KO <- read.table("~/Downloads/MTRD_DN_R/Kreditne_ocene.csv", header=TRUE, sep=";", dec=",")

Za 200 nakljucno izbranih strank sem pridobila podatke, ki izhajajo iz njihovih finančnih transakcij in trenutnega finančnega stanja, o naslednijh spremenljivkah: dohodku (INCOME), prihrankih (SAVINGS), dolgu (DEBT), izdatkih za oblacila (CLOTHING), izobrazbo (EDUCATION), zabavo (ENTERTAINMENT), igre na sreco GAMBLING), nakup zivil (GROCERIES), zdravje (HEALTH), vzdrzevanje nepremicnin (HOUSING), davke (TAX) in potovanja (TRAVEL) ter kreditna ocena (CREDIT_SCORE). Ugotoviti zelim, ali lahko dosezeno kreditno oceno pojasnjujem s preostalimi nastetimi pojasnevalnimi spremenljivkami. Ker zelim z mnozico pojasenvalnih spremenljivk pojasniti vrednosti odvisne spremenljivke, bom uporabila regresijsko analizo. Za poenostavitev podatkov bom uporabila metdo glavnih komponent.

head(KO, 10)
##       CUST_ID INCOME SAVINGS    DEBT CLOTHING EDUCATION ENTERTAINMENT GAMBLING
## 1  C02COQEVYU  33269       0  532304     1889         0          3068     1313
## 2  C02OZKC0ZF  77158   91187  315648     5818         0         17244        0
## 3  C03FHP2D0A  30917   21642  534864     1157         0          3611     1201
## 4  C03PVPPHOY  80657   64526  629125     6857      4402         13446     7796
## 5  C04J69MUX0 149971 1172498 2399531     1978         0          5194     1734
## 6  C04Q46QKOG 181636  339055 1695274    11446      5680         21832        0
## 7  C069MLDS7X  60881   42617  383550     2658         0         10264        0
## 8  C07VC05Z4R 220838  186863 2225362     4383         0         35845        0
## 9  C0CLKGEG1L  78615   62892  110061     5912         0         23931    11716
## 10 C0DYD1C2G1 174000 1502729  411273     2831         0          8683     2261
##    GROCERIES HEALTH HOUSING   TAX TRAVEL CREDIT_SCORE
## 1       4849    320    3006     0  17893          444
## 2       5224    467   16339  1973  20234          625
## 3       4335    891    2759     0  16072          469
## 4       4547   2068   12619  1675  25038          559
## 5      34814   7513   42658  3941  28167          473
## 6      24778   7429   30650  7889      0          596
## 7       3207   1947    9741  1411  29482          580
## 8      28124   8873       0 11593  62496          596
## 9       8023   2793   20089  2668      0          638
## 10     45891   6001   51602  4333  24098          636

Opis spremenljivk:

