(!) Çöp fırınının konumunun ev fiyatlar üzerindeki etkisini incelemek için şu basit modeli ele alalım. $$
$$ Log(price)=β0 + β1 log(dist) + u
yakma fırının bulunması ev fıyatlarını düşürüyorsa β1’in işaretini ne beklerseniz ? Denklemi tahmin edin ve sonuçları yorumlayınız .
library(wooldridge)
data(price, package = 'wooldridge')## Warning in data(price, package = "wooldridge"): data set 'price' not found10 değişken üzerinde 88 gözlem içeren bir data.frame:
fiyat: ev fiyatı, 1000 $
değerlendir: değerlendirilen değer, 1000$
bdrms: bdrm sayısı
lotsize: metrekare cinsinden lot büyüklüğü
sqrft: metrekare olarak evin büyüklüğü
kolonyal: =1, eğer ev kolonyal tarzdaysa
lfiyat: günlük(fiyat)
lassess: log(değerlendir
llotsize: log(lotsize)
lsqrft: günlük(sqrft)
(!!) ! şıkkındaki basit regresiyon modeline , log (intst) , log
(area) , log (land) , oda sayısı (room), banyo sayısı (bahts) ve yaş
(age) değişkenini ekleyim. Burada intst , ev ile otoyol arasındaki
uzaklık ; area , evin adım karesi ; land ,evin kurulu olduğu alanın adım
karesi , rooms , oda sayısı ; bahts , banyo sayısı ; age , evin yıl
cinsinden yaşıdır . Şimdi çöp yakma fırının etkileri hakkında nasıl bir
sonuca ulaşırsınız ?
(!) ve (!!) neden birbiriyle çelişkli sonuçlar verir açoıklayınız .
(!!!) (!!) şıktaki modele {log(ints)}kare ekleyiniz. Şimdi ne olur ?
MOdelin fonksiyonel şeklinin önemi hakkında nasıl bir sonuca olaşırsınız
?
library(rmarkdown)
paged_table(bwght)(!V) log(dist)’in karesi (!!!) , şıktaki modele eklendiğin anlamlı mıdır ? bwght=β0+β1⋅cigs+β2land $=_0 + _1 dist + _2 land $$
lm(bwght ~ cigs + faminc, data = bwght)##
## Call:
## lm(formula = bwght ~ cigs + faminc, data = bwght)
##
## Coefficients:
## (Intercept) cigs faminc
## 116.97413 -0.46341 0.09276lm(bwght$bwght ~ bwght$cigs + bwght$faminc)##
## Call:
## lm(formula = bwght$bwght ~ bwght$cigs + bwght$faminc)
##
## Coefficients:
## (Intercept) bwght$cigs bwght$faminc
## 116.97413 -0.46341 0.09276bwght$bwghtlbs <- bwght$bwght / 16lm(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 0.005798lm(I(bwght/16) ~ cigs + faminc, data = bwght)##
## Call:
## lm(formula = I(bwght/16) ~ cigs + faminc, data = bwght)
##
## Coefficients:
## (Intercept) cigs faminc
## 7.310883 -0.028963 0.005798lm(bwght ~ I(cigs/20) + faminc, data = bwght)##
## Call:
## lm(formula = bwght ~ I(cigs/20) + faminc, data = bwght)
##
## Coefficients:
## (Intercept) I(cigs/20) faminc
## 116.97413 -9.26815 0.09276model_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)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=stargazerstargazer(list(model_1,model_2,model_3), type = "text")##
## =================================================================
## Dependent variable:
## ---------------------------------
## bwght I(bwght/16) bwght
## (1) (2) (3)
## -----------------------------------------------------------------
## cigs -0.463*** -0.029***
## (0.092) (0.006)
##
## I(cigs/20) -9.268***
## (1.832)
##
## faminc 0.093*** 0.006*** 0.093***
## (0.029) (0.002) (0.029)
##
## Constant 116.974*** 7.311*** 116.974***
## (1.049) (0.066) (1.049)
##
## -----------------------------------------------------------------
## Observations 1,388 1,388 1,388
## R2 0.030 0.030 0.030
## Adjusted R2 0.028 0.028 0.028
## Residual Std. Error (df = 1385) 20.063 1.254 20.063
## F Statistic (df = 2; 1385) 21.274*** 21.274*** 21.274***
## =================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01