Эконометрика, 2022-2023
ОП “Экономика”, НИУ ВШЭ, г. Санкт-Петербург
Команда 4
Дискриминация на рынке аренды жилья: как наличие животных влияет на цену съемной квартиры?
Подготовка к работе ==========================================================
Загрузка пакетов
Общая тема графиков
theme_set(theme_light())Загрузка исходного датафрейма и подготовка данных
arenda <- read_excel("arenda_chernovie.xlsx", sheet = "Аренда")Формирование выборки пропорционально численности населения по районам
set.seed(23)
arenda <- arenda %>% rename(price = Цена, price_ln = "Цена ln", rooms = "Количество комнат", district = Район, to_metro = "Удаленность от метро", adress = Адрес, square = "Общая площадь", floor = "Этаж", tot_floors = "Высота дома", house_type = "Тип дома", parking = "Парковка", repair_type = "Ремонт", animals = "Можно с животными", metro = Метро, kids = "Можно с детьми", dop = "Дополнительно", lavatory = "Количество санузлов")
arenda_pop <- read_excel("arenda_chernovie.xlsx",
sheet = "Численость населения",
range = "A1:B13")
spb_pop <- sum(arenda_pop$population)
arenda_pop$prop <- round(arenda_pop$population/spb_pop, 2)
arenda_pop$area <- str_split_fixed(arenda_pop$area, " ", 2)[1:length(arenda_pop$area),1]ar_samp <- tibble()
for (i in arenda_pop$area) {
ar_i <- filter(arenda, district == i)
samp <- sample_frac(ar_i, size = 5*filter(arenda_pop, area == i)[,3][[1]])
ar_samp <- rbind(ar_samp, samp)
}Итоговый датафрейм
write.csv(ar_samp, "arenda_sample.csv")
#ar_samp <- read_excel("arenda_sample.xlsx")
#cols = c('rooms', colnames(ar_samp[8:15]))
#ar_samp = ar_samp %>% mutate_at(cols, as.factor)
ar_samp$square <- as.numeric(ar_samp$square)
ar_samp$price_ln <- as.numeric(ar_samp$price_ln)Разведанализ данных
cols = c('rooms', colnames(ar_samp[8:15]))
ar_samp = ar_samp %>% mutate_at(cols, as.factor)
animals1 <- filter(ar_samp, ar_samp$animals == 1)
animals0 <- filter(ar_samp, ar_samp$animals == 0)summary(ar_samp)## price price_ln rooms district
## Min. : 15000 Min. : 9.616 1:484 Length:979
## 1st Qu.: 27000 1st Qu.:10.204 2:333 Class :character
## Median : 35000 Median :10.463 3:121 Mode :character
## Mean : 48198 Mean :10.591 4: 32
## 3rd Qu.: 52000 3rd Qu.:10.859 5: 5
## Max. :400000 Max. :12.899 6: 4
##
## metro to_metro adress square
## Length:979 Min. : 1.00 Length:979 40 : 50
## Class :character 1st Qu.: 6.00 Class :character 35 : 40
## Mode :character Median : 9.00 Mode :character 45 : 33
## Mean :10.81 38 : 31
## 3rd Qu.:14.00 60 : 31
## Max. :81.00 42 : 28
## (Other):766
## floor tot_floors house_type parking
## 2 :107 9 :124 Блочный : 6 0:579
## 4 :102 5 :120 Кирпичный :323 1:400
## 3 : 95 25 : 75 Монолитно-кирпичный:169
## 5 : 94 10 : 64 Монолитный :284
## 6 : 66 16 : 64 Панельный :192
## 8 : 61 12 : 60 Сталинский : 5
## (Other):454 (Other):472
## repair_type Без ремонта Дизайнерский Евроремонт Косметический
## Без ремонта : 7 0:972 0:788 Min. :0.0000 Min. :0.0000
## Дизайнерский :191 1: 7 1:191 1st Qu.:0.0000 1st Qu.:0.0000
## Евроремонт :492 Median :1.0000 Median :0.0000
## Косметический:289 Mean :0.5026 Mean :0.2952
## 3rd Qu.:1.0000 3rd Qu.:1.0000
## Max. :1.0000 Max. :1.0000
##
## lavatory kids animals dop
## Min. :1.000 Min. :0.0000 Min. :0.0000 Length:979
## 1st Qu.:1.000 1st Qu.:0.0000 1st Qu.:0.0000 Class :character
## Median :1.000 Median :1.0000 Median :0.0000 Mode :character
## Mean :1.107 Mean :0.5781 Mean :0.2114
## 3rd Qu.:1.000 3rd Qu.:1.0000 3rd Qu.:0.0000
## Max. :5.000 Max. :1.0000 Max. :1.0000
## Исследование на выбросы
for (i in arenda_pop$area) {
