Hem escollit de la base de dades Index Econometrisc, la base de dades Benefits.

Validació del model mitjançant el residus (homoscedesticitat)

FALTA POSAR EL MODEL A MA O WORD

El gràfic, ens mostra que tot i que la vairancia es mou entre 0 i 1, la distribució dels punts, la
qual hauria de sr lineal, no es compleix, per tant tenim pertorbacions esfèriques, ergo,
hetorscedesdticitat.

Ara passem a comprovar els promeblesm de probabilitat del model

Com podem veure, els punts oscil·len més enllà de zero i u, per tant, els valors ajustats
d'aquest model no són normals. Aixó, queda palpat, també en el histogram següent, on
s’acaba de confimar que las dades ben distribuïdes.
MODEL QUE INTENTAREM VALIDAR
Call:
glm(formula = ui ~ statemb + stateur + state + age + tenure +
joblost + nwhite + school12 + sex + smsa + married + dkids +
dykids + yrdispl + rr + head, family = binomial)

Deviance Residuals:
Min 1Q Median 3Q Max
-2.3212 -1.1987 0.6791 0.8872 1.6208

Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.621000 0.309137 -2.009 0.044556 *
statemb 0.005298 0.001031 5.140 2.75e-07 ***
stateur 0.114310 0.016376 6.980 2.94e-12 ***
state -0.009518 0.001304 -7.301 2.86e-13 ***
age 0.021570 0.003957 5.451 5.00e-08 ***
tenure 0.025757 0.006705 3.842 0.000122 ***
joblostposition_abolished -0.054842 0.118295 -0.464 0.642932
joblostseasonal_job_ended 0.281306 0.171904 1.636 0.101753
joblostslack_work 0.607749 0.070813 8.582 < 2e-16 ***
nwhiteyes 0.124550 0.093219 1.336 0.181518
school12yes -0.048836 0.082228 -0.594 0.552575
sexmale -0.191653 0.087817 -2.182 0.029078 *
smsayes -0.190499 0.069926 -2.724 0.006444 **
marriedyes 0.247816 0.079697 3.109 0.001874 **
dkidsyes -0.109599 0.083444 -1.313 0.189035
dykidsyes 0.193647 0.096828 2.000 0.045510 *
yrdispl -0.051781 0.015073 -3.435 0.000592 ***
rr -1.258155 0.350735 -3.587 0.000334 ***
headyes -0.190680 0.080957 -2.355 0.018506 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

Null deviance: 6086.1 on 4876 degrees of freedom

Residual deviance: 5700.7 on 4858 degrees of freedom
AIC: 5738.7

Number of Fisher Scoring iterations: 4

> (6086.1/4876)*100
[1] 124.8175

Com veiem de la divisió en la Deviance i els graus de llibertat, la qual és ,és gran de 100, podem
dir, que no faltes variable explicatives en aquest model.
VALIDACIÓ DEL MODEL

El següent gràfic, haurien de ser dues línies paral·leles sense curvatures. Per tant hi ha errors
d’especificació, ergo hi ha omissions de variables rellevants ni erros en la forma funcional,
perquè no es compleix.
Per tenir residus homoscedàstics hem de tenir dues corvetures que es creuin sense corvetura.
En el nostre model comprovem que efectivament les dues línies es creuen i tot i no ser una
recta perfecte en gran mesura es compleix.
Tot i que el QQ. Plot no sol soltir bé ja que no hi ha normalitat, comprovem en el model que és
així, molt dolent.
INTERPRETACIÓ DEL MODEL

Veiem com les variables pintades de vermell i verd del model són significatives al 95% de
confiança segons indica el seu p-valor.
cbind(exp(coefficients(model)), exp(confint(model)))
Waiting for profiling to be done...
2.5 % 97.5 %
(Intercept) 0.5374068 0.2930214 0.9846653
statemb 1.0053125 1.0032854 1.0073488
stateur 1.1210994 1.0858611 1.1578646
state 0.9905269 0.9879940 0.9930570
age 1.0218042 1.0139448 1.0297976
tenure 1.0260914 1.0128257 1.0398098
joblostposition_abolished 0.9466347 0.7515536 1.1952607
joblostseasonal_job_ended 1.3248589 0.9494272 1.8645449
joblostslack_work 1.8362925 1.5986902 2.1102493
nwhiteyes 1.1326388 0.9446051 1.3614733
school12yes 0.9523374 0.8111297 1.1197346
sexmale 0.8255933 0.6946583 0.9801821
smsayes 0.8265469 0.7204018 0.9476248
marriedyes 1.2812239 1.0959026 1.4978735
dkidsyes 0.8961936 0.7610714 1.0556293
dykidsyes 1.2136673 1.0040419 1.4676600
yrdispl 0.9495365 0.9218788 0.9779995
rr 0.2841780 0.1425418 0.5638677
headyes 0.8263973 0.7049207 0.9682511

Significació individual:

Com podem veure les variables significatives són les que els seus intervals de confiança no
inclouen el numero 1:

Variables amb un IC que no inclou el numero 1 i a més a més estan per sobre d’aquest
(perjudicial);
statemb “”
stateur; quan la taxa d’atur del pais augmenta en un 1%, la
probabilitat d’estar a l’atur augmenta un 12,1% (1,121-1= 12,1%).
age; quan l’edat augmenta en 1 any, la probabilitat d’estar a l’atur
augmenta en un 2,1% (1,021-1=2,1%).
tenure “”
joblostslack_work “”
marriedyes “”
dykidsyes “”

Variables con un IC que no inclou el numero 1 i a més a més estan por sota d’aquest valor
(beneficiosa);
state “”
sexmale; si ets un home tens un 17,5% menys de probabilitats d’estar a
l’atur que una dona (0,825-1=-17,5%)
smsayes “”
yrdispl “”
rr “”
headyes “”

Per tal d’interpretar els coeficients, hem de transformart el ODDS en

un ODDS ratio, calculant-lo i restant-li 1.