practica_3
CINTHYA ABIGAIL LÓPEZ UMANZOR
26 de abril de 2019
-Carga de Datos de ejemplo de regresión
library(readr)
ejemplo_regresion<- read_csv("C:/Users/Samsung/Documents/practica2 econometria/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
-Estimacion del 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
library(fitdistrplus)
library(stargazer)
fit_normal<-fitdist(data = modelo_lineal$residuals,distr="norm")
plot(fit_normal)
## Fitting of the distribution ' norm ' by maximum likelihood
## Parameters :
## estimate Std. Error
## mean 0.000000000000000007770748 0.010000382
## sd 0.050001911895951975384200 0.007058615
## Loglikelihood: 39.41889 AIC: -74.83778 BIC: -72.40002
## Correlation matrix:
## mean sd
## mean 1 0
## sd 0 1
- Prueba de Normalidad de Jarque - Bera
library(normtest)
jb.norm.test(modelo_lineal$residuals)
##
## Jarque-Bera test for normality
##
## data: modelo_lineal$residuals
## JB = 0.93032, p-value = 0.484
#Regla de decición
#Hipotesis nula: los residuos sigen una distribucion normal con media cero y varianza constante
#Hipotesis alternativa:los residuos no sigen una distribucion normal con media cero y varianza constante
#rechazar hipotesis nula si: JB>=v.c p_value<=nivel de significancia
#JB=0.93032 v.c=5.991 0.93032>=5.991 "FALSO"
#p_value=0.4805 nivel de significancia=0.05 0.4805<=0.05 "FALSO"
#"por tanto no se rechaza la hipotesis nula los residuos siguen una distribucion normal con media cero y varianza constante".
qqnorm(modelo_lineal$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)
lillie.test(modelo_lineal$residuals)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo_lineal$residuals
## D = 0.082345, p-value = 0.9328
#Rechazar hipotesis nula si p_value<=nivel de significancia
#p-value = 0.9328 nivel de significancia<=0.05 0.9328<=0.05 "FALSO"
#No se rechaza la hipotesis nula por tanto los residuos siguen una distribucion normal con media cero y varianza constante.
qqnorm(modelo_lineal$residuals)
qqline(modelo_lineal$residuals)
hist(modelo_lineal$residuals,main = "Histograma de los residuos",xlab = "Residuos",ylab = "frecuencia")
#-Prueba de Normalidad de Shapiro - Wilk
shapiro.test(modelo_lineal$residuals)
##
## Shapiro-Wilk normality test
##
## data: modelo_lineal$residuals
## W = 0.97001, p-value = 0.6453
#Rechazar hipotesis nula si p_value<=nivel de significancia
#p-value =0.6453 nivel de significancia<=0.05 0.6453<=0.05 "FALSO"
#No se rechaza la hipotesis nula por tanto los residuos siguen una distribucion normal con media cero y varianza constante.
- Carga de Datos de ejemplo de regresión
library(readr)
practica_2<- read_csv("F:/econometria/Todo sobre R/practica_2.csv")
head(practica_2,n = 6)
## # A tibble: 6 x 3
## Y X1 X2
## <dbl> <dbl> <dbl>
## 1 320 50 7.4
## 2 450 53 5.1
## 3 370 60 4.2
## 4 470 63 3.9
## 5 420 69 1.4
## 6 500 82 2.2
-Estimacion del modelo
library(stargazer)
options(scipen = 9999)
modelo_lineal<-lm(formula = Y~X1+X2,data = practica_2)
stargazer(modelo_lineal,title = "Ejemplo de Regresión Multiple",type = "text",digits = 8)
##
## Ejemplo de Regresión Multiple
## ================================================
## Dependent variable:
## ----------------------------
## Y
## ------------------------------------------------
## X1 3.94065500***
## (0.26658770)
##
## X2 14.80694000**
## (5.51843400)
##
## Constant 85.57848000
## (54.61834000)
##
## ------------------------------------------------
## Observations 20
## R2 0.93167600
## Adjusted R2 0.92363790
## Residual Std. Error 89.72397000 (df = 17)
## F Statistic 115.90730000*** (df = 2; 17)
## ================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
-Ajuste de los residuos a la Distribución Normal
library(fitdistrplus)
library(stargazer)
fit_normal<-fitdist(data = modelo_lineal$residuals,distr="norm")
plot(fit_normal)
## Fitting of the distribution ' norm ' by maximum likelihood
## Parameters :
## estimate Std. Error
## mean -0.000000000000002488114 18.49709
## sd 82.721409061040219512506 13.07940
## Loglikelihood: -116.6883 AIC: 237.3767 BIC: 239.3681
## Correlation matrix:
## mean sd
## mean 1.000000000000 -0.000001289266
## sd -0.000001289266 1.000000000000
- Prueba de Normalidad de Jarque - Bera
library(normtest)
jb.norm.test(modelo_lineal$residuals)
##
## Jarque-Bera test for normality
##
## data: modelo_lineal$residuals
## JB = 2.7402, p-value = 0.0795
#Regla de decición
#Hipotesis nula: los residuos sigen una distribucion normal con media cero y varianza constante
#Hipotesis alternativa:los residuos no sigen una distribucion normal con media cero y varianza constante
#rechazar hipotesis nula si: JB>=v.c p_value<=nivel de significancia
#JB= 2.7402 v.c=5.991 2.7402>=5.991 "FALSO"
#p_value=0.075 nivel de significancia=0.05 0.075<=0.05 "FALSO"
#"por tanto no se rechaza la hipotesis nula los residuos siguen una distribucion normal con media cero y varianza constante".
qqnorm(modelo_lineal$residuals)
qqline(modelo_lineal$residuals)
hist(modelo_lineal$residuals,main = "Histograma de los residuos",xlab = "Residuos",ylab = "frecuencia")
#-Prueba de Normalidad de Kolmogorov Smirnov
library(nortest)
lillie.test(modelo_lineal$residuals)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo_lineal$residuals
## D = 0.12278, p-value = 0.5968
#Rechazar hipotesis nula si p_value<=nivel de significancia
#p-value =0.5968 nivel de significancia<=0.05 0.5968<=0.05 "FALSO"
#No se rechaza la hipotesis nula por tanto los residuos siguen una distribucion normal con media cero y varianza constante.
qqnorm(modelo_lineal$residuals)
qqline(modelo_lineal$residuals)
hist(modelo_lineal$residuals,main = "Histograma de los residuos",xlab = "Residuos",ylab = "frecuencia")
#-Prueba de Normalidad de Shapiro - Wilk
shapiro.test(modelo_lineal$residuals)
##
## Shapiro-Wilk normality test
##
## data: modelo_lineal$residuals
## W = 0.94463, p-value = 0.2929
#Rechazar hipotesis nula si p_value<=nivel de significancia
#p-value =0.2929 nivel de significancia<=0.05 0.2929<=0.05 "FALSO"
#No se rechaza la hipotesis nula por tanto los residuos siguen una distribucion normal con media cero y varianza constante.