Mat Tilastollisen analyysin perusteet, kevät 2007
|
|
- Hilkka Koskinen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mat-.104 Tilastollise aalyysi perusteet, kevät lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1
2 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua havaittue arvoe vaihtelu selittävie tekiöide/muuttuie havaittue arvoe vaihtelu avulla Tilastollisesti merkitsevä osa selitettävä muuttua havaittue arvoe vaihtelusta voidaa selittää selittävie muuttuie havaittue arvoe vaihtelu avulla => selitettävä muuttua riippuu tilastollisesti selittäistä Regressioaalyysissa tilastolliselle riippuvuudelle pyritää raketamaa tilastollie malli, regressiomalli Riippuvuuksie aalysoiti o usei tutkimukse keskeie tavoite regressioaalyysi o eite sovellettua a tärkeimpiä tilastotietee meetelmiä S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae
3 Regressioaalyysi tavoitteet Regressioaalyysi mahdollisia tavoitteita: (i) (ii) Selitettävä muuttua a selittävie muuttuie tilastollise riippuvuude luotee kuvaamie: Millaie o riippuvuude muoto? Kuika voimakasta riippuvuus o? Selitettävä muuttua arvoe eustamie (iii) Selitettävä muuttua arvoe kotrolli S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 3
4 Regressiomallie luokittelu Regressioaalyysissa sovellettavat tilastolliset mallit voidaa luokitella usealla eri periaatteella Luokittelu regressiomalli fuktioaalise muodo mukaa: Lieaariset regressiomallit (tämä kurssi) Epälieaariset regressiomallit Luokittelu regressiomalli yhtälöide lukumäärä mukaa: Yhde yhtälö regressiomallit (tämä kurssi) Moiyhtälömallit S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 4
5 Regressioaalyysi lähtökohdat Regressioaalyysilla o kaksi erilaista lähtökohtaa, oilla o kuiteki moia yhtymäkohtia: (i) (ii) Ogelmat determiististe mallie sovittamisessa havaitoihi (selittäät ei-satuaisia muuttuia) - esim. puhtaat koeasetelmat Moiulotteiste todeäköisyysakaumie ehdolliste odotusarvoe eli regressiofuktioide parametrie estimoiti (selittäät satuaismuuttuia) Tällä kurssilla käytetää sopivia oletuksia => Sama laskutekiikka kummalleki mallityypille!!! S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 5
6 S ysteemiaalyysi Tekillie korkeakoulu Regressiomalli a se osat Yhde yhtälö regressiomalli yleie muoto o y = f ( x ; β ) + ε ossa y = selitettävä muuttua x = selitettävä muuttua f (x ; β ) = malli systemaattie eli rakeeosa ε = malli satuaie osa Systemaattie osa f (x ; β ) o x: fuktio, riippuu f: muodo määräävästä parametrista β Satuaie osa ε o ääöstermi, oka ei tavallisesti riipu x:stä Pääasiallie kiiostus kohdistuu regressiomalli systemaattisee osaa a se muotoo Jääöstermiä ε pidetää usei pelkkää virhetermiä Jääöstermistä ε tehdyt oletukset vaikuttavat tapaa, olla regressioaalyysi tehdää Kai Virtae 6
7 Regressioaalyysi Regressioaalyysi tarkoittaa mallii y = f ( x ; β ) + ε liittyvie tehtävie suorittamista: Fuktio f valita Parametri β estimoiti Parametria β koskevie hypoteesie testaamie Estimoidu malli hyvyyde arvioiti Mallista tehtye oletuste tarkistamie Selitettävä muuttua käyttäytymise eustamie a eusteide epävarmuude arvioiti S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 7
8 Lieaarie regressiomalli Lieaariseksi regressiomalli: Rakeeosa f o parametri β suhtee lieaarie Lieaarisuusoletus o käytäössä osoittautuut moissa sovellustilateissa hyvi toimivaksi Muuttuat oudattavat multiormaaliakaumaa => lieaarie regressiomalli ok, koska ko. akauma regressiofuktiot eli ehdolliset odotusarvot ovat lieaarisia Lieaarise regressiomalli soveltamie ok myös moissa tilateissa, oissa muuttuie riippuvuus o epälieaarista: (i) (ii) Muuttuie riippuvuutta voidaa usei approksimoida aiaki lokaalisti lieaarisella mallilla Muuttuie epälieaarie riippuvuus voidaa usei liearisoida sopivilla muuoksilla S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 8
