##Generando eldataframe disponible en el paquete wooldridge

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

# 1. Estimar el modelo price = ˆα + ˆα1(lotsize) + ˆα2(sqrft) + ˆα3(bdrms) + e

 modelo_estimado <- lm( formula = price ~ lotsize + sqrft + bdrms, data = hprice1)
library(stargazer)
stargazer(modelo_estimado, title = 'Modelo estimado', type = 'text')
## 
## 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, a través de:

#a) La prueba JB

library(normtest)
jb.norm.test(modelo_estimado$residuals)
## 
##  Jarque-Bera test for normality
## 
## data:  modelo_estimado$residuals
## JB = 32.278, p-value = 0.001

#Con un nivel de significancia del 5% concluimos no hay suficiente evidencia de que el modelo tenga una distribucion normal ya que p < nivel de significancia.

library(fastGraph)
shadeDist(32.278, ddist = "dchisq", parm1 = qchisq(0.01,2, lower.tail = FALSE), lower.tail = FALSE)

#b) La prueba KS

library(nortest)
lillie.test(modelo_estimado$residuals)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  modelo_estimado$residuals
## D = 0.075439, p-value = 0.2496
  1. La prueba SW
shapiro.test(modelo_estimado$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  modelo_estimado$residuals
## W = 0.94132, p-value = 0.0005937

#NO hay suficiente evidencia de que la distribucion sea normal

shadeDist(0.941312, ddist = "dnorm", parm1 
          = 0,  lower.tail = FALSE)

En todos los casos presente sus resultados de forma tabular (usando la librería que corresponda tal como se vio en clase), y en el caso de las pruebas JB y SW presente sus resultados de forma gráfica a través de la librería fastGraph.