‫שאלה ‪1‬‬

‫א‪ .‬מהי המשמעות של כל אחד מהמקדמים?‬

‫‪ = bedrooms‬מספר חדרי שינה – מקדם ‪ – 26‬תוספת של חדר שינה ‪ 1‬מוסיפה כ – ‪ 26‬אלף‬ ‫•‬
‫דולר למחיר הדירה בממוצע כאשר שאר המשתנים המסבירים קבועים‪.‬‬
‫‪ = bathrooms‬מספר חדרי שירותים ‪ -‬מקדם ‪ – 109‬תוספת של חדר אמבטיה ‪ 1‬מוסיפה כ –‬ ‫•‬
‫‪ 109‬אלף דולר למחיר הדירה בממוצע כאשר שאר המשתנים המסבירים קבועים‪.‬‬
‫‪ = Otherrooms‬מספר חדרים אחרים ‪ -‬מקדם ‪ – 32‬חדר ‪ 1‬נוסף מוסיף כ – ‪ 32‬אלף דולר‬ ‫•‬
‫למחיר הדירה בממוצע כאשר שאר המשתנים המסבירים קבועים‪.‬‬
‫‪ = age‬גיל הדירה (בשנים) ‪ -‬מקדם ‪ – 0.32‬תוספת של ‪ 10‬שנים לוותק הבית מוסיפות כ – ‪3.2‬‬ ‫•‬
‫אלף דולר למחיר הדירה בממוצע כאשר שאר המשתנים המסבירים קבועים‪.‬‬

‫ב‪ .‬המקדמים הופכים להיות שליליים ולא מובהקים כולם‪ .‬למה הם השתנו?‬
‫ניתן לראות כי ברגע שמפקחים על שטח הדירה‪ ,‬המשתנים הנוספים הופכים סימן וכבר לא‬
‫מובהקים‪ .‬זה נובע מכך שקיים מתאם חזק בין המשתנה שטח לבין המשתנים הנוספים‪ .‬ברגע‬
‫שמפקחים על שטח הדירה‪ ,‬למשתנים המסבירים הנוספים אין השפעה על מחיר הדירה‪.‬‬

‫‪price bathrooms bedrooms otherrooms area‬‬

‫‪price‬‬ ‫‪1.00‬‬ ‫‪0.41‬‬ ‫‪0.32‬‬ ‫‪0.11 0.62‬‬
‫‪bathrooms‬‬ ‫‪0.41‬‬ ‫‪1.00‬‬ ‫‪0.47‬‬ ‫‪-0.20 0.65‬‬
‫‪bedrooms‬‬ ‫‪0.32‬‬ ‫‪0.47‬‬ ‫‪1.00‬‬ ‫‪-0.12 0.62‬‬
‫‪otherrooms‬‬ ‫‪0.11‬‬ ‫‪-0.20‬‬ ‫‪-0.12‬‬ ‫‪1.00 0.18‬‬
‫‪area‬‬ ‫‪0.62‬‬ ‫‪0.65‬‬ ‫‪0.62‬‬ ‫‪0.18 1.00‬‬

‫מקדם ‪ – 2.18‬תוספת של ‪ 10‬מטר מרובע לשטח הדירה מוסיפה כ – ‪ 22‬אלף דולר למחיר‬
‫הדירה בממוצע כאשר שאר המשתנים המסבירים קבועים‪.‬‬

‫ג‪ .‬אין הבדל גדול בין ערכים של ‪ R2‬בשני המודלים‪ .‬המשתנה "שטח בדירה" מתואם מאוד עם‬
‫המשתנים של מספר החדרים והוא לבדו מסביר כמעט את כל השונות שהוא מסביר ביחד עם‬
‫המשתנים האחרים‪.‬‬

