Hjelp
til exercise 3 i R-oppgavene
#
PUNKT b)
#
Simulerer 100 standardnormal
observasjoner av x1, x2 og e med�
cor(x1,x2) = 0.5
#
Det gir 100 obsrevasjoner av y = x1 + x2 + e
#
Tilpasser s� modell med x1 og
x2 og modell uten x2
rho<-0.5
x1<-rnorm(100)
x2<-rho*x1+sqrt(1-rho^2)*rnorm(100)
e<-rnorm(100)
y<-x1+x2+e
summary(lm(y~x1))
summary(lm(y~x1+x2))
# Se p� estimatene i de to modellene. Hvordan stemmer de med teorien i punkt a?
#
Hva sier dette deg om
hva som
#
kovariat i
en regresjonsmodell?
#
Unders�ker s� om estimatet
i modellen uten x2 stemmer med formelen:
cor(x1,x2)
koef<-lm(y~x1+x2)$coef
koef
koef[2]+koef[3]*cor(x1,x2)*(sd(x2)/sd(x1))
lm(y~x1)$coef
#
Pass p� at du forst�r disse beregningene!
# Bekrefter beregningene teorien?
#
PUNKT c)
#
Simulere nye
data med korr=0.95 og y =
x1 - x2 + e.
#
Tilpasser line�re regresjoner med hver av kovariatene for seg og
med begge kovariatene:
rho=0.95
x1<-rnorm(100)
x2<-rho*x1+sqrt(1-rho^2)*rnorm(100)
e<-rnorm(100)
y<-x1-x2+e
summary(lm(y~x1))
summary(lm(y~x2))
summary(lm(y~x1+x2))
#
Se p� resultatet av hver av
regresjonene med �n kovariat og
regresjonen med begge kovariatene
#
Hva sier dette deg om
hva som
#
kovariat i
en regresjonsmodell?
#PUNKT
d)
#
Gj�r 100 simularinger av situasjonen i punkt b
rho=0.50
koefsim<-numeric(0)
for (i in 1:100)
{
� ��x1<-rnorm(100)
� ��x2<-rho*x1+sqrt(1-rho^2)*rnorm(100)
��� e<-rnorm(100)
� ��y<-x1+x2+e
� ��koefsim<-rbind(koefsim,lm(y~x1+x2)$coef[2:3])
}
plot(koefsim[,1],koefsim[,2])
cor(koefsim)
# Hvordan blir korrelasjonen mellom estimatene?
#
Gjenta simuleringen med rho=0.90, rho=-0.50 og rho=-0.90.
# Hva ser du?