INCOME: Skupni dohodek v zadnjih 12 mesecih (v $)
SAVINGS: Skupni prihranki v zadnjih 12 mesecih (v $)
DEBT: Skupni dolg v zadnjih 12 mesecih (v $)
CLOTHING: Skupni izdatki za oblacila v zadnjih 12 mesecih (v $)
EDUCATION: Skupni izdatki za izobrazbo v zadnjih 12 mesecih (v $)
ENTERTAINMENT: Skupni izdatki za zabavo v zadnjih 12 mesecih (v $)
GAMBLING: Skupni izdatki za igre na sreco v zadnjih 12 mesecih (v $)
GROCERIES: Skupni izdatki za nakup zivil v zadnjih 12 mesecih (v $)
HEALTH: Skupni izdatki za zdravje v zadnjih 12 mesecih (v $)
HOUSING: Skupni izdatki za vzdrzevanje nepremicnin v zadnjih 12 mesecih (v $)
TAX: Skupni izdatki za davke v zadnjih 12 mesecih (v $)
TRAVEL: Skupni izdatki za potovanja v zadnjih 12 mesecih (v $)
CREDIT_SCORE: Kreditna ocena (stevilska spremenljivka)
summary(KO)
##    CUST_ID              INCOME          SAVINGS             DEBT        
##  Length:200         Min.   :     0   Min.   :      0   Min.   :      0  
##  Class :character   1st Qu.: 30813   1st Qu.:  60953   1st Qu.:  62869  
##  Mode  :character   Median : 85840   Median : 297188   Median : 390451  
##                     Mean   :120417   Mean   : 416467   Mean   : 720059  
##                     3rd Qu.:174226   3rd Qu.: 626065   3rd Qu.:1016198  
##                     Max.   :557523   Max.   :2738164   Max.   :4983759  
##     CLOTHING       EDUCATION     ENTERTAINMENT      GAMBLING    
##  Min.   :    0   Min.   :    0   Min.   :    0   Min.   :    0  
##  1st Qu.: 1135   1st Qu.:    0   1st Qu.: 3864   1st Qu.:    0  
##  Median : 4359   Median :    0   Median : 9018   Median :    0  
##  Mean   : 6855   Mean   : 2995   Mean   :14166   Mean   : 2317  
##  3rd Qu.:10324   3rd Qu.: 4268   3rd Qu.:24000   3rd Qu.: 1062  
##  Max.   :42342   Max.   :35981   Max.   :57459   Max.   :21462  
##    GROCERIES         HEALTH         HOUSING             TAX       
##  Min.   :  270   Min.   :    0   Min.   :    0.0   Min.   :    0  
##  1st Qu.: 4109   1st Qu.: 1430   1st Qu.:    0.0   1st Qu.:  198  
##  Median : 9988   Median : 3814   Median :  205.5   Median : 2492  
##  Mean   :17947   Mean   : 5269   Mean   :10974.0   Mean   : 4046  
##  3rd Qu.:28026   3rd Qu.: 8002   3rd Qu.:15474.2   3rd Qu.: 6965  
##  Max.   :92156   Max.   :22045   Max.   :78999.0   Max.   :17013  
##      TRAVEL        CREDIT_SCORE  
##  Min.   :     0   Min.   :323.0  
##  1st Qu.:  5602   1st Qu.:552.0  
##  Median : 18953   Median :598.5  
##  Mean   : 32047   Mean   :588.4  
##  3rd Qu.: 45777   3rd Qu.:632.0  
##  Max.   :180840   Max.   :740.0

Predstavitev podatkov:

V vzorcu imam 200 enot. Povprecni letni prihodek znasa 120417 dolarjev, povprecna kreditna ocena pa 588,4. Dolg osebe, ki je najbolj zadolzena znasa 4983759 dolarjev. Polovica enot v vzorcu ima za nakup zivil v povprecju letno 9988 dolarjev izdatkov ali manj, ostale enote pa vec. 75 % enot v vzorcu ima 6965 dolarjev izdatkov za davke letno, ali manj, preostalih 25 % pa vec. V pocprecju imajo za nakup oblek 6855 dolarjev izdatkov letno, za zabavo 14166 dolarjev izdatkov letno. Med tistimi, ki igrajo igre na sreco je letni povrpecni izdatek 2317 dolarjev. Povprecni izdatek za vzdrzevanje nepremicnin znasa 10974 dolarjev letno.

