B6.1 Sadece 1981 yıliçin, KIEMLC.RAW’ daki verileri kullanarak , aşağıdaki sorulara cevap veriniz.Veriler 1981’ KUzey Andover, Massachuaetts’te satılan evlerdir.1981, yerel çöpe yakma fırınının kurulmaya başladığı yıldı. (!) Çöp fırınının konumunun ev fiyatlar üzerindeki etkisini incelemek için şu basit modeli ele alalım. Log(price)=β0+β1log(dist)+u
Burada price dolar cinsinden evin fiyatı ve dist , ev ile çöp yakma fırını arasındali adım cinsinden uzaklıktır. Denklemin dikkatli biçimde yorumlanmasında çöp yakma fırının bulunması ev fıyatlarını düşürüyorsa β1’in işaretini ne beklerseniz ? Denklemi tahmin edin ve sonuçları yorumlayınız . ### cevap β1 işaretini negatif
library(wooldridge)
data("kielmc", package = 'wooldridge')
head(kielmc)## year age agesq nbh cbd intst lintst price rooms area land baths dist
## 1 1978 48 2304 4 3000 1000 6.9078 60000 7 1660 4578 1 10700
## 2 1978 83 6889 4 4000 1000 6.9078 40000 6 2612 8370 2 11000
## 3 1978 58 3364 4 4000 1000 6.9078 34000 6 1144 5000 1 11500
## 4 1978 11 121 4 4000 1000 6.9078 63900 5 1136 10000 1 11900
## 5 1978 48 2304 4 4000 2000 7.6009 44000 5 1868 10000 1 12100
## 6 1978 78 6084 4 3000 2000 7.6009 46000 6 1780 9500 3 10000
## ldist wind lprice y81 larea lland y81ldist lintstsq nearinc
## 1 9.277999 3 11.00210 0 7.414573 8.429017 0 47.71770 1
## 2 9.305651 3 10.59663 0 7.867871 9.032409 0 47.71770 1
## 3 9.350102 3 10.43412 0 7.042286 8.517193 0 47.71770 1
## 4 9.384294 3 11.06507 0 7.035269 9.210340 0 47.71770 1
## 5 9.400961 3 10.69195 0 7.532624 9.210340 0 57.77368 1
## 6 9.210340 3 10.73640 0 7.484369 9.159047 0 57.77368 1
## y81nrinc rprice lrprice
## 1 0 60000 11.00210
## 2 0 40000 10.59663
## 3 0 34000 10.43412
## 4 0 63900 11.06507
## 5 0 44000 10.69195
## 6 0 46000 10.73640reg.<-lm (log(price)~log(dist) ,data = kielmc)
summary(reg.)##
## Call:
## lm(formula = log(price) ~ log(dist), data = kielmc)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.22356 -0.28076 -0.05527 0.27992 1.29332
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.25750 0.47383 17.427 < 2e-16 ***
## log(dist) 0.31722 0.04811 6.594 1.78e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4117 on 319 degrees of freedom
## Multiple R-squared: 0.1199, Adjusted R-squared: 0.1172
## F-statistic: 43.48 on 1 and 319 DF, p-value: 1.779e-10(!!!) (!!) şıktaki modele {log(ints)}kare ekleyiniz. Şimdi ne olur ? MOdelin fonksiyonel şeklinin önemi hakkında nasıl bir sonuca olaşırsınız ?
reg3<-lm(log(price)~log(dist)+log(intst)+log(area)+log(land)+rooms+baths+age+(log(intst))^2,data = kielmc)
summary(reg3)##
## Call:
## lm(formula = log(price) ~ log(dist) + log(intst) + log(area) +
## log(land) + rooms + baths + age + (log(intst))^2, data = kielmc)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.35838 -0.18220 0.00115 0.20532 0.82180
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.2996586 0.5960546 10.569 < 2e-16 ***
## log(dist) 0.0281887 0.0532130 0.530 0.59667
## log(intst) -0.0437804 0.0424359 -1.032 0.30302
## log(area) 0.5124071 0.0698229 7.339 1.87e-12 ***
## log(land) 0.0782098 0.0337206 2.319 0.02102 *
## rooms 0.0503129 0.0235113 2.140 0.03313 *
## baths 0.1070528 0.0352304 3.039 0.00258 **
## age -0.0035630 0.0005774 -6.171 2.10e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2828 on 313 degrees of freedom
## Multiple R-squared: 0.5925, Adjusted R-squared: 0.5834
## F-statistic: 65.02 on 7 and 313 DF, p-value: < 2.2e-16