regression_multiple15

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 74 Berufen.

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


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

Residuals:
    Min      1Q  Median      3Q     Max 
-3.2346 -0.8290 -0.0796  0.8125  3.6004 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)
(Intercept)   3.851748   0.494822   7.784  4.2e-11
women_percent 0.014040   0.005091   2.758  0.00739
prestige      0.139834   0.008932  15.655  < 2e-16

Residual standard error: 1.359 on 71 degrees of freedom
Multiple R-squared:  0.7754,	Adjusted R-squared:  0.7691 
F-statistic: 122.6 on 2 and 71 DF,  p-value: < 2.2e-16
Ihnen liegen zudem noch folgende Standardabweichungen vor:
women_percent 31.85
education 2.83

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

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

Welche Schätzung ergibt sich im Modell für education, wenn women_percent 52 und prestige 37.2 sind? Runden Sie auf 3 Dezimalstellen.

Kommentar zur Aufgabe hinterlegen