LISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI
|
|
- Amanda Parviainen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Otatameetelmät (78143 Sysy 2010 TEEMA 2 risto.lehtoe@helsii.fi Teema 2 LISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI 2 1
2 Lisätiedo äyttö estimoitiasetelmassa Malliavusteiset strategiat Model-assisted strategies Regressioestimoiti Suhde-estimoiti Jäliosittamie Kalibroitimeetelmät Otose ulopuolise lisäifo tuoti estimoitiasetelmaa tilastollise malli avulla SAS Procedure SURVEYREG SAS maro CLAN 3 Estimoitistrategioita perusjouo ooaismäärälle Strategia Lisäiformaatio Avustava malli Asetelmaperusteisia strategioita SRSWOR Ei ole Ei ole SRSWR Ei ole Ei ole STR Ositusmuuttuja Ei ole PPSWOR Koomuuttuja Ei ole Malliavusteisia strategioita Otata-asetelma SRS Avustava malli: Lieaarie iiteide teijöide malli Regressioestimoiti SRS*reg Jatuva Regressiomalli Suhde-estimoiti Jatuva Regressiomalli SRS*rat Jäliositus SRS*pos Disreetti (ei vaiotermiä ANOVA 4 2
3 Päämeetelmät Lisätiedo äyttö estimoitiasetelmassa Malliavusteie estimoiti Model assisted estimatio Yleistetyt regressioestimaattorit Geeralized regressio (GREG estimators Kalibroitimeetelmät Calibratio Mallista vapaa alibroiti Model-free calibratio Malliavusteie alibroiti Model calibratio 5 Malliavusteie estimoiti Ala lassio: Särdal C.-E, Swesso B. ad Wretma J. (1992. Model Assisted Survey Samplig. Spriger. Logistie regressioestimaattori LGREG: Lehtoe, R. ad A. Veijae (1998. Logistic geeralized regressio estimators. Survey Methodology 24, Sovellus osajouo- ja piealue-estimoitii: Lehtoe R. ad Veijae A. (2009. Desig-based Methods of Estimatio for Domais ad Small Areas. I: Hadboo of Statistics 29B; Sample Surveys: Iferece ad Aalysis. Eds. D. Pfefferma ad C.R. Rao. North Hollad. pp
4 GREG-estimaattoriperhe Malli valita GREG-estimaattorille Liearie iiteide teijöide malli - Liear fixed-effects model - Jatuva tulosmuuttuja Logistie iiteide teijöide malli - Biäärie/moiluoaie tulosmuuttuja Yleistetty lieaarie malli - Geeralized liear model Yleistetty lieaarie seamalli - Geeralized liear mixed model GLMM - Piealue-estimoiti (small area estimatio, SAE Hadboo of Statistics 7 GREG-estimaattori, te. tiivistelmä Sovellusalaa piealue-estimoiti U 1,2,...,,..., N Perusjouo (äärellie U 1,..., U d,..., U D Kiiostuse ohteea olevat pj: osajouot Otata-asetelma: PPS-WOR, otosoo s U sd = s Ud x1 π = x Otos Osajouoo d uuluva otos Sisältymist aliolle U PPS-otaassa = { } U 1 a = 1/ π Asetelmapaio aliolle s Tulosmuuttuja y havaitut arvot y aliolle s 8 4
5 Yleistetty lieaarie iiteide vaiutuste malli (1 Yhteie malli aiille osajouoille d E = x m( y f ( β missä f (. malli futioaalie muoto x = (1, x1,..., xp, U β = ( β β β 0, 1,..., p β j iiteät termit (yhteisiä aiille d j = 0,..., p Mallilla lasetut sovitteet yˆ = f( x βˆ, U 9 Yleistetty lieaarie iiteide vaiutuste malli (2 Osajouoohtaiset vaiotermit E ( y = f( x β m missä f (. malli futioaalie muoto x = ( I1,..., ID, x1,..., xp, U Id = 1 if Ud, Id = 0 muulloi, d = 1,..., D β = ( β 01,...,, β 0 D, β 1,...,, β p β0d osajouoohtaiset vaiotermit, d = 1,..., D β j yhteiset iiteät termit, j = 1,..., p Mallilla lasetut sovitteet yˆ = f( x βˆ, U 10 5
