library(tseries)
resultado_JB<-jarque.bera.test(estimacion_del_modelo$residuals) #se utiliza para verificar si los residuos de un modelo siguen una distribución normal, Si el valor p es bajo, podríamos concluir que los residuos no se distribuyen normalmente y considerar ajustes al modelo.

library(fastGraph) #carga la biblioteca fastGraph en tu entorno de trabajo
alpha_sig<-0.5 #se está definiendo una variable llamada alpha_sig con un valor de 0.5. Este valor representa el nivel de significancia utilizado en la prueba.
JB<-resultado_JB$statistic #se establece como el estadístico de prueba calculado en la prueba de Jarque-Bera
gl<-resultado_JB$parameter #se establece como el estadístico de prueba calculado en la prueba de Jarque-Bera
VC<-qchisq(1-alpha_sig, gl, lower.tail = TRUE) #se calcula el valor crítico utilizando la función de distribución chi-cuadrado inversa. El valor crítico se utiliza para comparar con el estadístico de prueba y determinar si rechazamos o no la hipótesis nula.
shadeDist(JB,ddist = "dchisq", parm1 = gl, lower.tail = FALSE, xmin = 0, sub=paste("VC:", round(VC,2), " ", "JB:", round(JB,2))) # Esta línea crea una visualización que sombrea la cola derecha de la distribución chi-cuadrado con los valores del estadístico de prueba y el valor crítico

library(dplyr) # carga el paquete dplyr en es espacio de trabajo.
library(gt) #carga el paquete gt para la creación de tablas con formato.
library(gtExtras) #carga el paquete gtExtras para la creación de tablas con formato avanzado.
residuos<-estimacion_del_modelo$residuals # asigna a la variable residuos el vector de residuos del modelo lineal
residuos %>%  
  as_tibble() %>% #convierte el vector de residuos en un tibble y pasa el resultado como argumento a la siguiente función usando el operador %>%.
  mutate(posicion=row_number()) %>% #crea una columna llamada posicion que indica el número de fila de cada residuo en el tibble
  arrange(value) %>% # ordena el tibble de manera ascendente según los valores de los residuos y pasa el resultado como argumento a la siguiente función
  mutate(dist1=row_number()/n()) %>% #crea una columna  que indica la proporción acumulada de residuos en la distribución empírica, y pasa el resultado como argumento a la siguiente función
  mutate(dist2=(row_number()-1)/n()) %>%  #crea una columna  que indica la proporción acumulada de residuos en la distribución empírica, pero con una corrección de continuidad, y pasa el resultado como argumento a la siguiente función
  mutate(zi=as.vector(scale(value,center=TRUE))) %>% #crea una columna que indica la desviación estandar de cada residuo con respecto a la media, y pasa el resultado como argumento a la siguiente función
  mutate(pi=pnorm(zi,lower.tail = TRUE)) %>%  #crea una columna que indica la probabilidad acumulada de cada residuo en la distribución normal estándar, y pasa el resultado como argumento a la siguiente función.
  mutate(dif1=abs(dist1-pi)) %>% # crea una columna  que indica la diferencia entre las proporciones acumuladas de la distribución empírica y la distribución normal estándar en cada fila del tibble.
  mutate(dif2=abs(dist2-pi)) %>% #crea una columna  que indica la diferencia entre las proporciones acumuladas (con corrección de continuidad) de la distribución empírica y la distribución normal estándar en cada fila del tibble.
  rename(residuales=value) -> tabla_KS # renombra la columna value como residuales y asigna el tibble resultante a la variable tabla_KS.


