- •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.
Выбор модели с наилучшей объясняющей способностью:
Сравнение линейной и полулогарифмической (1) моделей.
Для сравнения объясняющей способности линейной и логарифмической моделей делаем РЕ-тест МакКиннона:
. predict priceperm_hat
(option xb assumed; fitted values)
. g lg_priceperm_hat=log(priceperm_hat)
. predict lgpriceperm_hat
(option xb assumed; fitted values)
. g exp_lnpriceperm_hat=exp(lgpriceperm_hat)
Добавляем переменные d_lnpriceperm_hat и d_priceperm_hat для двух моделей, чтобы понять уровень значимости необъяснённых данных в каждой из моделей.
Строим полулогарифмическую и линейную модели, включая новые переменные для каждой из них:
Полулогарифмическая модель с включением переменной d_priceperm_hat Таблица 9
Source |
SS |
df MS |
Number of obs |
= 763 |
|
|
|
|
F( 13, 749) |
= 56.78 |
|
|
|
Model |
9.34801688 |
13 .719078222 |
Prob > F |
= 0.0000 |
|
|
Residual |
9.48615241 |
749 .01266509 |
R-squared |
= 0.4963 |
|
|
|
|
Adj R-squared |
= 0.4876 |
|
|
|
Total |
18.8341693 |
762 .024716758 |
Root MSE |
= .11254 |
|
|
lnpriceperm |
Coef. |
Std. Err. t |
P>t |
[95% Conf. |
Interval] |
|
totsp |
-.0040325 |
.0009567 -4.22 |
0.000 |
-.0059106 |
-.0021545 |
|
kitsp |
.0211111 |
.0039226 5.38 |
0.000 |
.0134104 |
.0288117 |
|
dist |
-.0205492 |
.0012446 -16.51 |
0.000 |
-.0229925 |
-.0181058 |
|
metrdist |
-.0062592 |
.0010011 -6.25 |
0.000 |
-.0082246 |
-.0042939 |
|
walk |
.0945092 |
.0090207 10.48 |
0.000 |
.0768004 |
.1122179 |
|
brick |
.0431358 |
.0100682 4.28 |
0.000 |
.0233706 |
.062901 |
|
tel |
.0234605 |
.0117022 2.00 |
0.045 |
.0004875 |
.0464334 |
|
floor |
.0740622 |
.0099061 7.48 |
0.000 |
.0546151 |
.0935092 |
|
new |
-.0720445 |
.0281432 -2.56 |
0.011 |
-.1272934 |
-.0167956 |
|
floors |
.0073291 |
.0011264 6.51 |
0.000 |
.0051178 |
.0095404 |
|
nfloor |
.0044789 |
.0010529 4.25 |
0.000 |
.0024119 |
.0065458 |
|
sw |
.0430066 |
.0086524 4.97 |
0.000 |
.0260209 |
.0599924 |
|
d_priceper~t |
-.0000824 |
.0000996 -0.83 |
0.408 |
-.000278 |
.0001131 |
|
_cons |
8.652102 |
.0370245 233.69 |
0.000 |
8.579418 |
8.724786 |
|