Cargado de datos

library(wooldridge)
data(hprice1)
head(force(hprice1), n=5) #mostrar las primeras 5 observaciones
##   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. Estimación del modelo.

library(stargazer)
modelo_price<-lm(formula = price~lotsize+sqrft+bdrms, data = hprice1)
stargazer(modelo_price, title="Estimación Modelo Price", type = "text")
## 
## Estimación Modelo Price
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                price           
## -----------------------------------------------
## lotsize                      0.002***          
##                               (0.001)          
##                                                
## sqrft                        0.123***          
##                               (0.013)          
##                                                
## bdrms                         13.853           
##                               (9.010)          
##                                                
## Constant                      -21.770          
##                              (29.475)          
##                                                
## -----------------------------------------------
## Observations                    88             
## R2                             0.672           
## Adjusted R2                    0.661           
## Residual Std. Error      59.833 (df = 84)      
## F Statistic           57.460*** (df = 3; 84)   
## ===============================================
## Note:               *p<0.1; **p<0.05; ***p<0.01

2-a) La prueba JB.

#Tabulación de prueba JB.
library(normtest)
Prueba_JB<-jb.norm.test(modelo_price$residuals)
print(Prueba_JB)
## 
##  Jarque-Bera test for normality
## 
## data:  modelo_price$residuals
## JB = 32.278, p-value < 0.00000000000000022
#Grafica de la prueba JB.
library(fastGraph)
GL_JB<-2
VC_JB<-qchisq(p=0.95, df=GL_JB)
shadeDist(xshade = Prueba_JB$statistic, 
          ddist = "dchisq", 
          parm1= GL_JB, lower.tail = FALSE, 
          sub=paste("VC=", VC_JB, "JB=", Prueba_JB$statistic))

Se rechaza la H0, por lo tanto no se tiene evidencia que los residuos tengan distribución normal, ya que el p-value<0.05 (el nivel de p-value es 0.001)

b) La prueba KS

#Tabulacion de la prueba KS.
library(nortest)
Prueba_KS<-lillie.test(modelo_price$residuals)
print(Prueba_KS)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  modelo_price$residuals
## D = 0.075439, p-value = 0.2496
#Grafica de la prueba KS
library(fastGraph)
GL_KS<-2
VC_KS<-qchisq(p=0.95, df=GL_KS)
shadeDist(xshade = Prueba_KS$statistic, 
          ddist = "dchisq", 
          parm1= GL_KS, lower.tail = FALSE, 
          sub=paste("VC=", VC_KS, "KS=", Prueba_KS$statistic))

No se rechaza la H0, por lo tanto hay evidencia que los residuos tienen distribución normal, ya que el p-value>0.05 (el p-value es 0.2496)

c) La prueba SW

#Tabulacion de la Prueba SW.
library(fastGraph)
Prueba_SW<-shapiro.test(modelo_price$residuals)
print(Prueba_SW)
## 
##  Shapiro-Wilk normality test
## 
## data:  modelo_price$residuals
## W = 0.94132, p-value = 0.0005937
#Grafica de prueba SW.
library(fastGraph)
GL_SW<-2
VC_SW<-qchisq(p=0.95, df=GL_SW)
shadeDist(xshade = Prueba_SW$statistic, 
          ddist = "dchisq", 
          parm1= GL_SW, lower.tail = FALSE, 
          sub=paste("VC=", VC_JB, "SW=", Prueba_SW$statistic))

Se rechaza la H0, por lo tanto no hay evidencia de que los residuos tengan distribución normal, ya que el p-value<0.05 (el p-value es 0.0005937)