Gyakorló feladatok a kétváltozós regresszióhoz 2.

Nemlineáris regresszió

1. A fizetés (Y , órabér dollárban) és iskolázottság (X, elvégzett iskolai év) közti kapcsolatot vizsgáljuk az

Yt = α + β · Xt2 + εt , t = 1, . . . , 29

kvadratikus modell segítségével. A számítási részeredmények az alábbiak:

29
X
X = 13, 72 X 2 = 194 Y = 21, 73 (Xt2 − X 2 )2 = 154 370
t=1

29
X 29
X
Xt2 · Yt = 138 505 (Yt − Y )2 = 6599
t=1 t=1

a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és

értelmezze a β együttható becsült értékét! (Segítség: két tetszőlegesen választott Xt érték esetén
- pl. X1 =12 és X2 =18 - számítsa ki a marginális hatást, és értelmezze a kapott értékeket!)
b.) Határozza meg a determinációs együttható értékét, és értelmezze a kapott eredményt!
c.) Adjunk becslést egy 12 éves iskolai végzettséggel rendelkező dolgozó átlagos órabérére!
d.) Határozza meg az órabér iskolázottságra vonatkozó rugalmasságát az átlagos szinten! Értelmezze
is a kapott eredményt!

2. Lakások árának (Y , mFt) alakulását vizsgáltuk a lakásban lakó családok éves összjövedelmének (X,
mFt) függvényében. Az adatok jellegéből arra a következtetésre jutottunk, hogy a fenti kapcsolatot
legjobban a
Yt = α + β · log Xt + εt , t = 1, . . . , 29
modell írja le, ahol log a természetes alapú logaritmust jelöli. A számítási részeredmények az alábbiak:
29
X 29
X 29
X 29
X
Xt = 238, 74 log Xt = 51, 22 Yt = 2193, 5 (log Xt − log X)(Yt − Y ) = 1363
t=1 t=1 t=1 t=1

29
X 29
X
2
(log Xt ) = 111, 39 Yt2 = 269 857, 25
t=1 t=1

a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és

értelmezze a β együttható becsült értékét!
b.) Határozza meg a determinációs együttható értékét, és értelmezze a kapott eredményt!
c.) Adjunk becslést egy 10 mFt éves összjövedelemmel rendelkező család lakásának modell szerinti
átlagárára!

1
 d.) Határozza meg a lakásárak jövedelemre vonatkozó rugalmasságát az átlagos szinten! Értelmezze
is a kapott eredményt!

3. Egy bizonyos vörösbor életkora (X, év) és az eladási ára (Y, dollár) közti kapcsolatot vizsgáljuk. Az
adatok jellegéből arra a következtetésre jutottunk, hogy a fenti kapcsolatot legjobban a

log Yt = α + β · Xt + εt , t = 1, . . . , 10

modell írja le, ahol log a természetes alapú logaritmust jelöli. A számítási részeredmények az alábbiak:
10
X
X = 10, 9 log Y = 4, 43 (Xt − X)2 = 424, 9
t=1

10
X 10
X
2
(log Yt − log Y ) = 30, 04 (Xt − X)(log Yt − log Y ) = 109, 85.
t=1 t=1

a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és

értelmezze a β együttható becsült értékét!
b.) Határozza meg a determinációs együttható értékét!
c.) Adjunk becslést egy 11 éves vörösbor árának modell szerinti átlagértékére!
d.) Határozza meg a bor árának életkorra vonatkozó rugalmasságát az átlagos szinten! Értelmezze is
a kapott eredményt!

4. 19 ország viszonylatában vizsgáltuk az egy főre jutó GDP (X, dollár) és az 1000 lakosra jutó személy-
gépkocsik száma (Y ) közti kapcsolatot. Az adatok ábrázolása után arra a következtetésre jutottunk,
hogy a fenti kapcsolatot legjobban a

log Yt = α + β log Xt + εt , t = 1, . . . , 19

modell írja le, ahol log a természetes alapú logaritmust jelöli. A számítási részeredmények az alábbiak:
19
X 19
X 19
X
log Xt = 168, 238 log Yt = 120, 4 (log Xt )2 = 1491, 65
t=1 t=1 t=1

19
X 19
X
2
(log Yt ) = 766, 95 (log Xt · log Yt ) = 1068, 78.
t=1 t=1

a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és

értelmezze a β együttható becsült értékét!
b.) Határozza meg a determinációs együttható értékét!
c.) Adjunk becslést egy olyan ország személygépkocsijainak számára, melyben az egy lakosra jutó
GDP mutató 7200 dollár!
d.) Határozza meg a személygépkocsik számának GDP-re vonatkozó rugalmasságát az átlagos szinten!
Értelmezze is a kapott eredményt!

