This coursework accounts for 30% of your overall mark for this course and it may take around 10 hours to complete .  Please present your solution in the form of a report which you should upload on Blackboard as a single file before the deadline .  You can use R to do your calculations, but you must show the formulae (not as R code) that you have used to calculate in the text .  Marks will be awarded for correct and accurate calculations and their interpretation .  Interpretations should be made using the context instead of the generic symbols only.  The marks will be more difficult to obtain if the presentation of the results is not e↵ective or if any formulas used in the calculations are missing from the text .

Submit your solution as a single file to Blackboard by 6 pm on November 21, 2022.

1.  The taste of matured cheese is related to the concentration of several chemicals in the final product .   In  a  study  of cheddar  cheese  from the  La  Trobe Valley  of Victoria,  Australia, samples of cheese were analyzed for their chemical composition and were subjected to taste tests .  The data set consists of 30 samples of mature cheddar cheese .   Observations were made on 4 variables:

• Taste - subjective taste test score,

• Acetic - natural logarithm of concentration of acetic acid,

• H2S - natural logarithm of concentration of hydrogen sulfide,

• Lactic - concentration of lactic acid .

An EXCEL spreadsheet containing the above data is available on Blackboard .

(a)  Draw  scatterplots  of Taste  against  each  of the  other  three  variables .   Describe  any

observable trends in your plots .

(b)  Formulate  a  multiple  linear  regression  model  for  the  dataset,  using  Taste  as  the

response and the remaining three variables as regressors .

(c)  Calculate LSEs and construct 95% confidence intervals for all regression coefficients .

(d)  Give interpretations of the estimated coefficients obtained in  (c) . (e)  Calculate and interprete the R2 statistic for the model .

(f)  It  is  argued that when fitting  a multiple  linear regression model to the  data,  using Taste as the response and the other factors as the explanatory variables, the intercept term β0  should be set to zero .  Is this argument reasonable?  Why?

(10 marks)

It is well accepted that the chemicals ‘H2S’ and ‘lactic acid’ contribute significantly to the good  taste  of cheddar  cheese .   To  investigate  whether  ‘acetic  acid’  also  a↵ects  the  taste of cheddar  cheese,  two  multiple  linear  regression  models  were  fitted  to  the  ‘taste’  data, yielding the following results:

Explanatory variables

(g)  Decide which one is the reduced model .  Then fill in the following ANOVA table to

compare the nested models .

(h)  Calculate the p-value associated with the significance of ‘acetic acid’ .  Do you think

‘acetic acid’ should be included in the multiple linear regression model?

(i)  Regressing  ‘taste’ on  ‘acetic acid’ alone and test at the 5% level for the significance of ‘acetic acid’ under this simple linear regression model .  Does your conclusion con- tradict that given in  (h)?  Comment .

(6 marks)

2.  A dataset concerns the price per capita of beef annually from  1925 to  1941 together with other  variables  relevant  to  an  economic  analysis  of  the  price  of  beef.    It  contains  the following variables:

• YEAR = Year to which the data refer;

• PFO = Retail food price index;

• DINC = Disposable income per capita index;

• CFO = Food consumption per capita index;

• RDINC = Index of real disposable income per capita;

• RFP = Retail food price index adjusted by the CPI;

• PBE = Price of beef (cents/lb) .

An EXCEL spreadsheet containing the above data is available on Blackboard .

A multiple linear regression model ⌦ is proposed to describe the relationship between the response variable PBE and the other 6 explanatory variables  (YEAR, PFO, DINC, CFO, RDINC, RFP) .

An agriculturalist believes, however, that the variation in PBE can be adequately explained by the variable CFO alone, and hence proposes a simple linear regression model ! for the data .

(a)  Specify the models ⌦ and !, and state the model assumptions clearly. (b)  Calculate the residual sums of squares fitting ⌦ and ! respectively.

(c)  Explain why in  (b) the residual sum of square of ⌦ is not larger than that of ! .

(d)  Under model ⌦, test whether the regression coefficient of DINC is 2 at 10% level and give conclusion .