library(psych)
describe(KO[ , -1])
##               vars   n      mean        sd   median   trimmed       mad min
## INCOME           1 200 120417.37 114995.00  85839.5 102709.98  97675.91   0
## SAVINGS          2 200 416467.00 457104.30 297188.5 339424.88 369013.21   0
## DEBT             3 200 720058.62 889889.08 390451.0 548903.33 524556.48   0
## CLOTHING         4 200   6854.60   7657.46   4359.0   5532.84   5403.34   0
## EDUCATION        5 200   2994.83   6356.08      0.0   1475.23      0.00   0
## ENTERTAINMENT    6 200  14166.47  12858.52   9018.5  12566.33   9485.67   0
## GAMBLING         7 200   2316.95   4895.46      0.0    979.24      0.00   0
## GROCERIES        8 200  17947.22  18743.15   9987.5  14883.07  11505.72 270
## HEALTH           9 200   5269.00   4750.89   3813.5   4657.90   4716.15   0
## HOUSING         10 200  10973.97  17778.90    205.5   6869.12    304.67   0
## TAX             11 200   4046.17   4613.24   2491.5   3277.98   3524.88   0
## TRAVEL          12 200  32047.44  36810.42  18953.0  25127.47  28099.72   0
## CREDIT_SCORE    13 200    588.43     64.31    598.5    593.70     57.08 323
##                   max   range  skew kurtosis       se
## INCOME         557523  557523  1.38     1.73  8131.37
## SAVINGS       2738164 2738164  1.94     5.48 32322.15
## DEBT          4983759 4983759  1.74     3.13 62924.66
## CLOTHING        42342   42342  1.68     3.18   541.46
## EDUCATION       35981   35981  3.13    11.32   449.44
## ENTERTAINMENT   57459   57459  1.01     0.24   909.23
## GAMBLING        21462   21462  2.25     4.07   346.16
## GROCERIES       92156   91886  1.44     1.81  1325.34
## HEALTH          22045   22045  1.06     0.71   335.94
## HOUSING         78999   78999  1.94     3.38  1257.16
## TAX             17013   17013  1.14     0.28   326.21
## TRAVEL         180840  180840  1.72     2.90  2602.89
## CREDIT_SCORE      740     417 -0.90     1.70     4.55
#install.packages("car")
library(car)
## Loading required package: carData
## 
## Attaching package: 'car'
## The following object is masked from 'package:psych':
## 
##     logit
fit_1 <- lm(CREDIT_SCORE ~ INCOME + SAVINGS + DEBT + CLOTHING + EDUCATION + ENTERTAINMENT + GAMBLING + GROCERIES + HEALTH + HOUSING + TAX + TRAVEL,
            data = KO)

vif(fit_1)
##        INCOME       SAVINGS          DEBT      CLOTHING     EDUCATION 
##     67.142637      3.988169      3.021540      3.583994      1.520633 
## ENTERTAINMENT      GAMBLING     GROCERIES        HEALTH       HOUSING 
##      5.307978      1.802737      7.517518      5.277835      3.971105 
##           TAX        TRAVEL 
##     14.002378     14.415105
mean(vif(fit_1))
## [1] 10.96264

Opazamo previsoke vif vrednosti (zelimo pod 5, povprecni vif blizu 1)

Metoda glavnih komponent

KO_MGK <- KO[ , c("CLOTHING", "EDUCATION", "ENTERTAINMENT", "GAMBLING", "GROCERIES", "HEALTH", "HOUSING", "TRAVEL")]

