Слайд 3
Решение
Выведем описательные статистики. Для этого выбираем нужные нам
переменные, далее Open as Group - > View ->
Descriptive Stats ->Common Sample
Слайд 4
Решение
Создадим модель зависимости price от totsq ,
livsq , kitsq, distc, distm. Как мы видим ,
качество модели, оставляет желать лучшего.
Слайд 5
Решение
Попробуем убрать из модели, на предыдущем слайде наименее
значимые переменные.
Слайд 7
Решение
Создадим переменную Object -> Generate Series , затем
допишем в открывшемся окне dopsq=totsq-livsq-kitsq
Слайд 8
Решение
Теперь посмотрим, как коррелируют между собой параметры. Как
мы можем увидеть цена положительно коррелирована со всеми переменными
кроме расстояния до центра и расстояния до метро. Это вполне очевидно.
Слайд 9
Решение
Построим линейную спецификацию следующим образом. Модель достаточно простая,
коэффициенты имеют явную интерпретацию, также она является наиболее подходящей
для прогнозирования, также удалось увидеть зав-ть цены квартиры от расстояния до центра .
Слайд 10
Решение
Протестируем модель на гетероскедостичность с помощью теста Уайта.
Значение статистики равно 48, p-значение равно 0,0037. Гипотеза о
гомоскедостичности отвергается. Т. о. цена зависит от следующих величин: livsq, kitsq, 1/distc,dopsq,cat, floor.