Прогноз уровня зарплаты (кейсы регрессионного анализа)

Выкладываю в качестве кейсов две таблицы с данными. Данные взяты из курсf по статистике Statistics One, который проводят на сайте coursera.org преподаватели Princeton Universityю См подробнее мой пост MOOC - опыт нового формата обучения
Данные выкладываю ниже. Число респондентов для обоих кейсов - 200. Думаю, разберетесь, что к чему. Обращаюсь в первую очередь к участникам своего семинара Аналитика для HR. Были просьбы сделать курс по Аналитике с домашними заданиями - вот в качестве ответа даю задание. Принимаю ваши решения - файлы в формате excel на почту edvb()yandex.ru. Сам я вычисления проводил в программе R, но повторил позже в excel, поэтому вы получите идентичные результаты в excel.
Но это относится далеко не только к участникам семинара по Аналитике, но и ко всем, кому интересно применять математические методы в HR.

Кейс №1 Как зависит уровень вознаграждения от опыта работы и образования.

В таблице указан уровень вознаграждения, опыт работы в сфере, количество пройденных курсов.

Задача: определите долю дисперсии (или R^2 - R - квадрат) , объясняемой опытом работы и количеством учебных курсов, и ответьте на вопрос, какой из предикторов - опыт работы или количество курсов - имеет бОльший вес в росте зарплаты. Говоря банально, от чего больше зависит зарплата - от опыта или количества пройденных курсов.
Вот как задание прозвучало в самом курсе
Salary can be influenced by many variables. Among these, years of professional experience and total courses completed in college are critical. This week we test this hypothesis with a simulated dataset including an outcome variable, salary, and two predictors, years of experience and courses completed. Here are a few questions based on what was covered in the lectures and the lab. Have fun!
В качестве дополнительного задания предлагаю сделать следующее:
За колонкой "Зарплата" создайте колонку "Предсказанные значения" (на основе полученного уравнения регрессии) и создайте диаграмму рассеяния (точечную), где X - предсказанные значения, Y - фактические.
Получилось нечто подобное?
Рис. 1 Прогноз уровня зарплаты

Кейс №2. Влияние возраста и лет занятия физическими упражнениями на выносливость
В данном кейса смотрим, как влияет возраст и стаж занятий физической культурой на выносливость.
Рекомендую последовательно сделать три уравнения:
Y (выносливость) - X (возраст)
Y (выносливость) - X (годы занятия спортом)
Y (выносливость) - X1 (возраст) + X2 (годы занятия спортом)
и посмотрите на эффекты.
Удачи!