library(pastecs)
round(stat.desc(KO_MGK, basic=FALSE), 2)
##                 CLOTHING   EDUCATION ENTERTAINMENT    GAMBLING    GROCERIES
## median           4359.00        0.00       9018.50        0.00      9987.50
## mean             6854.60     2994.83      14166.47     2316.95     17947.22
## SE.mean           541.46      449.44        909.23      346.16      1325.34
## CI.mean.0.95     1067.74      886.28       1792.97      682.62      2613.52
## var          58636747.01 40399782.04  165341527.98 23965541.66 351305803.12
## std.dev          7657.46     6356.08      12858.52     4895.46     18743.15
## coef.var            1.12        2.12          0.91        2.11         1.04
##                   HEALTH      HOUSING       TRAVEL
## median           3813.50       205.50 1.895300e+04
## mean             5269.00     10973.97 3.204744e+04
## SE.mean           335.94      1257.16 2.602890e+03
## CI.mean.0.95      662.46      2479.06 5.132790e+03
## var          22570954.89 316089161.03 1.355007e+09
## std.dev          4750.89     17778.90 3.681042e+04
## coef.var            0.90         1.62 1.150000e+00
R <- cor(KO_MGK)
round(R, 3)
##               CLOTHING EDUCATION ENTERTAINMENT GAMBLING GROCERIES HEALTH
## CLOTHING         1.000     0.162         0.770    0.446     0.472  0.540
## EDUCATION        0.162     1.000         0.087    0.063     0.475  0.303
## ENTERTAINMENT    0.770     0.087         1.000    0.503     0.348  0.497
## GAMBLING         0.446     0.063         0.503    1.000     0.196  0.338
## GROCERIES        0.472     0.475         0.348    0.196     1.000  0.815
## HEALTH           0.540     0.303         0.497    0.338     0.815  1.000
## HOUSING          0.242     0.262         0.240    0.189     0.499  0.449
## TRAVEL           0.706     0.193         0.681    0.379     0.446  0.606
##               HOUSING TRAVEL
## CLOTHING        0.242  0.706
## EDUCATION       0.262  0.193
## ENTERTAINMENT   0.240  0.681
## GAMBLING        0.189  0.379
## GROCERIES       0.499  0.446
## HEALTH          0.449  0.606
## HOUSING         1.000  0.253
## TRAVEL          0.253  1.000

Opazam, da imata spremenljivki “EDUCATION” in “HOUSING” najsibkejse korelacije z ostalimi. Odlocila sem se, da ju vseeno obdrzim, ker imata korelacijski koeficient vecji od 0,3 z dvema spremenljivkama.

library(psych)
cortest.bartlett(R, n = nrow(KO_MGK))
## $chisq
## [1] 836.5746
## 
## $p.value
## [1] 4.352188e-158
## 
## $df
## [1] 28

Nicelna domneva: Populacijska korelacijska matrika je enaka enotski.

Alternativna domneva: Populacijska korelacijska matrika ni enaka enotski.

Zavrnemo H0 pri p < 0,001.

library(psych)
KMO(R)
## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = R)
## Overall MSA =  0.78
## MSA for each item = 
##      CLOTHING     EDUCATION ENTERTAINMENT      GAMBLING     GROCERIES 
##          0.80          0.70          0.81          0.87          0.67 
##        HEALTH       HOUSING        TRAVEL 
##          0.74          0.90          0.85

KMO > 0,5:

V splosnem so podatki ustrezni.

library(FactoMineR)
mgk <- PCA(KO_MGK, 
           scale.unit = TRUE, 
           graph = FALSE)

library(factoextra)
## Loading required package: ggplot2
## 
## Attaching package: 'ggplot2'
## The following objects are masked from 'package:psych':
## 
##     %+%, alpha
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
get_eigenvalue(mgk)
##       eigenvalue variance.percent cumulative.variance.percent
## Dim.1  3.9517249        49.396562                    49.39656
## Dim.2  1.4112604        17.640755                    67.03732
## Dim.3  0.7479192         9.348990                    76.38631
## Dim.4  0.6937224         8.671529                    85.05784
## Dim.5  0.5192853         6.491066                    91.54890
## Dim.6  0.3241262         4.051577                    95.60048
## Dim.7  0.2262054         2.827567                    98.42805
## Dim.8  0.1257563         1.571954                   100.00000

Npr. lastna vrednost prve glavne komponente je 3,95 (Varianca glavne komponente).

library(factoextra)
fviz_eig(mgk, 
         choice = "eigenvalue", 
         main = "Diagram lastnih vrednosti", 
         ylab = "Lastna vrednost", 
         xlab = "Glavna komponenta", 
         addlabels = TRUE)

Prvi vecji prelom je viden pri drugi glavni komponenti, nato se en nekoliko bolj ociten pri tretji.

library(psych)
fa.parallel(KO_MGK, 
            sim = FALSE, 
            fa = "pc")

