Zadanie 1. W pliku płace.gdt znajdują się mikrodane nt - E-SGH
Transkrypt
Zadanie 1. W pliku płace.gdt znajdują się mikrodane nt - E-SGH
Zadanie 1. W pliku płace.gdt znajdują się mikrodane nt. wyglądu zewnętrznego i cech społecznych, zawodowych, zarobków 1260 osób. Dane pochodzą z badań Daniela Hamermesha, profesora Uniwersytetu Londyńskiego. a) Dokonaj estymacji modelu KMNK, w którym zmienną objaśnianą będzie płaca w USD na godzinę, a zmiennymi objaśnianymi wyłącznie zmienne opisujące wygląd zewnętrzny, w tym: kolor skóry (black), wygląd ‘powyżej średniej’ lub ‘poniżej średniej’ (abvavg, belavg). Oceń przy użyciu testu RESET poprawność modelu. b) Dokonaj estymacji modelu, w którym zmienną objaśnianą będzie płaca w USD na godzinę, a zmiennymi objaśnianymi wszystkie zmienne prócz zmiennej kategorycznej looks. Odpowiedz na pytanie, dlaczego szacujemy model bez tej zmiennej. c) Czy zmienne opisujące wygląd zewnętrzny badanego są istotnymi statystycznie regresorami (=zmiennymi objaśniającymi)? d) Oceń istotność statystyczną zmiennej reprezentującej kolor skóry na poziomie istotności α=0,05 oraz zamieszkania w dużym albo małym mieście na poziomie istotności α=0,01. e) Zinterpretuj p-wartość dla zmiennych union oraz service. f) Oszacuj model bez zmiennych opisujących rasę, stan zdrowia i fakt zamieszkania na południu kraju. Porównaj R2 oraz skorygowany R2 dla obu modeli. Zinterpretuj wartość współczynnika determinacji. Następnie zinterpretuj wartości kryteriów informacyjnych Akaike’a, Schwarza oraz Hannana-Quinna, porównując oba modele. g) Zbadaj heteroskedastyczność składnika losowego. Użyj w tym celu testu White’a. Zadanie 2. W pliku samochody.gdt znajdują się dane nt. zużycia paliwa. a) Oszacuj model KMNK, którego zmienną objaśnianą będzie liczba mil przejechanych na 1 galon benzyny. Zweryfikuj założenia Gaussa-Markowa. b) Wyeliminuj problem współliniowości. Porównaj uzyskany model przy użyciu współczynnika determinacji, kryteriów informacyjnych. c) Zinterpretuj wyniki testu RESET.