‫שאלה ‪2‬‬

‫א‪ 1.5 .‬אלף ‪. ₪‬‬

‫ב‪ 37.5 .‬אלף ‪₪‬‬
‫‪12*3+1.5*1=37.5‬‬

‫‪1‬‬
 ‫שאלה ‪3‬‬

‫א‪ .‬מהי המשמעות של כל אחד מהמקדמים?‬

‫‪( educ‬שנות השכלה) – תשואה להשכלה – ‪ - 9.2%‬תוספת של שנת השכלה ‪ 1‬מוסיפה‬
‫כ – ‪ 9%‬לשכר לשעה בממוצע (כששאר המשתנים המסבירים קבועים)‪.‬‬
‫‪( exper‬שנות ניסיון בשוק העבודה) – ‪ 10‬שנות וותק נוספות בשוק העבודה מוסיפות‬
‫כ – ‪ 4%‬לשכר לשעה בממוצע (כששאר המשתנים המסבירים קבועים)‪.‬‬
‫‪( tenure‬שנות וותק עם המעסיק הנוכחי) ‪ -‬שנת וותק נוספת עם מעסיק נוכחי‬
‫מוסיפה כ – ‪ 2%‬לשכר לשעה בממוצע (כששאר המשתנים המסבירים קבועים)‪.‬‬

‫ב‪ .‬מהו פער השכר הצפוי בין פרט עם ‪ 12‬שנות השכלה‪ 20 ,‬שנות ניסיון בשוק העבודה‬
‫ו‪ 10-‬שנות וותק לבין פרט עם ‪ 12‬שנות השכלה‪ 20 ,‬שנות ניסיון ו‪ 8-‬שנות וותק?‬

‫‪E (ln w | educ = 12 , exp er = 20 , tenure = 10 ) = 1 *12 +  2 * 20 +  3 *10 +  0‬‬

‫‪E (ln w | educ = 12 , exp er = 20 , tenure = 8) = 1 *12 +  2 * 20 +  3 * 8 +  0‬‬

‫‪E (ln w | educ = 12 , exp er = 20 , tenure = 10 ) − E (ln w | educ = 12 , exp er = 20 , tenure = 8) =  3 * 2‬‬

‫ג‪ .‬לאחר הוספת המשתנה ‪: exper2‬‬

‫‪.‬‬

‫‪( educ‬שנות השכלה) – תשואה להשכלה – ‪ - 8.5%‬תוספת של שנת השכלה ‪ 1‬מוסיפה‬

‫כ – ‪ 8.5%‬לשכר לשעה בממוצע (כששאר המשתנים המסבירים קבועים)‪.‬‬
‫‪( exper‬שנות ניסיון בשוק העבודה) ו‪ – :exper2‬לשנות ניסיון ישנה השפעה חיובית‬
‫אך פוחתת (צורה של פראבולה הפוכה)‪.‬‬
‫‪( tenure‬שנות וותק עם המעסיק הנוכחי) ‪ -‬שנת וותק נוספת עם מעסיק נוכחי‬
‫מוסיפה כ – ‪ 2%‬לשכר לשעה בממוצע (כששאר המשתנים המסבירים קבועים)‪.‬‬

‫ד‪ .‬במודל (‪ )1‬הנחנו כי לוג השכר עולה מונוטונית עם הניסיון‪ .‬כאן לא‪ .‬השכר מגיע‬
‫למקסימום עבור רמת השכלה וותק נתונה לאחר ‪ 24‬שנות ניסיון‪:‬‬

‫‪ ln w‬‬
‫‪=  2 + 2 3 * exp er = 0.032 − 2 * 0.00066 * exp er = 0‬‬
‫‪ exp er‬‬

‫‪0.032‬‬
‫= ‪exp er‬‬ ‫‪= 24‬‬
‫‪2 * 0.00066‬‬

‫‪2‬‬
 ‫שאלה ‪4‬‬
‫היא השפעת ההשכלה על (לוג) השכר‪ ,‬ואילו‬ ‫‪.‬‬ ‫ב‪ .‬התקבל אומדן שונה ל ‪  1‬ול ‪-‬‬
‫היא השפעת ההשכלה על (לוג) השכר בהינתן שהניסיון נותר קבוע‪ .‬שני האומדנים לא‬
‫כולל בתוכו גם את ההשפעה של הקשר בין ההשכלה לבין‬ ‫שווים‪ ,‬מכיוון האומדן של‬
‫הוותק בשקלול ההשפעה של ותק על השכר‪.‬‬

