Sunday July 10 18:58:08 2022   Page 1

                                                                      ___  ____  ____  ____  ____(R)
                                                                     /__    /   ____/   /   ____/   
                                                                    ___/   /   /___/   /   /___/    
                                                                      Statistics/Data Analysis      

                                                                        User: ssssssssssssssssssss  

  ___  ____  ____  ____  ____ (R)
 /__    /   ____/   /   ____/
___/   /   /___/   /   /___/   16.1   Copyright 1985‐2019 StataCorp LLC
  Statistics/Data Analysis            StataCorp
                                      4905 Lakeway Drive
     Special Edition                  College Station, Texas 77845 USA
                                      800‐STATA‐PC        http://www.stata.com
                                      979‐696‐4600        [email protected]
                                      979‐696‐4601 (fax)

Single‐user Stata perpetual license:
       Serial number:  401606254750
         Licensed to:  Sunass
                       Sunass

Notes:
      1.  Unicode is supported; see help unicode_advice.
      2.  Maximum number of variables is set to 5000; see help set_maxvar.
      3.  New update available; type ‐update all‐

1 . use "C:\Users\HP\Desktop\Multiple.dta"

2 . do "C:\Users\HP\AppData\Local\Temp\STD100_000000.tmp"

3 . describe

Contains data from C:\Users\HP\Desktop\Multiple.dta
  obs:            75                          
 vars:             3                          1 Jul 2022 23:13
                                              (_dta has notes)

              storage   display    value
variable name   type    format     label      variable label

ventas          float   %9.0g                 Ingresos de ventas mensuales (S/ 1000)
precio          float   %9.0g                 Índice de precios de todos los productos vendidos en un mes determinad
gaspubli        float   %9.0g                 Gasto en publicidad (S/ 1000)

Sorted by: 

4 . reg ventas precio

      Source         SS           df       MS      Number of obs   =        75
   F(1, 73)        =     46.93
       Model    1219.09137         1  1219.09137   Prob > F        =    0.0000
    Residual    1896.39065        73  25.9779541   R‐squared       =    0.3913
   Adj R‐squared   =    0.3830
       Total    3115.48202        74  42.1011083   Root MSE        =    5.0969

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

      precio    ‐7.829075   1.142865    ‐6.85   0.000     ‐10.1068   ‐5.551349
       _cons     121.9002   6.526291    18.68   0.000     108.8933    134.9071

5 . reg ventas precio gaspubli

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861
   Sunday July 10 18:58:17 2022   Page 2

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.09268   ‐5.723034
    gaspubli     1.862584   .6831955     2.73   0.008     .5006587    3.224509
       _cons     118.9136   6.351638    18.72   0.000     106.2519    131.5754

6 . predict u,resid

7 . br

8 . predict ventas_est
(option xb assumed; fitted values)

9 . br

10 . regress ventas precio gaspubli, level(99)

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861

      ventas        Coef.   Std. Err.      t    P>|t|     [99% Conf. Interval]

      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.80769   ‐5.008021
    gaspubli     1.862584   .6831955     2.73   0.008       .05495    3.670218
       _cons     118.9136   6.351638    18.72   0.000     102.1081    135.7191

11 . regress ventas precio gaspubli

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.09268   ‐5.723034
    gaspubli     1.862584   .6831955     2.73   0.008     .5006587    3.224509
       _cons     118.9136   6.351638    18.72   0.000     106.2519    131.5754

12 . reg ventas gaspubli precio

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

    gaspubli     1.862584   .6831955     2.73   0.008     .5006587    3.224509
      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.09268   ‐5.723034
       _cons     118.9136   6.351638    18.72   0.000     106.2519    131.5754
   Sunday July 10 18:58:17 2022   Page 3

13 . 
end of do‐file

14 . egen mean_ventas=mean(ventas)

