Kapitel 6 & 7

Erik & Tobbe

require(mosaic)

Prob 6.01

D

Prob 6.02

1

• Response: salary
• Explanatory: sex

2

• Response: salary
• Explanatory: years.experience

3

• Response: promoted
• Explanatory: race

4

• Response: laid.off
• Explanatory: age

Prob 7.01

a)

• Intercept: 3
• z coef: 17
• y coef: 4
• x coef: -7

b)

• Intercept: 1.22
• educ coef: 0.27
• age coef: 0.12
• age:educ coef: -0.04

c)

• Intercept: 8
• colorRed coef: 3
• colorBlue coef: -4

Prob 7.05

cps = fetchData("CPS85")

a)

32

mm(age ~ married, data = cps)

Groupwise Model Call:
age ~ married

Coefficients:
Married   Single  
   39.2     32.3  

b)

C

c)

65

mm(time ~ sex, data = SwimRecords)

Groupwise Model Call:
time ~ sex

Coefficients:
   F     M  
65.2  54.7  

d)

42 (oktober)

ut = fetchData("utilities.csv")

Retrieving from http://www.mosaic-web.org/go/datasets/utilities.csv

mm(ccf ~ factor(month), data = ut)

Groupwise Model Call:
ccf ~ factor(month)

Coefficients:
     1       2       3       4       5       6       7       8       9  
192.00  194.38  129.75   78.38   50.38   13.89    9.33   11.67   15.44  
    10      11      12  
 42.12  103.22  191.12  

Prob 7.10

i)

B eller E; E för att värdet inte finns med på grafen; B för att modellen skulle haft 8.5 som värde i den punkten om man förlängde linjen

ii)

A

iii)

E; Residualerna är skillnaden mellan modellvärdet och det faktiska värdet. I grafen ser man att dessa har enorm spridning.

Prob 7.11

a)

-0.2599

swim = fetchData("swim100m.csv")

Retrieving from http://www.mosaic-web.org/go/datasets/swim100m.csv

lm(time ~ year, data = swim)

Call:
lm(formula = time ~ year, data = swim)

Coefficients:
(Intercept)         year  
     567.24        -0.26  

b)

-0.3240

lm(time ~ year * sex, data = swim)

Call:
lm(formula = time ~ year * sex, data = swim)

Coefficients:
(Intercept)         year         sexM    year:sexM  
    697.301       -0.324     -302.464        0.150  

c)

-0.174

lm(time ~ year * sex, data = swim)

Call:
lm(formula = time ~ year * sex, data = swim)

Coefficients:
(Intercept)         year         sexM    year:sexM  
    697.301       -0.324     -302.464        0.150  

0.1499 - 0.324

[1] -0.1741

Prob 7.14

a)

A; Eftersom ju högre åldern blir desto lägre blir hastigheten

b)

A; Denna koefficienten påverkar bara intercept-värdet beroende av kön. Eftersom kvinnor har lägre hastiget i ålder 0 så måste den vara negativ (eftersom man jämför med männen)

c)

C; Interaktionen mellan kvinna och ålder ger en mer utplanad lutning. Beroende på åldern så har ju kvinnor högre eller lägre hastighet. Men modellen för kvinnor har en svagare lutning. Eftersom lutningen är negativ (Y minskar när X ökar) så måste koefficienten vara positiv, så att den alltså planar ut (minskar) lutningen.