Importacion de datos(generar la variable de residuos)
library(stargazer)
library(readr)
ejemplo_regresion <- read_csv("D:/melvin 2020/econometria/ejemplo_regresion.csv")
#corriendo el modelo de regresion
regresion<-lm(formula = Y~X1+X2,data = ejemplo_regresion)
stargazer(regresion,title = 'Modelo_Estimado',type = 'html')
Modelo
|
|
|
|
Dependent variable:
|
|
|
|
|
|
Y
|
|
|
|
X1
|
0.237***
|
|
|
(0.056)
|
|
|
|
|
X2
|
-0.0002***
|
|
|
(0.00003)
|
|
|
|
|
Constant
|
1.564***
|
|
|
(0.079)
|
|
|
|
|
|
|
Observations
|
25
|
|
R2
|
0.865
|
|
Adjusted R2
|
0.853
|
|
Residual Std. Error
|
0.053 (df = 22)
|
|
F Statistic
|
70.661*** (df = 2; 22)
|
|
|
|
Note:
|
p<0.1; p<0.05; p<0.01
|
Pruebas de normalidad de los residuos.
library(fitdistrplus)
ajuste_normal<-fitdist(data = regresion$residuals,distr = 'norm')
plot(ajuste_normal)
Prueba de JB
library(normtest)
jb.norm.test(regresion$residuals)
##
## Jarque-Bera test for normality
##
## data: regresion$residuals
## JB = 0.93032, p-value = 0.4975
Prueba de KS (lilliefors)
library(nortest)
lillie.test(regresion$residuals)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: regresion$residuals
## D = 0.082345, p-value = 0.9328
Prueba de Shapiro SW
shapiro.test(regresion$residuals)
##
## Shapiro-Wilk normality test
##
## data: regresion$residuals
## W = 0.97001, p-value = 0.6453