Для датасета mroz_Greene рассморим несколько probit-регрессй. Результаты оценивания
=============================================================
Зависимая переменная
-------------------------------------------
LFP
(1) (2) (3) (4)
-------------------------------------------------------------
WA 0.0076 -0.0184 -0.0056
(0.0701) (0.0685) (0.0681)
I(WA2) -0.0005 -0.0002 -0.0003
(0.0008) (0.0008) (0.0008)
WE 0.1088*** 0.1238*** 0.1088*** 0.1230***
(0.0241) (0.0237) (0.0238) (0.0221)
KL6 -0.8513*** -0.6209*** -0.8473*** -0.8554***
(0.1154) (0.0977) (0.1149) (0.1151)
K618 -0.0632 0.0306
(0.0417) (0.0363)
CIT -0.1277 -0.1654
(0.1070) (0.1053)
UN -0.0106 -0.0169
(0.0157) (0.0155)
log(FAMINC) 0.1996* 0.1704* 0.1626
(0.1049) (0.1028) (0.1016)
Constant -2.0046 -2.6731*** -1.4351 -0.2815
(1.7039) (0.9574) (1.6682) (1.4961)
-------------------------------------------------------------
Observations 753 753 753 753
Log Likelihood -462.3402 -475.6991 -464.6961 -465.9906
Akaike Inf. Crit. 942.6804 965.3982 941.3922 941.9812
=============================================================
Note: *p<0.1; **p<0.05; ***p<0.01Логарфим функции правдоподобия для регрессии без объясняющих переменных (только на константу) \(\log L_0=\)-514.8732.
Для каждой регрессии вычислитк следующие показатели качества подгонки модели: \(pseudoR^2\), \(pseudoR^2_adj\), Cox & Snell, Nagelkerke/Cragg & Uhler. Ответ округлите до 3-х десятичных знаков.
Ответ:
===============================================
Model pseudoR2 pseudoR.2adj CoxSnell Nagelkerke
-----------------------------------------------
1 0.102 0.086 0.130 0.175
2 0.076 0.064 0.099 0.133
3 0.097 0.088 0.125 0.167
4 0.095 0.087 0.122 0.163
-----------------------------------------------Для датасета loanapp рассморим несколько probit-регрессй. Результаты оценивания
===============================================================
Зависимая переменная
---------------------------------------------
approve
(1) (2) (3) (4)
---------------------------------------------------------------
appinc 0.0022* 0.0018 0.0022*
(0.0013) (0.0012) (0.0012)
I(appinc2) -0.000004** -0.000003** -0.000004**
(0.000002) (0.000002) (0.000002)
mortno 0.3650*** 0.3983*** 0.3569*** 0.3758***
(0.0885) (0.0866) (0.0882) (0.0875)
unem -0.0280* -0.0293* -0.0341**
(0.0163) (0.0162) (0.0158)
dep -0.0784** -0.0861** -0.0798** -0.0510
(0.0353) (0.0351) (0.0351) (0.0329)
male -0.0076 0.0143
(0.1007) (0.0997)
married 0.2065** 0.2172** 0.2060**
(0.0873) (0.0869) (0.0830)
yjob -0.0039 -0.0010
(0.0342) (0.0345)
self -0.1961* -0.1750
(0.1088) (0.1064)
Constant 1.0102*** 1.1051*** 1.0366*** 0.9715***
(0.1231) (0.1048) (0.1115) (0.0861)
---------------------------------------------------------------
Observations 1971 1971 1986 1986
Log Likelihood -713.9286 -717.5349 -717.6389 -722.9362
Akaike Inf. Crit. 1447.8570 1451.0700 1449.2780 1455.8720
===============================================================
Note: *p<0.1; **p<0.05; ***p<0.01Логарфим функции правдоподобия для регрессии без объясняющих переменных (только на константу) \(\log L_0=\)-737.9793.