2
5. Kalifornia megye Stockton városában vizsgáltuk a családi házak eladási árainak alakulását a házak
alapterületének függvényében. A vizsgált változók:

• price (Y ): a ház eladási ára dollárban

• sqft (X): a ház alapterülete négyzetlábban megadva

Az alábbiakban 4 különböző modellt építettünk az adatokra. Mind a négy modellt a Gretl programmal
készített OLS becslés futási eredményein keresztül elemezzük.

a.) Lineáris modellt illesztve az adatokra az alábbi eredményeket kaptuk:

Model 1: OLS, using observations 1–880
Dependent variable: price
Coefficient Std. Error t-ratio p-value
const −18385.7 3256.42 −5.646 0.0000
sqft 81.3890 1.91849 42.42 0.0000
Sum squared resid 8.04e+11 S.E. of regression 30259.20
R2 0.672113 Adjusted R2 0.671740
F (1, 878) 1799.752 P-value(F ) 8.3e–215
Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Értelmezze az
R2 mutató értékét, és határozza meg az ár alapterületre vonatkozó rugalmasságát az X = 1600
sqft érték mellett!
b.) Kvadratikus modellt illesztve az adatokra az alábbi eredményeket kaptuk:
Model 2: OLS, using observations 1–880
Dependent variable: price
Coefficient Std. Error t-ratio p-value
const 51390.7 1627.27 31.58 0.0000
sq_sqft 0.0213180 0.000457200 46.63 0.0000
Sum squared resid 7.05e+11 S.E. of regression 28342.79
R2 0.712330 Adjusted R2 0.712002
F (1, 878) 2174.109 P-value(F ) 9.1e–240
Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Értelmezze az
R2 mutató értékét, és határozza meg az ár alapterületre vonatkozó rugalmasságát az X = 1600
sqft érték mellett!
c.) Log-lineáris modellt illesztve az adatokra az alábbi eredményeket kaptuk:
Model 3: OLS, using observations 1–880
Dependent variable: l_price
Coefficient Std. Error t-ratio p-value
const 10.5938 0.0218500 484.8 0.0000
sqft 0.000595963 1.28727e–05 46.30 0.0000
Sum squared resid 36.19345 S.E. of regression 0.203034
R2 0.709404 Adjusted R2 0.709073
F (1, 878) 2143.379 P-value(F ) 7.7e–238

3
 Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Határozza meg
az ár alapterületre vonatkozó rugalmasságát az X = 1600 sqft érték mellett!
d.) Log-log modellt illesztve az adatokra az alábbi eredményeket kaptuk:
Model 4: OLS, using observations 1–880
Dependent variable: l_price
Coefficient Std. Error t-ratio p-value
const 4.17068 0.165508 25.20 0.0000
l_sqft 1.00658 0.0225423 44.65 0.0000
Sum squared resid 38.07749 S.E. of regression 0.208251
R2 0.694277 Adjusted R2 0.693929
F (1, 878) 1993.884 P-value(F ) 3.7e–228
Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Határozza meg
az ár alapterületre vonatkozó rugalmasságát az X = 1600 sqft érték mellett!

További kérdések a négy modellel kapcsolatban:

• Összehasonlíthatóak-e a négy modell esetén meghatározott R2 mutatók? Válaszát indokolja!

• Adjon predikciót egy 2700 négyzetláb alapterületű ház eladási árára mind a négy modell segítsé-
gével!
• Az előzőek alapján melyik modellt gondolná a legjobbnak? Válaszát indokolja!
• Hogyan változnának meg a modellek becsült együtthatói akkor, ha a ház alapterületét négyzetláb
helyett négyzetméterben mérnénk? (Segítségül 1 négyzetláb=0,09 m2 .) Számításait mind a négy
modellre végezze el!