## Parallel analysis suggests that the number of factors =  NA  and the number of components =  2

Paralelna analiza nam predlaga 2 glavni komponenti. Kaiserjevo pravilo: lastne vrednosti prvih dveh komponent sta visji od povprecne variance zacetnih spremenljivk (1). S prvima dvema glavnima komponentama pojasnimo skoraj 70 % (67,04 %) skupne variance zacetnih spremenljivk. Z zadnjo glavno komponento zajamemo vec kot 5 % skupne variance zacetnih spremenljivk.

library(FactoMineR)
mgk <- PCA(KO_MGK, 
           scale.unit = TRUE, 
           graph = FALSE, 
           ncp = 2)

mgk
## **Results for the Principal Component Analysis (PCA)**
## The analysis was performed on 200 individuals, described by 8 variables
## *The results are available in the following objects:
## 
##    name               description                          
## 1  "$eig"             "eigenvalues"                        
## 2  "$var"             "results for the variables"          
## 3  "$var$coord"       "coord. for the variables"           
## 4  "$var$cor"         "correlations variables - dimensions"
## 5  "$var$cos2"        "cos2 for the variables"             
## 6  "$var$contrib"     "contributions of the variables"     
## 7  "$ind"             "results for the individuals"        
## 8  "$ind$coord"       "coord. for the individuals"         
## 9  "$ind$cos2"        "cos2 for the individuals"           
## 10 "$ind$contrib"     "contributions of the individuals"   
## 11 "$call"            "summary statistics"                 
## 12 "$call$centre"     "mean of the variables"              
## 13 "$call$ecart.type" "standard error of the variables"    
## 14 "$call$row.w"      "weights for the individuals"        
## 15 "$call$col.w"      "weights for the variables"
print(mgk$var$cor)
##                   Dim.1      Dim.2
## CLOTHING      0.8197008 -0.3320611
## EDUCATION     0.3887689  0.6162152
## ENTERTAINMENT 0.7796515 -0.4459972
## GAMBLING      0.5497360 -0.4101831
## GROCERIES     0.7650447  0.4904409
## HEALTH        0.8407553  0.2331526
## HOUSING       0.5269153  0.4446883
## TRAVEL        0.8054846 -0.2479332
print(mgk$var$contrib)
##                   Dim.1     Dim.2
## CLOTHING      17.002941  7.813197
## EDUCATION      3.824691 26.906525
## ENTERTAINMENT 15.382053 14.094739
## GAMBLING       7.647539 11.921981
## GROCERIES     14.811086 17.043793
## HEALTH        17.887619  3.851887
## HOUSING        7.025787 14.012135
## TRAVEL        16.418285  4.355743
library(factoextra)
fviz_pca_var(mgk, 
             repel = TRUE)

Prva glavna komponenta nam pove koliko stroskov imajo posamezniki v splosnem (v posamezni kategoriji/spremenljivki). Druga glavna komponenta predstavlja kontrast. Sama bi ta kontrast opredelila kot med nujnimi (osnovne potrebe) in nenujnimi stroski (zadovoljevanje visjih potreb po Maslowi hierarhiji).

library(factoextra)
fviz_pca_biplot(mgk)

Npr. 115 enota: Oseba, ki ima nadpovrecno visoke stroske. Vecje stroske ima v kategoriji zadovoljevanja visjih potreb (domnevno bogatejsa oseba).

head(mgk$ind$coord)
##        Dim.1      Dim.2
## 1 -1.7432493 -0.2493811
## 2 -0.9260837 -0.4327685
## 3 -1.7559123 -0.2131337
## 4 -0.2824871 -0.6051872
## 5  0.3151893  1.3934870
## 6  0.7076823  0.8288742
mgk$ind$coord[115, ]
##     Dim.1     Dim.2 
##  7.192568 -4.198419
KO_MGK_std <- scale(KO_MGK)
KO_MGK_std[115, ]
##      CLOTHING     EDUCATION ENTERTAINMENT      GAMBLING     GROCERIES 
##     4.6343545    -0.4711755     3.3668366     3.8033290     1.2952879 
##        HEALTH       HOUSING        TRAVEL 
##     2.3898681    -0.6172467     4.0421309
KO$GK1 <- mgk$ind$coord[ , 1]
KO$GK2 <- mgk$ind$coord[ , 2]

