library(wooldridge)# Carga la librería "wooldridge"
data(hprice1) # Carga el conjunto de datos 'hprice1' incluido en la librería "wooldridge"
head(force(hprice1),n=5) # Muestra las primeras 5 filas del conjunto de datos "hprice1"

options(scipen= 99999999) # Muestra los valores en decimales.
library(stargazer) # Carga la librería "stargazer" para producir tablas de resumen de modelos de regresión
modelo_1<-lm(formula = price ~ lotsize+ sqrft + bdrms,data = hprice1) # Ajusta el modelo de regresión lineal usando el conjunto de datos "hprice1" y las variables establecidos en la guia.
stargazer(modelo_1, title = "Estimacion", type = "text") # Crea una tabla de resumen del "modelo_1" y las muestra como texto

library(fitdistrplus) # Cargar la librería "fitdistrplus" para ajustar distribuciones de probabilidad
fit_normal<-fitdist(data = modelo_1$residuals,distr = "norm") # Ajustar una distribución normal a los residuos del modelo estimado, ademas de que almacenan en la variable "fit_norma"
plot(fit_normal)# Grafica el ajuste de la distribución normal

summary(fit_normal) # Muestra un resumen del ajuste de la distribución normal

options(scipen= 99999999) # Muestra los valores en decimales
library(tseries) # Carga la librería "tseries" para realizar pruebas estadísticas en series temporales
prueba_JB<-jarque.bera.test(modelo_1$residuals) # Realiza la prueba de Jarque-Bera en los residuos del modelo estimado
prueba_JB # Guarda el resultado de la prueba de Jarque-Bera en la variable "prueba_JB"

library(dplyr) # Primero se carga la librería dplyr para poder manipular los datos
library(gt) # Cargar la librería gt para generar tablas
library(gtExtras) # Cargar la librería gtExtras para funciones adicionales de gt
residuos <- modelo_1$residuals  # Extraer los residuos del modelo_1 y los asigna a la variable "residuos"
residuos %>%   # Convertir 'residuos' en un tibble 
  as_tibble() %>%  # Convertir el tibble en un tibble de tibbles y añadir una columna "posicion" que contiene el número de fila
  mutate(posicion = row_number()) %>%    # Añadir una columna "posicion" que contiene el número de fila
  arrange(value) %>%  # Ordenar las filas en función del valor de "value" (que son los residuales)
   mutate(dist1 = row_number() / n()) %>%   # Calcular la distancia acumulada normalizada y agregar una columna llamada (dist1)  
  mutate(dist2 = (row_number() - 1) / n()) %>%   # Calcular la distancia acumulada normalizada con un desplazamiento de 1 (dist2)
  mutate(zi = as.vector(scale(value, center = TRUE))) %>%  # Escalar los residuales (value) para tener media cero y varianza uno y almacenarlos en la variable "zi"
   mutate(pi = pnorm(zi, lower.tail = TRUE)) %>%    # Calcular la función de distribución acumulada (pi) usando la distribución normal
   mutate(dif1 = abs(dist1 - pi)) %>%   # Calcular la diferencia absoluta entre "dist1" y "pi"
   mutate(dif2 = abs(dist2 - pi)) %>%   # Calcular la diferencia absoluta entre "dist2" y "pi"
   rename(residuales = value) -> tabla_KS   # Renombrar la columna "value" a "residuales" y asignar el resultado a "tabla_KS"


# AÑADIENDO FORMATO DE TABLA

tabla_KS %>%   # con el operador %>% encadena las siguientes operaciones a la tabla tabla_KS
  gt() %>%  # Crear una tabla con la función gt()
  tab_header("Tabla para calcular el Estadistico Kolmogorov Smirnov") %>%   # Agrega un encabezado a la tabla
  tab_source_note(source_note = "Fuente: Elaboración propia") %>%   # Agrega una nota de fuente a la tabla
  tab_style(  # Estiliza las celdas que contienen el valor máximo de "dif1"
    style = list(
      cell_fill(color = "#9B59B6"),  # Color de relleno de la celda
      cell_text(style = "italic")     # Establece un estilo de texto 
      ),
    locations = cells_body(  # Establece que se aplica el estilo a las celdas de la tabla que cumplan las condiciones:
      columns = dif1,                # Que sean de la columna "dif1"
      rows = dif1 == max(dif1)       # Que las filas donde "dif1" es igual al máximo valor de "dif1"
    )) %>%
  