6. Étkezési csirke iránti keresletet szeretnénk modellezni az ár függvényében. Éves adatok állnak rendel-
kezésünkre 1950 és 2001 között. A vizsgált változók:

• q: egy főre jutó fogyasztás mennyisége (font)

• p: árindex

Az alábbiakban három különböző modellt építettünk az adatokra. Mind a három modellt a Gretl
programmal készített OLS becslés futási eredményein keresztül elemezzük.

a.) Lineáris modellt illesztve az adatokra az alábbi eredményeket kaptuk:

Model 1: OLS, using observations 1950–2001 (T = 52)
Dependent variable: q
Coefficient Std. Error t-ratio p-value
const 57.9556 2.57522 22.51 0.0000
p −18.4028 1.66115 −11.08 0.0000
Sum squared resid 2120.814 S.E. of regression 6.512777
R2 0.710531 Adjusted R2 0.704742
F (1, 50) 122.7300 P-value(F ) 4.58e–15

4
 Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Értelmezze az
R2 mutató értékét, és határozza meg a mennyiség árindexre vonatkozó rugalmasságát a p = 1, 45
érték mellett!
b.) Lineáris-logaritmikus modellt illesztve az adatokra az alábbi eredményeket kaptuk:
Model 2: OLS, using observations 1950–2001 (T = 52)
Dependent variable: q
Coefficient Std. Error t-ratio p-value
const 41.2111 0.989812 41.64 0.0000
l_p −31.9078 2.15836 −14.78 0.0000
Sum squared resid 1364.111 S.E. of regression 5.223239
R2 0.813813 Adjusted R2 0.810089
F (1, 50) 218.5471 P-value(F ) 6.95e–20
Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Értelmezze az
R2 mutató értékét, és határozza meg a mennyiség árindexre vonatkozó rugalmasságát a p = 1, 45
érték mellett!
c.) Log-log modellt illesztve az adatokra az alábbi eredményeket kaptuk (ez a modell szerepelt előadá-
son is, így ennek a feladatrésznek a megoldása megtalálható a fóliákon):

Model 3: OLS, using observations 1950–2001 (T = 52)

Dependent variable: l_q
Coefficient Std. Error t-ratio p-value
const 3.71694 0.0223594 166.2 0.0000
l_p −1.12136 0.0487564 −23.00 0.0000
Sum squared resid 0.696089 S.E. of regression 0.117991
R2 0.913639 Adjusted R2 0.911911
F (1, 50) 528.9623 P-value(F ) 3.00e–28

Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Határozza meg
a mennyiség árindexre vonatkozó rugalmasságát a p = 1, 45 érték mellett!

További kérdések a fenti három modellel kapcsolatban:

• Összehasonlíthatóak-e a modellek R2 mutatói? Válaszát indokolja!

• Adjon predikciót az eladási mennyiség átlagos értékére p = 1, 45 esetén mindhárom modell segít-
ségével!
• Az előzőek alapján melyik modellt gondolná a legjobbnak? Válaszát indokolja!

5
7. Londoni háztartások költségvetési adatait vizsgálva az alábbi változók egymáshoz való viszonyát sze-
retnénk modellezni:

• WFOOD (Y ): élelmiszerkiadás költségvetési részedesése (%)

• TOTEXP (X): a háztartás teljes kiadása (font)

Az alábbiakban négy különböző modellt építettünk az adatokra. Mind a négy modellt a Gretl prog-
rammal készített OLS becslés futási eredményein keresztül elemezzük.

a.) Lineáris modellt illesztve az adatokra az alábbi eredményeket kaptuk:

Model 1: OLS, using observations 1–594
Dependent variable: wfood
Coefficient Std. Error t-ratio p-value
const 0.462290 0.00873296 52.94 0.0000
totexp −0.00125653 8.28281e–05 −15.17 0.0000
Sum squared resid 5.115088 S.E. of regression 0.092953
R2 0.279926 Adjusted R2 0.278710
F (1, 592) 230.1381 P-value(F ) 3.75e–44
Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Értelmezze az
R2 mutató értékét, és határozza meg a teljes kiadás élelmiszerre fordított részarányára vonatkozó
rrugalmasságát a T OT EXP = 95 font érték mellett!
b.) Lin-log modellt illesztve az adatokra az alábbi eredményeket kaptuk:
Model 2: OLS, using observations 1–594
Dependent variable: wfood
Coefficient Std. Error t-ratio p-value
const 1.00993 0.0400986 25.19 0.0000
l_totexp −0.149502 0.00895170 −16.70 0.0000
Sum squared resid 4.828562 S.E. of regression 0.090313
R2 0.320262 Adjusted R2 0.319114
F (1, 592) 278.9237 P-value(F ) 1.36e–51
Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Értelmezze az
R2 mutató értékét, és határozza meg a teljes kiadás élelmiszerre fordított részarányára vonatkozó
rrugalmasságát a T OT EXP = 95 font érték mellett!
c.) Log-lin modellt illesztve az adatokra az alábbi eredményeket kaptuk:
Model 3: OLS, using observations 1–594
Dependent variable: l_wfood
Coefficient Std. Error t-ratio p-value
const −0.706642 0.0267050 −26.46 0.0000
totexp −0.00441688 0.000253285 −17.44 0.0000
Sum squared resid 47.83163 S.E. of regression 0.284248
R2 0.339358 Adjusted R2 0.338242
F (1, 592) 304.0979 P-value(F ) 2.88e–55

