Carga de Datos
library(readr)
ejemplo_regresion <- read_csv("E:/ejemplo_regresion.csv")
head(ejemplo_regresion,n = 6)
## # A tibble: 6 x 3
## X1 X2 Y
## <dbl> <dbl> <dbl>
## 1 3.92 7298 0.75
## 2 3.61 6855 0.71
## 3 3.32 6636 0.66
## 4 3.07 6506 0.61
## 5 3.06 6450 0.7
## 6 3.11 6402 0.72
Estimando el modelo
library(stargazer)
options(scipen = 9999)
modelo_lineal<-lm(formula = Y~X1+X2,data = ejemplo_regresion)
stargazer(modelo_lineal,title = "Ejemplo de Regresión Multiple",type = "text",digits = 8)
##
## Ejemplo de Regresión Multiple
## ===============================================
## Dependent variable:
## ---------------------------
## Y
## -----------------------------------------------
## X1 0.23719750***
## (0.05555937)
##
## X2 -0.00024908***
## (0.00003205)
##
## Constant 1.56449700***
## (0.07939598)
##
## -----------------------------------------------
## Observations 25
## R2 0.86529610
## Adjusted R2 0.85305030
## Residual Std. Error 0.05330222 (df = 22)
## F Statistic 70.66057000*** (df = 2; 22)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
Ajuste de los residuos a la Distribución Normal
Verificando el ajuste de los residuos a la distribución normal, se usará la librería fitdistrplus
library(fitdistrplus)
library(stargazer)
fit_normal<-fitdist(data = modelo_lineal$residuals,distr = "norm")
plot(fit_normal)
## Fitting of the distribution ' norm ' by maximum likelihood
## Parameters :
## estimate Std. Error
## mean 0.000000000000000007770748 0.010000382
## sd 0.050001911895951975384200 0.007058615
## Loglikelihood: 39.41889 AIC: -74.83778 BIC: -72.40002
## Correlation matrix:
## mean sd
## mean 1 0
## sd 0 1
Prueba de Normalidad de Jarque - Bera
library(normtest) #Carga los comandos para las pruebas de normalidad
library(psych)
jb.norm.test(modelo_lineal$residuals) #Ejecuta la prueba de Jarque -Bera
##
## Jarque-Bera test for normality
##
## data: modelo_lineal$residuals
## JB = 0.93032, p-value = 0.469
qqnorm(modelo_lineal$residuals)
qqline(modelo_lineal$residuals)
hist(modelo_lineal$residuals,main = "Histograma de los residuos",xlab = "Residuos",ylab = "frecuencia")
Prueba de Normalidad de Kolmogorov - Smirnov
library(nortest) #Carga los comandos para las pruebas de normalidad
lillie.test(modelo_lineal$residuals) #Ejecuta la prueba KS, con la corrección de Lilliefors
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo_lineal$residuals
## D = 0.082345, p-value = 0.9328
qqnorm(modelo_lineal$residuals)
qqline(modelo_lineal$residuals)
hist(modelo_lineal$residuals,main = "Histograma de los residuos",xlab = "Residuos",ylab = "frecuencia")