  tab_style( # Estiliza las celdas que contienen el valor máximo de "dif2"
    style = list(
      cell_fill(color = "#85C1E9"),  # Color de relleno de la celda
      cell_text(style = "italic")     # Establece un estilo de texto 
      ),
    locations = cells_body(  # Establece que se aplica el estilo a las celdas de la tabla que cumplan las condiciones:
      columns = dif2,                # Que sean de la columna 'dif2'
      rows = dif2 == max(dif2)       # Que las filas donde "dif1" es igual al máximo valor de "dif2"
    ))

library(dplyr)  # Carga el paquete "dplyr" ara manipulación de datos
library(gt)     # Carga el paquete "gt" Para manipulación y visualización de tablas
residuos<-modelo_1$residuals # Extrae los residuos del modelo_1 para asignarlos a la variable "residuos'"
residuos %>%  
  as_tibble() %>% # Converte los "residuos" en un tibble 
  rename(residuales=value) %>% # Renombra la columna como "residuales"
  arrange(residuales) %>% # Ordena los residuos en orden ascendente
  mutate(pi=(row_number()-0.375)/(n()+0.25)) %>% # Calcula la probabilidad acumulada empírica y lo almacena en una nueva columna llamada "pi" 
  mutate(mi=qnorm(pi,lower.tail = TRUE)) %>% # Calcula los valores teóricos esperados (mi)
  mutate(ai=0)->tabla_SW # Crea una columna "ai" y la inicializa en cero. Los resultados se almacenan en el objeto "tabla_SW".

m<-sum(tabla_SW$mi^2) # Calcula la suma de los cuadrados de los elementos "mi" en la tabla_SW y los guarda en la variable m.
n<-nrow(hprice1) # Obtiene el número de filas del dataframe hprice1 y lo guarda en la variable n.
theta<-1/sqrt(n) # Calcula theta
tabla_SW$ai[n]<- -2.706056*theta^5+4.434685*theta^4-2.071190*theta^3-0.147981*theta^2+0.2211570*theta+tabla_SW$mi[n]/sqrt(m) # calcula el valor de "ai" para la última fila de la tabla_SW y lo guarda en la posición n de la columna ai de la tabla_SW.
tabla_SW$ai[n-1]<- -3.582633*theta^5+5.682633*theta^4-1.752461*theta^3-0.293762*theta^2+0.042981*theta+tabla_SW$mi[n-1]/sqrt(m) # calcula el valor de "ai" para la penúltima fila de la tabla_SW y lo guarda en la posición n-1 de la columna ai de la tabla_SW.
tabla_SW$ai[1]<- -tabla_SW$ai[n] # Establece el valor para tabla_SW$ai[1] como el negativo de tabla_SW$ai[n], es decir, que calcula el valor de ai para la primera fila de la tabla_SW segun el valor de ai de la ultima fila de la tabla_SW y lo guarda en la primera posicion de la columna ai de la tabla_SW.
tabla_SW$ai[2]<- -tabla_SW$ai[n-1] # Establece el valor para tabla_SW$ai[2] como el negativo de tabla_SW$ai[n-1], es decir, que calcula el valor de ai para la segunda fila de la tabla_SW segun el valor de ai de la penultima fila de la tabla_SW y lo guarda en la segunda posicion de la columna ai de la tabla_SW.
omega<-(m-2*tabla_SW$mi[n]^2-2*tabla_SW$mi[n-1]^2)/(1-2*tabla_SW$ai[n]^2-2*tabla_SW$ai[n-1]^2) # Calcula el omega 
tabla_SW$ai[3:(n-2)]<-tabla_SW$mi[3:(n-2)]/sqrt(omega) # Calcula los valores de ai apartir de la tercera posición hasta la posicion antes de la penultima posición de la tabla_SW .

tabla_SW %>% 
  mutate(ai_ui=ai*residuales,ui2=residuales^2) ->tabla_SW # Añade dos columnas (ai_ui y ui2) a la tabla_SW, y los calcula multiplicando la columna "ai" por la columna "residuales" y asigna el resultado a la columna "ai_ui".Además, calcula el cuadrado de la columna "residuales" y lo asigna a la columna "ui2".

tabla_SW %>% # Crea una tabla a partir del dataframe tabla_SW y aplica formato con la función gt().
  gt() %>% tab_header("Tabla para calcular el Estadistico W") %>%  # Añade un encabezado a la tabla.
  tab_source_note(source_note = "Fuente: Elaboración propia") # Añade una nota de fuente a la tabla.