6
 Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Határozza meg
a teljes kiadás élelmiszerre fordított részarányára vonatkozó rrugalmasságát a T OT EXP = 95
font érték mellett!
d.) Log-log modellt illesztve az adatokra az alábbi eredményeket kaptuk:
Model 4: OLS, using observations 1–594
Dependent variable: l_wfood
Coefficient Std. Error t-ratio p-value
const 1.06548 0.126216 8.442 0.0000
l_totexp −0.491237 0.0281767 −17.43 0.0000
Sum squared resid 47.83952 S.E. of regression 0.284271
R2 0.339249 Adjusted R2 0.338133
F (1, 592) 303.9502 P-value(F ) 3.02e–55
Írja fel a modell becsült alakját, és értelmezze a β meredekségi paraméter értékét! Határozza meg
a teljes kiadás élelmiszerre fordított részarányára vonatkozó rrugalmasságát a T OT EXP = 95
font érték mellett!

További kérdések a fenti négy modellel kapcsolatban:

• Összehasonlíthatóak-e a modellek R2 mutatói? Válaszát indokolja!

• Adjon predikciót az élelmiszerre fordított kiadás részarányára T OT EXP = 100 font esetén mind
a négy modell segítségével!
• Az előzőek alapján melyik modellt gondolná a legjobbnak? Válaszát indokolja!
• Hogyan változnának meg a modellek becsült együtthatói akkor, ha a háztartás teljes kiadását font
helyett 100 fontban mérnénk? Számításait mind a négy modellre végezze el!

7
 Megoldások és végeredmények
1. Fizetések vs. iskolázottság.
a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és értelmezze
a β együttható becsült értékét! (Segítség: két tetszőlegesen választott Xt érték esetén - pl. X1 =12 és
X2 =18 - számítsa ki a marginális hatást, és értelmezze a kapott értékeket!)
A számítási részeredmények alapján
Sxy 138 505 − 29 · 194 · 21, 73 16 252, 02
β̂ = = = = 0, 105.
Sxx 154 370 154 370
A kvadratikus modellben a marginális hatás 2 · βX, ami X1 = 12 esetén 2,52, azaz 12 elvégzett iskola év
esetén +1 év iskola az órabért átlagosan 2,52 dollárral emeli, míg X2 = 18 esetén ugyanez 3,78 dollár.
α̂ = Y − β̂ · X 2 = 1, 36.

b.) Határozza meg a determinációs együttható értékét, és értelmezze a kapott eredményt!

A számítási részeredmények alapján
2
Sxy
T SS = 6599, RSS = = 1701, 93,
Sxx
RSS 1701, 93
R2 = = = 0, 258,
T SS 6599
azaz a kvadratikus modell alapján az iskolázottság 25, 8%-ban magyarázza az órabér mintabeli szóró-
dását.
c.) Adjunk becslést egy 12 éves iskolai végzettséggel rendelkező dolgozó átlagos órabérére!
X1 = 12 esetén Ŷ = 1, 36 + 0, 105 · 122 = 16, 48, azaz 12 év iskolázottság esetén az átlagos órabér 16,48
dollár.
d.) Határozza meg a fizetés iskolázottságra vonatkozó rugalmasságát az átlagos szinten! Értelmezze is a
kapott eredményt!
A kvadratikus modellben
∂Y X 2 · β · X2
El(Ŷ |X) =· = .
∂X Y Y
Mivel X = 13, 72 esetén Ŷ = 21, 125, így El(Ŷ |X) = 1, 87, azaz az iskolázottság 1%-os növekedése az
átlagos szinten az órabér 1, 87%-os átlagos növekedését vonja maga után.
2. Jövedelem vs. Lakásárak.

a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és értelmezze
a β együttható becsült értékét!
A számítási részeredmények alapján
Sxy 1363 1363
β̂ = = 51,222
= = 65, 14.
Sxx 111, 39 − 29 · 20, 925
292

Lin-log modellben a marginális hatást úgy értelmezzük, hogy a jövedelem 1%-os növekedése a lakásár
β/100 = 0, 6514 egységnyi (azaz 651 400 forintos) növekedését eredményezi átlagosan.
α̂ = Y − β̂ · log X = −39, 413.

