Carga
library(wooldridge)
data(hprice1)
head(force(hprice1),n=5)
## price assess bdrms lotsize sqrft colonial lprice lassess llotsize lsqrft
## 1 300 349.1 4 6126 2438 1 5.703783 5.855359 8.720297 7.798934
## 2 370 351.5 3 9903 2076 1 5.913503 5.862210 9.200593 7.638198
## 3 191 217.7 3 5200 1374 0 5.252274 5.383118 8.556414 7.225482
## 4 195 231.8 3 4600 1448 1 5.273000 5.445875 8.433811 7.277938
## 5 373 319.1 4 6095 2514 1 5.921578 5.765504 8.715224 7.829630
Estimación
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=stargazer
modelo_hrpice <- lm(formula = price ~ lotsize + sqrft + bdrms, data = hprice1)
stargazer(modelo_hrpice, title = "precios", type = "text", digits = 5)
##
## precios
## ===============================================
## Dependent variable:
## ---------------------------
## price
## -----------------------------------------------
## lotsize 0.00207***
## (0.00064)
##
## sqrft 0.12278***
## (0.01324)
##
## bdrms 13.85252
## (9.01015)
##
## Constant -21.77031
## (29.47504)
##
## -----------------------------------------------
## Observations 88
## R2 0.67236
## Adjusted R2 0.66066
## Residual Std. Error 59.83348 (df = 84)
## F Statistic 57.46023*** (df = 3; 84)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
Prueba JB
library(tseries)
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
prueba_jb <- jarque.bera.test(modelo_hrpice$residuals)
print(prueba_jb)
##
## Jarque Bera Test
##
## data: modelo_hrpice$residuals
## X-squared = 32.278, df = 2, p-value = 9.794e-08
# Carga la librería
library(fastGraph)
# Calcula los residuos estandarizados
residuos_JB <- scale(modelo_hrpice$residuals)
# Gráfico de la distribución de los residuos
hist(residuos_JB, freq = FALSE, main = "Distribución de los residuos estandarizados", xlab = "Residuos estandarizados")
# Añade una curva de la distribución normal para comparar
curve(dnorm(x, mean=mean(residuos_JB), sd=sd(residuos_JB)), add=TRUE, col="blue", lwd=2)
Prueba KS
library(nortest)
prueba_ks <- lillie.test(modelo_hrpice$residuals)
print(prueba_ks)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo_hrpice$residuals
## D = 0.075439, p-value = 0.2496
Prueba SW
prueba_sw <- shapiro.test(modelo_hrpice$residuals)
print(prueba_sw)
##
## Shapiro-Wilk normality test
##
## data: modelo_hrpice$residuals
## W = 0.94132, p-value = 0.0005937
# Carga la librería
library(fastGraph)
# Calcula los residuos estandarizados
residuos_SW <- scale(modelo_hrpice$residuals)
# Gráfico de la distribución de los residuos
hist(residuos_SW, freq = FALSE, main = "Distribución de los residuos estandarizados", xlab = "Residuos estandarizados")
# Añade una curva de la distribución normal para comparar
curve(dnorm(x, mean=mean(residuos_SW), sd=sd(residuos_SW)), add=TRUE, col="blue", lwd=2)