‫והסבירו את התוצאה‪.‬‬ ‫ג‪ .‬הראו (על ידי חישוב) את הקשר בין‬

‫אז מתקיים ש‪:‬‬ ‫ד‪ .‬הטענה נכונה משום ש‪ :‬אם‬

‫שאלה ‪5‬‬
‫א‪ .‬אנו מניחים כי רוב אוכלוסיית המועסקים‪ ,‬מתחילים לעבוד במקצוע שלהם בסיום‬
‫לימודיהם‪ .‬החינוך מתחיל לאחר גיל ‪ .6‬לכן‪ ,‬קירוב לשנות ניסיון מהווה הגיל פחות החינוך‬
‫פחות ‪ 6‬שנות הילדות הראשונים‪.‬‬

‫ב‪ .‬יש בעיה של מולטיקולניאריות מלאה‪ .‬משתנה הניסיון מתואם באופן מושלם (בהגדרה) עם‬
‫משתני הגיל וההשכלה‪ .‬אנו רואים שבפועל תוכנת ‪ R‬משמיטה את המשתנה ‪.age‬‬
‫פתרון – לא להכליל משתנה ‪.age‬‬

‫ג‪ .‬תשואה להשכלה כאשר מחזיקים ניסיון קבוע‪ .‬שנת השכלה נוספת מתואמת עם עליה של‬
‫‪ 8.383%‬בשכר‪ ,‬בממוצע‪ ,‬כאשר שאר המשתנים מוחזקים קבוע‪ .‬האומד מובהק‪.‬‬

‫ד‪ .‬התשואה להשכלה קטנה בשתי נקודות אחוז ‪ -‬מ – ‪ 8.3%‬לכ – ‪.6.3%‬‬
‫באפן אינטואיטיבי ניתן להגיד כי במודל המקורי (‪ )2‬יש הטיה של משתנה מושמט‪ IQ .‬הוא‬
‫משתנה המשפיע על השכר‪ ,‬אך הוא לא מופיע במשוואת המודל‪ .‬חמור מכך‪ -‬ה‪ IQ‬מתואם‬
‫חיובית עם משתנה ההשכלה שכן מופיע במודל‪ .‬לכן‪ ,‬משתנה ההשכלה במודל (‪ )2‬משקף לא‬
‫רק את ההשפעה הסיבתית החיובית של ההשכלה‪ ,‬אלא גם את ההשפעה החלקית החיובית‬

‫‪3‬‬
 ‫במודל (‪ )1‬הוא אומד מוטה כלפי מעלה‬ ‫של משתנה ‪ IQ‬המתואם עם השכלה‪ ,‬ולכן‬
‫להשכלה‪.‬‬

‫באופן פורמלי‪:‬‬
‫אם המודל האמיתי הוא מודל ‪:2‬‬
‫‪:‬‬
‫ובפועל אנו אומדים רגרסיה על מודל ‪:1‬‬
‫‪:‬‬
‫‪ IQ‬מתואם עם השכלה בנתונים באופן הבא‪:‬‬
‫(מתאם חיובי בין ‪ IQ‬להשכלה)‪.‬‬ ‫כאשר‬
‫מקיימת‪:‬‬ ‫אז במודל ‪ 1‬ההפרעה‬

‫ולכן הנחה (‪ )4‬של רגרסיית מרובת‬ ‫הוא פונקציה של ההשכלה‪.‬‬ ‫כלומר‬

‫מתואמת עם‬ ‫משתנים (שנלמדה בכיתה) לא מתקיימת למודל (‪ (1‬ההפרעה הבלתי נצפית‬
‫המשתנה המוסבר השכלה‪.‬‬
‫מכאן נובע שאם בכל זאת נתעקש להריץ רגרסיית ‪ OLS‬על מודל (‪ )1‬מה שנקבל בפועל הוא‬
‫מודל אחר‪:‬‬

‫והאומד שלנו להשכלה יהיה‬

‫(ההשפעה של ‪ IQ‬על שכר היא חיובית והמתאם בין ‪IQ‬‬ ‫וגם‬ ‫בגלל שגם‬
‫להשכלה הוא חיובי)‪ ,‬אנחנו נקבל אומדן מוטה כלפי מעלה להשפעה האמיתית של ההשכלה‬
‫‪.‬‬

