regression_multiple5

Punkte: 2,5
Der Prestige Datensatz besteht aus 102 Berufen/Berufsgruppen eines Zensus in Kanada von 1971. Die Variablen sind unter anderem der durchschnittliche Bildungsgrad in Jahren (education), das durchschnittliche Einkommen in der Einheit 1000 USD pro Jahr (income), der Anteil an Frauen in % (women_percent) sowie der Pineo-Porter Prestige Score (prestige), der das Ansehen eines Berufs erfasst. Die Variablen beziehen sich alle auf die Berufsgruppe. Sie finden den Datensatz im Internet, jedoch ist dieser unvollständig mit nur 71 Berufen.

Sie berechnen eine Regression mit den Prädiktoren income, women_percent und dem Kriterium prestige. Der Regressionsoutput sieht wie folgt aus:


Call:
lm(formula = as.formula(paste0(vars[1], "~", ivs)), data = prestige$data)

Residuals:
    Min      1Q  Median      3Q     Max 
-37.747  -7.687  -1.342   7.644  35.894 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)
(Intercept)   21.03596    3.80514   5.528 5.55e-07
income         3.30017    0.38340   8.608 1.73e-12
women_percent  0.10143    0.04924   2.060   0.0432

Residual standard error: 12.03 on 68 degrees of freedom
Multiple R-squared:  0.5388,	Adjusted R-squared:  0.5252 
F-statistic: 39.71 on 2 and 68 DF,  p-value: 3.746e-12
Ihnen liegen zudem noch folgende Standardabweichungen vor:
income 4.26
prestige 17.45

Welcher Prädiktor hat die größte Vorhersagekraft für das Kriterium im Modell? Geben Sie die entsprechende Zahl in das Feld ein: [income=1 | women_percent=2]

Wie groß ist der standardisierte Regressionskoeffizient für income? Runden Sie das finale Ergebnis auf 2 Dezimalstellen.

Welche Schätzung ergibt sich im Modell für prestige, wenn income 3.148 und women_percent 96 sind? Runden Sie auf 3 Dezimalstellen.