9 Mat-.104 Tilastollise aalyysi perusteet, kevät lueto: Yhde selittää lieaarie regressiomalli S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 9
10 Yhde selittää lieaarie regressiomalli a se osat Halutaa selittää selitettävä muuttua y havaittue arvoe vaihtelu selittävä muuttua x havaittue arvoe vaihtelu avulla Oletukset: Selitettävä muuttua y o suhdeasteikollie satuaismuuttua Selittävä muuttua x o kiiteä, ei-satuaie muuttua Oletetaa havaitoarvoe y a x välille lieaarie tilastollie riippuvuus y = β 0 + β1 x + ε, = 1,, K, Yhde selittää lieaarise regressiomalli: y = selitettävä muuttua y satuaie, havaittu arvo havaitoyksikössä x = selittävä muuttua eli selittää x ei-satuaie, havaittu arvo havaitoyksikössä ε = ääös- eli virhetermi ε satuaie, ei-havaittu arvo havaitoyksikössä β 0 = vakioselittää regressiokerroi, ei-satuaie, tutemato vakio β 1 = selittää x regressiokerroi, ei-satuaie, tutemato vakio S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 10
11 Stadardioletukset ääöstermeistä Regressiomalli ääös- eli virhetermieε s. stadardioletukset: (i) E( ε ) = 0, = 1,, K, y = β 0 + β1 x + ε, = 1,, K, (ii) Jääöstermeillä o vakiovariassi eli e ovat homoskedastisia ε σ Var( ) =, = 1,, K, (iii) Jääöstermit ovat korreloimattomia Cor( ε, ε l ) = 0, l (iv) Jäääöstermit ovat armaaliakautueita ~ ε σ = N(0, ), 1,, K, S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 11
12 Selitettävä muuttua omiaisuudet Jos ääöstermeä koskevat stadardioletukset (i)-(iii) pätevät, selitettävä muuttua havaituilla arvoilla y o stokastiset omiaisuudet: (i) (ii) (iii) Jos lisäksi ormaalisuusoletus (iv) pätee, ii (iv) E( y ) = β + β x, = 1,, K, 0 1 y σ Var( ) =, = 1,, K, Cor( y, y ) = 0, l ~ l y x N( β 0 + β1, σ ), = 1,, K, S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1
13 Malli parametrit sekä systemaattie a satuaie osa y = β 0 + β1 x + ε, = 1,, K, Malli parametrit regressiokertoimetβ 0 a β 1 ääöstermieε yhteie variassi, ääösvariassi Var( ε ) = σ, = 1,, K, Regressiokertoimet a ääösvariassi yleesä tutemattomia => e o estimoitava havaioista Jos stadardioletus pätee, ii havaitut arvot y voidaa esittää kahde osatekiä summaa y = E(y ) + ε, = 1,,,, missä - E(y ) = β 0 + β 1 x o systemaattie osa -ε o satuaie osa E( ε ) = 0, = 1,, K, S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 13
14 Regressiosuora Systemaattie osa E(y ) = β 0 + β 1 x määrittelee regressiosuora y = β 0 + β 1 x, missä β 0 = regressiosuora a y-akseli leikkauspiste β 1 = regressiosuora kulmakerroi Jääöstermie variassiσ kuvaa havaitopisteide vaihtelua regressiosuora ympärillä Selittää x arvo kasvaa yhdellä yksiköllä => β 1 kertoo paloko selitettävä muuttua y arvo muuttuu S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 14
15 Yhde selittää lieaarise regressiomalli estimoiti pieimmä eliösumma meetelmällä Etsi regressiokertoimille β 0 a β 1 sellaiset arvot, että iide määräämä regressiosuora selittäisi mahdollisimma hyvi selitettävä muuttua arvoe vaihtelu Useita meetelmiä, esim. pieimmä eliösumma meetelmä miimoidaa ääöstermie eliösumma regressiokertoimie β 0 a β 1 suhtee regressiokertoimie pieimmä eliösumma (PNS-) estimaattorit S ysteemiaalyysi Tekillie korkeakoulu ε i = ( y β 0 β1x ) = 1 = 1 b = y b x b 0 1 s = = r xy 1 sx xy s s y x Kai Virtae 15
16 S ysteemiaalyysi Tekillie korkeakoulu Estimoitu regressiosuora PNS-estimaattorit b 0 a b 1 määrittelevät estimoidu regressiosuora Estimoidu regressiosuora omiaisuudet: (i) Suora kulkee havaitopisteide (x, y ) paiopistee kautta (ii) Jos, suora o ouseva (iii) Jos, suora o laskeva (iv) Jos, suora o vaakasuorassa (v) r > xy r xy < r = xy s y y = y + rxy ( x x ) s Suora yrkkeee (loiveee), os korrelaatio itseisarvo kasvaa (pieeee) s keskihaota kasvaa (pieeee) s y x keskihaota pieeee (kasvaa) x r xy Kai Virtae 16