15 . br

16 . gen mss=(mean_ventas‐ventas_est)^2

17 . sum mss

    Variable          Obs        Mean    Std. Dev.       Min        Max

         mss           75    18.62052    19.83252   .0194314   78.35326

18 . display "mss= " r(sum)
mss= 1396.5392

19 . gen rss=(ventas‐ventas_est)^2

20 . sum rss

    Variable          Obs        Mean    Std. Dev.       Min        Max

         rss           75    22.91924    34.02351   .0004069   181.7765

21 . display "rss= " r(sum)
rss= 1718.943

22 . gen tss=(ventas‐mean_ventas)^2

23 . sum tss

    Variable          Obs        Mean    Std. Dev.       Min        Max

         tss           75    41.53976    46.85514   .5261096   224.2405

24 . display "tss= " r(sum)
tss= 3115.482

25 . reg ventas precio gaspubli

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.09268   ‐5.723034
    gaspubli     1.862584   .6831955     2.73   0.008     .5006587    3.224509
       _cons     118.9136   6.351638    18.72   0.000     106.2519    131.5754

26 . display "Model= " e(mss)/e(df_m)
Model= 698.2696
   Sunday July 10 18:58:17 2022   Page 4

27 . display "Residual= " e(rss)/e(df_r)
Residual= 23.874206

28 . display "Total= " [e(rss)+e(mss)]/[e(df_r)+e(df_m)]
Total= 42.101108

29 . display "Number of obs= " e(N)
Number of obs= 75

30 . test precio gaspubli

 ( 1)  precio = 0
 ( 2)  gaspubli = 0

       F(  2,    72) =   29.25
            Prob > F =    0.0000

31 . display "F(2, 72)= " [e(mss)/e(df_m)]/[e(rss)/e(df_r)]
F(2, 72)= 29.247867

32 . display "F(2, 72)= " e(F)
F(2, 72)= 29.247867

33 . di " R‐squared= " e(mss)/(e(mss)+e(rss))
 R‐squared= .44825783

34 . di " R‐squared= " e(r2)
 R‐squared= .44825783

35 . di "Adj R‐squared= " 1‐[e(rss)/e(df_r)]/[(e(mss)+e(rss))/(e(df_m)+e(df_r))]
Adj R‐squared= .43293166

36 . di "Root MSE= " (e(rss)/e(df_r))^0.5
Root MSE= 4.8861238

37 . reg ventas precio gaspubli

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.09268   ‐5.723034
    gaspubli     1.862584   .6831955     2.73   0.008     .5006587    3.224509
       _cons     118.9136   6.351638    18.72   0.000     106.2519    131.5754

38 . scalar bl=_b[precio]‐invttail(e(df_r),0.025)*_se[precio]

39 . scalar bu=_b[precio]+invttail(e(df_r),0.025)*_se[precio]

40 . scalar list bl bu
        bl = ‐10.092679
        bu =  ‐5.723034
   Sunday July 10 18:58:17 2022   Page 5

41 . scalar bl=_b[gaspubli]‐invttail(e(df_r),0.025)*_se[gaspubli]

42 . scalar bu=_b[gaspubli]+invttail(e(df_r),0.025)*_se[gaspubli]

43 . scalar list bl bu
        bl =  .50065872
        bu =  3.2245092

44 . scalar bl=_b[_cons]‐invttail(e(df_r),0.025)*_se[_cons]

45 . scalar bu=_b[_cons]+invttail(e(df_r),0.025)*_se[_cons]

46 . scalar list bl bu
        bl =  106.25186
        bu =  131.57538

47 . scalar tc1=(_b[precio]‐0)/(_se[precio])

48 . scalar pvalue1=2*ttail(e(df_r),abs(tc1))

49 . scalar list tc1 pvalue1
       tc1 = ‐7.2152428
   pvalue1 =  4.424e‐10

50 . scalar tc2=(_b[gaspubli]‐0)/(_se[gaspubli])

51 . scalar pvalue2=2*ttail(e(df_r),abs(tc2))

52 . scalar critico=invttail(e(df_r),0.05)

53 . scalar list tc2 critico pvalue2
       tc2 =  2.7262827
   critico =  1.6662937
   pvalue2 =  .00803819

54 . scalar tc3=(_b[_cons]‐0)/(_se[_cons])

55 . scalar pvalue3=2*ttail(e(df_r),abs(tc3))

56 . scalar critico3=invttail(e(df_r),0.05)

57 . scalar list tc3 critico2 pvalue3
scalar critico2 not found
r(111);

58 . scalar list tc3 critico1 pvalue3
scalar critico1 not found
r(111);

