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.