17 Estimoidu malli sovitteet: S ysteemiaalyysi Tekillie korkeakoulu Sovitteet a residuaalit estimoidu regressiosuora selitettävälle muuttualle y atama arvo havaitopisteessä x Estimoidu malli residuaalit: selitettävä muuttua y havaitu arvo y a sovittee atama arvo erotus Huomaa yˆ = b + b x, = 1,, K, 0 1 e = y yˆ = y b b x, = 1,, K, 0 1 y = yˆ + e, = 1,, K, Regressiomalli selittää selitettävä muuttua havaittue arvoe vaihtelu sitä paremmi mitä lähempää sovitteet ovat selitettävä muuttua havaittua arvoa Regressiomalli selittää selitettävä muuttua havaittue arvoe vaihtelu sitä paremmi mitä pieempiä ovat estimoidu malli residuaalit Kai Virtae 17
18 Sovitteide a residuaalie havaiollistus Malli: y = β 0 + β1 x + ε, = 1,, K, PNS-suora: y = b + b x 0 1 Sovite: yˆ = b + b x, = 1,, K, 0 1 Residuaali: e = y yˆ, = 1,, K, e yˆ y (x, y ) y = b0 + b1 x ( x, yˆ ) x x S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 18
19 Jääösvariassi estimoiti Jos ääöstermeä koskevat stadardioletukset pätevät, ääösvariassi Var(ε ) = σ harhato estimaattori o s 1 = 0 1 e = 1 e = y yˆ = y b b x, = 1,, K, = = estimoidu malli havaitoe lukumäärä residuaali Jääösvariassi estimaattori kuvaa havaitopisteide vaihtelua estimoidu regressiosuora ympärillä Estimaattori s o myös residuaalie e variassi, koska e 1 = ei = i = s e e e ( ) = = = 1 = 1 S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 19
20 Variassiaalyysihaotelma idis Kuika hyvi selitettävä muuttua y havaittue arvoe vaihtelu selittävä muuttua x havaittue arvoe vaihtelulla? Vastaus:variassiaalyysihaotelma!!!! Haotelmassa selitettävä muuttua havaittue arvoe kokoaisvaihtelua kuvaava s. kokoaiseliösumma aetaa kahde osatekiä summaksi: (i) (ii) Toie osatekiä kuvaa estimoidu malli selittämää osaa kokoaisvaihtelusta Toie osatekiä kuvaa mallilla selittämättä ääyttä osaa kokoaisvaihtelusta S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 0
21 Kokoaiseliösumma a ääöseliösumma Kokoaiseliösumma kuvaa selitettävä muuttua y havaittue arvoe y vaihtelua selitettävä muuttua havaittue arvoe variassi s Jääöseliösumma kuvaa residuaalie e vaihtelua mallissa vakioselittää => e = 0 a residuaalie e variassi s 1 y = = SSE 1 SST 1 SST = ( y y ) SSE = 1 s o ääösvariassi σ harhato estimaattori = 1 = e S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1
22 Kokoais- a ääöseliösumma yhteys Jääöseliösumma SSE a kokoaiseliösumma SST toteuttaa xy xy = 1 = 1 = = = SSE e (1 r ) ( y y ) (1 r ) SST ossa r xy o otoskorrelaatiokerroi Koska 1 r xy + 1, ii SSE SST Seuraavat ehdot ovat yhtäpitäviä: - SSE = 0 e = 0 kaikille = 1,,, r xy = ±1 - kaikki havaitopisteet ovat samalla suoralla - lieaarie regressiomalli selittää täydellisesti selitettävä muuttua havaittue arvoe vaihtelu Seuraavat ehdot ovat yhtäpitäviä: - SSE = SST e = y y kaikille = 1,,, r xy = 0 - selitettävä muuttua havaittue arvoe vaihtelua ei voida selittää lieaarisella regressiomallilla S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae
23 Mallieliösumma Määritellää mallieliösummaksi SSM yhtälöllä SSM = SST SSE Voidaa osoittaa, että Koska 0 SSE SST, ii SSM 0 Mallieliösumma SSM voidaa esittää myös muodossa ossa = 1 ( ˆ ˆ) SSM = y y 1 1 yˆ = yˆ = y = y = 1 = 1 SSM = ( yˆ y ) = 1 S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 3
24 Mallieliösumma a variassiaalyysihaotelma Määritellää mallieliösumma SSM SSM = SST SSE Variassiaalyysihaotelmassa SST = SSM + SSE, selitettävä muuttua y havaittue arvoe vaihtelua kuvaava kokoaiseliösumma SST o esitetty kahde osatekiä summaa: (i) Mallieliösumma SSM kuvaa sitä osaa selitettävä muuttua y (ii) S ysteemiaalyysi Tekillie korkeakoulu SST = ( y y) havaittue arvoe vaihtelusta, oka malli o selittäyt SSM = ( yˆ y) = 1 Jääöseliösumma SSE kuvaa sitä osaa selitettävä muuttua y havaittue arvoe vaihtelusta, ota malli ei ole selittäyt SSE = = 1 e = 1 Kai Virtae 4
