Estimando el modelo

options(scipen = 9999)
library(readr)
ejemplo_regresion_1_ <- read_csv("C:/Users/manue/Desktop/Practicas_ECMA/datos_Excel/ejemplo_regresion (1).csv")
library(stargazer)
modelo_lineal<-lm(formula = Y~X1+X2,data = ejemplo_regresion_1_)
stargazer(modelo_lineal,title = "Ejemplo de Regresión Multiple",type = "html",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

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 = 0.4915

0.93032<5.991(JB<VC) NO rechaza Ho es decir los residuos tienen una distribucion normal.

0.483>0.05(P>alfa) NO rechaza Ho es decir los residuos tienen una distribucion normal

2.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

0.082345<0.1726(KS<VC) NO rechaza Ho es decir los residuos tienen una distribucion normal.

0.9328>0.05(P>alfa) NO rechaza Ho es decir los residuos tienen una distribucion normal.

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

Calcular Wn

W<-0.97001
mew<-0.0038915*I(log(25))^3-0.083751*I(log(25))^2-0.31082*I(log(25))-1.5861
des<-exp(0.0030302*I(log(25))^2-0.083751*(log(25))-0.4803)
Wn<-(log(1-W)-mew)/des
print(Wn)
## [1] -0.3740171

-0.3740171<1.644854 (Wn<VC) NO rechaza Ho es decir los residuos tienen una distribucion normal.

0.6453>0.05(P>alfa) NO rechaza Ho es decir los residuos tienen una distribucion normal.