DATA 303/473 Assignment 2

Due 1159pm Friday 4 April

Assignment Questions

Q1.(20 marks) We’ll continue to use the CarDekho data from Assignment 1. As a reminder the variables in the cardekho2 .csv dataset are:

• price: Selling price in thousand Indian Rupees (INR)

• make: Car make grouped into eight categories:  Ford, Honda, Hyundai, Mahindra, Maruti, Tata, Toyota, Other

• kms: Kilometres driven (x 1000)

•  fuel: Fuel type: Diesel or Petrol

•  seller: Seller type: Dealer, Individual or Trustmark  Dealer

• tx: Transmission type: Automatic or Manual

•  owner: Current owner is: First, Second or Third  or  above owner

• mileage: Fuel economy in kilometres per litre (kmpl)

•  esize: Engine size in cubic centimetres (CC)

• power: Maximum engine power in brake horse power (bhp)

The residual diagnostic plot showed evidence of non-linear relationships between price and some predic- tors, non-normality and non-constant variance. To address non-normality and non-constant variance, use  log(price) as the response variable for this assignment.

a. (3 marks) Using cardekho2.csv, fit a model with log(price) as the response variable and include all predictors without transformations or interactions.  Use the plot function to carry out residual diagnostics for your fitted model. Based on these plots, are there any observations you might consider excluding from further analysis? Explain your answer briefly.

Some data cleaning is done and a new dataset, cardekho3 .csv, (available on Nuku) is created. Use this new dataset to answer the rest of Question 1.

b. (3 marks) Read in dataset cardekho3 .csv and fit the same model as in part (a). Plot the residuals from your fitted model against each of the numerical predictors kms, mileage, esize and power.  Is there an indication of a non-linear relationships with log(price) for any of these predictors?  If so, which ones?

c. (3 marks) Based on the model fitted in part (b), give an interpretation for the effect of the predictor tx on price when all other predictors are held constant.

d. (4 marks) Based on the dataset and model in part(b), provide two plots that give graphical evidence  that a log transformation is the most appropriate transformation for kms in a model for log(price). Explain your reasoning briefly.

e. (3 marks) Apply stepwise regression based on the AIC criterion for the model in part (b).  Are there any predictors you would exclude from the model? Explain your answer briefly.

f. (4  marks) Fit a model you would use to investigate whether the effect of power on log(price) depends on the value of fuel after accounting for all other predictors.  (NB: In your model apply a log-transformation to kms). Based on your model, give the change in E(log(price)) associated with a unit increase in power for a:

(i)  Diesel car

(ii)  Petrol car.

Q2.(20 marks) Data were collected on 158 cruise ships in operation around the world in 2013. Complaints had been raised by customers about overcrowding on cruises and there was interest in investigating whether there was a trend of overcrowding on certain types of ships.  As part of the investigation, a regression analysis was carried out to explore the connection between passenger density (no. of passengers per unit area) and ship characteristics. The variables in the dataset were:

• name: Ship Name

•  line: Cruise Line

•  line_grp: Cruise Line grouped

•  age.2013: Age (as of 2013)

• tonnage: Weight of ship (1000s of tonnes)

• passengers .100: Maximum no. of passengers (100s)

•  length: Length of ship (100s of feet)

•  cabins: No. of passenger cabins (100s)

• pass.density: Passenger density (no. of passengers per square foot)

•  crew .100: No. of crew member (100s)

The data are available in the file cruise_ship .csv. The dataset was imported into R and the scatterplot matrix below was obtained.

The scatterplot matrix indicates severe multicollinearity among the predictors tonnage, passengers .100, length, and crews .100. These four predictors all relate to the size of a ship, so only a subset will be used.

a. [8 marks] Fit a model for pass.density using the predictors line_grp, age .2013, length and cabins. Using residual diagnostic checks, determine whether any transformations of the predictors or response variable are necessary. Explain your answer, including identification of which predictors you may need to transform. Provide output of any graphical checks or hypothesis tests you perform.

For the rest of the question use log(pass.density) as the response variable.

b. [3 marks] Fit a model with log(pass.density) as the response variable including all the four predictors in part (a) without any transformations. Apply stepwise regression based on the BIC criterion. Are there any predictors you would exclude from the model? Explain your answer briefly.

c. [3 marks] Fit a GAM for log(pass.density) including all four predictors, with smooth terms for each of the numerical predictors. Comment on the non-linearity and significance of smooth terms.

d. [2 marks] Is there evidence that more basis functions are required for any of the smooth terms?  Explain your answer briefly.

e. [3 marks] Use the gam() function to fit a model for log(pass.density) with linear terms for all four predictors. Calculate BIC for this model and for the model with smooth terms in part (c). Print the results in a table and state which of the models is preferred. Explain your answer briefly.

f. [1 mark] Explain briefly why it is valid to make the comparison in part (e) using BIC (or AIC).

Q3.  (12 marks) In this next question we’ll focus on constructing a prediction model for the Fiat data using subset selection and shrinkage methods.

a. [4 marks ] Use the  olsrr package to perform best subset and stepwise model selection for the dataset in cardekho3 .csv.  In your full model, use log(price) as the response variable, apply a log-transformation to the predictor kms and don’t include any interactions. In each case, use AIC as the model performance metric to base your selection on and list the predictors in your final model.

b. [3 marks] Apply ridge regression to the model in part (a) and use cross-validation to identify the “best” value, λMSEmin , for the penalty parameter λ . In a table, print the coefficients for a model fitted using  λMSEmin  and a model fitted using λ = 0.  Based on your table are there any predictors that you would  consider for exclusion? Explain your answer briefly.

c. [3  marks] Apply lasso regression to the model in part (a) and use cross-validation to identify the “best” value, λMSEmin , for the penalty parameter λ . In a table, print the coefficients for a model fitted using λMSEmin  and a model fitted using λ = 0.  Based on your table identify predictors that you would consider for exclusion. Explain your answer briefly.

d. [2 marks] Based on your results in parts (b) and (c), which of the two approaches, ridge regression or lasso regression, would you prefer to use for model selection. Explain your answer briefly.

Assignment total: 52 marks