6 as(radom iterceptsoyleistetty lieaarie seamalli jouoohtaisetsatuaistermit( p E ( y u = f( x ( β + u, d = 1,..., D m d d missä f (. malli futioaalie muoto = (1, x,..., x x 1 p β = ( β, β,..., β iiteät termit u 0 1 p = ( u,..., u satuaistermit d 0d pd Mallilla lasetut sovitteet yˆ = f( x ( βˆ + uˆ, U d 11 Erioistapausia (1 Logistie iiteide teijöide malli E m exp( x β ( y = 1+ exp( x β exp( x βˆ Sovitteet yˆ =, U 1+ exp( x βˆ (2 Lieaarie seamalli, satuaiset vaiotermit E = m( y u xβ + u0d, d = 1,..., D d Sovitteet yˆ = x βˆ + ˆ u0d, U 12 6
7 Osajouoje totaalie GREG-estimaattori Totaaliparametrit Td = y, d = 1,..., D Ud Tulosmuuttuja y jatuva tai biäärie GREG-estimaattorit tˆ = yˆ + a eˆ dgreg U s missä a = 1/ π (asetelmapaiot eˆ = ˆ y y (jääöstermit eli residuaalit HUOM: Sovitteet ˆ lasetaa ulloisei malli avulla y d d 13 Kalibroiti Calibratio Mallista vapaa alibroiti Model-free calibratio Särdal C.-E, Swesso B. ad Wretma J. (1992. Model Assisted Survey Samplig. Spriger. Särdal, C.-E. (2007. The calibratio approach i survey theory ad practice. Survey Methodology 33, Malliavusteie alibroiti Model calibratio Lehtoe R., Särdal C.-E. ad Veijae A. (2008. Geeralized regressio ad model-calibratio estimatio for domais: Accuracy compariso. Ivited paper, BNU Worshop, August 2008, Kuressaare. 14 7
8 Mallista riippumato alibroiti Laseta SAS-maro CLAN (SCB, Ruotsi Adersso, C. ad L. Nordberg (1998. A User s Guide to CLAN 97 - a SAS-program for computatio of poit- ad stadard error estimates i sample surveys, Statistics Swede. SPSS-ohjelma g-calib (Belgia tilastovirasto SAS-maro CALMAR (INSEE; Rasa Bascula (CBS, Hollai tilastovirasto VLISS-esimeri Ks. jaettu moiste 15 Malliavusteie estimoiti ja alibroiti Materiaali Lehtoe ad Pahie (2004 Sectio Ratio estimatio of populatio total - Regressio estimatio of totals Teie yhteeveto 2 - Jaettu paperi VLISS - Traiig i Key Regressio estimatio - Mote Carlo simulatio - Traiig Key Calibratio of weights 16 8
9 TEKNINEN YHTEENVETO 2 Malliavusteie estimoiti Regressioestimoiti Oletetaa lieaarie regressiomalli (superpopulaatiomalli y = α + βz + ε, V( y 2 = σ (variassi Äärellise perusjouo vastieet parametreille α ja β ovat A ja B A ja B estimoidaa paiotetulla PNS-meetelmällä (WLS SRS-tilae: Kulmaertoime B estimaattori 2 b ˆ = sˆ yz / sˆ z Vaioparametri A estimaattori aˆ = y bz 17 Kooaismäärä T regressioestimaattori: tˆ reg = N( y + bˆ( Z z = tˆ + bˆ( T tˆ, missä z z o tulosmuuttuja y t ˆ = t ˆ = N y / π = N y / = Ny HT = 1 = 1 N = 1 ooaismäärä T = Y HT-estimaattori (SRSWOR, ˆ t / z = N z = Nz o apumuuttuja z ooaismäärä T z Z = Tz / = 1 N = 1 = Z HT-estimaattori (SRSWOR N Tarvittava lisätieto: Apumuuttuja ooaismäärä T z 18 9
10 Asetelmavariassi (liimääräie V ( ˆ SRS t ( 2 reg N 1 2 ( Sy ( yz N ρ 2 1 1, missä ρ = S / S S o muuttujie y ja z perusjouo orrelaatio yz yz y Variassiestimaattori (ysi vaihtoehto z ˆ ( ˆ ( v ( ˆ ( ˆ SRS treg = N 1 s y 1 ρ yz N 19 Moimuuttujaie regressiomalli y z z z missä z (1, = z1,..., zp β = ( β, β,..., β = β0 + β1 1 + β βp p + ε = zβ + ε 0 1 p Estimaattorit ja variassiestimaattorit Perusmuoto tˆ = tˆ + bˆ( T tˆ + bˆ ( T tˆ bˆ ( T tˆ (1 reg HT 1 z z 2 z z p z z p p 20 10
11 PROC SURVEYREG-muoto t ˆ = b ˆ N + bt ˆ + bt ˆ b ˆ T (2 reg 0 1 z 1 2 z 2 p z p proc surveyreg data=sample total=32; model UE91=HOU85 URB85 / solutio; weight SampligWeight; estimate t "UE91 Total" ru; Itercept 32 HOU URB85 7 / E; 21 missä GREG-muoto (Geeralized regressio estimator N tˆ = yˆ + w ( y yˆ reg = 1 = 1 (3 yˆ = zb ˆ HUOM: Termi Termi = 1 N yˆ Syteettie (malliperusteie = 1 w ( y yˆ totaali estimaattori Harha orjaustermi (jääöstotaali HT-estimaattori 22 11
