 install.

packages(“readxl”)
 library(readxl)
 s=read_xlsx(“lugar del archivo”)
 attach(s)
 names(s)
 View(s)
 plot(s)
 s.ts=ts(s,start=1)
 Y.ts=ts(s.ts[,1],start=1)
 z=lm(Y~X1+X2+X3+X4+X5,data=s.ts)
 summary(z)
 r=z2$residuals
 install.packages(“tseries”)
 library(fGarch)

# Ajuste del modelo GARCH(1, 1)

 garch_model <- garchFit(formula = ~garch(1, 1), data = r, trace = TRUE)

# Obtener los residuos ajustados

 residuos_ajustados <- residuals(garch_model)

# Ajustar un modelo lineal

 lm # Crear un nuevo data frame con los residuos ajustados

data_ajustada <- data.frame(Y = residuos_ajustados, X2 = X2, X3 = X3, X4 = X4)

_model_ajustado <- lm(Y ~ X2 + X3 + X4, data = data_ajustada)

 garch_model <- garchFit(formula = ~garch(1, 1), data = r, trace = TRUE, cond.dist =

'std', optimizer.control = list(trace=0, fnscale=1), include.mean = FALSE, start =
c(0.01, 0.1, 0.8))
 summary(garch_model) este comando nos da los test de jarque bera, shapiro wilk,
etc.

Para graficar los nuevos residuales ajustados:

 plot(residuos_ajustados, type = "l", main = "Gráfico de Residuos", ylab = "Residuos")

histograma de residuos:

 hist(residuos_ajustados, main = "Histograma de Residuos", xlab = "Residuos")

función de auto correlación de los residuos:

 acf(residuos_ajustados, main = "ACF de Residuos")

nuevos graficos de tendencia sobre la línea de regresión de los residules:

 qqnorm(residuos_ajustados)
 qqline(residuos_ajustados)
prueba ruido blanco:
Ho= se distribuye como ruido blanco.
# Realizar la prueba de ruido blanco en los residuos

 box_test <- Box.test(residuos_ajustados, lag = 20, type =

H1= no se distribuye como ruido
"Ljung-Box")
blanco.
# Imprimir el resultado de la prueba

 print(box_test)