59 . scalar list tc3 critico3 pvalue3
       tc3 =  18.721726
  critico3 =  1.6662937
   pvalue3 =  2.214e‐29

60 . reg ventas precio gaspubli

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.09268   ‐5.723034
    gaspubli     1.862584   .6831955     2.73   0.008     .5006587    3.224509
       _cons     118.9136   6.351638    18.72   0.000     106.2519    131.5754
   Sunday July 10 18:58:17 2022   Page 6

61 . estat vce

Covariance matrix of coefficients of regress model

        e(V)       precio    gaspubli       _cons 

      precio    1.2012009                         
    gaspubli   ‐.01974216   .46675603             
       _cons    ‐6.795065   ‐.7484205   40.343304 

62 . display "Std. Err._precio= " (1.2012009)^0.5
Std. Err._precio= 1.0959931

63 . reg ventas precio gaspubli

      Source         SS           df       MS      Number of obs   =        75
   F(2, 72)        =     29.25
       Model    1396.53921         2  698.269603   Prob > F        =    0.0000
    Residual    1718.94281        72  23.8742057   R‐squared       =    0.4483
   Adj R‐squared   =    0.4329
       Total    3115.48202        74  42.1011083   Root MSE        =    4.8861

      ventas        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

      precio    ‐7.907856   1.095993    ‐7.22   0.000    ‐10.09268   ‐5.723034
    gaspubli     1.862584   .6831955     2.73   0.008     .5006587    3.224509
       _cons     118.9136   6.351638    18.72   0.000     106.2519    131.5754

64 . clear

65 . use "C:\Users\HP\Desktop\multicolinealidad.dta"

66 . describe

Contains data from C:\Users\HP\Desktop\multicolinealidad.dta
  obs:            23                          
 vars:             6                          9 Jul 2022 23:20

              storage   display    value
variable name   type    format     label      variable label

y               double  %10.0g                y
x1              double  %10.0g                x1
x2              double  %10.0g                x2
x3              double  %10.0g                x3
x4              double  %10.0g                x4
x5              double  %10.0g                x5

Sorted by: 

67 . reg y x1 x2 x3 x4

      Source         SS           df       MS      Number of obs   =        23
   F(4, 18)        =     73.87
       Model    1127.25901         4  281.814752   Prob > F        =    0.0000
    Residual    68.6696892        18  3.81498274   R‐squared       =    0.9426
   Adj R‐squared   =    0.9298
       Total     1195.9287        22  54.3603953   Root MSE        =    1.9532

           y        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

          x1     .0050107   .0048929     1.02   0.319    ‐.0052688    .0152902
          x2    ‐.6111737   .1628489    ‐3.75   0.001    ‐.9533065   ‐.2690408
          x3     .1984094   .0637207     3.11   0.006     .0645371    .3322816
          x4     .0695029   .0509872     1.36   0.190    ‐.0376172    .1766229
       _cons     37.23236   3.717695    10.01   0.000     29.42178    45.04295
   Sunday July 10 18:58:17 2022   Page 7

68 . cor x1 x2 x3 x4
(obs=23)

                     x1       x2       x3       x4

          x1     1.0000
          x2     0.9317   1.0000
          x3     0.9571   0.9701   1.0000
          x4     0.9859   0.9285   0.9406   1.0000

69 . graph matrix x1 x2 x3 x4

70 . reg x1 x2 x3 x4

      Source         SS           df       MS      Number of obs   =        23
   F(3, 19)        =    327.44
       Model    8238813.79         3  2746271.26   Prob > F        =    0.0000
    Residual    159354.887        19  8387.09932   R‐squared       =    0.9810
   Adj R‐squared   =    0.9780
       Total    8398168.67        22   381734.94   Root MSE        =    91.581

          x1        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

          x2    ‐8.566327   7.378383    ‐1.16   0.260    ‐24.00946    6.876805
          x3     6.809181   2.546806     2.67   0.015     1.478654    12.13971
          x4     9.164188   1.138069     8.05   0.000     6.782182    11.54619
       _cons    ‐309.6421   159.1833    ‐1.95   0.067    ‐642.8165    23.53227

71 . scalar r2=e(mss)/(e(mss)+e(rss))