25 Selitysaste Variassiaalyysihaotelma SST=SSM+SSE avulla voidaa kuvata regressiomalli hyvyyttä: mitä suurempi o mallieliösumma SSM osuus kokoaiseliösummasta SST, sitä paremmi malli selittää selitettävä muuttua havaittue arvoe vaihtelu mitä pieempi o ääöseliösumma SSE osuus kokoaiseliösummasta SST, sitä paremmi estimoitu malli selittää selitettävä muuttua havaittue arvoe vaihtelu Variassiaalyysihaotelma motivoi tuusluvu käytö regressiomalli hyvyyde mittaria Selitysaste R mittaa malli selittämää osuutta selitettävä muuttua havaittue arvoe kokoaisvaihtelusta Ilmaistaa tavallisesti prosetteia 100 R % R = Cor( y, yˆ ), ossa Cor(*) o selitettävä muuttua havaittue arvoe a [ ] sovitteide otoskorrelaatiokerroi Yhde selittää lieaarisessa regressiomallissa R SSE = 1 = SST R = r xy SSM SST S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 5
26 (i) 0 R 1 (ii) S ysteemiaalyysi Tekillie korkeakoulu Selitysastee omiaisuudet Seuraavat ehdot ovat yhtäpitäviä: (1) R = 1 () Kaikki residuaalit häviävät, e = 0 (3) Kaikki havaitopisteet (x, y ) asettuvat samalle suoralle (4) r xy = ±1 (5) Malli selittää täydellisesti selitettävä muuttua y havaittue arvoe vaihtelu (iii) Seuraavat ehdot ovat yhtäpitäviä: (1) R = 0 () b 1 = 0 (3) r xy = 0 (4) Malli ei selitä ollekaa selitettävä muuttua y havaittue arvoe vaihtelua Kai Virtae 6
27 Sekä selitettävä että selittää satuaismuuttuia Satuaismuuttuat x a y oudattavat -ulotteista ormaaliakaumaa N (µ x, µ y, σ x, σ y, ρ xy ) parametrit: odotusarvot, variassit a korrelaatiokerroi Satuaismuuttua y ehdollie akauma satuaismuuttua x suhtee o y x ~ N µ, σ ossa ( ) y x y x σ µ = E( y x) = µ + ρ ( x µ ) σ y y x y xy x σ x = Var( y x) = (1 ρ ) σ y x xy y Satuaismuuttua y regressiofuktio satuaismuuttua x suhtee = ehdollie odotusarvo Regressiofuktio määrittelee xy-koordiaatistossa suora σ y y= µ y+ ρ xy ( x µ x) σ x S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 7
28 -ulotteise ormaaliakauma regressiofuktiota vastaava lieaarie regressiomalli Havoiot (x i, y i ) eivät yleesä toteuta regressiofuktiota σ y y= µ y+ ρ xy ( x µ x) σ => lisätää siihe stadarioletuksia oudattavat virhetermit ε => lieaarie regressiomalli Estimoidaa regressiofuktio tutemattomat parametrit otossuureilla => tismallee PNS-estimaattorit => tismallee samalaie variassiaalyysihaotelma kui determiistisellä selittäällä Determiistie a stokastie selittää ohtaa tismallee samalaisee lieaarisee regressiomallii!!!!!!!!!! S ysteemiaalyysi Tekillie korkeakoulu x y = β 0 + β1 x + ε, = 1,, K, Kai Virtae 8
Mat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tilatollie aali peruteet, kevät 7 6. lueto: Johdatu regreioaalii Regreioaali idea Tavoitteea elittää elitettävä tekiä/muuttua havaittue arvoe vaihtelu elittävie tekiöide/muuttuie havaittue arvoe
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
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
LisätiedotJohdatus regressioanalyysiin. Johdatus regressioanalyysiin. Johdatus regressioanalyysiin: Mitä opimme? 2/3
TKK (c) Ilkka Melli (004) 1 Johdatus regressioaalsii Johdatus tilastotieteesee Johdatus regressioaalsii Regressioaalsi lähtökohdat a tavoitteet Determiistiset mallit a regressioaalsi Regressiofuktiot a
LisätiedotJohdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
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
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
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
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..
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
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotRegressiomallin valinta. Regressiomallin valinta. Regressiomallin valinta: Esitiedot. Regressiomallin valinta: Mitä opimme?