12 Kalibroitiestimaattori * reg = w y (4 = 1 tˆ missä * w = g w o alibroitipaio w = 1/ π o asetelmapaio tl g o g-paio aliolle 23 Variassiestimaattorit vt ˆ( ˆ = N (1 / N(1/ s ˆ (5 reg 2 2 eˆ missä missä 2 2 eˆ = 1 sˆ = ( eˆ eˆ /( 1 eˆ = y yˆ eˆ = eˆ / = 1 yˆ = zb ˆ 24 12
13 ˆ 1 1 vt ˆ( (1 ( ( ˆ reg = N s N p 2 2 eˆ* (6 missä 2 * ˆ* e * 2 = 1 * = ˆ sˆ = ( eˆ eˆ /( 1 eˆ g e (g-paiotetut jääöset * * ˆ ˆ / = e e = 1 25 vt ˆ ˆ = N N sˆ Rˆ ( ( reg (1 / (1/ y (1 missä 2 ˆR o yhteisorrelaatioertoime eliö 2 2 sˆ y = ( y y /( 1 =
14 g-paiot Kalibroitimeetelmä (Calibratio Tulosmuuttuja y Kalibroitiestimaattori missä * reg w y = 1 tˆ =, w = g w, g o g-paio aliolle ja w = 1/ π * jolle pätee N * reg = = = z = 1 = 1 (alibroitiomiaisuus tˆ w z Z T 27 Suhde-estimoiti (Ratio estimatio Jatuva apumuuttuja z g T z = t ˆ z Regressioestimoiti (Regressio estimatio Jatuva apumuuttuja z N Z z g = (1 + ( z z Nˆ ( 1 sˆ z 28 14
15 Jäliositus (Poststratificatio Disreetti apumuuttuja (luoat g = 1,,G g g N g =, g = 1,..., G Nˆ g missä N ˆ g g = w o jäliosittee g estimoitu oo = 1 g 29 Regressioestimoiti - Esimeri Example 3.13 (Lehtoe Pahie 2004 Ysi apumuuttuja Populaatio Provice 91 Otosaieisto Aiaisemmi poimittu SRSWOR-otos, = 8 utaa Strategia SRS*reg 30 15
16 Tauluo Provice91- perusjouo N = 32 utaa Tulosmuuttuja UE91 Apumuuttujat STR osite - Kutamuoto HOU85 - Kotitalousie lm Lähde: Lehtoe R. ad Pahie E. (2004. Practical Methods for Desig ad Aalysis of Complex Surveys. Secod Editio. Wiley. 31 Table 3.16 A simple radom sample draw without replacemet from the Provice 91 populatio prepared for regressio estimatio Auxiliary iformatio Sample desig idetifiers WGHT Study Fial STR WGHT Elemet var. Variable Model w* LABEL UE91 HOU85 group g-weight weight 1 4 Jyväsylä Keuruu Saarijärvi Kogiagas Kuhmoie Pihtipudas Toivaa Uuraie Samplig rate = 8/32 =
17 Regressioestimoiti - Esimeri Tehdää regressioestimoiti ahdella tavalla (saadaa sama umeerie tulos Perusaava (1 Kalibroitiestimaattori (4 Variassiestimaattori (6 Tulosmuuttuja y UE91 Apumuuttuja z HOU85 (otitalousie lm uassa Regressioestimoiti - Esimeri Tauluo 3.16 Asetelmaidiaattorit vastaavat SRSWOR-tilaetta Poimitasuhde o Regressiomalli Selitettävä muuttuja UE91 Selittäjä HOU85 Estimoitu slope (ulmaerroi = Saadaa regressioestimaatti: tˆ = tˆ+ bˆ ( T tˆ reg z z = ( =
18 Regressioestimoiti - Esimeri Sama piste-estimaatti saadaa alibroitiestimaattorilla s. Paiot Table 3.16: 8 * t ˆ reg = w y 1 = = 35 Regressioestimoiti - Esimeri Variassiestimaatti Kaava (6 tuottaa tulosesi ˆ 1 1 ˆ ( (1 v t = N ( ( sˆ N p 2 2 srs reg eˆ* = 32 (1 ( ( =
19 Regressioestimoiti - Esimeri Laseta SAS Procedure SURVEYREG Laseta: Kaava (2 PROC SURVEYREG-muoto tˆ = bˆ N + bt ˆ + bt ˆ bˆ T (2 reg 0 1 z1 2 z2 p z p 37 Proc SURVEYREG **Regressio Estimatio; proc surveyreg data=sample total=32; title2 "Regressio estimatio for the total of UE91, auxiliary variable HOU85"; model UE91=HOU85 / solutio; weight SampligWeight; g estimate "UE91 Total" Itercept 32 HOU / E; ru; 38 19
