odev 1

soru 1

soru ne oldugu

cevap 1

cevabinizi buraya yazin

library(wooldridge)
data("wage1")
head(wage1)

##   wage educ exper tenure nonwhite female married numdep smsa northcen south
## 1 3.10   11     2      0        0      1       0      2    1        0     0
## 2 3.24   12    22      2        0      1       1      3    1        0     0
## 3 3.00   11     2      0        0      0       0      2    0        0     0
## 4 6.00    8    44     28        0      0       1      0    1        0     0
## 5 5.30   12     7      2        0      0       1      1    0        0     0
## 6 8.75   16     9      8        0      0       1      0    1        0     0
##   west construc ndurman trcommpu trade services profserv profocc clerocc
## 1    1        0       0        0     0        0        0       0       0
## 2    1        0       0        0     0        1        0       0       0
## 3    1        0       0        0     1        0        0       0       0
## 4    1        0       0        0     0        0        0       0       1
## 5    1        0       0        0     0        0        0       0       0
## 6    1        0       0        0     0        0        1       1       0
##   servocc    lwage expersq tenursq
## 1       0 1.131402       4       0
## 2       1 1.175573     484       4
## 3       0 1.098612       4       0
## 4       0 1.791759    1936     784
## 5       0 1.667707      49       4
## 6       0 2.169054      81      64

library(wooldridge)
data("ceosal1")

ceosal veri seti

library(rmarkdown)
paged_table(ceosal1)

Ortalama maaş

mean(ceosal1$salary)

## [1] 1281.12

min(ceosal1$salary)

## [1] 223

min(ceosal1$salary)

## [1] 223

mean(ceosal1$roe)

## [1] 17.18421

min(ceosal1$roe)

## [1] 0.5

max(ceosal1$roe)

## [1] 56.3

SEKK 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] 5.896103

SEKK (ikinci yöntem)

lm(wage1$wage ~ wage1$educ)

## 
## Call:
## lm(formula = wage1$wage ~ wage1$educ)
## 
## Coefficients:
## (Intercept)   wage1$educ  
##     -0.9049       0.5414

Oylama Sonuçları

data(vote1)
lm(vote1$voteA ~ vote1$shareA)

## 
## Call:
## lm(formula = vote1$voteA ~ vote1$shareA)
## 
## Coefficients:
##  (Intercept)  vote1$shareA  
##      26.8122        0.4638

Örnek 2,6 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 56.3

aynı 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 2011

İlk 15 CEO için teorik değerler ve artıklar tablosu

Tablo2_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      2011

tablonun 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 - salaryhat

Tablo2_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