Untitled

ornek6:1

## library(wooldridge)

BWGHT

##data(bwght, package = 'wooldridge')

Geçmiş derslerinizden hatırlayacağınız üzere, veri setine önce bir göz gezdiriyoruz. Bu analize başlamak için ilk adımımız. İyi bir veri analisti olmak istiyorsanız öncelik grafikler ve tablolardan geçer

Veriyi tablolaştırmak için kullandığımız yöntemlerden biri rmarkdown paketinin içinde bulunan paged_table komutuydu. Bu komutu ve ne yaptığını hatırlayalım. Veri setinin isminin bwght olduğunu unutmayın.

## library(rmarkdown)

## Veri Seti

## paged_table(bwght)

\[\hat{bwght}= \hat{\beta }_0 + \hat{\beta }_1 \cdot cigs + \hat{\beta }_2 faminc \] Matematiksel modellerinizi aşağıdaki örnekte olduğu gibi dolar işaretlerinin arasında Rmarkdow sayfanıza yazarsanız üst taraftaki gibi bir görüntü elde edebilirsiniz. Beta ve şapka işaretleri yapmak için latex’te hangi komutlar girildiğini aşağıdaki örnekten inceleyin.\[\hat{bwght}= \hat{\beta }_0 + \hat{\beta }_1 \cdot cigs + \hat{\beta }_2 faminc \]

## lm(bwght ~ cigs + faminc, data = bwght)

İkinci yöntem: lm komutunun içine hangi datadan verileri aldığımızı ($) işaretiyle belirtmek.

## lm(bwght$bwght ~ bwght$cigs + bwght$faminc)

İki yöntemde bize sonuçları verdi. Tekrar kitabınıza dönüp ilgili bölümü okuyun. (185. sayfa)

İkinci regresyon (1) Doğum ağırlıklarını ons yerine pound cinsinden ölçtüğünüzde ne değişir?

Bu soruyu cevaplamak içib ons cinsinden olan bgwht değişkenini pound’a çevirmeliyiz. Önce ons’un pound’a nasıl çevrildiğini hatırlayalım.

google’a ons’un tanımı yazarsanız, bir poundun, on altıda biri olduğunu bulursunuz.

İkinci regresyon (2) kitabınızda bulunan veri adlarını aynı tutmak için bwghtlbs adıyla bir değişken oluşturalım, bu değişken de bwght veri setinin içinde olsun ve bwght değişkenini kullanarak pound cinsinden yeni bir değişken elde edelim bwght\(bwghtlbs <- bwght\)bwght / 16

İkinci regresyon (3) bu değişkeni kullanarak ikinci regresyonumuzu kuralım ve bağımlı değişkende meydana gelen ölçü birimi değişimin sonuçları nasıl etkilediğini gözlemleyelim. lm(bwght\(bwghtlbs ~ bwght\)cigs + bwght$faminc)

Call: lm(formula = bwght\(bwghtlbs ~ bwght\)cigs + bwght$faminc)

Coefficients: (Intercept) bwght\(cigs bwght\)faminc
7.310883 -0.028963 0.005798
İkinci regresyon (4) Aynı regresyon I() operatörü kullanılarak yapılabilir.

Yeni bir değişken yaratmaya gerek kalmadan, I() operatörüyle regresyon içerisinde matematiksel işlem yapabilirsiniz.

## lm(I(bwght/16) ~ cigs + faminc, data = bwght)

bu değişkeni kullanarak ikinci regresyonumuzu kuralım ve bağımlı değişkende meydana gelen ölçü birimi değişimin sonuçları nasıl etkilediğini gözlemleyelim

##lm(bwght$bwghtlbs ~ bwght$cigs + bwght$faminc)

##Aynı regresyon I() operatörü kullanılarak yapılabilir.

Yeni bir değişken yaratmaya gerek kalmadan, I() operatörüyle regresyon içerisinde matematiksel işlem yapabilirsiniz.

## lm(I(bwght/16) ~ cigs + faminc, data = bwght)

Kitabınızın 6. bölümü ölçü birimlerini değiştirdiğimizde, regresyon sonuçlarının nasıl değişebileceğini anlatıyor.

Bu amaçla kitabınızın 6. bölümünün 6.1 numaralı tablosunu tekrar oluşturuyoruz.

Tablo 6.1’in son regresyonu, bağımsız değişkenlerden biri olan cigs (hamilelik süresince anne tarafından içilen günlük sigara sayısı) değişkenini, packs (hamilelik süresince anne tarafından içilen günlük paket sayısı) değişkinine çevirelim ve regresyona koyalım. Sonuç sizce nasıl değişir.

Geçen seneden hatırlayacağınız üzere üç regresyon modelimize isim verebiliyorduk. Aslında baştan modellere isim verseydik tablolaştırmak daha kolay olacaktı.

## model_1<- lm(bwght ~ cigs + faminc, data = bwght)
## model_2<- lm(I(bwght/16) ~ cigs + faminc, data = bwght)
## model_3<- lm(bwght ~ I(cigs/20) + faminc, data = bwght)

##stargazer paketini yükleyin

##library(stargazer)

## stargazer(list(model_1,model_2,model_3), type = "text")