head(KO, 6)
##      CUST_ID INCOME SAVINGS    DEBT CLOTHING EDUCATION ENTERTAINMENT GAMBLING
## 1 C02COQEVYU  33269       0  532304     1889         0          3068     1313
## 2 C02OZKC0ZF  77158   91187  315648     5818         0         17244        0
## 3 C03FHP2D0A  30917   21642  534864     1157         0          3611     1201
## 4 C03PVPPHOY  80657   64526  629125     6857      4402         13446     7796
## 5 C04J69MUX0 149971 1172498 2399531     1978         0          5194     1734
## 6 C04Q46QKOG 181636  339055 1695274    11446      5680         21832        0
##   GROCERIES HEALTH HOUSING  TAX TRAVEL CREDIT_SCORE        GK1        GK2
## 1      4849    320    3006    0  17893          444 -1.7432493 -0.2493811
## 2      5224    467   16339 1973  20234          625 -0.9260837 -0.4327685
## 3      4335    891    2759    0  16072          469 -1.7559123 -0.2131337
## 4      4547   2068   12619 1675  25038          559 -0.2824871 -0.6051872
## 5     34814   7513   42658 3941  28167          473  0.3151893  1.3934870
## 6     24778   7429   30650 7889      0          596  0.7076823  0.8288742
cor(x = KO$GK1, y = KO$GK2)
## [1] -3.776279e-16

REGRESIJA

fit_2 <- lm(CREDIT_SCORE ~ SAVINGS + DEBT + TAX + GK1 + GK2, 
            data = KO)

vif(fit_2)
##  SAVINGS     DEBT      TAX      GK1      GK2 
## 2.732788 2.520025 4.325845 7.000783 1.391813

Vif vrednosti so se od prvotne ocene bistveno znizale, GK1 pa je se vedno visja od 5. Ce bi obdrzali spremenljivko “INCOME”, bi bile se precej visje (vif od “INCOME” bi znasal 22,06 in od GK1 17,97).

mean(vif(fit_2))
## [1] 3.594251

Povprecni vif je se vedno visok (tvegamo tezave pri ocenjevanju modela). Kljub temu nadaljujem z regresijo.

KO$StdOstanki <- rstandard(fit_2)
KO$StdOcenVred <- scale(fit_2$fitted.values)

library(ggplot2)
ggplot(KO, aes(y = StdOstanki, x = StdOcenVred)) + 
  theme_bw() +
  geom_point() + 
  ylab("Standardizirani ostanki") + 
  xlab("Standardizirane ocene vrednosti")

Linearnost je izpolnjena. Za preverjanje heteroskedacnosti bomo uporabili Breusch Paganov preizkus.

#install.packages("olsrr")
library(olsrr)
## 
## Attaching package: 'olsrr'
## The following object is masked from 'package:datasets':
## 
##     rivers
ols_test_breusch_pagan(fit_2)
## 
##  Breusch Pagan Test for Heteroskedasticity
##  -----------------------------------------
##  Ho: the variance is constant            
##  Ha: the variance is not constant        
## 
##                   Data                   
##  ----------------------------------------
##  Response : CREDIT_SCORE 
##  Variables: fitted values of CREDIT_SCORE 
## 
##          Test Summary          
##  ------------------------------
##  DF            =    1 
##  Chi2          =    6.810853 
##  Prob > Chi2   =    0.009060545

Ker je p-vrednost vecja od 0,001 ne moremo zavrniti H0 - predpostavljamo konstantnost variance (p-vrednost je zelo nizka, ampak sem vzela nanjnizjo stopnjjo znacilnosti 0.001 in predpostavljala, da heteroskedasticnost ni prisotna).