ar_i <- filter(ar_samp, district == i)
print(i)
boxplot(ar_i$price,
ylab = "Цена",
main = "Боксплот для цены съемного жилья")
out <- boxplot.stats(ar_i$price)$out
print(out, collapse = ", ")
out_ind <- which(ar_i$price %in% c(out))
print(ar_i[out_ind, ])
}## [1] "Адмиралтейский"
## [1] 230000 200000 180000 200000 200000
## # A tibble: 5 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 230000 12.3 4 Адмира… м. А… 5 Санкт… 245 3 5 Моноли…
## 2 200000 12.2 3 Адмира… м. Б… 5 Санкт… 198.6 7 8 Моноли…
## 3 180000 12.1 2 Адмира… м. С… 5 Санкт… 160 1 6 Кирпич…
## 4 200000 12.2 3 Адмира… м. Г… 10 Санкт… 197 7 8 Моноли…
## 5 200000 12.2 2 Адмира… м. А… 8 Санкт… 75 1 7 Моноли…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Василеостровский"
## [1] 150000 149000
## # A tibble: 2 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 150000 11.9 4 Василе… м. П… 20 Санкт… 100 6 11 Моноли…
## 2 149000 11.9 4 Василе… м. В… 21 Санкт… 120 9 9 Моноли…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Выборгский"
## [1] 230000 120000 150000 150000 135000 130000 240000 225000 140000 100000
## [11] 130000
## # A tibble: 11 × 21
## price price_ln rooms district metro to_me…¹ adress square floor tot_f…²
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct>
## 1 230000 12.3 4 Выборгский м. Площ… 5 Санкт… 160 14 21
## 2 120000 11.7 4 Выборгский м. Удел… 16 Санкт… 180 16 16
## 3 150000 11.9 3 Выборгский м. Площ… 10 Санкт… 120 9 18
## 4 150000 11.9 2 Выборгский м. Площ… 9 Санкт… 108.5 19 22
## 5 135000 11.8 3 Выборгский м. Озер… 24 Санкт… 136 1 4
## 6 130000 11.8 4 Выборгский м. Площ… 9 Санкт… 130 14 16
## 7 240000 12.4 5 Выборгский м. Парн… 5 Санкт… 280 1 4
## 8 225000 12.3 4 Выборгский м. Площ… 5 Санкт… 160 15 16
## 9 140000 11.8 4 Выборгский м. Горь… 17 Санкт… 140 14 18
## 10 100000 11.5 2 Выборгский м. Площ… 9 Санкт… 75 12 18
## 11 130000 11.8 4 Выборгский м. Площ… 15 Санкт… 130 14 16
## # … with 11 more variables: house_type <fct>, parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹to_metro, ²tot_floors
## [1] "Калининский"
## [1] 115000 55000 60000 65000 65000 63000 80000 55000
## # A tibble: 8 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 115000 11.7 3 Калини… м. П… 4 Санкт… 130 2 15 Моноли…
## 2 55000 10.9 2 Калини… м. А… 11 Санкт… 68 7 21 Моноли…
## 3 60000 11.0 2 Калини… м. А… 5 Санкт… 50.9 5 12 Кирпич…
## 4 65000 11.1 3 Калини… м. А… 15 Санкт… 67 1 9 Моноли…
## 5 65000 11.1 3 Калини… м. А… 8 Санкт… 100 18 22 Моноли…
## 6 63000 11.1 3 Калини… м. П… 7 Санкт… 72.4 3 9 Моноли…
## 7 80000 11.3 4 Калини… м. А… 8 Санкт… 136 7 21 Моноли…
## 8 55000 10.9 3 Калини… м. Л… 9 Санкт… 84 10 24 Моноли…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Кировский"
