- •Национальный Исследовательский Университет Высшая Школа Экономики Факультет мировой экономики и мировой политики
- •Введение
- •Построение регрессионной модели
- •Линейная модель:
- •Логарифмическая модель:
- •Полулогарифмическая модель (1):
- •Полулогарифмическая модель (2):
- •Выбор модели с наилучшей объясняющей способностью:
- •Сравнение линейной и полулогарифмической (1) моделей.
- •Полулогарифмическая модель с включением переменной d_priceperm_hat Таблица 9
- •Линейная модель с включением переменной d_lnpriceperm_hat Таблица 10
- •Сравнение линейной и логарифмической моделей.
- •Среднее геометрическое priceperm Таблица 11
- •Линейная модель с включением переменной priceperm_star Таблица 12
- •Логарифмическая модель с включением переменной lgpriceperm_star Таблица 13
- •Сравнение логарифмической и полулогарифмической(1) моделей
- •Сравнение полулогарифмической (1) и полулогарифмической (2) моделей
- •Тестирование модели
- •Тестирование модели на мультиколлинеарность
- •Тестирование модели на гетероскедастичность
- •Полулогарифмическая модель с введёнными робастными поправками Таблица 16
- •Тестирование модели на наличие пропущенных переменных
- •Тестирование модели на возможные изменения при введении квадрата одной из переменных
- •Полулогарифмическая модель с введением переменной sq_kitsp Таблица 17
- •Проверка гипотез
- •Гипотеза 1: этаж, на котором расположена квартира, и количество этажей в доме одинаково влияют на цену квадратного метра.
- •Полулогарифмическая модель с введением переменной f13 и робастными поправками
- •Этаж, на котором расположена квартира, и количество этажей в доме одинаково влияют на цену квадратного метра.
- •Расположение квартиры на 13-м этаже отрицательно влияет на цену квадратного метра и снижает её на 4,8%.
- •Влияние несчастливого числа 13 (в качестве номера дома) и счастливых чисел 7 и 3 (в качестве номеров домов и этажей) на цену квадратного метра не выявлено.
Логарифмическая модель:
Для построения логарифмической модели добавляем логарифмы значимых переменных: lnpriceperm=ln(priceperm), lntotsp=ln(totsp), lnkitsp=ln(kitsp), lndist=ln(dist), lnmetrdist=ln(metrdist), lnfloors=ln(floors), lnnfloor=ln(nfloor).
Далее оцениваем логарифмическую модель:
Оценка логарифмической модели Таблица 6
Source |
SS |
df MS |
Number of obs |
= 763 |
|
|
|
|
F( 12, 750) |
= 58.59 |
|
|
|
Model |
9.11274569 |
12 .759395474 |
Prob > F |
= 0.0000 |
|
|
Residual |
9.7214236 |
750 .012961898 |
R-squared |
= 0.4838 |
|
|
|
|
Adj R-squared |
= 0.4756 |
|
|
|
Total |
18.8341693 |
762 .024716758 |
Root MSE |
= .11385 |
|
|
lnpriceperm |
Coef. |
Std. Err. t |
P>t |
[95% Conf. |
Interval] |
|
lntotsp |
-.1994131 |
.0491942 -4.05 |
0.000 |
-.2959878 |
-.1028384 |
|
lnkitsp |
.1488611 |
.0338481 4.40 |
0.000 |
.0824127 |
.2153094 |
|
lndist |
-.2114004 |
.0131866 -16.03 |
0.000 |
-.2372874 |
-.1855133 |
|
lnmetrdist |
-.038846 |
.008135 -4.78 |
0.000 |
-.0548159 |
-.022876 |
|
lnfloors |
.0979816 |
.0127182 7.70 |
0.000 |
.0730141 |
.122949 |
|
lnnfloor |
.0251988 |
.005752 4.38 |
0.000 |
.0139068 |
.0364908 |
|
walk |
.0992604 |
.0090582 10.96 |
0.000 |
.0814781 |
.1170428 |
|
brick |
.055766 |
.0103708 5.38 |
0.000 |
.0354067 |
.0761253 |
|
tel |
.0268293 |
.0117936 2.27 |
0.023 |
.003677 |
.0499817 |
|
floor |
.0569536 |
.0105399 5.40 |
0.000 |
.0362624 |
.0776448 |
|
new |
-.0656276 |
.0283623 -2.31 |
0.021 |
-.1213065 |
-.0099488 |
|
sw |
.0445313 |
.0087298 5.10 |
0.000 |
.0273935 |
.0616691 |
|
_cons |
9.227774 |
.1493441 61.79 |
0.000 |
8.934591 |
9.520956 |
|