8
b.) Határozza meg a determinációs együttható értékét, és értelmezze a kapott eredményt!
A számítási részeredmények alapján
2
2193, 52 Sxy
T SS = 269 857, 25 − 29 · = 103 945, 45, RSS = = 88 789, 37,
292 Sxx
RSS
R2 = = 0, 854,
T SS
azaz a lin-log modell alapján a jövedelem 85, 4%-ban magyarázza a lakásárak mintabeli szóródását.

c.) Adjunk becslést egy 10 mFt éves összjövedelemmel rendelkező család lakásának modell szerinti árára!
X = 10 esetén Ŷ = −39, 413 + 65, 14 · log 10 = 110, 58, azaz egy 10 mFt összjövedelemmel rendelkező
család lakásának átlagos ára 110, 58 mFt.

d.) Határozza meg a lakásár jövedelemre vonatkozó rugalmasságát az átlagos szinten! Értelmezze is a kapott
eredményt!
A lin-log modellben
∂Y X β
El(Ŷ |X) = · = .
∂X Y Y
Mivel Y = 75, 64 így El(Ŷ |X) = 0, 86, azaz a jövedelem 1%-os növekedése az átlagos szinten a lakásár
0, 86%-os átlagos növekedését vonja maga után.

3. Bor életkora vs. eladási ára.

a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és értelmezze
a kapott értékeket!
A számítási részeredmények alapján
Pn
(Xt − X)(log Yt − log Y ) 109, 85
β̂ = t=1 Pn = = 0, 259.
t=1 (Xt − X)
2 424, 9

Mivel log-lin modellünk van, így a meredekségi paraméter 0,259 értéke azt jelenti, hogy egy évvel növelve
az életkort a bor ára átlagosan 25, 9%-kal növekszik.

α̂ = log Y − β̂ · X = 4, 43 − 0, 259 · 10, 9 = 1, 612.

b.) Határozza meg a determinációs együttható értékét!

A számítási részeredmények alapján
2
Sxy 109, 852
T SS = 30, 04, RSS = = = 28, 4,
Sxx 424, 9
RSS 28, 4
R2 = = = 0, 945.
T SS 30, 04

9
c.) Adjunk becslést egy 11 éves vörösbor modell szerinti átlagértékére!
A modell alapján
[
log Yt = 1, 612 + 0, 259 · Xt , azaz Ybt = e1,612+0,259·Xt .
Tehát ha Xt = 11, akkor Ybt = e1,612+0,259·11 = 86, 175. Ezt még korrigálnunk kell a regresszió sztenderd
hibájával (s). Mivel ESS = T SS − RSS = 30, 04 − 28, 4 = 1, 64, így s2 = ESS/(n − 2) = 1, 64/8 =
0, 205. Tehát
Yˆt,c = Ybt = e1,612+0,259·11+0,205/2 = 95, 92,
azaz egy 11 éves bor modell szerinti (korrigált) átlagos ára 95,92 dollár.

d.) Határozza meg a bor árának életkorra vonatkozó rugalmasságát az átlagos szinten! Értelmezze is a kapott
eredményt!
Tudjuk, hogy a log-lin modellben
∂Y X
El(Ŷ |X) = · = β · X,
∂X Y

azaz ha X = X = 10, 9, akkor El(Ŷ |X) = 0, 259 · 10, 9 = 2, 82. Ez azt jelenti, hogy a bor életkorának
1%-os növelése az átlagos szinten az ár 2, 82%-os átlagos növekedését vonja maga után.

