library(readr) Titanic_2 <- read_csv("https://stanford.io/2O9RUCF")[,-3] colnames(Titanic_2) = c("Survived", "Class", "Sex", "Age", "Siblings", "Parents", "Fare") # adjuntar el paquete `AER` # codificar `Class` como factor # ajustar el modelo de probabilidad lineal, asignarlo a `surv_mod` # obtener un resumen robusto de los coeficientes del modelo # predecir la probabilidad de supervivencia para todas las clases de pasajeros # adjuntar el paquete `AER` library(AER) # codificar `Class` como factor Titanic_2$Class <- as.factor(Titanic_2$Class) # ajustar el modelo de probabilidad lineal, asignarlo a `surv_mod` surv_mod <- lm(Survived ~ Class, data = Titanic_2) # obtener un resumen robusto de los coeficientes del modelo coeftest(surv_mod, vcovHC) # predecir la probabilidad de supervivencia para todas las clases de pasajeros predict(surv_mod, newdata = data.frame("Class" = as.factor(1:3))) test_object("Titanic_2") test_or({ test_object("surv_mod") },{ f <- ex() %>% override_solution("surv_mod<-lm(Titanic_2$Survived ~ Boston$Class)") %>% check_function("lm") f %>% check_arg("formula") %>% check_equal() },{ f <- ex() %>% override_solution("attach(Titanic_2);surv_mod<-lm(Survived ~ Class)") %>% check_function("lm") f %>% check_arg("formula") %>% check_equal() } ) test_function("coeftest", args = c("x", "vcov.")) test_function("predict", args = c("object", "newdata")) success_msg("Lindo. Los coeficientes de ambas variables ficticias son negativos y significativos. En particular, se informa que la probabilidad de supervivencia es más alta para los pasajeros de primera clase y más baja para los pasajeros de la tercera clase. Esto parece plausible en vista del análisis descriptivo realizado en el ejercicio 3.")