R MARKDOWN
Rmarkdown dosyaları genellikle bir metin gibi girintiler, onun tablo
biçimlendirme, yazı ve başlıkları olarak biçimlendirilir. Paged_table
komutunu çalıştırabilmek için Rmarkdown kullanıyoruz.
library ve require komutları paketleri programda aktifleştirmek için
kullanılır.
library(rmarkdown)
library(wooldridge)
data("discrim")
‘discrim’ veri seti, Fast-Food Zincirleri Bir Bölgenin Irk ve Gelir
Özelliklerine Göre Fiyat Ayrımı Yapıp Yapmadığını Gösteren Verileri
İçerir.
paged_table(discrim)
SUMMARY
Summary fonksiyonu bize özet ve daha açıklayıcı bilgiler verir.
summary(lm(formula= KFC ~ psoda + pfries + pentree + wagest, data=discrim))
##
## Call:
## lm(formula = KFC ~ psoda + pfries + pentree + wagest, data = discrim)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.83246 -0.03111 0.00905 0.07479 0.55480
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.33398 0.16025 2.084 0.0378 *
## psoda -0.03552 0.13624 -0.261 0.7944
## pfries -0.59189 0.11419 -5.183 3.62e-07 ***
## pentree 0.54380 0.01391 39.089 < 2e-16 ***
## wagest -0.05895 0.02587 -2.279 0.0233 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1718 on 364 degrees of freedom
## (41 observations deleted due to missingness)
## Multiple R-squared: 0.8203, Adjusted R-squared: 0.8183
## F-statistic: 415.4 on 4 and 364 DF, p-value: < 2.2e-16
İkinci bir yöntemimiz: $ işareti ile fonksiyon oluşturmak
lm(discrim$KFC ~ discrim$psoda + discrim$pfries + discrim$pentree + discrim$wagest)
##
## Call:
## lm(formula = discrim$KFC ~ discrim$psoda + discrim$pfries + discrim$pentree +
## discrim$wagest)
##
## Coefficients:
## (Intercept) discrim$psoda discrim$pfries discrim$pentree
## 0.33398 -0.03552 -0.59189 0.54380
## discrim$wagest
## -0.05895
STARGAZER
Stargazer çıktıyı güzel tablolara aktarmayı ve bir veya daha fazla
değişkenle karşılaştırmayı sağlar.
model1 <-lm (KFC ~ psoda + pfries + pentree + log(wagest), data= discrim)
model2 <-lm(KFC ~ psoda + pfries + pentree + log(emp), data=discrim)
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=stargazer
stargazer(model1, model2, type = "text" )
##
## =====================================================================
## Dependent variable:
## -------------------------------------------------
## KFC
## (1) (2)
## ---------------------------------------------------------------------
## psoda -0.035 -0.073
## (0.136) (0.128)
##
## pfries -0.592*** -0.554***
## (0.114) (0.108)
##
## pentree 0.544*** 0.515***
## (0.014) (0.015)
##
## log(wagest) -0.276**
## (0.122)
##
## log(emp) -0.086***
## (0.019)
##
## Constant 0.482** 0.342***
## (0.214) (0.119)
##
## ---------------------------------------------------------------------
## Observations 369 381
## R2 0.820 0.838
## Adjusted R2 0.818 0.836
## Residual Std. Error 0.172 (df = 364) 0.163 (df = 376)
## F Statistic 415.310*** (df = 4; 364) 486.551*** (df = 4; 376)
## =====================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
Standardizasyon
Regresyonumuza ölçek ekleyerek standardizasyon yapmış oluruz.
lm(scale(KFC) ~ scale(psoda) + scale(pfries) + scale(pentree) + scale(wagest), data = discrim)
##
## Call:
## lm(formula = scale(KFC) ~ scale(psoda) + scale(pfries) + scale(pentree) +
## scale(wagest), data = discrim)
##
## Coefficients:
## (Intercept) scale(psoda) scale(pfries) scale(pentree) scale(wagest)
## 0.007399 -0.007940 -0.157948 0.881368 -0.051557
Logaritma
Logaritmik regresyon bize fiyatın yüzdelik değerini verir.
lm(KFC ~ log(psoda) + log(pfries) + log(pentree) + wagest, data = discrim)
##
## Call:
## lm(formula = KFC ~ log(psoda) + log(pfries) + log(pentree) +
## wagest, data = discrim)
##
## Coefficients:
## (Intercept) log(psoda) log(pfries) log(pentree) wagest
## 0.38583 0.01523 -0.63889 0.83745 -0.08667
lm fonksiyonumuzun katsayılarının anlamlılık düzeyini görebilmek
için summary komutunu kullanıyoruz.
