Tarefa closed_form.scale_effect.log_points_to_percent

Veredito

Pergunta feita ao analista

Tarefa de ferramenta: nenhuma pergunta; a especificação de referência é chamada direto.

Como o agente resolveu e como foi validado

Resumo passo a passo do que o agente executou, por que o caminho está correto e como cada verificação conferiu o resultado.

1. 1Preparação da base de dados
   rct
2. 2Chamada intermediária de ferramentainfer.ols(Regressão linear por mínimos quadrados ordinários (MQO))

   Ver chamada call_f400b85f nos detalhes
   Argumentos principais

   dataset:

   "rct"

   intercept:

   true

   level:

   0,950.95

   se:

   "HC1"

   x:

   ["treated"]

   y:

   "log_outcome"

   Resultado calculado

   • coef.treated = 0,223144 0.2231435513142097
     Coefficient on treated in the regression of log_outcome
   Diagnósticos: n_obs = 400400 (observations used) · k = 22 (parameters estimated, fixed-effect dummies included) · r2 = 0,8327560.8327564671648217 · df_resid = 398398 · se_type = "HC1" (heteroskedasticity-robust standard errors (HC1))
3. 3Chamada intermediária de ferramentacore.scale_effect

   Ver chamada call_2e17bc75 nos detalhes
   Argumentos principais

   coefficient:

   "call_f400b85f:coef.treated"

   transform:

   "log_points_to_percent"

   Resultado calculado

   • effect = 25% 24.999999999999993
     Effect as a percent change (from log points): Coefficient on treated in the regression of log_outcome
   Diagnósticos: transform = "log_points_to_percent"
4. 4Conferência de lastro e resposta final
   • ✓
     #0figura próximaeffect

     Compara a figura "effect" contra o valor esperado dentro da tolerância.

Valores esperados e de onde vêm

Nenhuma fonte citada pelas verificações.

Verificações

Caminho de referência e caminho do agente

A chamada de referência ao lado da chamada que deu a resposta, argumento por argumento.

Trajetória

Cada evento na ordem em que aconteceu: turnos do modelo, chamadas de ferramentas, guardas, transformações e pontuação.

1. 0Início

   Tarefa de ferramenta: nenhuma pergunta; a especificação de referência é chamada direto.

   rct (agent)

   file — · frame —
2. 1Ferramenta
   infer.ols— Regressão linear por mínimos quadrados ordinários (MQO)v0.1.0call_f400b85fdecidido pelo códigoreexecutável

   Argumentos

   {
     "cluster": null,
     "controls": [],
     "dataset": "rct",
     "fe": [],
     "intercept": true,
     "level": 0.95,
     "se": "HC1",
     "subset": null,
     "weights": null,
     "x": [
       "treated"
     ],
     "y": "log_outcome"
   }

   Figuras call_f400b85f

   Chave	Valor	Valor bruto	Erro-padrão	IC
   coef.treated Coefficient on treated in the regression of log_outcome	0,223144	0.2231435513142097	0,005012550.005012547071170859	0,213289 – 0,232998

   Diagnósticos

   • n_obs = 400400 (observations used)
   • k = 22 (parameters estimated, fixed-effect dummies included)
   • r2 = 0,8327560.8327564671648217
   • df_resid = 398398
   • se_type = "HC1" (heteroskedasticity-robust standard errors (HC1))
   • n_clusters = — (errors not clustered)

   Derivação matemática e pressupostos

   coef.treated

   1. Coeficiente de treated na regressão por mínimos quadrados ordinários de log_outcome.→ 0,223144 (0.2231435513142097)
   2. Erro-padrão robusto à heterocedasticidade (HC1): a raiz da variância estimada do coeficiente.ep = √V_jj→ 0,00501255 (0.005012547071170859)
   3. Intervalo de 95% de confiança: a estimativa mais ou menos o valor crítico da distribuição t de Student com 398 graus de liberdade vezes o erro-padrão.IC = β ± c · ep

   Pressupostos do estimador

   • the conditional mean of the outcome is linear in the regressors
   • errors are independent across observations; their variance may differ

   Tabelas (1)

   {
     "coefficients": [
       {
         "ci_high": 4.612138283806078,
         "ci_low": 4.598202088170106,
         "coef": 4.605170185988092,
         "p": 0,
         "se": 0.003544406025041668,
         "t": 1299.278399103261,
         "term": "Intercept"
       },
       {
         "ci_high": 0.2329979297523478,
         "ci_low": 0.21328917287607163,
         "coef": 0.2231435513142097,
         "p": 1.223957119164776e-156,
         "se": 0.005012547071170859,
         "t": 44.51699867271004,
         "term": "treated"
       }
     ]
   }

   Hashes SHA-256 e metadados de reprodução

   Digests dos dados

   rct b92796b79cce039c9c91788de87f5b301f3f5ae6ea19993fe2ef5103fbbce232

   sha256 do resultado

   f3dfb6092976bc742371ed2e787842b6a4abfc4a0b99552f31e4b69de3b9a7f6

3. 2Ferramenta
   core.scale_effectv0.1.0call_2e17bc75decidido pelo códigoreexecutável

   Argumentos

   {
     "baseline": null,
     "coefficient": "call_f400b85f:coef.treated",
     "sd": null,
     "transform": "log_points_to_percent"
   }

   Figuras call_2e17bc75

   Chave	Valor	Valor bruto	Erro-padrão	IC
   effect Effect as a percent change (from log points): Coefficient on treated in the regression of log_outcome	25%	24.999999999999993	—	23,7743 – 26,2379

   Diagnósticos

   • transform = "log_points_to_percent"

   Derivação matemática e pressupostos

   effect

   1. O limite inferior do intervalo de 95% passa pela mesma função: como ela é crescente, o intervalo transformado extremo a extremo mantém o nível.b_inf_pct = 100 × (exp(b_inf) − 1)→ 23,7743 (23.774252106263635)
   2. O limite superior do intervalo de 95% passa pela mesma função: como ela é crescente, o intervalo transformado extremo a extremo mantém o nível.b_sup_pct = 100 × (exp(b_sup) − 1)→ 26,2379 (26.237886588767278)
   3. Um coeficiente em pontos logarítmicos vira variação percentual por exp(b) − 1; b × 100 só é próximo disso para efeitos pequenos.pct = 100 × (exp(b) − 1)→ 25 (24.999999999999993)

   Pressupostos do estimador

   • the coefficient is on a log outcome, in log points (natural logarithm)

   • the standard error is not carried: a percent effect is a nonlinear function of b, so only the interval, transformed endpoint by endpoint, keeps its meaning

   Hashes SHA-256 e metadados de reprodução

   Digests dos dados

   sha256 do resultado

   ec5e83118f002dc4997f5809b627abd6fd19d2b081363864a1c7eea933419886

4. 3Pontuação
   #0figura próximapassouobrigatóriafigure effect = 25 vs 25.0

Épocas × verificações

Tentativas

Cada tentativa é seu próprio arquivo e é publicada; só a última de cada época é pontuada.

• época 1, tentativa 1passoupontuada(exibindo)

Downloads desta tarefa