## [1] 55000 130000 65000 70000
## # A tibble: 4 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 55000 10.9 4 Кировс… м. П… 9 Санкт… 129.9 16 26 Моноли…
## 2 130000 11.8 5 Кировс… м. П… 5 Санкт… 140 5 6 Кирпич…
## 3 65000 11.1 3 Кировс… м. К… 12 Санкт… 105 4 5 Кирпич…
## 4 70000 11.2 3 Кировс… м. П… 23 Санкт… 95 4 17 Моноли…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Красногвардейский"
## [1] 90000 94000 85000 100000
## # A tibble: 4 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 90000 11.4 2 Красно… м. П… 28 Санкт… 78 6 17 Моноли…
## 2 94000 11.5 2 Красно… м. Н… 5 Санкт… 75 6 8 Кирпич…
## 3 85000 11.4 4 Красно… м. Н… 11 Санкт… 140 8 16 Моноли…
## 4 100000 11.5 2 Красно… м. Н… 12 Санкт… 75 6 8 Моноли…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Московский"
## [1] 200000 135000 140000
## # A tibble: 3 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 200000 12.2 6 Москов… м. Э… 12 Санкт… 184 1 17 Моноли…
## 2 135000 11.8 3 Москов… м. Э… 2 Санкт… 97 6 13 Моноли…
## 3 140000 11.8 4 Москов… м. П… 10 Санкт… 120 17 22 Моноли…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Невский"
## [1] 65000 55000 70000 58000 55000 45000 70000 80000 50000 50000
## # A tibble: 10 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 65000 11.1 2 Невский м. Е… 15 Санкт… 65 18 19 Моноли…
## 2 55000 10.9 3 Невский м. Е… 7 Санкт… 81 3 5 Моноли…
## 3 70000 11.2 3 Невский м. У… 3 Санкт… 70 6 24 Моноли…
## 4 58000 11.0 3 Невский м. Е… 6 Санкт… 81 3 5 Моноли…
## 5 55000 10.9 2 Невский м. Л… 15 Санкт… 57 11 23 Моноли…
## 6 45000 10.7 2 Невский м. О… 5 Санкт… 52 31 36 Моноли…
## 7 70000 11.2 2 Невский м. П… 13 Санкт… 82 10 17 Кирпич…
## 8 80000 11.3 2 Невский м. Е… 10 Санкт… 55.8 16 18 Моноли…
## 9 50000 10.8 2 Невский м. Е… 9 Санкт… 71 16 25 Моноли…
## 10 50000 10.8 2 Невский м. У… 20 Санкт… 58.5 17 23 Моноли…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Петроградский"
## [1] 300000 220000 350000
## # A tibble: 3 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 300000 12.6 6 Петрог… м. К… 5 Санкт… 413 5 9 Кирпич…
## 2 220000 12.3 3 Петрог… м. К… 3 Санкт… 180 2 7 Кирпич…
## 3 350000 12.8 5 Петрог… м. К… 5 Санкт… 220 6 8 Кирпич…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Приморский"
## [1] 95000 200000 150000 100000 190000 115000 180000 100000 130000 103000
## # A tibble: 10 × 21
## price price_ln rooms district metro to_me…¹ adress square floor tot_f…²
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct>
## 1 95000 11.5 3 Приморский м. Бего… 24 Санкт… 83 4 12
## 2 200000 12.2 3 Приморский м. Черн… 5 Санкт… 99.6 3 5
## 3 150000 11.9 2 Приморский м. Черн… 12 Санкт… 110 15 17
## 4 100000 11.5 2 Приморский м. Бего… 10 Санкт… 68 2 3
## 5 190000 12.2 3 Приморский м. Черн… 11 Санкт… 180 1 4
## 6 115000 11.7 2 Приморский м. Бего… 20 Санкт… 67.7 7 10
## 7 180000 12.1 2 Приморский м. Бего… 13 Санкт… 72 2 8
## 8 100000 11.5 2 Приморский м. Бего… 10 Санкт… 49 1 8
## 9 130000 11.8 2 Приморский м. Бего… 15 Санкт… 75 2 3
## 10 103000 11.5 2 Приморский м. Черн… 9 Санкт… 70 14 20
## # … with 11 more