regression_multiple9

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 90 Berufen.

Sie berechnen eine Regression mit den Prädiktoren income, 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 
-3.5254 -0.7943 -0.0572  0.9042  3.3467 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)  4.19785    0.45845   9.157 2.15e-14
income      -0.01824    0.05872  -0.311    0.757
prestige     0.14136    0.01350  10.471  < 2e-16

Residual standard error: 1.438 on 87 degrees of freedom
Multiple R-squared:  0.7304,	Adjusted R-squared:  0.7242 
F-statistic: 117.8 on 2 and 87 DF,  p-value: < 2.2e-16
Ihnen liegen zudem noch folgende Standardabweichungen vor:
income 3.89
education 2.74

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

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

Welche Schätzung ergibt sich im Modell für education, wenn income 8.131 und prestige 47.3 sind? Runden Sie auf 3 Dezimalstellen.