20 Proc SURVEYREG Estimated Regressio Coefficiets Stadard Parameter Estimate Error t Value Pr > t Itercept HOU < Proc SURVEYREG Coefficiets of Estimate "UE91 Total" Effect Row 1 Itercept 32 HOU Aalysis of Estimable Fuctios Stadard Parameter Estimate Error t Value Pr > t UE91 Total <
21 Regressioestimoiti - Esimeri Kasi apumuuttujaa Populaatio Provice 91 Otosaieisto - Aiaisemmi poimittu SRSWOR-otos, = 8 utaa Strategia - SRS*reg Tulosmuuttuja y - UE91 Apumuuttujat z1 ja z2 HOU85 (otitalousie lm uassa 1985 URB85 (1 = aupugit, 0 = muut uat 41 Regressioestimoiti - Esimeri Regressiomalli Tulosmuuttuja y: UE91 Apumuuttujat z1: HOU85 z2: URB85 y = β + β z + β z + ε = z β + ε
22 Regressioestimoiti - Esimeri Laseta Perusaava (1 GREG-muoto (3 (Table 3.17 tˆ = tˆ + bˆ( T tˆ + bˆ ( T tˆ reg HT 1 z z 2 z z = ( (7 12 = Regressioestimoiti - Esimeri GREG-aava (Table 3.17 Tuottaa sama umeerise tulose (15152 ui (1 Variassiestimaatti lasetaa aavalla (6 GREG-muoto 32 8 tˆ = yˆ + w ( y yˆ = reg = 1 = 1 missä yˆ = ˆ zb z = (1, z1, z2 ' b ˆ = ( bˆ, bˆ, b ˆ
23 Regressioestimoiti - Esimeri Laseta Perusaava (1 - Lisäifo: Perusjouo totaalitiedot HOU85 ja URB85 GREG-aava (3 - Lisäifo: Ysiötaso tiedot perusjouo aiilta alioilta SAS-laseta 45 Proc SURVEYREG **Regressio Estimatio; proc surveyreg data=sample total=32; title2 "Regressio estimatio for the total of UE91, auxiliary variable HOU85 ad URB85"; model UE91=HOU85 URB85 / solutio; weight SampligWeight; estimate "UE91 Total" Itercept 32 HOU URB85 7 / E; ru; 46 23
24 Proc SURVEYREG Estimated Regressio Coefficiets Stadard Parameter Estimate Error t Value Pr > t Itercept HOU <.0001 URB Proc SURVEYREG Coefficiets of Estimate "UE91 Total" Effect Row 1 Itercept 32 HOU URB85 7 Aalysis of Estimable Fuctios Stadard Parameter Estimate Error t Value Pr > t UE91 Total <
25 Table 3.18 Estimates for the populatio total of UE91 uder differet estimatio strategies: a SRSWOR sample of eight elemets draw from the Provice 91 populatio. Estimatio strategy Estimator Estimate s.e deff Desig-based SRSWOR SRSWR Desig-based model-assisted Poststratified estimator SRS*pos Ratio SRS*rat estimator Regressio estimator oe z-variable SRS*reg, two z-variables SRS*reg, Kirjallisuutta OPPIKIRJOJA Särdal C.-E., Swesso B. ad Wretma J. (1992. Model Assisted Survey Samplig. New Yor: Spriger. Lehtoe R. ad Pahie E. (2004. Practical Methods for Desig ad Aalysis of Complex Surveys. 2d Editio. Chichester: Wiley. ARTIKKELEITA Lehtoe R., Särdal C.-E. ad Veijae A. (2003. The effect of model choice i estimatio for domais, icludig small domais. Survey Methodology, 29, Lehtoe R., Särdal C.-E. ad Veijae A. (2005. Does the model matter? Comparig model-assisted ad model-depedet estimators of class frequecies for domais. Statistics i Trasitio, 7, Lehtoe R. ad Veijae A. (2009. Desig-based methods of estimatio for domais ad small areas. Chapter 31 i Rao C.R. ad Pfefferma D. (Eds.. Hadboo of Statistics. Sample Surveys: Iferece ad Aalysis. Vol. 29B. New Yor: Elsevier. Lehtoe R. ad Veijae A. (1998. Logistic geeralized regressio estimators. Survey Methodology, 24,
Otantamenetelmät. Syksy
Otantamenetelmät (78143) Sysy 2009 TEEMA 2 risto.lehtonen@helsini.fi Teema 2 LISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI 2 Lisätiedon äyttö estimointiasetelmassa i t Malliavusteiset
LisätiedotOtantamenetelmät (78143) Syksy 2008 OSA 2: Malliavusteinen estimointi. Risto Lehtonen
