\[ yield=\beta_0+\beta_1fertilazer \]
Bu örnekteki, y değişkeni, yield (verim) ve x değişkeni fertilizer (gübre) dir.
Tarım araştırmacısı diğer faktörler sabit tutulurken gübrenin verim üzerindeki etkisi \(\beta_1\) ile ilgilenir.
Hata terimi u, toprak kalitesi, yağış v.b. faktörleri içerir.
library(wooldridge)
data("ceosal1")datalarımı göstermek istiyorum
library(rmarkdown)
paged_table(ceosal1)\[ wage=\beta_0+\beta_1educ+u \] Eğer y değişkeni, wage (ücret) saat başına $ cinsinden , x değişkeni, educ (eğitim) alınan eğitim yılı cinsinden ölçülürse, β1, diğer tüm faktörler sabit tutulurken artı bir yıllık eğitimin saatlik ücret değişimini ölçer.
Bu faktörlerden bazıları, iş deneyimi, doğuştan gelen yetenek, görev süresi, iş ahlakı gibi sayısız diğer şeylerdir.
Bu örnek uygulamasını yaparken R-studio kullanın ve açıklaması için sayfa 33’te bulunan örneği okuyun.
library(wooldridge)
data("ceosal1")ceosal veri seti
library(rmarkdown)
paged_table(ceosal1)Ortalama maaş
mean(ceosal1$salary)## [1] 1281.12En küçük ve en büyük maaş
min(ceosal1$salary)## [1] 223max(ceosal1$salary)## [1] 14822Ortalama özsermaye
mean(ceosal1$roe)## [1] 17.18421En küçük ve en büyük özsermaye
min(ceosal1$roe)## [1] 0.5max(ceosal1$roe)## [1] 56.3SEKK regresyon doğrusu
lm(salary ~ roe, data = ceosal1)##
## Call:
## lm(formula = salary ~ roe, data = ceosal1)
##
## Coefficients:
## (Intercept) roe
## 963.2 18.5##Ücret ve Eğitim
Örneği okuyun (sayfa 34), rstudio ile örneği tekrarlayın, wage1 veri setini kullanın
data(wage1)Ortalama ücret
mean(wage1$wage)## [1] 5.896103SEKK (ikinci yöntem)
lm(wage1$wage ~ wage1$educ)##
## Call:
## lm(formula = wage1$wage ~ wage1$educ)
##
## Coefficients:
## (Intercept) wage1$educ
## -0.9049 0.5414##Oylama Sonuçları ve Kampanya Harcamaları
vote1 veri setini kullanın, örneği sayfa 35’den okuyun, tekrar edin.
data(vote1)
lm(vote1$voteA ~ vote1$shareA)##
## Call:
## lm(formula = vote1$voteA ~ vote1$shareA)
##
## Coefficients:
## (Intercept) vote1$shareA
## 26.8122 0.4638##İlk 15 CEO için teorik değerler ve artıklar tablosu
roe_15 <- ceosal1$roe[1:15]
roe_15## [1] 14.1 10.9 23.5 5.9 13.8 20.0 16.4 16.3 10.5 26.3 25.9 26.8 14.8 22.3 56.3aynı işlemi tablonun ikinci sütunu salary için de yapalım ve adına salary_15 diyelim
salary_15 <- ceosal1$salary[1:15]
salary_15## [1] 1095 1001 1122 578 1368 1145 1078 1094 1237 833 567 933 1339 937 2011Tablo2_2 <- cbind(roe_15, salary_15)
Tablo2_2## roe_15 salary_15
## [1,] 14.1 1095
## [2,] 10.9 1001
## [3,] 23.5 1122
## [4,] 5.9 578
## [5,] 13.8 1368
## [6,] 20.0 1145
## [7,] 16.4 1078
## [8,] 16.3 1094
## [9,] 10.5 1237
## [10,] 26.3 833
## [11,] 25.9 567
## [12,] 26.8 933
## [13,] 14.8 1339
## [14,] 22.3 937
## [15,] 56.3 2011tablonun ilk iki satırını oluşturduk bu iki sütuna üçüncü sütunu yani salaryhat’i eklemeliyiz. Tahmin formülümüzle (betaları bildiğimiz için) üçüncü sütunu ekleyebiliriz.
salaryhat <- 963.191 + 18.501 * roe_15 uhat <- salary_15 - salaryhatTablo2_2 <- cbind(roe_15, salary_15, salaryhat, uhat)
Tablo2_2 ## roe_15 salary_15 salaryhat uhat
## [1,] 14.1 1095 1224.055 -129.055107
## [2,] 10.9 1001 1164.852 -163.851893
## [3,] 23.5 1122 1397.965 -275.964500
## [4,] 5.9 578 1072.347 -494.346902
## [5,] 13.8 1368 1218.505 149.495196
## [6,] 20.0 1145 1333.211 -188.211000
## [7,] 16.4 1078 1266.607 -188.607393
## [8,] 16.3 1094 1264.757 -170.757286
## [9,] 10.5 1237 1157.452 79.548500
## [10,] 26.3 833 1449.767 -616.767286
## [11,] 25.9 567 1442.367 -875.366893
## [12,] 26.8 933 1459.018 -526.017786
## [13,] 14.8 1339 1237.006 101.994196
## [14,] 22.3 937 1375.763 -438.763286
## [15,] 56.3 2011 2004.797 6.202714