE ESTABILIDAD

# a) Prueba CUSUM
ols <- efp(modelo,data=reg, type = "OLS-CUSUM")
plot(ols)
# OBS: La grafica es plana, no hay ningun quiebre estructural

# b) Prueba MOSUM
olms <- efp(modelo,data=reg, type = "OLS-MOSUM")
plot(olms)
# OBS: La grafica es plana, no hay ningun quiebre estructural

sctest(modelo,type="OLS-CUSUM",data=reg)
# OBS: p-value = 0.4616, mayor a 0.05, Acepto H0 "No hay cambios estructurales"

# ERROR DE ESPECIFICACION
resettest(modelo)
# OBS: p-value = 0.1347, MAYOR A 0.05, ACEPTO H0 (modelo correctamente especificado)

# CONTRASTE DE NORMALIDAD
jarque.test(as.vector(modelo$residuals))
ad.test(modelo$residuals)
shapiro.test(modelo$residuals)
# OBS: Los valores son menores a 0.05 por lo que se acepta H0 (Normalidad)