‫ה‪ .‬המקדם למשתנה ‪= feduc‬שנת השכלה נוספת של אב מגדילה את שכר הפרט בכ – ‪1.3%‬‬
‫בממוצע‪ .‬כאשר שאר המשתנים מוחזקים קבוע‪ .‬האומד מובהק‪.‬‬
‫השכלת האב יכולה להיות קירוב לאיכות סביבת הגידול של הפרט בילדות ולהון האנושי‬
‫שהוא רכש בבית‪.‬‬

‫מה קרה לאומד לתשואה להשכלה במודל (‪ )3‬בהשוואה לאומד שקיבלתם במודל (‪?)2‬‬
‫האומד ירד מכ – ‪ 6.3%‬לכ – ‪.5.4%‬‬
‫קיים קשר חיובי בין השכלת האב להשכלת הבן‪ .‬כמו כן‪ ,‬השכלת האב משפיעה בפני עצמה‬
‫באופן חיובי על השכר של הפרט (כפי שרואים במודל ‪ .)3‬לכן האומדן להשפעת ההשכלה של‬
‫הפרט היה מוטה כלפי מעלה במודל בו לא מכלילים את השכלת האב‪.‬‬
‫האומד ל ‪ IQ‬ירד מכ – ‪ 0.0061‬לכ – ‪0.0057‬‬

‫‪4‬‬
 ‫קיים מתאם חיובי בין ה‪ IQ‬של הפרט להשכלת אביו‪ ,‬לכן‪ ,‬המודל שלא הכליל את השכלת‬
‫האב נתן אומדן מוטה גם להשפעת ה‪.IQ‬‬

‫ו‪ .‬ברגע שכבר מפקחים על השכלת האב‪ ,‬אין הרבה שינוי במקדם לאחר הוספת השכלת האם‪,‬‬
‫מאחר ורוב המידע המגולם בתוך השכלת האם כבר נמצא בתוך השכלת האב מכיוון שני‬
‫המשתנים מתואמים‪.‬‬

‫‪ -‬בהשוואה לאומד שקיבלתם במודל‬ ‫מה קרה לאומד לשונות האומד של ‪- feduc‬‬
‫(‪ ?)3‬הסטיית תקן הייתה ‪ .0047695 -‬הפכה ל ‪ .0055402 -‬כלומר עלתה‪ .‬הדיוק באמידת‬
‫ההשפעה של השכלת האב ירד מאחר והשכלת האב מתואמת עם השכלת האם‪ .‬המקדם של‬
‫השכלת האב ירד כי חלק מההשפעה שיחסנו להשכלת האב למעשה הייתה שייכת להשכלת‬
‫האם‪.‬‬

‫ז‪ .‬אם המטרה שלנו היא אומד בלתי מוטה אז יש לבחור את המודל שמקיים בוודאות הגבוהה‬
‫‪ .‬זה אומר להכליל את כל המשתנים‬ ‫ביותר את הנחת ‪:MLR4‬‬
‫הרלוונטיים לשכר על מנת לצמצם את קיומם של גורמים הבלתי נצפים שמשפיעים על השכר‬
‫( ) ועלולים להטות את התוצאות‪ .‬המודל המתאים ביותר הוא מודל ‪ .4‬ייתכן שהאומדן‬
‫של המודל הזה הוא פחות מדויק (שונות גדולה יותר) בגלל המספר הרב של המשתנים‬
‫והמתאם ביניהם‪ ,‬אך מה שחשוב לנו כאן זה חוסר ההטיה‪.‬‬

‫שאלה ‪6‬‬
‫נסמן את המשתנים הבאים ‪:‬‬
‫‪Y  prob‬‬
‫‪X 1  training‬‬
‫‪X 2  ability‬‬

‫‪(1) Yi =  0 + 1 X 1i +  2 X 2i + i‬‬

‫‪(2) Yi =  0 + 1 X 1i +  i‬‬

‫נחשב את המקדמים הנאמדים ברגרסיה‪:‬‬

‫‪5‬‬
 ‫‪.‬‬
‫השפעת היכולת על פרודוקטיביות היא חיובית‪ .‬ככל שפרט בעל יכולת גבוהה יותר כך הפרודוקטיביות‬
‫שלו גבוהה יותר‪ .‬מכאן ‪  2  0‬לכן האומד ל ‪  1 -‬יהיה מוטה כלפי מטה‪.‬‬

‫‪6‬‬