- •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.
Сравнение линейной и логарифмической моделей.
Для сравнения линейной и логарифмической моделей выполняем тест Бокса-Кокса. Для этого сначала найдем среднее геометрическое значение нашей зависимой переменной:
Среднее геометрическое priceperm Таблица 11
Type |
Variable |
Obs |
Mean |
[95% Conf.Interv] |
|
Geometric |
priceperm |
763 |
5402.319 |
5342.295 |
5463.018 |
Затем генерируем переменные priceperm_star=priceperm/5402.319 и lgpriceperm_star=log(priceperm_star)
Строим модели с новыми зависимыми переменными
Линейная модель с включением переменной priceperm_star Таблица 12
Source |
SS |
df MS |
Number of obs |
= 763 |
|
|
|
|
F( 12, 750) |
= 59.91 |
|
|
|
Model |
9.59000974 |
12 .799167479 |
Prob > F |
= 0.0000 |
|
|
Residual |
10.004223 |
750 .013338964 |
R-squared |
= 0.4894 |
|
|
|
|
Adj R-squared |
= 0.4813 |
|
|
|
Total |
19.5942328 |
762 .025714216 |
Root MSE |
= .11549 |
|
|
priceperm_~r |
Coef. |
Std. Err. t |
P>t |
[95% Conf. |
Interval] |
|
totsp |
-.0040999 |
.0009803 -4.18 |
0.000 |
-.0060243 |
-.0021754 |
|
kitsp |
.0216728 |
.0040109 5.40 |
0.000 |
.0137988 |
.0295467 |
|
dist |
-.0209141 |
.0012389 -16.88 |
0.000 |
-.0233462 |
-.0184821 |
|
metrdist |
-.0058656 |
.0010097 -5.81 |
0.000 |
-.0078478 |
-.0038835 |
|
walk |
.0948849 |
.0092563 10.25 |
0.000 |
.0767136 |
.1130561 |
|
brick |
.0451822 |
.0103083 4.38 |
0.000 |
.0249456 |
.0654187 |
|
tel |
.0242942 |
.0119652 2.03 |
0.043 |
.0008051 |
.0477834 |
|
floor |
.0724951 |
.0101346 7.15 |
0.000 |
.0525995 |
.0923907 |
|
new |
-.0747356 |
.0288712 -2.59 |
0.010 |
-.1314136 |
-.0180575 |
|
floors |
.007405 |
.001156 6.41 |
0.000 |
.0051356 |
.0096743 |
|
nfloor |
.0047846 |
.0010727 4.46 |
0.000 |
.0026789 |
.0068904 |
|
sw |
.0433601 |
.0088736 4.89 |
0.000 |
.02594 |
.0607802 |
|
_cons |
1.063269 |
.0377433 28.17 |
0.000 |
.9891742 |
1.137364 |
|