variables: house_type <fct>, parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹to_metro, ²tot_floors
## [1] "Фрунзенский"
## [1] 60000 120000 95000 60000 60000
## # A tibble: 5 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 60000 11.0 2 Фрунзе… м. П… 2 Санкт… 57 2 14 Моноли…
## 2 120000 11.7 3 Фрунзе… м. О… 5 Санкт… 120 7 7 Кирпич…
## 3 95000 11.5 4 Фрунзе… м. О… 3 Санкт… 124 5 5 Кирпич…
## 4 60000 11.0 1 Фрунзе… м. О… 11 Санкт… 50.5 5 10 Моноли…
## 5 60000 11.0 3 Фрунзе… м. К… 13 Санкт… 70 10 10 Панель…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_type
## [1] "Центральный"
## [1] 320000 350000 400000 400000
## # A tibble: 4 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 320000 12.7 4 Центра… м. Ч… 5 Санкт… 130 4 11 Моноли…
## 2 350000 12.8 4 Центра… м. А… 5 Санкт… 200 6 6 Кирпич…
## 3 400000 12.9 6 Центра… м. Ч… 5 Санкт… 329 4 4 Моноли…
## 4 400000 12.9 4 Центра… м. Ч… 5 Санкт… 157 8 11 Кирпич…
## # … with 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_typeВыбросы целиком по выборке
boxplot(ar_samp$price,
ylab = "Ценя",
main = "Боксплот для цены съемного жилья")
out <- boxplot.stats(ar_samp$price)$out
print(out, collapse = ", ")## [1] 130000 230000 95000 200000 180000 90000 200000 200000 120000 90000
## [11] 150000 130000 90000 99999 150000 90000 90000 130000 100000 93000
## [21] 90000 149000 230000 120000 150000 150000 90000 135000 130000 240000
## [31] 225000 140000 100000 130000 115000 130000 90000 94000 100000 200000
## [41] 135000 140000 120000 300000 150000 100000 120000 220000 100000 350000
## [51] 100000 110000 95000 100000 150000 95000 200000 150000 100000 190000
## [61] 90000 115000 180000 100000 130000 103000 120000 95000 125000 225000
## [71] 180000 120000 230000 114900 95000 230000 200000 120000 320000 150000
## [81] 120000 125000 350000 130000 400000 170000 100000 140000 400000 130000 out_ind <- which(ar_samp$price %in% c(out))
print(ar_samp[out_ind, ])## # A tibble: 90 × 21
## price price…¹ rooms distr…² metro to_me…³ adress square floor tot_f…⁴ house…⁵
## <dbl> <dbl> <fct> <chr> <chr> <dbl> <chr> <fct> <fct> <fct> <fct>
## 1 1.3e5 11.8 2 Адмира… м. С… 5 Санкт… 82 6 6 Кирпич…
## 2 2.3e5 12.3 4 Адмира… м. А… 5 Санкт… 245 3 5 Моноли…
## 3 9.5e4 11.5 3 Адмира… м. А… 15 Санкт… 190 2 4 Кирпич…
## 4 2 e5 12.2 3 Адмира… м. Б… 5 Санкт… 198.6 7 8 Моноли…
## 5 1.8e5 12.1 2 Адмира… м. С… 5 Санкт… 160 1 6 Кирпич…
## 6 9 e4 11.4 3 Адмира… м. А… 10 Санкт… 86 2 6 Кирпич…
## 7 2 e5 12.2 3 Адмира… м. Г… 10 Санкт… 197 7 8 Моноли…
## 8 2 e5 12.2 2 Адмира… м. А… 8 Санкт… 75 1 7 Моноли…
## 9 1.2e5 11.7 4 Адмира… м. А… 5 Санкт… 120 1 3 Кирпич…
## 10 9 e4 11.4 2 Адмира… м. З… 3 Санкт… 120 3 7 Моноли…
## # … with 80 more rows, 10 more variables: parking <fct>, repair_type <fct>,
## # `Без ремонта` <fct>, Дизайнерский <fct>, Евроремонт <dbl>,
## # Косметический <dbl>, lavatory <dbl>, kids <dbl>, animals <dbl>, dop <chr>,
## # and abbreviated variable names ¹price_ln, ²district, ³to_metro,
## # ⁴tot_floors, ⁵house_typeДо удаления sd была большой, удалили выбросы >200 000, осталось 960 наблюдений
sd(ar_samp$price)## [1] 41650.47ar_samp <- ar_samp %>% filter(price < 200000)
