Prueba de normalidad

library(wooldridge)
library(fastGraph)
library(haven)
hprice1 <- read_dta("C:/Users/USUARIO/Downloads/hprice1.dta")
head(force(hprice1), n=5)

## # A tibble: 5 x 10
##   price assess bdrms lotsize sqrft colonial lprice lassess llotsize lsqrft
##   <dbl>  <dbl> <dbl>   <dbl> <dbl>    <dbl>  <dbl>   <dbl>    <dbl>  <dbl>
## 1   300   349.     4    6126  2438        1   5.70    5.86     8.72   7.80
## 2   370   352.     3    9903  2076        1   5.91    5.86     9.20   7.64
## 3   191   218.     3    5200  1374        0   5.25    5.38     8.56   7.23
## 4   195   232.     3    4600  1448        1   5.27    5.45     8.43   7.28
## 5   373   319.     4    6095  2514        1   5.92    5.77     8.72   7.83

1. Estimacion del modelo

library(stargazer)
library(fastGraph)
library(fitdistrplus)
modelo_estimado<-lm(formula= price~lotsize+sqrft+bdrms, data = hprice1)
stargazer(modelo_estimado, type="html", title="Modelo estimado")

Modelo estimado

	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. verifique el supuesto de normalidad, atraves de:

# Prueba de normalidad Jarque Bera
library(normtest)
jb.norm.test(modelo_estimado$residuals)

## 
##  Jarque-Bera test for normality
## 
## data:  modelo_estimado$residuals
## JB = 32.278, p-value = 0.001

debido a que el p_value<0.05 en este caso se rechazaria hipotesis nula, hay evidencia de que se rechaza

library(fastGraph)
library(psych)
xmat<-model.matrix(modelo_estimado)
prueba_jarqueB<-cortest.bartlett(xmat[,-1])
print(prueba_jarqueB)

## $chisq
## [1] 31.38122
## 
## $p.value
## [1] 7.065806e-07
## 
## $df
## [1] 3

vc<-qchisq(0.05, prueba_jarqueB$df,lower.tail = FALSE)
print(vc)

## [1] 7.814728

library(fastGraph)
shadeDist(xshade= prueba_jarqueB$chisq,  ddist="dchisq", parm1 = prueba_jarqueB$df,lower.tail = FALSE,  sub=paste("JB:", prueba_jarqueB$chisq, "vc:", vc))

b. Prueba de Kolmogorov-Smirnov

library(nortest)
lillie.test(modelo_estimado$residuals)

## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  modelo_estimado$residuals
## D = 0.075439, p-value = 0.2496

debido a que p-value>0.05 en este caso hay evidencia de no rechazar hipotesis nula

C. la prueba de shapiro-wilk

library(fastGraph)
library(psych)
shapiro.test(modelo_estimado$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  modelo_estimado$residuals
## W = 0.94132, p-value = 0.0005937

prueba_SW<-cortest.bartlett(xmat[,-1])
vc<-qchisq(0.05, prueba_SW$df, lower.tail = FALSE)
print(vc)

## [1] 7.814728

con el resultado de su p-value es menor al valor de significancia se puede decir que se rechaza hipotesis nula

library(fastGraph)
shadeDist(xshade=prueba_SW$chisq, 3, ddist="dchisq", parm1 = 3,lower.tail = FALSE,  sub=paste("SW:", prueba_SW$chisq, "vc:",vc))

library(fastGraph)
shadeDist(xshade=modelo_estimado$chisq, ddist="dchisq", parm1 = modelo_estimado$df, lower.tail = FALSE, sub=paste("modelo estimado:", modelo_estimado$chisq))