Importacion de datos

library(wooldridge)
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

Estimando el modelo

library(stargazer)
modelo_estimado<-lm(formula = price~bdrms+lotsize, data = hprice1)
stargazer(modelo_estimado, title = 'Modelo Estimado', type= 'text', digits = 8)
## 
## Modelo Estimado
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                price           
## -----------------------------------------------
## bdrms                     57.31285000***       
##                            (10.88452000)       
##                                                
## lotsize                    0.00285826***       
##                            (0.00090014)        
##                                                
## Constant                    63.26224000        
##                            (39.61957000)       
##                                                
## -----------------------------------------------
## Observations                    88             
## R2                          0.33681690         
## Adjusted R2                 0.32121260         
## Residual Std. Error    84.62413000 (df = 85)   
## F Statistic         21.58486000*** (df = 2; 85)
## ===============================================
## Note:               *p<0.1; **p<0.05; ***p<0.01

DISTRIBUCION Z.

Para graficar la distribucion Z haremos uno de la funcion shadeDit, la cual va a la funcion de densidad de probabilidad, sombreando el area bajo la curva, en la primera grafica , se muestra una grafica con la probabilidad del 95% y en la segunda una con el 5% de probabilidad que es el are del nivel de significancia.

library(fastGraph)
## Warning: package 'fastGraph' was built under R version 4.0.5
shadeDist(qnorm(0.95), "dnorm", 0, 1, col = c("black","pink"))

shadeDist(qnorm(0.95), lower.tail=FALSE, col = c("black","pink"))

DISTRIBUCION T.

Para graficar la distribucion T, primero vamos a sacar la matriz de coeficiente, calculamos los t_values y los valores criticos.

library(stargazer)
#Matriz de Coeficientes
modelo_coeficientes<-summary(modelo_estimado)$coefficients
t_value<-modelo_coeficientes[,"t value"]
nombres<-names(t_value)
for(t in 2:3){t_critico<-t_value[t]
#Valores Criticos
print(confint(modelo_estimado, parm =t,level = 0.90))}
##            5 %     95 %
## bdrms 39.21212 75.41358
##                 5 %        95 %
## lotsize 0.001361347 0.004355174
#GRAFICO.
library(fastGraph)
t_valor_critico<- shadeDist(c(-t_critico, t_critico ), "dt", 13,col=c("black","pink"),sub=paste("Parámetro de la Variable:",nombres[t]))

DISTRIBUCION F.

f_prueba<-summary(modelo_estimado)$fstatistic[1]
num_grados_libertad<-summary(modelo_estimado)$fstatistic[2]
denom_grados_libertad<-summary(modelo_estimado)$fstatistic[3]
F_valor_critico<-qf(0.90,num_grados_libertad,denom_grados_libertad,lower.tail = TRUE)
print(F_valor_critico)
## [1] 2.366102
#Grafica Prueba F
library(fastGraph)
shadeDist(xshade = f_prueba,"df",num_grados_libertad,denom_grados_libertad,lower.tail = FALSE, col=c("pink","BLACK"), sub=paste("Valor Critico:",F_valor_critico," ","F Critico:",f_prueba))

DISTRIBUCION CHI CUADRADO.

library(fastGraph)
shadeDist(qchisq(0.1,25,lower.tail = FALSE),ddist = 'dchisq',parm1 = 25,lower.tail = FALSE, col=c('black','pink'
))