732G71 Statistik B. Föreläsning 3. Bertil Wegmann. November 4, IDA, Linköpings universitet

Transkript

1 732G71 Statistik B Föreläsning 3 Bertil Wegmann IDA, Linköpings universitet November 4, 2015 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

2 Kap. 4.8, interaktionsvariabler Ibland ser sambandet mellan en förklaringsvariabel x 1 och en beroende variabel y olika ut beroendet på värdet av en annan förklaringsvariabel x 2. I sådant fall kan man lägga till en interaktionsvariabel som produkten av de två förklaringsvariablerna, d.v.s. x 1 x 2. Den linjära regressionsmodellen ser då ut enligt följande: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x 2 + ɛ Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

3 Kap. 4.9, dummy variabler Hittills har vi bara använt kvantitativa förklaringsvariabler. Om vi vill modellera eekten från olika nivåer på någon/några kvalitativa förklaringsvariabler, så kan vi skapa dummyvariabler. Antalet dummyvariabler som behövs i modellen är antalet niv åer 1. Följande gäller för en dummyvariabel D i för en observation i: D i = 1 om observationen har en viss egenskap D i = 0 om observationen inte har en viss egenskap Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

4 Exempel, dummy variabler Ett företags försäljningsvolym y i ett område beror både på mängden lokalt inriktade annonseringskostnader x och i vilket kvartal på året som försäljningen skedde i. För att ta hänsyn till olika försäljningsvolymer i olika kvartal, så kan man skapa en dummyvariabel för respektive kvartal utom kvartal 4. Exempelvis är D 2 dummyvariabeln för kvartal 2. Då gäller att D 1 = 0, D 2 = 1, D 3 = 0 om försäljning skedde i kvartal 2 och D 2 = 0 om försäljning inte skedde i kvartal 2. Försäljningsvolym i kvartal 4 innebär att D 1 = D 2 = D 3 = 0. Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

5 Exempel, dummy variabler och interaktionsvariabler Om man dessutom misstänker att eekten från annonseringskostnad x på försäljningsvolymen y skiljer sig åt mellan kvartalen, så kan man ta hänsyn till detta genom att inkludera interaktion mellan annonseringskostnad och försäljningskvartal. Detta innebär att interaktionsvariablerna xd 1, xd 2, xd 3 inkluderas i modellen. En multipel linjär regressionsmodell med både dummy- och interaktionsvariabler kan då skapas enligt y = β 0 + β 1 D 1 + β 2 D 2 + β 3 D 3 + β 4 x + β 5 xd 1 + β 6 xd 2 + β 7 xd 3 + ɛ Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

6 Exempel Följande datamaterial innehåller uppgifter om 16 slumpmässigt valda lägenheter som nyligen sålts i Stockholmsområdet. Namn Beskrivning Variabel typ Pris Försäljningspris y kvantitativ Kvm area i kvm x 1 kvantitativ Rum antal rum x 2 kvantitativ Innerstan läge D kvalitativ Variabeln D=Innerstan är också ett exempel på en dummyvariabel, eftersom den är lika med ett om lägenheten såldes i innerstan och lika med noll annars. Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

7 Spridningsdiagram (scatterplot) 7 Scatterplot of Pris vs area 6 5 Pris area Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

8 Spridningsdiagram (scatterplot) 7 Scatterplot of Pris vs rum 6 5 Pris ,0 1,5 2,0 2,5 rum 3,0 3,5 4,0 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

9 Exempel, skattad regressionsmodell från Minitab Regression Analysis: Pris versus area; rum Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Regression 2 20,929 10, ,71 0,000 area 1 9,805 9, ,66 0,002 rum 1 2,347 2,3467 3,75 0,075 Error 13 8,141 0,6262 Total 15 29,070 Model Summary S R-sq R-sq(adj) R-sq(pred) 0, ,00% 67,69% 60,31% Coefficients Term Coef SE Coef T-Value P-Value VIF Constant 1,167 0,549 2,12 0,053 area 0,0932 0,0236 3,96 0,002 6,22 rum -1,031 0,532-1,94 0,075 6,22 Regression Equation Pris = 1, ,0932 area - 1,031 rum Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