## Formato 

tabla_KS %>% #se utiliza para enviar la tabla de datos a la siguiente función.
  gt() %>%  #se utiliza para crear una tabla con los datos enviados y enviarla a la siguiente función.
  tab_header("Tabla para calcular el Estadistico KS") %>% #se utiliza para agregar un encabezado a la tabla creada.
  tab_source_note(source_note = "Fuente: Elaboración propia") %>% # se utiliza para agregar una nota de fuente a la tabla
  tab_style( style = list(cell_fill(color = "#ffff00"), 
      cell_text(style = "italic")),locations = cells_body(         columns = dif1,  
      rows = dif1==max(dif1))) %>% #se utiliza para agregar un estilo a las celdas,para que se identifiquen las celdas que tienen el valor máximo de la columna dif1.
   tab_style(style = list(cell_fill(color = "#ff00b1"),  
    cell_text(style = "italic")),
    locations = cells_body( 
      columns = dif2,  
      rows = dif2==max(dif2))) #se utiliza para agregar un estilo a las celdas, para que se identifiquen  las celdas que tienen el valor máximo de la columna dif2.

library(dplyr) #Carga el paquete para usar sus funciones.
library(gt) #Carga el paquete "gt" para usar sus funciones específicamente para la creación de tablas.
residuos<-estimacion_del_modelo$residuals #Crea un objeto llamado "residuos" que almacena los residuos
residuos %>%
  as_tibble() %>%
  rename(residuales=value) %>%
  arrange(residuales) %>%
  mutate(pi=(row_number()-0.375)/(n()+0.25)) %>%
  mutate(mi=qnorm(pi,lower.tail = TRUE)) %>% 
  mutate(ai=0)->tabla_SW
#Toma los residuos, los convierte a un "tibble", los renombra como "residuales", los ordena de manera ascendente y luego se realizan una serie de cálculos para obtener las variables "pi", "mi", y "ai", y se almacenan en el objeto "tabla_SW".

m<-sum(tabla_SW$mi^2) #Se calcula la suma de los cuadrados de la variable "mi" en el objeto "tabla_SW" y se almacena en "m".
n<-nrow(hprice1) #Se calcula el número de filas de "hprice1" y se almacena en la variable "n".
theta<-1/sqrt(n) #Se calcula la variable "theta" como el inverso de la raíz cuadrada de "n".
tabla_SW$ai[n]<- -2.706056*theta^5+4.434685*theta^4-2.071190*theta^3-0.147981*theta^2+0.2211570*theta+tabla_SW$mi[n]/sqrt(m) #Se calcula el valor de "ai" para el último elemento de la variable "tabla_SW"
tabla_SW$ai[n-1]<- -3.582633*theta^5+5.682633*theta^4-1.752461*theta^3-0.293762*theta^2+0.042981*theta+tabla_SW$mi[n-1]/sqrt(m) #Se calcula el valor de "ai" para el penúltimo elemento de la variable "tabla_SW"
tabla_SW$ai[1]<- -tabla_SW$ai[n] #Se asigna el valor negativo de "ai" correspondiente al último elemento de "tabla_SW" al primer elemento de "ai".
tabla_SW$ai[2]<- -tabla_SW$ai[n-1] #Se asigna el valor negativo de "ai" correspondiente al penúltimo elemento de "tabla_SW" al segundo elemento de "ai".
omega<-(m-2*tabla_SW$mi[n]^2-2*tabla_SW$mi[n-1]^2)/(1-2*tabla_SW$ai[n]^2-2*tabla_SW$ai[n-1]^2) #Se calcula la variable "omega"  y las variables "mi" y "ai" almacenadas en "tabla_SW".

tabla_SW$ai[3:(n-2)] <- tabla_SW$mi[3:(n-2)] / sqrt(omega) # calcula los valores de 'ai' para las filas 3 hasta n-2 de la tabla_SW

tabla_SW %>% # pasa 'tabla_SW' al operador pipe
  mutate(ai_ui = ai * residuales, ui2 = residuales^2) -> tabla_SW # crea dos nuevas columnas en 'tabla_SW', 'ai_ui' y 'ui2', que son multiplicaciones y cálculos de los valores de las columnas 'ai' y 'residuales', y guarda el resultado como 'tabla_SW'

tabla_SW %>%
  gt() %>% # convierte 'tabla_SW' en una tabla utilizando el paquete 'gt'
  tab_header("Tabla para calcular el Estadistico W") %>% # establece el encabezado de la tabla
  tab_source_note(source_note = "Fuente: Elaboración propia") # establece la nota de fuente para la tabla