Otantamenetelmät (78143) Sysy 2008 OSA 2: Malliavusteinen estimointi Risto Lehtonen risto.lehtonen@helsini.fi Lisätiedon äyttö estimointiasetelmassa Tavoitteena estimoinnin tehostaminen poimitulle otoselle
LisätiedotUudelleenpainotus ja imputointi Perusteita
Heisigi yliopisto Matematiia ja tilastotietee laitos Otatameetelmät Sysy 008 Uudelleepaiotus ja imputoiti Perusteita Prof. Risto Lehtoe, Helsigi yliopisto.1.008 Uudelleepaiotus Otostasoise tiedo äyttö
Lisätiedot, sanotaan niiden sääntöjen ja menetelmien kokonaisuutta, joilla otos poimitaan määritellystä perusjoukosta.
Y - Otatameetelmät / Sysy 009 (Risto Letoe) TEKIE YTEEVETO I Otata-asetelmat ja estimoitiasetelmat Perusjouo ja muuttujat Äärellie perusjouo U = {,...,,..., } Tulosmuuttuja y tutemattomat arvot Y,,Y,,Y
LisätiedotPienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 3 GREG-estimaattori Yleinen tilanne (unequal probability sampling) Komposiittiestimaattorit (Composite
LisätiedotPienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 4 Laajennettu GREG-estimaattoreien perhe Avustavat mallit Yleistetty lineaarinen malli Lineaarinen
LisätiedotPienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen 15.3.2011 OSA 1 Estimaattorin tyyppi Mallin valinta Asetelmaperusteinen estimointi Horvitz-Thompson (HT)
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi Risto Lehtonen risto.lehtonen@helsini.fi Analyysimenetelmiä ja työaluja Lineaariset mallit Regressioanalyysi
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
Lisätiedot(78143) Syksy 2009 TEEMAT 3 & 4. Risto Lehtonen Teema 3 ERITYISKYSYMYKSIÄ. Risto Lehtonen 2
Otantamenetelmät (78143) Syksy 2009 TEEMAT 3 & 4 Risto Lehtonen risto.lehtonen@helsinki.fi Teema 3 ERITYISKYSYMYKSIÄ Risto Lehtonen 2 1 Otannan erityiskysymyksiä Ryväsotanta Survey sampling reference guidelines
LisätiedotPienalue-estimointi (78189) Kevät 2011. Risto Lehtonen Helsingin yliopisto
Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen Helsingin yliopisto Pienalue-estimointi Kurssin kotisivu http://wiki.helsinki.fi/pages/viewpage.action?pagei=62430039 2 Hyöyllisiä taustatietoja Otantamenetelmät
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 2 Estimaattoreiden varianssien estimointi Survey-analyysin lähestymistavat Kuvaileva survey Descriptive survey
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Usea selittää lieaarie regressiomalli Mat-.04 Tilastollise aalyysi perusteet, evät 007 8. lueto: Usea selittää lieaarie regressiomalli Selitettävä muuttua havaittue arvoe vaihtelu halutaa selittää selittävie
LisätiedotJY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT
JY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT SPSS-ohjelmiston Complex Samples- toiminto otoksen poiminnassa ja estimaattien laskennassa Mauno Keto, lehtori Mikkelin AMK / Liiketalouden laitos
LisätiedotOtanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki
Otanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki risto.lehtonen@helsinki.fi Korreloituneiden havaintojen analyysi Lineaariset
LisätiedotTilastollisten menetelmien käyttö Kelan tutkimustoiminnassa
Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotYleinen lineaarinen malli. Yleinen lineaarinen malli. Yleinen lineaarinen malli: Mitä opimme? 2/4. Yleinen lineaarinen malli: Mitä opimme?