4. GDP vs. személygépkocsik száma, log-log modell.

a.) Számítsa ki a regressziós együtthatók becsült értékeit a számítási részeredmények alapján, és értelmezze
a kapott értékeket!
A számítási részeredmények alapján

1068, 78 − 19 · 168,238 · 120,4

Pn
(log Xt · log Yt ) − n · log X · log Y 2, 682
β̂ = t=1 Pn 2 = 19
168,2382
19
= = 1, 365.
(log X t ) 2 − n · log X 1491, 65 − 19 · 2
1, 965
t=1 19

Mivel log-log modellünk van, így a meredekségi paraméter 1,365 értéke azt jelenti, hogy a GDP 1%-os
növekedése esetén az 1000 lakosra jutó személygépkocsik száma átlagosan 1, 365%-kal növekszik.
120, 4 168, 238
α̂ = log Y − β̂ · log X = − 1, 365 · = −5, 75
19 19

b.) Határozza meg a determinációs együttható értékét!

A számítási részeredmények alapján
n
X 2 120, 42
T SS = (log Yt )2 − 19 · log Y = 766, 95 − 19 · = 3, 994,
t=1
192

2
Sxy 2, 6822
RSS = = = 3, 66,
Sxx 1, 965
RSS 3, 66
R2 = = = 0, 916.
T SS 3, 994

10
c.) Adjunk becslést egy olyan ország személygépkocsijainak számára, melyben az egy lakosra jutó GDP mu-
tató 7200 dollár!
A modell alapján
[
log Yt = −5, 75 + 1, 365 log Xt ,
azaz
Ybt = e−5,75+1,365 log Xt = e−5,75 · Xt1,365 = 0, 0032 · Xt1,365 .
Tehát ha Xt = 7200, akkor Ybt = 0, 0032 · 72001,365 = 589, 4, Ezt még korrigálnunk kell a regresszió
sztenderd hibájával (s). Mivel ESS = T SS − RSS = 3, 994 − 3, 66 = 0, 334, így s2 = ESS/(n − 2) =
0, 334/17 = 0, 0196. Tehát

Yˆt,c = Ybt = e−5,75+1,365 log Xt +0,0196/2 = 592,

azaz ha az egy főre jutó GDP 7200 dollár, akkor az 1000 lakosra jutó személygépkocsik száma átlagosan
592 darab.
d.) Határozza meg a személygépkocsik számának GDP-re vonatkozó rugalmasságát az átlagos szinten! Ér-
telmezze is a kapott eredményt!
Tudjuk, hogy a log-log modell konstans elaszticitású, és a rugalmasság értéke a magyarázó változó
minden szintjén megegyezik a meredekségi együtthatóval, azaz modellünk rugalmassága 1,365. Ez azt
jelenti, hogy a magyarázó változó bármely szintje esetén a GDP 1%-os növekedése az 1000 lakosra jutó
személygépkocsik számában átlagosan 1, 365%-os növekedést okoz.

5. Stockton - lakásárak vs. alapterület.

a.) A modell becsült alakja: p\ ricet = −18385, 7 + 81, 389 · sqf tt . β = 81, 389 azt jelenti, hogy az alapterület
egységnyi növekedése átlagosan ennyivel növeli az árat. R2 = 0, 672, azaz az alapterület 67, 2%-ban
magyarázza az ár mintabeli szóródását. El(price|sqf t) = β · sqf t/price = 81, 389 · 1600/(−18385, 7 +
81, 389 · 1600) = 1, 164, azaz az 1600 sqf t alapterületű lakások esetén az alapterület 1%-os növekedése
az árat átlagosan 1, 164%-kal növeli.

b.) A modell becsült alakja: p\ ricet = 51390, 7 + 0, 0213 · sqf t2t . β = 0, 0213 értéke a marginális hatás
segítségével értelmezhető: a marginális hatás ebben a modellben 2βsqf t, azaz pl, sqf t1 = 1000 esetén
2βsqf t = 42, 6, míg sqf t2 = 2000 esetén 2βsqf t = 85, 2. Ez azt jelenti, hogy az alapterület egységnyi
változása egy 1000 négyzetláb alapterületű lakás esetén átlagosan 42,6 dollárral emeli az árat, míg
ugyanez egy 2000 alapterületű lakásnál már 85,2 dollár. R2 = 0, 712, azaz a kvadratikus modell alalpján
az alapterület 71, 2%-ban magyarázza az ár mintabeli szóródását. El(price|sqf t) = 2β · sqf t2 /price =
109056/105918, 7 = 1, 03, azaz az 1600 sqf t alapterületű lakások esetén az alapterület 1%-os növekedése
az árat átlagosan 1, 03%-kal növeli.

