Для датасета mroz_Green рассморим регрессию LFP на WA, log(FAMINC), WE, KL6, K618, CIT, UN трёх спецификаций:
Результаты подгонки
=================================================
Зависимая переменная
-----------------------------
LFP
OLS logistic probit
(1) (2) (3)
-------------------------------------------------
WA -0.013*** -0.063*** -0.038***
(0.003) (0.013) (0.008)
log(FAMINC) 0.075** 0.341** 0.205**
(0.037) (0.172) (0.105)
WE 0.038*** 0.179*** 0.108***
(0.008) (0.040) (0.024)
KL6 -0.302*** -1.443*** -0.868***
(0.036) (0.194) (0.113)
K618 -0.018 -0.095 -0.057
(0.014) (0.067) (0.041)
CIT -0.048 -0.214 -0.126
(0.038) (0.176) (0.107)
UN -0.004 -0.017 -0.011
(0.006) (0.026) (0.016)
Constant 0.079 -1.856 -1.108
(0.356) (1.679) (1.017)
-------------------------------------------------
Observations 753 753 753
R2 0.130
Adjusted R2 0.122
Log Likelihood -462.420 -462.554
Akaike Inf. Crit. 940.840 941.108
Residual Std. Error 0.465
F Statistic 15.867***
=================================================
Note: *p<0.1; **p<0.05; ***p<0.01Рассморим несколько человек с характерисками
=================================
WA FAMINC WE KL6 K618 CIT UN
---------------------------------
1 35 12500 15 2 0 1 5
2 40 9800 12 1 2 0 7.500
3 42 67800 14 2 1 1 3
---------------------------------Постройте прогноз для каждого. Ответ округлите до 3-х десятичных знаков.
Ответ:
Для датасета loanapp рассморим регрессию approve на appinc/100, mortno, unem, dep, male трёх спецификаций:
Результаты подгонки
=================================================
Зависимая переменная
-----------------------------
approve
OLS logistic probit
(1) (2) (3)
-------------------------------------------------
I(appinc/100) -0.014* -0.106 -0.056
(0.009) (0.067) (0.038)
mortno 0.079*** 0.817*** 0.422***
(0.016) (0.170) (0.086)
unem -0.008** -0.065** -0.036**
(0.003) (0.029) (0.016)
dep -0.012* -0.106* -0.055*
(0.007) (0.061) (0.033)
male 0.019 0.173 0.093
(0.019) (0.176) (0.095)
Constant 0.886*** 2.032*** 1.198***
(0.022) (0.193) (0.105)
-------------------------------------------------
Observations 1971 1971 1971
R2 0.017
Adjusted R2 0.014
Log Likelihood -720.861 -720.982
Akaike Inf. Crit. 1453.721 1453.965
Residual Std. Error 0.327
F Statistic 6.753***
=================================================
Note: *p<0.1; **p<0.05; ***p<0.01Рассморим несколько человек с характерисками
==============================
appinc mortno unem dep male
------------------------------
1 120 1 1.800 0 1
2 48 1 3.200 0 0
3 82 0 3.900 1 1
------------------------------Постройте прогноз для каждого. Ответ округлите до 3-х десятичных знаков.
Ответ:
Для датасета `SwissLabour рассморим регрессию participation на income, income^2, age, age^2, youngkids, oldkids трёх спецификаций:
Результаты подгонки
===================================================
Зависимая переменная
-------------------------------
as.numeric(participation) - 1
OLS logistic probit
(1) (2) (3)
---------------------------------------------------
income 0.269 3.146 1.972
(0.654) (3.400) (2.013)
I(income2) -0.025 -0.211 -0.131
(0.031) (0.161) (0.095)
age 0.790*** 3.875*** 2.347***
(0.131) (0.669) (0.396)
I(age2) -0.111*** -0.544*** -0.329***
(0.016) (0.083) (0.049)
youngkids -0.227*** -1.065*** -0.637***
(0.032) (0.166) (0.098)
oldkids -0.052*** -0.250*** -0.151***
(0.017) (0.083) (0.050)
Constant -0.716 -15.282 -9.641
(3.488) (17.956) (10.655)
---------------------------------------------------
Observations 872 872 872
R2 0.155
Adjusted R2 0.149
Log Likelihood -526.386 -526.667
Akaike Inf. Crit. 1066.772 1067.335
Residual Std. Error 0.460
F Statistic 26.514***
===================================================
Note: *p<0.1; **p<0.05; ***p<0.01Рассморим несколько человек с характерисками
================================
income age youngkids oldkids
--------------------------------
1 11.367 2.500 0 0
2 9.217 3.700 2 0
3 10.686 4.200 2 1
--------------------------------Постройте прогноз для каждого. Ответ округлите до 3-х десятичных знаков.
Ответ: