regression_multiple8

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 89 Berufen.

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


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

Residuals:
    Min      1Q  Median      3Q     Max 
-51.565 -21.776  -9.472  19.130  56.166 

Coefficients:
            Estimate Std. Error t value   Pr(>|t|)
(Intercept)  32.6597     8.6688   3.768   0.000301
prestige      0.6319     0.2465   2.563   0.012118
income       -4.9287     0.9706  -5.078 0.00000218

Residual standard error: 27.69 on 86 degrees of freedom
Multiple R-squared:  0.2491,	Adjusted R-squared:  0.2316 
F-statistic: 14.26 on 2 and 86 DF,  p-value: 0.000004468
Ihnen liegen zudem noch folgende Standardabweichungen vor:
prestige 17.47
women_percent 31.59

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

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

Welche Schätzung ergibt sich im Modell für women_percent, wenn prestige 69.1 und income 25.879 sind? Runden Sie auf 3 Dezimalstellen.