c.) A modell becsült alakja: log\ pricet = 10, 5938 + 0, 0006 · sqf tt . β = 0, 0006 értéke a marginális hatás
segítségével értelmezhető: a marginális hatás ebben a modellben 100β%, azaz az alapterület egységnyi
változása az ár 0, 06%-os átlagos növekedését okozza. El(price|sqf t) = βsqf t = 0, 96, azaz az 1600
sqf t alapterületű lakások esetén az alapterület 1%-os növekedése az árat átlagosan 0, 96%-kal növeli.

d.) A modell becsült alakja: log\ pricet = 4, 171 + 1, 007 · log sqf tt . β = 1, 007 értéke a marginális hatás
segítségével értelmezhető: a marginális hatás ebben a modellben β%, azaz az alapterület 1%-os vál-
tozása az ár 1, 007%-os átlagos növekedését okozza. El(price|sqf t) = β = 1, 007, azaz az 1600 sqf t
alapterületű lakások esetén az alapterület 1%-os növekedése az árat átlagosan 1, 007%-kal növeli.

11
 További kérdések:

• A lineáris és a kvadratikus modellek R2 mutatói összehasonlíthatóak, mert az eredményváltozók meg-

egyeznek, és a magyarázó változók száma sem változott. A log-lin és log-log modellek R2 mutatói is
összehasonlíthatóak, bár jobb lenne az általánosított formát használni (indokok ugyanazok, mint az
előbb), de nem hasonlíthatóak a lineáris és kvadratikus modellel, mert különbözik az eredményváltozó.

• Lineáris: p\ ricet = −18385, 7 + 81, 389 · 2700 = 201364, 6. Kvadratikus: p\ ricet = 51390, 7 + 0, 0213 ·
2 10,5938+0,0006·2700+0,2032 /2
2700 = 206668, 7. Log-lin: price \t,c = e = 205747, 4. Log-log: price
\t,c =
4,171+1,007·log 2700+0,2082 /2
e = 188964, 4

• Tetszőleges válasz adható, indoklásként R2 értéke, és a függvényforma választása adható.

2
• A lineáris modellben α változatlan, β ∗ = β · 100
9
. A kvadratikus modellben α változatlan, β ∗ = β · 100
9
.
∗ 100 ∗ 100
A log-lin modellben α változatlan, β = β· 9 . A log-log modellben α = α+β·log 9 , míg β változatlan
marad.

6. Csirke kereslet vs. ár.

a.) A modell becsült alakja: qbt = 57, 9556 − 18, 4028 · pt . El(q|p) = β · p/q = −18, 4028 · 1, 45/(57, 9556 −
18, 4028 · 1, 45) = −0, 853. Értelmezéseket ld. 5. feladatnál.

b.) A modell becsült alakja: qbt = 41, 2111 − 31, 9078 · log pt . β = −18, 4028 értéke a marginális hatás
segítségével értelmezhető: a marginális hatás ebben a modellben β/100, azaz az ár 1%-os növeke-
dése a kereslet −31, 9078/100 egységnyi átlagos csökkenését eredményezi. R2 = 0, 813, azaz a lin-
log modell alapján az ár 81, 3%-ban magyarázza a kereslet mintabeli szóródását. El(q|p) = β/q =
−31, 9078/(41, 2111 − 31, 9078 · log 1, 45) = −1, 087, azaz az árindex p = 1, 45 szintjén történő 1%-os
növekedés a keresletet átlagosan 1, 087%-kal csökkenti. .
[
c.) A modell becsült alakja: log qt = 3, 71694 − 1, 12136 · log pt . β = −1, 12136 értéke a marginális hatás
segítségével értelmezhető: a marginális hatás ebben a modellben β%, azaz az ár 1%-os változása a
kereslet 1, 12136%-os átlagos csökkenését okozza. El(q|p) = β = −1, 12136, azaz az árindex p = 1, 45
szintjén történő 1%-os növekedés a keresletet átlagosan 1, 12136%-kal csökkenti.
További kérdések:

• A lineáris és a lin-log modellek R2 mutatói összehasonlíthatóak, mert az eredményváltozók megegyeznek,

és a magyarázó változók száma sem változott. A log-log modell R2 mutatója ezekkel nem összehason-
lítható, mert különbözik az eredményváltozó.

• Lineáris: qbt = 57, 9556−18, 4028·1, 45 = 31, 27154. Lin-log: qbt = 41, 2111−31, 9078·log 1, 45 = 29, 3553.
2
Log-log: qbt = e3,71694−1,12136·log 1,45+0,118 /2 = 27, 3098

• Tetszőleges válasz adható, indoklásként R2 értéke, és a függvényforma választása adható.

