Prueba de normalidad

-Datos.

library(readr)
library(stargazer)
ejemplo_regresion<- read.csv("C:\\Users\\AD_be\\Desktop\\Econometria\\practica 2 R\\practica_2.csv")
head(ejemplo_regresion,n = 6)

##   ï..X1   X2    Y
## 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 0.70
## 6  3.11 6402 0.72

Modelo de Regresion Lineal.

-Estimando el Modelo.

options (scipen = 9999)
modelo_lineal<- lm(formula = Y~ï..X1+X2, data= ejemplo_regresion)
stargazer(modelo_lineal,title = "Ejemplo de Regresion Multiple", type = "text", digits = 8)

## 
## Ejemplo de Regresion Multiple
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                  Y             
## -----------------------------------------------
## ï..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 Distribucion Normal.

-Verificando el ajuste de los residuos.

library(fitdistrplus)
fit_normal<-fitdist(data = modelo_lineal$residuals,distr = "norm")
plot(fit_normal)

## Estimacion.

summary(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 Jarque-Bera.

library(normtest)
jb.norm.test(modelo_lineal$residuals)

## 
##  Jarque-Bera test for normality
## 
## data:  modelo_lineal$residuals
## JB = 0.93032, p-value = 0.483

qqnorm(modelo_lineal$residuals)
qqline(modelo_lineal$residuals)

## Histograma JB

hist(modelo_lineal$residuals, main = "HIstograma de los residuos", xlab = "Residuos", ylab = "Frecuencia")

## Prueba de normalidad Kolmogorov-Smirnov.

library(nortest)
lillie.test(modelo_lineal$residuals)

## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  modelo_lineal$residuals
## D = 0.082345, p-value = 0.9328

qqnorm(modelo_lineal$residuals)
qqline(modelo_lineal$residuals)

## Histograma KS

hist(modelo_lineal$residuals, main = "Histograma de los Residuos", xlab = "Residuos", ylab = "Frecuencia")

Prueba de normalidad Shapiro-Wilk.

shapiro.test(modelo_lineal$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  modelo_lineal$residuals
## W = 0.97001, p-value = 0.6453