TKK (c) Ilkka Melli (004) Regressiomalli valita Eälieaariste riiuvuuksie liearisoiti Johdatus tilastotieteesee Regressiomalli valita TKK (c) Ilkka Melli (004) Regressiomalli valita: Mitä oimme? Tässä luvussa
LisätiedotRegressiodiagnostiikka. Regressiodiagnostiikka. Regressiodiagnostiikka: Mitä opimme? 2/2. Regressiodiagnostiikka: Mitä opimme? 1/2
TKK (c) Ilkka Melli (004) Regressiodiagostiikka Jodatus tilastotieteesee Regressiodiagostiikka Yleie lieaarie malli a regressiodiagostiikka Poikkeavat avaiot Regressiokertoimie vakioisuus Multikollieaarisuus
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
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,
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
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
LisätiedotJohdatus tilastotieteeseen Tilastollinen riippuvuus ja korrelaatio. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Tilastollie riippuvuus ja korrelaatio TKK (c) Ilkka Melli (2004) 1 Tilastollie riippuvuus ja korrelaatio Tilastollie riippuvuus, korrelaatio ja regressio Kahde muuttuja havaitoaieisto
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
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
LisätiedotYhden selittäjän lineaarinen regressiomalli
Moimuuujameeelmä Yhde seliäjä lieaarie regressiomalli Moimuuujameeelmä: Yhde seliäjä lieaarie regressiomalli Ilkka Melli. Yhde seliäjä lieaarie regressiomalli, se esimoii ja esaus.. Yhde seliäjä lieaarie
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
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
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,
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
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
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
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet
LisätiedotJohdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
LisätiedotMat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotTilastolliset menetelmät: Varianssianalyysi
Variassiaalsi Tilastolliset meetelmät: Variassiaalsi 0. Ysisuutaie variassiaalsi. asisuutaie variassiaalsi. olmi- a useampisuutaie variassiaalsi Ila Melli 44 Variassiaalsi Ila Melli 44 Variassiaalsi Sisälls
LisätiedotJohdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
LisätiedotJohdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi
LisätiedotMat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit
Mat-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var
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
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
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analsin perusteet, kevät 007. luento: Kaksisuuntainen varianssianalsi Kai Virtanen Kaksisuuntaisen varianssianalsin perusasetelma aetaan perusoukko rhmiin kahden tekän A a B suhteen
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)
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotTestit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot
TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude
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
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
LisätiedotEX1 EX 2 EX =
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,
LisätiedotTilastolliset luottamusvälit
Luku 8 Tilastolliset luottamusvälit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 8.1 Piste-estimaatti ja väliestimaatti Edellisessä luvussa opittii määrittämää parametreille estimaatteja suurimma uskottavuude
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
LisätiedotTeoria. Tilastotietojen keruu
S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
Lisätiedotpq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489
Perusjoukko ja otos Kvatitatiiviset meetelmät Sami Fredriksso Yleie valtio-oppioppi Havaitoyksikkö o empiirise mittaukse kohde Perusjoukko o kaikkie havaitoyksiköide muodostama kokoaisuus Otos o perusjoukkoa