head(KO[order(KO$StdOstanki), c("CUST_ID", "StdOstanki")], 6)
##        CUST_ID StdOstanki
## 176 C6MQ5N5QNN  -3.993623
## 119 C4S93WITPG  -2.995551
## 169 C6I55CJD5C  -2.955102
## 136 C5FNC1DMDV  -2.921936
## 49  C1TMB5NMB4  -2.879894
## 131 C56HT93U17  -2.415147
KO$CooksD <- cooks.distance(fit_2)
head(KO[order(-KO$CooksD), c("CUST_ID", "CooksD")], 10)
##        CUST_ID     CooksD
## 117 C4Q5IYMJW4 0.12667681
## 79  C373C9WCQB 0.11017850
## 131 C56HT93U17 0.08905586
## 52  C1VY8O3SPZ 0.08553161
## 68  C2QDTLDUW3 0.05913303
## 176 C6MQ5N5QNN 0.04414630
## 145 C5NPA62PUQ 0.03182890
## 88  C3H8GW7C04 0.03113214
## 157 C61V6QHXW7 0.02343905
## 62  C29N1DWJXJ 0.02329270
KO <- KO[c(-176, -117, -79), ]

Odstranimo enote z visokim vplivom in osamelce.

fit_3 <- lm(CREDIT_SCORE ~ SAVINGS + DEBT + TAX + GK1 + GK2, 
            data = KO)

summary(fit_3)
## 
## Call:
## lm(formula = CREDIT_SCORE ~ SAVINGS + DEBT + TAX + GK1 + GK2, 
##     data = KO)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -166.586  -25.082    5.912   34.050  104.394 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  6.014e+02  1.063e+01  56.580  < 2e-16 ***
## SAVINGS      2.806e-05  1.395e-05   2.010   0.0458 *  
## DEBT        -5.485e-05  6.551e-06  -8.373 1.18e-14 ***
## TAX          3.861e-03  1.650e-03   2.340   0.0203 *  
## GK1          1.026e+01  4.842e+00   2.118   0.0355 *  
## GK2          1.473e+00  3.601e+00   0.409   0.6831    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 51.07 on 191 degrees of freedom
## Multiple R-squared:  0.3125, Adjusted R-squared:  0.2945 
## F-statistic: 17.37 on 5 and 191 DF,  p-value: 3.705e-14

Multuple R-squared: Pove nam, koliko procentov variabilnosti odvisne spremenljivke (CREDIT_SCORE) smo uspeli pojasniti z linearnim vplivom pojasnevalnih spremenljivk (SAVINGS, DEBT, TAX, GK1, GK2). 31 % variabilnosti Kreditne ocene smo uspeli pojasniti z linearnim vplivom: SAVINGS, DEBT, TAX, GK1 in GK2.

F-statistics: Preverjamo, ce smo z modelom odkrili linearno povezanost med kreditno oceno in pojasnevalnimi spremenljivkami. Ker je p - vrednost v tem primeru < 0,001, sem z modelom uspela pojasniti vsaj nekaj linearne povezanosti (vsaj z eno pojasnevalno spremenljivko).

Vse spremenljivke so statisticno znacilne, razen spremenljivke GK2 (zato je ne razlagamo).

SAVINGS: Ce se prihranki povecajo za 1 dolar, se kreditna ocena v povprecju poveca za 2,806e-05 pri ostalih nespremenjenih pojasnevalnih spremenljivkah.

DEBT: Ce se dolg poveca za 1 dolar, se kreditna ocena v povprecju zmanjsa za -5,485e-05, pri ostalih nespremenjenih pojasnevalnih spremenljivkah.

TAX: Ce se davki povecajo za 1 dolar, se kreditna ocena v povprecju poveca za 3,861e-03, pri ostalih nespremenjenih pojasnevalnih spremenljivkah.

GK1: Vec kot ima posameznik stroskov v kategoriji splosnih potreb, boljsa je v povprecju njihova kreditna ocena, ob predpostavki, da so ostale spremenljivke nespremenjene.