[paractice] 해외 경제 참가자들의 경제참여확률 분석
2019. 12. 10. 17:14 - MunJunHyeok
10
MunJunHyeok
2019 12 10
- 남녀 경제 활동 참가율 분석 (해외)
1. 데이터 불러오기 및 데이터 정리
par <- read.csv('women_work.csv')
str(par)## 'data.frame': 2000 obs. of 13 variables:
## $ c1 : num -0.436 0.352 1.077 1.021 -0.443 ...
## $ c2 : num -0.0969 0.3005 -1.596 -1.7105 0.3083 ...
## $ u : num -0.218 0.176 0.539 0.511 -0.221 ...
## $ v : num -0.3757 0.4612 -0.3762 -0.497 -0.0925 ...
## $ county : int 1 2 3 4 5 6 7 8 9 0 ...
## $ age : int 22 36 28 37 39 33 57 45 39 25 ...
## $ education : int 10 10 10 10 10 10 10 16 12 10 ...
## $ married : int 1 1 1 1 1 1 1 1 1 0 ...
## $ children : int 0 0 0 0 1 2 1 0 0 3 ...
## $ select : num 16.8 32.4 19.2 21.3 32 ...
## $ wagefull : num 12.8 20.3 23.1 24.5 16.1 ...
## $ wage : num NA 20.3 NA NA 16.1 ...
## $ participation: int 0 1 0 0 1 1 1 1 0 1 ...par$married <- factor(par$married,
labels = c('single',
'married'))
table(par$married)##
## single married
## 659 1341
* 참가율(%) 산출
## # A tibble: 2 x 3
## participation n percent
## <int> <int> <dbl>
## 1 0 657 32.8
## 2 1 1343 67.2
2. linear probaility model (linear regression), 선형회귀모델. age, education, married, children이 한 단위 늘었을 때, 경제활동 참가를 할 ’확률’이 얼마나 증가하는가?
##
## Call:
## lm(formula = participation ~ age + education + married + children,
## data = par)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.0703 -0.4142 0.1372 0.3437 0.8060
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.207323 0.054111 -3.831 0.000131 ***
## age 0.010255 0.001227 8.358 < 2e-16 ***
## education 0.018601 0.003250 5.724 1.20e-08 ***
## marriedmarried 0.111112 0.021948 5.063 4.52e-07 ***
## children 0.115308 0.006772 17.028 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4199 on 1995 degrees of freedom
## Multiple R-squared: 0.2026, Adjusted R-squared: 0.201
## F-statistic: 126.7 on 4 and 1995 DF, p-value: < 2.2e-16
* 선형회귀분석한 값을 이용한 예측모형과 그래프 (결혼 여부에 따른 차이)
-> 예측에 사용하려 했으나 그래프의 범위가 0과 1 사이를 벗어나 예측이 불가능하다.
3. generalized linear model (apply logistic function)
* age, education, married, children이 한 단위 늘었을 때, ’single index’가 얼마나 증가하는가? 즉, 확률이 늘어나는가? 혹은 줄어드는가? 여부만 알 수 있다.
##
## Call:
## glm(formula = participation ~ age + education + married + children,
## family = "binomial", data = par)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.6212 -0.9292 0.4614 0.8340 2.0455
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -4.159247 0.332040 -12.526 < 2e-16 ***
## age 0.057930 0.007221 8.022 1.04e-15 ***
## education 0.098251 0.018652 5.268 1.38e-07 ***
## marriedmarried 0.741777 0.126471 5.865 4.49e-09 ***
## children 0.764488 0.051529 14.836 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 2532.4 on 1999 degrees of freedom
## Residual deviance: 2055.8 on 1995 degrees of freedom
## AIC: 2065.8
##
## Number of Fisher Scoring iterations: 5
-> age, education, married, children 이 한 단위 증가할 때, 경제활동참가율이 (어느 정도인지는 모르나) 증가한다.
* glm의 그래프
-> 모든 값이 0과 1 사이에 들어와 예측모형에 활용 할 수 있다.
* 일반적으로 경제학자들은 이 그래프의 추세선의 기울기, 머신러닝 분야에서는 이 모델을 활용한 예측에 관심이 있다.
'Statisitcs Theory > Data Analysis Practice' 카테고리의 다른 글
| [Practice] Estimation of Return to Schooling (0) | 2019.11.19 |
|---|