sd(ar_samp$price)## [1] 27263.02Распределение стоимости аренды
sd(ar_samp$price)## [1] 27263.02mean(ar_samp$price)## [1] 43833.19plot(ar_samp$price, dnorm(ar_samp$price, mean = mean(ar_samp$price), sd = sd(ar_samp$price)))
Описательные статистики
ar_samp <- read_excel("arenda_sample.xlsx")
ar_samp <- ar_samp %>% filter(price < 200000)
names(ar_samp)[names(ar_samp) == 'to_metro'] <- 'tometro'
ar_samp$animals <- as.factor(ar_samp$animals)
table_1 <- ar_samp %>%
group_by(animals) %>%
summarise(across(price,
list(mean = mean, median = median, sd = sd, min = min, max = max),
na.rm = TRUE)) %>%
pivot_longer(-animals, names_to = "name", values_to = "value") %>%
separate(name, c("variable", "statistic"), sep = "_") %>%
pivot_wider(names_from = statistic, values_from = value) %>%
arrange(variable, animals)
ar_samp$square <- as.numeric(ar_samp$square)
table_2 <- ar_samp %>%
group_by(animals) %>%
summarise(across(square,
list(mean = mean, median = median, sd = sd, min = min, max = max),
na.rm = TRUE)) %>%
pivot_longer(-animals, names_to = "name", values_to = "value") %>%
separate(name, c("variable", "statistic"), sep = "_") %>%
pivot_wider(names_from = statistic, values_from = value) %>%
arrange(variable, animals)
table_3 <- ar_samp %>%
group_by(animals) %>%
summarise(across(tometro,
list(mean = mean, median = median, sd = sd, min = min, max = max),
na.rm = TRUE)) %>%
pivot_longer(-animals, names_to = "name", values_to = "value") %>%
separate(name, c("variable", "statistic"), sep = "_") %>%
pivot_wider(names_from = statistic, values_from = value) %>%
arrange(variable, animals)
opisatelnaya = rbind(table_1, table_2, table_3)
opisatelnaya = arrange(opisatelnaya, animals)
opisatelnaya## # A tibble: 6 × 7
## animals variable mean median sd min max
## <fct> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0 price 43457. 35000 26827. 15000 190000
## 2 0 square 53.4 45 24.1 16 180
## 3 0 tometro 10.8 9 7.36 1 81
## 4 1 price 45277. 35000 28902. 15000 150000
## 5 1 square 59.1 48.9 31.0 20.4 190
## 6 1 tometro 11.3 10 8.12 1 65names(ar_samp)[names(ar_samp) == 'tometro'] <- 'to_metro'Корреляционная матрица для числовых переменных
ar_samp$square <- as.numeric(ar_samp$square)
ggpairs(ar_samp, columns = c(1, 6, 8))
Графики
ar_samp$animals <- as.factor(ar_samp$animals)
ggplot(ar_samp) +
aes(price, fill = animals) +
geom_histogram(position = 'identity') +
scale_fill_manual(values = c("black", "grey"))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
ggplot(ar_samp, aes (x = price)) + geom_histogram () + labs ( x = "Стоимость аренды", y = "Число квартир") ## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
plot(ar_samp$to_metro, ar_samp$price, xlab = "Расстояние от квартиры до метро", ylab = "Стоимость аренды квартиры")
Регрессионный анализ
model_all = lm(price_ln ~ animals + rooms + district + to_metro + square + floor + house_type + parking + repair_type + lavatory + kids, data = ar_samp)
model_square2 = lm(price_ln ~ animals + rooms + district + to_metro + I(square^2) + floor + house_type + parking + repair_type + lavatory + kids, data = ar_samp)
