Se presenta una breve investigación sobre el funcionamineto de la libreria FastGraph.

¿QUÉ ES FASTGRAPH?

Proporciona funcionalidad para producir gráficos de funciones de densidad de probabilidad y funciones de distribución acumulativa con pocas pulsaciones de tecla, permite sombrear bajo la curva de la función de densidad de probabilidad para ilustrar conceptos como valores p y valores críticos, y ajusta una línea de regresión lineal simple en un diagrama de dispersión con la ecuación como título principal.

A continuación la descripcion de los comandos que integran la Libreria FastGrap

xshade:Un solo número o vector de dos números, que denota valores en el eje x donde comienza y termina el sombreado debajo de la curva. Sin embargo, si es NULL, no se produce ningún sombreado.

ddist: Variable de carácter que nombra la función de densidad de probabilidad a graficar. Puede establecerse en “dprop” para una proporción de muestra, utilizando los mismos argumentos que dbinom.

parm1: El primer argumento en ddist, excluyendo el argumento ficticio. Por ejemplo, si ddist = “dnorm”, entonces parm1 es la media de “dnorm”. Alternativamente, parm1 puede configurarse para que sea un vector de argumentos, excluyendo el argumento ficticio. Sin embargo, si ddist = “dprop”, entonces parm1 debe establecerse en el tamaño de dbinom.

parm2: El segundo argumento en ddist, excluyendo el argumento ficticio. Por ejemplo, si ddist = “dnorm”, entonces parm2 es el sd de “dnorm”. Alternativamente, parm2 puede configurarse para que sea un vector de argumentos, excluyendo tanto el argumento ficticio como parm1. Sin embargo, si ddist = “dprop”, entonces parm2 debe establecerse en el problema en dbinom.

lower.tail:Lógico; si es TRUE (predeterminado), la región más baja está sombreada; de lo contrario, la siguiente región más baja está sombreada.

xlab: La etiqueta de la variable x.

xmin: El valor de x mínimo que se va a graficar.

xmax: El valor x máximo que se graficará.

xtic: Lógico o un vector de números. Si xtic es TRUE (predeterminado), entonces los números en el eje x incluyen la mediana y xshade. Si xtic es TRUE, entonces los números predeterminados de plot se enumeran en el eje x. Si xtic es un vector de números, estos números se enumeran en el eje x.

digits.prob: El número de dígitos significativos enumerados en la probabilidad.

digits.xtic: El número de dígitos significativos enumerados en el eje x.

is.discrete: Lógico; indicando si la distribución es discreta o no. Si is.discrete es NULL, shadowDist automáticamente hace la elección correcta para las funciones de densidad ya nombradas en el paquete de estadísticas.

aditional.x.rango: Un vector de dos valores x adicionales para evaluar la función. Este argumento sería necesario solo si el usuario no está satisfecho con el dominio determinado por la función. Este argumento se ignora si ddist = “dprop”.

main: El título principal que se le da al gráfico.

col: Un vector de tamaño dos, que especifica los colores de la curva de densidad y el sombreado, respectivamente.

lwd: El ancho de línea para distribuciones discretas.

Aplicación de la Librería FastGraph en diferentes Pruebas Estadísticas a un Modelo de Regresión Lineal Multiple

Data Frame

library(wooldridge)
data(hprice1)
#Visualizacion de las primeras 5 observaciones
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

Modelo Lineal

library(stargazer)
modelo_lineal<-lm(formula = price~assess+lotsize, data = hprice1)
stargazer(modelo_lineal, title= "Modelo lineal", type = "text")
## 
## Modelo lineal
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                price           
## -----------------------------------------------
## assess                       0.956***          
##                               (0.052)          
##                                                
## lotsize                        0.001           
##                              (0.0005)          
##                                                
## Constant                      -13.317          
##                              (16.272)          
##                                                
## -----------------------------------------------
## Observations                    88             
## R2                             0.822           
## Adjusted R2                    0.818           
## Residual Std. Error      43.800 (df = 85)      
## F Statistic           196.720*** (df = 2; 85)  
## ===============================================
## Note:               *p<0.1; **p<0.05; ***p<0.01

PARA DISTRIBUCION Z

library(fastGraph)
shadeDist(qnorm(0.95), "dnorm", 0, 1, col = c("RED","CYAN")) 

shadeDist(qnorm(0.95), lower.tail=FALSE, col = c("RED","CYAN"))

Distribución T-student.

library(fastGraph)
#Matriz de Coeficientes desviación P-Value
coeficientes_Modelo<-summary(modelo_lineal)$coefficients
t_Val<-coeficientes_Modelo[,"t value"]
nombres<-names(t_Val)
for(t in 2:3)
  {
    t_critico<-t_Val[t]
    #Valores Criticos
    print(confint(modelo_lineal, parm = t,level = 0.90))
    #Graficacion Distribucion T
     t_Valor_Critico<- shadeDist( c(-t_critico, t_critico ), "dt", 13,col=c("RED","CYAN"),sub=paste("Parámetro de la Variable:",nombres[t]))
  }
##              5 %     95 %
## assess 0.8689829 1.042448

##                   5 %        95 %
## lotsize -0.0002461614 0.001378908

Distribución Fisher.

library(fastGraph)
F_Anova<-summary(modelo_lineal)$fstatistic[1]
grados_Libertad_num<-summary(modelo_lineal)$fstatistic[2]
grados_Libertad_denom<-summary(modelo_lineal)$fstatistic[3]
F_Valor_Critico<-qf(0.90,grados_Libertad_num,grados_Libertad_denom,lower.tail = TRUE)
#Graficación Prueba F
shadeDist(xshade = F_Anova,"df",grados_Libertad_num,grados_Libertad_denom,lower.tail = FALSE, col=c("RED","GREEN"), sub=paste("Valor Critico:",F_Valor_Critico," ","F Critico:",F_Anova))

Distribución X^2

library(fastGraph)
#Gráfica
shadeDist(qchisq(0.1,25,lower.tail = FALSE),ddist = 'dchisq',parm1 = 25,lower.tail = FALSE, col=c('red','cyan'))

shadeDist(23,ddist = 'dchisq',parm1 = 25,lower.tail = FALSE,col=c('RED','CYAN'),sub=paste(c(qchisq(0.1,25,lower.tail = FALSE))))