library(wooldridge)
## Warning: package 'wooldridge' was built under R version 4.0.5
data(hprice1)
head(force(hprice1),n=5)
##   price assess bdrms lotsize sqrft colonial   lprice  lassess llotsize   lsqrft
## 1   300  349.1     4    6126  2438        1 5.703783 5.855359 8.720297 7.798934
## 2   370  351.5     3    9903  2076        1 5.913503 5.862210 9.200593 7.638198
## 3   191  217.7     3    5200  1374        0 5.252274 5.383118 8.556414 7.225482
## 4   195  231.8     3    4600  1448        1 5.273000 5.445875 8.433811 7.277938
## 5   373  319.1     4    6095  2514        1 5.921578 5.765504 8.715224 7.829630
  1. Estimacion del modelo.
options(scipen = 999999)
library(stargazer)
## 
## Please cite as:
##  Hlavac, Marek (2018). stargazer: Well-Formatted Regression and Summary Statistics Tables.
##  R package version 5.2.2. https://CRAN.R-project.org/package=stargazer
modelo_precios<-lm(formula = price ~ lotsize + sqrft + bdrms, data = hprice1)
summary(modelo_precios)
## 
## Call:
## lm(formula = price ~ lotsize + sqrft + bdrms, data = hprice1)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -120.026  -38.530   -6.555   32.323  209.376 
## 
## Coefficients:
##                Estimate  Std. Error t value           Pr(>|t|)    
## (Intercept) -21.7703081  29.4750419  -0.739            0.46221    
## lotsize       0.0020677   0.0006421   3.220            0.00182 ** 
## sqrft         0.1227782   0.0132374   9.275 0.0000000000000166 ***
## bdrms        13.8525217   9.0101454   1.537            0.12795    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 59.83 on 84 degrees of freedom
## Multiple R-squared:  0.6724, Adjusted R-squared:  0.6607 
## F-statistic: 57.46 on 3 and 84 DF,  p-value: < 0.00000000000000022
  1. SUPUESTOS DE NORMALIDAD.
  1. Prueba JB
library(normtest)
jb.norm.test(modelo_precios$residuals)
## 
##  Jarque-Bera test for normality
## 
## data:  modelo_precios$residuals
## JB = 32.278, p-value = 0.0005

Residuos siguen una distribucion normal.

qqnorm(modelo_precios$residuals)
qqline(modelo_precios$residuals)

Cuartiles sobre la linea, es un ajuste bastante bueno.

No se rechaza la hipotesis nula, ya que los residuos muestran un comportamiento normal

  1. Prueba KS
library(nortest)
lillie.test(modelo_precios$residuals)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  modelo_precios$residuals
## D = 0.075439, p-value = 0.2496
qqnorm(modelo_precios$residuals)
qqline(modelo_precios$residuals)

No se rechaza la Hipotesis nula, ya que los residuos muestran un comportamiento normal

  1. Prueba SW
shapiro.test(modelo_precios$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  modelo_precios$residuals
## W = 0.94132, p-value = 0.0005937

Conclusion: No se debe rechazar la Hipotesis nula, ya que los residuos muestran un comportamiento normal