10 Exempel, skattad regressionsmodell från Minitab Regression Analysis: Pris versus area Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Regression 1 18,58 18, ,81 0,000 area 1 18,58 18, ,81 0,000 Error 14 10,49 0,7491 Total 15 29,07 Model Summary S R-sq R-sq(adj) R-sq(pred) 0, ,92% 61,35% 54,68% Coefficients Term Coef SE Coef T-Value P-Value VIF Constant 1,238 0,599 2,07 0,058 area 0,0514 0,0103 4,98 0,000 1,00 Regression Equation Pris = 1, ,0514 area Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

11 Spridningsdiagram (scatterplot) uppdelad på område 7 6 Scatterplot of Pris vs area innerstan Pris area Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

12 Signikanstest för dummyvariabeln D = Innerstan Det verkar som att prisnivån på lägenheter skiljer sig betydligt mellan innerstan och icke-innerstan. Det är därför lämpligt att inkludera dummyvariabeln D = Innerstan i regressionsmodellen. Vi testar därför om det nns någon signikant eekt från dummyvariabeln D i följande regressionsmodell: H 0 : β 3 = 0 H a : β 3 = 0 y = β 0 + β 1 x 1 + β 3 D + ɛ t = b 3 s, b 3 H 0 förkastas om t > t [α/2],(n 2 1) Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

13 Exempel, skattad regressionsmodell från Minitab Regression Analysis: Pris versus area; innerstan Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Regression 2 26,221 13, ,81 0,000 area 1 23,622 23, ,77 0,000 innerstan 1 7,638 7, ,85 0,000 Error 13 2,849 0,2192 Total 15 29,070 Model Summary S R-sq R-sq(adj) R-sq(pred) 0, ,20% 88,69% 84,86% Coefficients Term Coef SE Coef T-Value P-Value VIF Constant -0,026 0,389-0,07 0,947 area 0, , ,38 0,000 1,07 innerstan 1,437 0,243 5,90 0,000 1,07 Regression Equation Pris = -0, ,05984 area + 1,437 innerstan Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

14 Skattade regressionslinjer uppdelade på område 7 Scatterplot of Pris vs area innerstan Pris area Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

15 Signikanstest för interaktionsvariabeln x 1 D Det verkar som att lägenhetspriserna ökar aningen mer per kvadratmeter i innerstan jämfört med icke-innerstan. Det är därför lämpligt att inkludera interaktionsvariabeln x 1 D i regressionsmodellen och testa om det nns någon signikant eekt från interaktionsvariabeln x 1 D i följande regressionsmodell: H 0 : β 4 = 0 H a : β 4 = 0 y = β 0 + β 1 x 1 + β 3 D + β 4 x 1 D + ɛ t = b 4 s, b 4 H 0 förkastas om t > t [α/2],(n 3 1) Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

16 Exempel, skattad regressionsmodell från Minitab Regression Analysis: Pris versus area; innerstan; area*innerstan Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Regression 3 26,4040 8, ,61 0,000 area 1 8,4158 8, ,88 0,000 area*innerstan 1 0,1832 0,1832 0,82 0,382 innerstan 1 0,3336 0,3336 1,50 0,244 Error 12 2,6662 0,2222 Total 15 29,0702 Model Summary S R-sq R-sq(adj) R-sq(pred) 0, ,83% 88,54% 81,95% Coefficients Term Coef SE Coef T-Value P-Value VIF Constant 0,331 0,555 0,60 0,562 area 0, , ,15 0,000 2,42 area*innerstan 0,0106 0,0117 0,91 0,382 8,23 innerstan 0,849 0,693 1,23 0,244 8,51 Regression Equation Pris = 0, ,05389 area + 0,0106 area*innerstan + 0,849 innerstan Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