summary(model1)
##
## Call:
## lm(formula = KFC ~ psoda + pfries + pentree + log(wagest), data = discrim)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.83553 -0.03154 0.00769 0.07548 0.55520
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.48247 0.21351 2.260 0.0244 *
## psoda -0.03488 0.13625 -0.256 0.7981
## pfries -0.59235 0.11419 -5.187 3.55e-07 ***
## pentree 0.54382 0.01391 39.085 < 2e-16 ***
## log(wagest) -0.27566 0.12183 -2.263 0.0242 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1718 on 364 degrees of freedom
## (41 observations deleted due to missingness)
## Multiple R-squared: 0.8203, Adjusted R-squared: 0.8183
## F-statistic: 415.3 on 4 and 364 DF, p-value: < 2.2e-16
psoda değişkeni için t value değeri -0.256’dır. Mutlak değer içinde
bu değer 0.256 olur ve anlamsızdır. H0 kabul edilir.
pfries değişkeni için t value değeri -5.187. Mutlak değerde 5.187
olur bu sonuç anlamlıdır. H0 reddedilir.
wagest değişkeni için t value değeri -2.263. Mutlak değerde 2.263
olur ve bu sonuç da anlamlıdır. h0 reddedilir.
intercept’i yorumlayacak olursak tüm bağımsız değişkenlerin değeri 0
olduğunda, bağımlı değişkenin değerinin 0.48247 olduğudur.
ANOVA
Anova tablosu bize hangi değişkenin daha fazla açıklama gücü
kattığını gösterir. Bunun için ‘car’ paketinden faydalanırız.
library(car)
## Loading required package: carData
anova(model1)
## Analysis of Variance Table
##
## Response: KFC
## Df Sum Sq Mean Sq F value Pr(>F)
## psoda 1 2.072 2.072 70.2364 1.161e-15 ***
## pfries 1 1.867 1.867 63.2901 2.281e-14 ***
## pentree 1 44.925 44.925 1522.5922 < 2.2e-16 ***
## log(wagest) 1 0.151 0.151 5.1201 0.02424 *
## Residuals 364 10.740 0.030
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
pentree değişkeninin bu modelde daha açıklayıcı olduğunu
görüyoruz.
İNTERCEPT
model11 <- lm(formula = KFC ~ psoda + pfries + pentree + wagest, data = discrim)
summary(model11)
##
## Call:
## lm(formula = KFC ~ psoda + pfries + pentree + wagest, data = discrim)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.83246 -0.03111 0.00905 0.07479 0.55480
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.33398 0.16025 2.084 0.0378 *
## psoda -0.03552 0.13624 -0.261 0.7944
## pfries -0.59189 0.11419 -5.183 3.62e-07 ***
## pentree 0.54380 0.01391 39.089 < 2e-16 ***
## wagest -0.05895 0.02587 -2.279 0.0233 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1718 on 364 degrees of freedom
## (41 observations deleted due to missingness)
## Multiple R-squared: 0.8203, Adjusted R-squared: 0.8183
## F-statistic: 415.4 on 4 and 364 DF, p-value: < 2.2e-16
model22 <- lm(formula = KFC ~ psoda + pfries + pentree + wagest -1, data = discrim)
summary(model22)
##
## Call:
## lm(formula = KFC ~ psoda + pfries + pentree + wagest - 1, data = discrim)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.86768 -0.02290 0.01103 0.06496 0.57574
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## psoda 0.10006 0.12025 0.832 0.406
## pfries -0.58656 0.11468 -5.115 5.09e-07 ***
## pentree 0.54783 0.01384 39.586 < 2e-16 ***
## wagest -0.01974 0.01783 -1.107 0.269
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1725 on 365 degrees of freedom
## (41 observations deleted due to missingness)
## Multiple R-squared: 0.8551, Adjusted R-squared: 0.8535
## F-statistic: 538.6 on 4 and 365 DF, p-value: < 2.2e-16
Bu veri setinde pek çok olası bağımlı değişken vardır, yani çeşitli
fast-food ürünlerinin fiyatları. Kilit değişken, yoksulluğun, gelirin,
barınma değerlerinin vb. Bu veriler, David Card ve Alan Krueger
tarafından asgari ücretin istihdam üzerindeki etkilerinin tahminine
ilişkin ünlü bir çalışmada da kullanılmıştır. Myth and Measurement,
1997, Princeton University Press.