TKK (c) Ila Melli (004) Yleie lieaarie malli Johdatus tilastotieteesee Yleie lieaarie malli Usea selittää lieaarie regressiomalli Yleise lieaarise malli matriisisesitys Yleise lieaarise malli estimoiti
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotSAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä. Antti Suoperä 16.11.2009
SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä: Matriisi ja vektori laskennan ohjelmisto edellyttää
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
Lisätiedot7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
LisätiedotKulutustutkimuksen alue-estimointi Pienalue-estimointimenetelmien vertailu Kulutustutkimus aineistossa
Kulutustutkimuksen alue-estimointi Pienalue-estimointimenetelmien vertailu Kulutustutkimus 2006 -aineistossa Pauliina Maria Peltonen Helsingin yliopisto Matemaattis-luonnontieteellinen tiedekunta Tilastotiede
LisätiedotOtantamenetelmät. (78143) Syksy 2010 TEEMA 1. Risto Lehtonen
Otantamenetelmät (78143) Syksy 2010 TEEMA 1 Risto Lehtonen risto.lehtonen@helsinki.fi Otantamenetelmät Luennot Tiistaisin klo 14 18 2.-30.11.2010 (Exactum), yhteensä 20 tuntia. Harjoitukset Torstaisin
Lisätiedotproc glm data = ex61; Title2 "Aliasing Structure of the 2_IV^(5-1) design"; model y = A B C D E /Aliasing; run; quit;
Title "Exercises 6"; Data ex61; input A B C D E y @@; Label A = "Furnance Temperature" B = "Heating Time" C = "Transfer Time" D = "Hold Down Time" E = "Quench of Oil Temperature" y = "Free Height of Leaf
LisätiedotYhden selittäjän lineaarinen regressiomalli
Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli
LisätiedotATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1
ATH-aineiston tilastolliset analyysit SPSS/PASW 16.2.2011 SPSS analyysit / Risto Sippola 1 Aineiston avaaminen Aineisto on saatu SPSS-muotoon ja tallennettu koneelle sijaintiin, josta sitä voidaan käyttää
LisätiedotHealth 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl.
Health 2000/2011 Surveys Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013 Esa Virtala etunimi.sukunimi@thl.fi Terveyden ja hyvinvoinnin laitos (THL) PL 30 00271 Helsinki Puhelin:
LisätiedotLohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista.
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
LisätiedotHierarkkisen aineiston mallintaminen ja otanta/pre-kurssi
Hierarkkisen aineiston mallintaminen ja otanta/pre-kurssi Risto Lehtonen, Helsingin yliopisto Metodifestivaali Jyväskylän yliopisto 27.5.2009 Keskiviikko 27.5 10-12 Hierarkkisuus otanta- asetelmaperusteisessa
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotEstimaattoreiden asetelmaperusteinen
Otanta-aineistojen aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 2: Estimaattoreiden varianssin estimointi Risto Lehtonen risto.lehtonen@helsinki.fi Estimaattoreiden asetelmaperusteinen varianssien
LisätiedotYhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1
Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n
Lisätiedot7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
LisätiedotJakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista?
1 Hydrobiologian tutkijaseminaari 20.3.2000 Jakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista? Jari Hänninen Turun yliopisto Saaristomeren
Lisätiedot2.1. Parametrien estimointi 2.2. Regressiokertoimien estimointi kovariansseista ja korrelaatioista
Moimuuttujameetelmät: Ilkka Melli. Yleise lieaarise malli määrittelemie.. ja malli oletukset.. Yleise lieaarise malli matriisiesitys. Yleise lieaarise malli parametrie estimoiti.. Parametrie estimoiti..