Для каждой регрессии вычислитк следующие показатели качества подгонки модели: \(pseudoR^2\), \(pseudoR^2_adj\), Cox & Snell, Nagelkerke/Cragg & Uhler. Ответ округлите до 3-х десятичных знаков.
Ответ:
===============================================
Model pseudoR2 pseudoR.2adj CoxSnell Nagelkerke
-----------------------------------------------
1 0.033 0.020 0.024 0.046
2 0.028 0.018 0.021 0.039
3 0.028 0.019 0.020 0.039
4 0.020 0.015 0.015 0.029
-----------------------------------------------Для датасета mroz_Greene рассморим несколько probit-регрессй. Результаты оценивания
===============================================================
Зависимая переменная
-------------------------------------------
LFP
(1) (2) (3) (4)
---------------------------------------------------------------
WA 0.0076 -0.0184 -0.0056
(0.0701) (0.0685) (0.0681)
I(WA2) -0.0005 -0.0002 -0.0003
(0.0008) (0.0008) (0.0008)
WE 0.1088*** 0.1238*** 0.1088*** 0.1230***
(0.0241) (0.0237) (0.0238) (0.0221)
KL6 -0.8513*** -0.6209*** -0.8473*** -0.8554***
(0.1154) (0.0977) (0.1149) (0.1151)
K618 -0.0632 0.0306
(0.0417) (0.0363)
CIT -0.1277 -0.1654
(0.1070) (0.1053)
UN -0.0106 -0.0169
(0.0157) (0.0155)
log(FAMINC) 0.1996* 0.1704* 0.1626
(0.1049) (0.1028) (0.1016)
Constant -2.0046 -2.6731*** -1.4351 -0.2815
(1.7039) (0.9574) (1.6682) (1.4961)
---------------------------------------------------------------
Observations 753 753 753 753
Log Likelihood -462.3402 -475.6991 -464.6961 -465.9906
Akaike Inf. Crit. 942.6804 965.3982 941.3922 941.9812
Bayesian Inf. Crit. 984.2969 997.7667 969.1366 965.1016
===============================================================
Note: *p<0.1; **p<0.05; ***p<0.01Какая модель предпочтительней по информационных критериям?
Ответ:
==================
Критерий Регрессия
------------------
AIC 3
BIC 4
------------------Для датасета loanapp рассморим несколько probit-регрессй. Результаты оценивания
=================================================================
Зависимая переменная
---------------------------------------------
approve
(1) (2) (3) (4)
-----------------------------------------------------------------
appinc 0.0022* 0.0018 0.0022*
(0.0013) (0.0012) (0.0012)
I(appinc2) -0.000004** -0.000003** -0.000004**
(0.000002) (0.000002) (0.000002)
mortno 0.3650*** 0.3983*** 0.3569*** 0.3758***
(0.0885) (0.0866) (0.0882) (0.0875)
unem -0.0280* -0.0293* -0.0341**
(0.0163) (0.0162) (0.0158)
dep -0.0784** -0.0861** -0.0798** -0.0510
(0.0353) (0.0351) (0.0351) (0.0329)
male -0.0076 0.0143
(0.1007) (0.0997)
married 0.2065** 0.2172** 0.2060**
(0.0873) (0.0869) (0.0830)
yjob -0.0039 -0.0010
(0.0342) (0.0345)
self -0.1961* -0.1750
(0.1088) (0.1064)
Constant 1.0102*** 1.1051*** 1.0366*** 0.9715***
(0.1231) (0.1048) (0.1115) (0.0861)
-----------------------------------------------------------------
Observations 1971 1971 1986 1986
Log Likelihood -713.9286 -717.5349 -717.6389 -722.9362
Akaike Inf. Crit. 1447.8570 1451.0700 1449.2780 1455.8720
Bayesian Inf. Crit. 1503.7200 1495.7600 1488.4350 1483.8420
=================================================================
Note: *p<0.1; **p<0.05; ***p<0.01Какая модель предпочтительней по информационных критериям?
Ответ:
==================
Критерий Регрессия
------------------
AIC 1
BIC 4
------------------