Приложение. Таблицы данных для кейсов

ID	опыт	количество курсов	Зарплата		возраст	годы занятия спортом	выносливость
1	5,8	13	67483		60	10	18
2	7,4	18	77204		40	9	36
3	6,8	23	64972		29	2	51
4	8,3	35	94143		47	10	18
5	8,1	19	78954		48	9	23
6	6,5	12	65154		42	6	30
7	8,2	29	80849		55	8	8
8	9,5	21	83860		43	19	40
9	7	27	81909		39	9	28
10	8,4	19	71335		51	14	15
11	8,6	34	93141		54	15	49
12	6,8	19	79678		52	4	27
13	6	15	67545		53	3	12
14	5,1	4	48424		68	17	43
15	9	28	88499		57	24	47
16	7,1	21	74461		30	4	21
17	6,5	23	74806		35	4	32
18	8	27	86326		56	16	33
19	9,7	15	84855		62	14	25
20	8,4	28	82127		39	13	30
21	8	24	86028		32	5	41
22	7,5	24	84386		67	8	25
23	7,4	16	75895		56	13	45
24	3,4	11	51128		47	14	33
25	7,8	20	82438		47	10	29
26	6,7	20	74326		61	11	44
27	8,5	16	73130		40	15	28
28	6,7	4	57351		49	4	20
29	6,9	16	69262		28	13	45
30	6,9	28	80015		40	6	28
31	10	28	91304		44	5	18
32	8,2	8	73767		41	18	29
33	8,7	16	79652		53	13	24
34	8,2	16	74354		67	19	55
35	5,5	8	58475		52	6	26
36	7,7	12	70020		51	10	46
37	8,3	16	70269		46	11	19
38	7,5	20	74288		44	4	25
39	7,8	20	88200		64	16	29
40	9,2	16	84158		58	14	32
41	8,1	14	73026		29	2	32
42	6,9	28	71960		44	11	12
43	10	24	83364		51	12	27
44	7,4	21	81680		51	15	33
45	7	1	66735		53	10	28
46	4,4	12	66510		44	9	34
47	7,8	20	79375		46	0	28
48	9,6	20	84222		49	14	24
49	6,9	16	73652		34	6	28
50	7,7	34	85573		64	13	25
51	8,7	35	79777		44	9	9
52	6	9	67656		37	5	35
53	8,2	31	79093		52	16	36
54	4,4	13	61448		59	12	40
55	7,8	32	92196		60	6	30
56	9,4	35	98765		44	7	14
57	6	16	70593		48	4	22
58	7,6	1	62470		56	9	31
59	9,1	11	81837		48	13	18
60	6,6	16	73379		51	16	15
61	11	32	103819		47	5	31
62	8,4	16	74529		62	14	11
63	8,6	17	83277		52	14	30
64	7,9	12	75336		45	9	9
65	7,8	8	66081		44	0	7
66	7,2	12	77266		46	14	48
67	4,9	14	53340		42	2	21
68	10,2	31	92587		46	13	43
69	6,4	20	76839		42	13	28
70	10,3	36	101071		52	11	28
71	8	8	80706		76	13	13
72	7,1	14	66481		61	11	25
73	9,3	28	82329		34	13	35
74	6,6	13	63791		62	10	13
75	6,2	16	59956		48	9	15
76	8,6	4	78497		47	15	14
77	8,2	16	69680		45	7	29
78	7,9	4	75013		40	5	24
79	6,6	16	75892		64	7	5
80	6,6	16	67926		41	3	11
81	8,6	24	68176		33	2	24
82	7	20	73378		39	10	28
83	9,6	28	89137		67	10	22
84	6,9	12	56717		50	16	35
85	9	29	82127		44	13	32
86	7,9	24	78995		60	10	8
87	9	36	87757		55	11	31
88	6,2	13	71350		39	12	18
89	8,4	24	79440		60	10	34
90	6,9	20	78205		70	14	27
91	6	1	68490		56	10	7
92	8	11	89494		40	25	32
93	8,2	27	88925		54	12	22
94	9,4	26	83403		44	15	42
95	9	33	94042		42	7	10
96	8,1	30	81702		56	12	16
97	5,5	5	59681		53	22	40
98	7,4	15	68121		55	12	28
99	7	8	60305		40	12	29
100	6,7	12	69319		69	17	41
101	7,4	7	67556		59	9	16
102	7,1	7	75505		47	10	28
103	7,5	20	64069		45	10	24
104	8,3	12	76896		62	14	17
105	7,7	7	67145		45	5	10
106	10,2	32	96207		45	12	33
107	8,6	20	83600		70	11	14
108	6,7	24	85922		44	11	32
109	7,3	24	79610		64	13	16
110	10	35	95186		57	12	19
111	6,3	20	67371		53	14	30
112	6,7	14	69460		48	8	13
113	8,8	33	92187		38	6	7
114	8,3	7	67192		53	12	28
115	6,5	16	72511		34	7	42
116	6,6	19	70286		47	9	39
117	7,1	21	71160		43	14	48
118	7,4	16	71651		62	6	22
119	8,3	20	80930		47	14	34
120	7,2	14	72872		41	20	40
121	5,4	16	68929		43	4	26
122	9,5	29	91116		34	12	10
123	7,8	20	72425		28	14	26
124	6,8	8	72845		55	12	7
125	8,1	2	73798		39	3	17
126	7,6	24	83552		48	11	23
127	7,8	9	74117		47	7	18
128	6,8	24	74548		49	6	3
129	5	6	66820		41	5	20
130	8,3	16	71109		46	1	22
131	8,3	20	75722		51	10	31
132	6,9	0	67933		62	13	31
133	9,6	6	81378		67	13	40
134	4	16	56779		41	3	22
135	8	0	78679		47	11	27
136	3,3	12	56563		48	9	31
137	8,6	23	71388		60	4	26
138	6	14	68661		58	26	40
139	5,4	24	67175		36	6	20
140	6,6	2	74317		55	11	13
141	4	12	52028		51	16	35
142	6,9	24	89119		60	11	14
143	4,5	8	55020		47	11	34
144	6,8	16	69438		63	10	35
145	7,1	16	61609		40	13	17
146	7	15	65990		53	11	31
147	8,8	24	100046		37	13	23
148	6,9	20	75209		48	13	36
149	7,9	16	59564		33	6	21
150	5,9	15	55313		44	14	31
151	6,7	0	80402		32	4	35
152	10,1	20	74777		62	12	17
153	7,6	16	71183		57	11	33
154	7,2	20	63848		62	11	32
155	6,8	25	57150		82	15	18
156	6,4	19	62098		52	23	44
157	8,8	16	87000		45	15	10
158	5,8	9	67545		55	10	22
159	4,5	16	58387		65	18	18
160	12,2	24	97431		47	7	42
161	7,3	26	80101		56	16	52
162	8,1	24	72136		58	11	33
163	9,7	0	87702		43	7	26
164	10,2	21	85637		59	4	15
165	8,6	8	67569		42	7	16
166	10,8	20	101473		27	6	42
167	8,4	16	71940		62	18	29
168	4,7	20	57906		67	9	20
169	8	16	73267		28	10	29
170	9	20	77490		57	10	17
171	10,5	3	102696		39	7	28
172	7,2	28	76270		51	7	8
173	8,3	18	80484		35	14	38
174	6,9	24	74074		61	9	37
175	6,6	16	70992		36	10	50
176	8,6	16	74583		55	15	42
177	10,6	20	84452		50	10	23
178	8,3	36	99903		60	15	24
179	7,1	21	87329		64	12	21
180	7,9	24	89495		59	8	19
181	6,3	10	60224		47	10	19
182	7,8	11	86807		68	16	30
183	8,2	6	77639		59	18	50
184	6	12	57393		44	8	34
185	7,7	10	81252		30	9	21
186	6,8	12	73095		41	11	27
187	7,9	24	92575		20	6	24
188	7,3	14	65807		63	11	16
189	9,1	3	69837		41	11	13
190	6	21	63887		60	6	21
191	5,9	21	72875		52	14	15
192	7,3	24	79824		45	10	21
193	7,3	20	66219		42	14	29
194	9,3	24	84964		48	5	40
195	8,7	3	60503		49	13	21
196	4,9	16	62424		43	12	30
197	9,3	21	92294		53	21	26
198	6,1	20	62810		52	13	20
199	6,7	21	79944		46	9	14
200	6,4	20	70427		44	17	33