72 . display "FIV1= " 1/(1‐r2)
FIV1= 52.701042

73 . reg x2 x3 x4 x1

      Source         SS           df       MS      Number of obs   =        23
   F(3, 19)        =    113.37
       Model    2575.17528         3  858.391761   Prob > F        =    0.0000
    Residual    143.854283        19  7.57127805   R‐squared       =    0.9471
   Adj R‐squared   =    0.9387
       Total    2719.02957        22  123.592253   Root MSE        =    2.7516

          x2        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

          x3     .3000682   .0576125     5.21   0.000     .1794839    .4206525
          x4     .0988555   .0681546     1.45   0.163    ‐.0437937    .2415048
          x1    ‐.0077331   .0066607    ‐1.16   0.260     ‐.021674    .0062079
       _cons     16.57308   3.601907     4.60   0.000     9.034206    24.11196

74 . scalar r2=e(mss)/(e(mss)+e(rss))

75 . display "FIV2= " 1/(1‐r2)
FIV2= 18.901276

76 . reg x3 x4 x1 x2

      Source         SS           df       MS      Number of obs   =        23
   F(3, 19)        =    177.66
       Model    26356.0051         3  8785.33502   Prob > F        =    0.0000
    Residual    939.574926        19  49.4513119   R‐squared       =    0.9656
   Adj R‐squared   =    0.9601
       Total      27295.58        22  1240.70818   Root MSE        =    7.0322
   Sunday July 10 18:58:17 2022   Page 8

          x3        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

          x4    ‐.2243588    .176207    ‐1.27   0.218    ‐.5931643    .1444467
          x1     .0401477   .0150163     2.67   0.015     .0087183    .0715771
          x2     1.959876   .3762922     5.21   0.000     1.172287    2.747465
       _cons    ‐17.30398   12.78269    ‐1.35   0.192    ‐44.05847    9.450506

77 . scalar r2=e(mss)/(e(mss)+e(rss))

78 . display "FIV3= " 1/(1‐r2)
FIV3= 29.050988

79 . reg x4 x1 x2 x3

      Source         SS           df       MS      Number of obs   =        23
   F(3, 19)        =    245.49
       Model     56881.433         3  18960.4777   Prob > F        =    0.0000
    Residual    1467.47571        19  77.2355636   R‐squared       =    0.9748
   Adj R‐squared   =    0.9709
       Total    58348.9087        22  2652.22312   Root MSE        =    8.7884

          x4        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

          x1     .0843917   .0104803     8.05   0.000     .0624561    .1063272
          x2     1.008438   .6952538     1.45   0.163    ‐.4467453    2.463621
          x3    ‐.3504149    .275209    ‐1.27   0.218     ‐.926434    .2256042
       _cons     20.35645   16.06257     1.27   0.220    ‐13.26289     53.9758

80 . scalar r2=e(mss)/(e(mss)+e(rss))

81 . display "FIV4= " 1/(1‐r2)
FIV4= 39.761414

82 . reg ventas precio gaspubli
variable ventas not found
r(111);

83 . reg y x1 x2 x3 x4

      Source         SS           df       MS      Number of obs   =        23
   F(4, 18)        =     73.87
       Model    1127.25901         4  281.814752   Prob > F        =    0.0000
    Residual    68.6696892        18  3.81498274   R‐squared       =    0.9426
   Adj R‐squared   =    0.9298
       Total     1195.9287        22  54.3603953   Root MSE        =    1.9532

           y        Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

          x1     .0050107   .0048929     1.02   0.319    ‐.0052688    .0152902
          x2    ‐.6111737   .1628489    ‐3.75   0.001    ‐.9533065   ‐.2690408
          x3     .1984094   .0637207     3.11   0.006     .0645371    .3322816
          x4     .0695029   .0509872     1.36   0.190    ‐.0376172    .1766229
       _cons     37.23236   3.717695    10.01   0.000     29.42178    45.04295
   Sunday July 10 18:58:17 2022   Page 9

84 . vif

    Variable         VIF       1/VIF  

          x1       52.70    0.018975
          x4       39.76    0.025150
          x3       29.05    0.034422
          x2       18.90    0.052906

    Mean VIF       35.10

85 .