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
Lisätiedot19. Statistical Approaches to. Data Variations Tuomas Koivunen S ysteemianalyysin. Laboratorio. Optimointiopin seminaari - Syksy 2007
19. Statistical Approaches to Data Variations Tuomas Koivunen 24.10.2007 Contents 1. Production Function 2. Stochastic Frontier Regressions 3. Example: Study of Texas Schools 4. Example Continued: Simulation
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 4 Asetelmaperusteinen monimuuttujaanalyysi Logistinen ANOVA ja GWLS-estimointi Binäärinen tulosmuuttuja Diskreetit
LisätiedotOtanta-aineistojen analyysi
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 1 Risto Lehtonen risto.lehtonen@helsinki.fi Otanta-aineistojen analyysi Laajuus 6/8 op. Tyyppi 78136 Otanta-aineistojen analyysi (aineopintojen
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotA250A0050 Ekonometrian perusteet Tentti
A250A0050 Ekonometrian perusteet Tentti 28.9.2016 Tentissä ei saa käyttää laskinta. Tentistä saa max 80 pistettä. Hyväksytysti suoritetusta harjoitustyöstä saa max 20 pistettä. Huom. Merkitse vastauspaperin
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotPerusestimointi 5 Analyysiä survey-datalla Tee Suomen datalla jokin oma kokeilu käyttäen tätä mallia Esimerkki PISA 2006:sta SAS:lla
Perusestimointi 5 Analyysiä survey-datalla Tee Suomen datalla jokin oma kokeilu käyttäen tätä mallia Esimerkki PISA 2006:sta SAS:lla proc surveymeans data=pisa.impuoecd; where cnt='fin' or cnt='deu' or
Lisätiedot9 Lukumäärien laskemisesta
9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
LisätiedotEsim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501
Esim. 2.1.1. Brand lkm keskiarvo keskihajonta A 10 251,28 5,977 B 10 261,06 3,866 C 10 269,95 4,501 y = 260, 76, n = 30 SS 1 = (n 1 1)s 2 1 = (10 1)5, 977 2 321, 52 SS 2 = (n 2 1)s 2 2 = (10 1)3, 8662
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
LisätiedotLähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). tulee katettua (complete replicate). Havaintojen
6. 2 k faktorikokeet Lähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). Vähintään 2 k havaintoa, jotta kaikki vaihtoehdot tulee katettua (complete replicate). Havaintojen kokonaismäärä N = 2
LisätiedotYhden selittäjän lineaarinen regressiomalli: Lisätiedot. Yhden selittäjän lineaarinen regressiomalli
TKK (c) Ilkka Melli (4) Yhde selittää lieaarie regressiomalli Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
LisätiedotGraph. COMPUTE x=rv.normal(0,0.04). COMPUTE y=rv.normal(0,0.04). execute.
COMPUTE x=rv.ormal(0,0.04). COMPUTE y=rv.ormal(0,0.04). execute. compute hplib_man_r = hplib_man + x. compute arvokons_man_r = arvokons_man + y. GRAPH /SCATTERPLOT(BIVAR)=hplib_man_r WITH arvokons_man_r
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotLASKENNALLISEN TIETEEN ERIKOISKURSSI kl 2000
LASKENNALLISEN TIETEEN ERIKOISKURSSI kl 2000 Laskuharjoitus Detaljibalassi Osoita, että siirtymätodeäköisyydet π m α m ; ρ, m ρ α m ----- ; ρ < ρ, m m π m, m m ja π m ρ α m ------------------ ρ +, m π
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2007) 1 Yleinen lineaarinen malli >> Usean selittäjän lineaarinen regressiomalli
LisätiedotJohdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen
Lisätiedot[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotC (4) 1 x + C (4) 2 x 2 + C (4)
http://matematiialehtisolmu.fi/ Kombiaatio-oppia Kuia mota erilaista lottoriviä ja poeriättä o olemassa? Lotossa arvotaa 7 palloa 39 pallo jouosta. Poeriäsi o viide orti osajouo 52 orttia äsittävästä paasta.
LisätiedotTilastolliset menetelmät: Varianssianalyysi
Variassiaalsi Tilastolliset meetelmät: Variassiaalsi 0. Ysisuutaie variassiaalsi. asisuutaie variassiaalsi. olmi a useampisuutaie variassiaalsi T @ Ila Melli (006) 433 Variassiaalsi T @ Ila Melli (006)
Lisätiedot9.1 Hierarkiset asetelmat (Nested Designs)
9. Muita koeasetelmia 9.1 Hierarkiset asetelmat (Nested Designs) Tietyissä koetilanteissa yhden faktorin tasot ovat samanlaisia joskaan ei täysin identtisiä toisen faktorin eri tasoilla. Tällaista asetelmaa
LisätiedotSisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.