7. Londoni háztartások költségvetési adatai.

a.) A modell becsült alakja: wf \oodt = 0, 46229 − 0, 00126 · totexpt . β = −0, 00126 azt jelenti, hogy a
teljes kiadás egységnyi növekedése átlagosan ennyivel csökkenti az élelmiszerkiadás részesedését. R2 =
0, 28, azaz a teljes kiadás 28%-ban magyarázza a élelmiszerkiadás részesedésének mintabeli szóródását.

12
 El(wf ood|totexp) = β · totexp/wf ood = −0, 00126 · 95/(0, 46229 − 0, 00126 · 95) = −0, 327, azaz a
teljes kiadás 95 fontos szintje esetén az 1%-os növekedés az élelmiszerköltség részesedését átlagosan
0, 327%-kal csökkenti.

b.) A modell becsült alakja: wf\ oodt = 1, 0093 − 0, 149502 · log totexpt . β = −0, 149502 értéke a marginális
hatás segítségével értelmezhető: a marginális hatás ebben a modellben β/100, azaz a teljes kiadás 1%-os
növekedése az élelmiszerre fordított részesedés −0, 149502/100 egységnyi (ami most %, hiszen a változó
szintje ez) átlagos csökkenését eredményezi. R2 = 0, 32, azaz a lin-log modell alapján a teljes kiadás
32%-ban magyarázza az élelmiszerkiadás részesedésének mintabeli szóródását. El(q|p) = β/wf ood =
−0, 149502/(1, 00993 − 0, 149502 · log 95) = −0, 4543, azaz a teljes kiadás 95 fontos szintje esetén az
1%-os növekedés az élelmiszerre fordított részesedés 0, 4543%-os átlagos csökkenését okozza. .

c.) A modell becsült alakja: log\wf oodt = −0, 7066 − 0, 00442 · totexpt . β = −0, 00442 értéke a marginális
hatás segítségével értelmezhető: a marginális hatás ebben a modellben 100β%, azaz a teljes kiadás
egységnyi változása az élelmiszerfogyasztás részesedésének 0, 00442%-os átlagos csökkenését okozza.
El(wf ood|totexp) = βtotexp = −0, 42, azaz a teljes kiadás 95 fontos szintje esetén az 1%-os növekedés
az élelmiszerfogyasztás részesedését átlagosan 0, 42%-kal csökkenti.

d.) A modell becsült alakja: log\ wf oodt = 1, 066 − 0, 491 · log totexpt . β = −0, 491 értéke a margi-
nális hatás segítségével értelmezhető: a marginális hatás ebben a modellben β%, azaz a teljes ki-
adás 1%-os változása az élelmiszerfogyasztás részesedésének 0, 491%-os átlagos csökkenését okozza.
El(wf ood|totexp) = β = −0, 491, azaz a teljes kiadás 95 fontos szintje esetén az 1%-os növekedés
az élelmiszerfogyasztás részesedését átlagosan 0, 491%-kal csökkenti.
További kérdések:

• A lineáris és lin-log modellek R2 mutatói összehasonlíthatóak, mert az eredményváltozók megegyeznek,

és a magyarázó változók száma sem változott. A log-lin és log-log modellek R2 mutatói is összehasonlít-
hatóak, bár jobb lenne az általánosított formát használni (indokok ugyanazok, mint az előbb), de nem
hasonlíthatóak a lineáris és lin-log modellel, mert különbözik az eredményváltozó.

• Lineáris: wf \ oodt = 0, 46229 − 0, 00126 · 100 = 0, 33629. Lin-log: wf \ oodt = 1, 0093 − 0, 149502 ·
−0,7066−0,00442·100+0,2842 /2
log 100 = 0, 3208. Log-lin: log\ wf oodt = e \
= 0, 33. Log-log: wf oodt,c =
1,066−0,491·log 100+0,2842 /2
e = 0, 315

• Tetszőleges válasz adható, indoklásként R2 értéke, és a függvényforma választása adható.

• A lineáris modellben α változatlan, β ∗ = β · 100. A lin-log modellben α∗ = α + β · log 100, míg

β változatlan marad. A log-lin modellben α változatlan, β ∗ = β · 100. A log-log modellben α∗ =
α + β · log 100, míg β változatlan marad.

13