model_to_metro2 = lm(price_ln ~ animals + rooms + district + I(to_metro^2) + square + floor + house_type + parking + repair_type + lavatory + kids, data = ar_samp)
model_animXrep_wt_animals = lm(price_ln ~ rooms + district + to_metro + square + floor + house_type + parking + repair_type + lavatory + kids + repair_type:animals, data = ar_samp)
model_square2_repXanim = lm(price_ln ~ animals + rooms + district + to_metro + I(square^2) + floor + house_type + parking + repair_type + lavatory + kids + repair_type:animals, data = ar_samp)library(sandwich)
cov_model_all <- vcovHC(model_all, type = "HC0")
cov_model_square2 <- vcovHC(model_square2, type = "HC0")
cov_model_to_metro2 <- vcovHC(model_to_metro2, type = "HC0")
cov_model_animXrep_wt_animals <- vcovHC(model_animXrep_wt_animals, type = "HC0")
cov_model_square2_repXanim <- vcovHC(model_square2_repXanim, type = "HC0")
modelsummary(models = list(model_all, model_square2, model_to_metro2, model_animXrep_wt_animals, model_square2_repXanim),
vcov = list(cov_model_all, cov_model_square2, cov_model_to_metro2, cov_model_animXrep_wt_animals, cov_model_square2_repXanim),
#output = "results.docx",
coef_omit = "rooms|district|floor|house_type|parking|lavatory",
statistic = "std.error",
stars = TRUE,
gof_omit = ".*",
notes = list("В скобках даны робастные стандартные ошибки"),
title = "Результаты оценки")| Model 1 | Model 2 | Model 3 | Model 4 | Model 5 | |
|---|---|---|---|---|---|
| (Intercept) | 9.757*** | 9.945*** | 9.740*** | 9.707*** | 9.929*** |
| (0.200) | (0.212) | (0.200) | (0.389) | (0.405) | |
| animals1 | 0.004 | 0.001 | 0.003 | 0.027 | |
| (0.020) | (0.021) | (0.020) | (0.394) | ||
| to_metro | −0.002* | −0.002* | −0.002* | −0.002* | |
| (0.0009) | (0.001) | (0.0009) | (0.0009) | ||
| square | 0.009*** | 0.009*** | 0.009*** | ||
| (0.0007) | (0.0007) | (0.0007) | |||
| repair_typeДизайнерский | 0.503** | 0.513** | 0.506** | 0.553 | 0.528 |
| (0.178) | (0.181) | (0.177) | (0.379) | (0.392) | |
| repair_typeЕвроремонт | 0.275 | 0.268 | 0.278 | 0.323 | 0.281 |
| (0.175) | (0.179) | (0.174) | (0.378) | (0.390) | |
| repair_typeКосметический | 0.118 | 0.099 | 0.120 | 0.168 | 0.115 |
| (0.173) | (0.177) | (0.172) | (0.377) | (0.390) | |
| kids | −0.033* | −0.026 | −0.032* | −0.033* | −0.026 |
| (0.016) | (0.016) | (0.016) | (0.016) | (0.016) | |
| I(square^2) | 0.00003*** | 0.00003*** | |||
| (0.000005) | (0.000005) | ||||
| I(to_metro^2) | −0.00003* | ||||
| (0.00002) | |||||
| repair_typeБез ремонта × animals1 | 0.091 | ||||
| (0.382) | |||||
| repair_typeДизайнерский × animals1 | −0.004 | ||||
| (0.059) | |||||
| repair_typeЕвроремонт × animals1 | 0.008 | ||||
| (0.028) | |||||
| repair_typeКосметический × animals1 | −0.001 | ||||
| (0.027) | |||||
| animals1 × repair_typeДизайнерский | −0.029 | ||||
| (0.400) | |||||
| animals1 × repair_typeЕвроремонт | −0.019 | ||||
| (0.394) | |||||
| animals1 × repair_typeКосметический | −0.033 | ||||
| (0.394) | |||||
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 | |||||
| В скобках даны робастные стандартные ошибки |