17 Signikanstest för en grupp förklaringsvariabler I bland vill vi testa era förklaringsvariabler på samma gång. I ett tidigare exempel hade vi tre stycken dummyvariabler för att ta hänsyn till att försäljningen skiljer sig mellan fyra olika kvartal. Då vill vi inte testa varje kvartal för sig, utan istället om försäljningen överlag skiljer sig mellan kvartalen, d.v.s. om dummyvariablerna för kvartalen påverkar försäljningen signikant som grupp. För att testa detta så behöver vi ställa upp två modeller: En komplett (som innehåller alla variabler) och en reducerad (som innehåller alla variabler förutom dom variabler vi vill testa för). Komplett modell (C): y = β 0 + β 1 x β g x g + β g+1 x g β k x k + ɛ Reducerad modell (R): y = β 0 + β 1 x β g x g + ɛ Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

18 Partiellt F-test H 0 : β g+1 = β g+2 = = β k = 0 H a : åtminstone någon av β g+1, β g+2,..., β k är inte lika med noll F = (SSE R SSE C )/(k g), SSE C /(n k 1) H 0 förkastas om F > F [α],k g,n k 1, där k är antal förklaringsvariabler i den kompletta modellen och g är antal förklaringsvariabler i den reducerade modellen. Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

19 Exempel, partiellt F-test Vi återgår till det tidigare exemplet med uppgifter om 16 slumpmässigt valda lägenheter som nyligen sålts i Stockholmsområdet. Vi fann att modellen med förklaringsvariabeln x 1 = area och dummyvariabeln D = innerstan var signikanta i modellen. Vi vill testa om övriga variabler som grupp påverkar lägenhetspriset signikant. Då sätter vi upp följande modeller: Komplett modell (C): y = β 0 + β 1 x 1 + β 2 x 2 + β 3 D + β 4 x 1 D + β 5 x 2 D + ɛ Reducerad modell (R): y = β 0 + β 1 x 1 + β 3 D + ɛ Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

20 Exempel, partiellt F-test H 0 : β 2 = β 4 = β 5 = 0 H a : åtminstone någon av β 2, β 4, β 5 är inte lika med noll F = (SSE R SSE C )/(5 2), SSE C /(16 5 1) H 0 förkastas om F > F [α],5 2, Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

21 Exempel, skattad komplett regressionsmodell från Minitab Regression Analysis: Pris versus area; rum; innerstan; area*innerstan; rum*innerstan Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Regression 5 26,6723 5, ,25 0,000 area 1 1,6433 1,6433 6,85 0,026 rum 1 0,2016 0,2016 0,84 0,381 innerstan 1 0,3116 0,3116 1,30 0,281 area*innerstan 1 0,1180 0,1180 0,49 0,499 rum*innerstan 1 0,2667 0,2667 1,11 0,316 Error 10 2,3978 0,2398 Total 15 29,0702 Model Summary S R-sq R-sq(adj) R-sq(pred) 0, ,75% 87,63% 76,32% Coefficients Term Coef SE Coef T-Value P-Value VIF Constant 0,347 0,577 0,60 0,561 area 0,0810 0,0309 2,62 0,026 28,06 rum -0,639 0,697-0,92 0,381 27,85 innerstan 0,821 0,720 1,14 0,281 8,52 area*innerstan -0,0253 0,0361-0,70 0,499 72,54 rum*innerstan 0,891 0,845 1,05 0,316 53,63 Regression Equation Pris = 0, ,0810 area - 0,639 rum + 0,821 innerstan - 0,0253 area*innerstan + 0,891 rum*innerstan Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22

22 Exempel, skattad reducerad regressionsmodell från Minitab Regression Analysis: Pris versus area; innerstan Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Regression 2 26,221 13, ,81 0,000 area 1 23,622 23, ,77 0,000 innerstan 1 7,638 7, ,85 0,000 Error 13 2,849 0,2192 Total 15 29,070 Model Summary S R-sq R-sq(adj) R-sq(pred) 0, ,20% 88,69% 84,86% Coefficients Term Coef SE Coef T-Value P-Value VIF Constant -0,026 0,389-0,07 0,947 area 0, , ,38 0,000 1,07 innerstan 1,437 0,243 5,90 0,000 1,07 Regression Equation Pris = -0, ,05984 area + 1,437 innerstan Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, / 22