Kvatitatiivie metodologia verkossa Moitasomallius Pekka Ratae Helsigi yliopisto isältö Moitasomallit Matemaattisia peruskäsitteitä Esimerkki kovariassista Otatavirhe Esimerkki elittävie muuttujie lisäämie
LisätiedotKaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:
Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalsi Aritmeettinen keskiarvo, Estimointi, F-testi,
Lisätiedot8.3. Yleinen lineaarinen malli ja yleistetty pienimmän neliösumman menetelmä
Mat-1.361 Tilastollie päättely Tilastollie päättely 8. Yleie lieaarie malli 8.1. Yleie lieaarie malli ja se parametrie estimoiti Estimoiti, Estimaattori hyvyys, Gaussi ja Markovi lause, Harhattomuus, Homoskedastisuus,
Lisätiedot4.7 Todennäköisyysjakaumia
MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tilastollise aalyysi perusteet, kevät 7 9. lueto: Regressiomalli validoiti Kai Virtae Regressiomalli validoiista Estimoitu hieo regressiomalli: Kuvaako malli tutkittavaa ilmiötä oikei? Kuika hyvi
LisätiedotAlternative DEA Models
Mat-2.4142 Alternative DEA Models 19.9.2007 Table of Contents Banker-Charnes-Cooper Model Additive Model Example Data Home assignment BCC Model (Banker-Charnes-Cooper) production frontiers spanned by convex
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan
LisätiedotErityiskysymyksiä yleisen lineaarisen mallin soveltamisessa
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1 Erityiskysymyksiä yleisen lineaarisen
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yksisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Kokonaiskeskiarvo,
LisätiedotOlkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat
Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio
LisätiedotKURSSIN TILASTOMATEMATIIKKA KAAVOJA
KURSSIN TILASTOMATEMATIIKKA KAAVOJA X = S = s = Otossuureita X i tai x = x i (otoskeskiarvo) (X i X) = (x i x) = Xi x i E(X) =µ, var(x) = σ X x tai, E(S )=σ (otosvariassi) Normaalijakautuee populaatio
Lisätiedot1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,
LisätiedotTeknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät
Numeeriset menetelmät 1. välikoe, 14.2.2009 1. Määrää matriisin 1 1 a 1 3 a a 4 a a 2 1 LU-hajotelma kaikille a R. Ratkaise LU-hajotelmaa käyttäen yhtälöryhmä Ax = b, missä b = [ 1 3 2a 2 a + 3] T. 2.
LisätiedotAalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 2016 Laskuharjoitus 5, Kotitehtävien palautus laskuharjoitusten
LisätiedotLineaaristen mallien sovellukset -harjoitustyö
Lineaaristen mallien sovellukset -harjoitustyö Juha-Pekka Perttola 8. tammikuuta 2006 Sisältö 1 Johdanto 4 1.1 Perustiedot käytetystä aineistosta................ 4 1.2 Harjoitustyön tavoite.......................
Lisätiedot810 Tilastolliste meetelmie perusteet II (TILTP3), Kevät 00 http://wwwutafi/~strale/p3alkuhtml 600 500 Huom 1 Dokumeti lopussa o kirjallisuusluettelo, joka sisältäviä teoksia o käytetty tukea tämä luetorugo
Lisätiedot1. REGRESSIOMALLIN SYSTEMAATTISEN OSAN MUOTO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Regressiodiagnostiikka Cooken etäisyys, Funktionaalinen muoto, Diagnostinen grafiikka, Diagnostiset testit, Heteroskedastisuus,
LisätiedotHarjoitusten 4 vastaukset
Harjoitusten 4 vastaukset 4.1. Prosessi on = 1 +, jossa»iid( 2 )ja =1 2. PNS estimaattori :lle on (" P P 2 ") = +( X X 2 ) 1 1. =1 Suluissa oleva termi on deterministinen ja suppenee vihjeen mukaan 2 6:teen.
LisätiedotE80. Data Uncertainty, Data Fitting, Error Propagation. Jan. 23, 2014 Jon Roberts. Experimental Engineering
Lecture 2 Data Uncertainty, Data Fitting, Error Propagation Jan. 23, 2014 Jon Roberts Purpose & Outline Data Uncertainty & Confidence in Measurements Data Fitting - Linear Regression Error Propagation
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 3 Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita Johdattava esimerkki - Yksinkertainen yhteensopivuustesti
Lisätiedot/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
LisätiedotKaksitasoiset hierarkiset asetelmat (Two-Stage Nested Designs) 9. Muita koeasetelmia. 9.1 Hierarkiset asetelmat (Nested Designs)
9. Muita koeasetelmia 9.1 Hierarkiset asetelmat (Nested Designs) Tietyissä koetilanteissa yhden faktorin tasot ovat samanlaisia joskaan ei täysin identtisiä toisen faktorin eri tasoilla. Tällaista asetelmaa
LisätiedotHarjoitukset 2 : Monimuuttujaregressio (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 2 : Monimuuttujaregressio (Palautus 24.1.2017) Tämän harjoituskerran tarkoitus
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
Lisätiedot1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Usean selittäjän lineaarinen regressiomalli Estimaatti, Estimaattori, Estimointi, Jäännösneliösumma, Jäännöstermi, Jäännösvarianssi,
Lisätiedotr = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P
Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen
Lisätiedotxi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =
1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin erusteet, kevät 2007 10. luento: Regressiomallin (selittäjien) valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
LisätiedotOtoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden
1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma
Lisätiedot