Libreria fastGraph

¿Que es la libreria fastGraph?

• Es conocido “fastGraph”es la abrebiatura de “Fast Drawing and Shading of Graphs of Statistical Distribution” que se traduce como “Dibujo rápido y sombreado de gráficos de distribuciones estadísticas” . Es una libreria proporciona la facilidad de generar gráficos de funciones de densidad de probabilidad y distribuciones acumulativas , ademas nos permite sombrear bajo la curva de la función de densidad de probabilidad para ilustrar conceptos como valores p y valores críticos,tambien ajusta una línea de regresión lineal simple en un diagrama de dispersión con la ecuación como título principal. esta libreria contienen los siguientes elementos de suma utilidad:

• getMinMax : es llamado por ambos plotDist y shadowDist para determinar un dominio razonable para trazar el gráfico.

• plotDist : dibuja hasta tres funciones de densidad de probabilidad o funciones de distribuciónacumulativa en el mismo gráfico.

• Trama:realiza un diagrama de dispersión simple, se ajusta a la línea de regresión lineal y establece la ecuación de la línea en el título.

• ShadeDist: dibuja una función de densidad de probabilidad, sombrea el área debajo de la curva y enumera la probabilidad en el título del gráfico.

• sombra:es parecido a shadowDist pero considera la distribución de solo la proporción de la muestra.

1.lo primero que debemos hacer es cargar la data.

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

2.Luego de cargar la data procedemos a la estimación del modelo.

library(stargazer)
options(scipen = 999999)
modelo_E<-lm(formula = price~bdrms+lotsize,data = hprice1)
stargazer(modelo_E,title = "estimación del modelo ",type = "text",digits = 8)

## 
## estimación del modelo
## ===============================================
##                         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

Distribución T

3.Ahora ya con el modelo estimado procedemos a graficar la distribucion T, para esto es necesesario realizar la matriz de coeficientes, y luego procedemos a calcular los t_values y los valores criticos, una vez termonado de sacar los valores criticos vamos a activar la libreria FastGraph , para obtener el grafico debemos hacer uso de la funcion shadeDist.

library(stargazer)
# Matriz de Coeficientes
matriz_coeficientes<-summary(modelo_E)$coefficients
valor_t<-matriz_coeficientes[,"t value"]
Nombres<-names(valor_t)
for(t in 2:3){t_critico<-valor_t[t]
#Valores Criticos
print(confint(modelo_E, 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("broWn","yellow"),sub=paste("Parámetro de la Variable:",Nombres[t]))

Distribución Z.

4. para graficar la esta distribucion usaremos de nuevo el comando shadeDit la cual en la grafica se muestra la parte sombreada y aparecen dos graficas en la primera graficas se muestra con la una probabilidad del 90% y en la segunda una con el 10% de probabilidad que es el area del nivel bajo la curva.

library(fastGraph)
shadeDist(qnorm(0.90), "dnorm", 0, 1, col = c("pink","blue"))

shadeDist(qnorm(0.90), lower.tail=FALSE, col = c("blue","pink"))

Distribución del chi-cuadrado

5. para este caso es necesario activvar la libreriay usar el comando shadeDist.

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

Distribución F

6. Para este graficar esta distribucion de probabilidad tenemos que sacar la prueba F los grados de libertad y para poder graficar cono se nos muestra a continuacion.

prueba_F<-summary(modelo_E)$fstatistic[1]
numerador_gl<-summary(modelo_E)$fstatistic[2]
denominador_gl<-summary(modelo_E)$fstatistic[3]
F_VC<-qf(0.90,numerador_gl,denominador_gl,lower.tail = TRUE)
print(F_VC)

## [1] 2.366102

#Grafica Prueba F
library(fastGraph)
shadeDist(xshade = prueba_F,"df",numerador_gl,denominador_gl,lower.tail = FALSE, col=c("green","red"), sub=paste("Valor Critico:",F_VC," ","valor F:",prueba_F))