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi
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
Lisätiedot8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
LisätiedotJohdatus tilastotieteeseen Regressiomallin valinta. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Regressiomallin valinta TKK (c) Ilkka Mellin (2004) 1 Regressiomallin valinta Regressiomallin valinta: Johdanto Mallinvalintatestit Mallinvalintakriteerit Epälineaaristen riippuvuuksien
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
Lisätiedot6.1 Riippumattomat satunnaismuuttujat
Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
LisätiedotTilastollinen riippuvuus ja korrelaatio
Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Tilastollie riippuvuus ja korrelaatio TKK (c) Ilkka Melli (2007) 1 Tilastollie riippuvuus ja korrelaatio >> Tilastollie riippuvuus,
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
LisätiedotLohkoasetelmat. Vilkkumaa / Kuusinen 1
Lohkoasetelmat Vilkkumaa / Kuusinen 1 Motivointi 1/3 Kaksisuuntaisella varianssianalyysilla voidaan tutkia kahden tekijän A ja B vaikutusta sekä niiden yhdysvaikutusta tutkimuksen kohteeseen Kaksisuuntaisessa
LisätiedotMat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,
LisätiedotKaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut
Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Regressiomallin valinta. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Regressiomallin valinta TKK (c) Ilkka Mellin (2007) 1 Regressiomallin valinta >> Regressiomallin valinta: Johdanto Mallinvalintatestit
LisätiedotYleinen lineaarinen malli
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 1: 1 Määritelmä ja standardioletukset 2
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
LisätiedotTestit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot
TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille
LisätiedotParametrien oppiminen
38 Parametrie oppimie Tilastollise malli (Bayes-verkko rakee o kiiitetty, se umeeriste parametrie (ehdolliste todeäköisyyksie arvot pyritää määräämää Oletamme havaitoe oleva täydellisiä; s.o., okaise datapistee
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin erusteet, kevät 007 Regressiomallin (selittäjien valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
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
LisätiedotLuku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 7.1 Parametriset jakaumat Tarkastellaa tutematota datalähdettä, joka tuottaa toisistaa stokastisesti riippumattomia ja tiheysfuktio
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 1 Iduktiotodistus Iduktiotodistukse logiikka Tutkitaa tapausta, jossa haluamme todistaa joki väittee P() site, että se pätee kaikilla luoollisissa luvuilla. Eli halutaa
LisätiedotYleistetyistä lineaarisista malleista
Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit
LisätiedotKorrelaatiokertoinen määrittely 165
kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x
LisätiedotOsa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet
Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
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
LisätiedotLohkoasetelmat. Heliövaara 1
Lohkoasetelmat Heliövaara 1 Kiusatekijä Kaikissa kokeissa, kokeen tuloksiin voi vaikuttaa vaihtelu joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla mahdollisesti on vaikutusta vastemuuttujan arvoon,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
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
LisätiedotMATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai
MATP53 Approbatur B Harjoitus, ratkaisut Maaatai..05. (Lämmittelytehtävä.) Oletetaa, että op = 7 tutia työtä. Kuika mota tutia Oili Opiskelija työsketelee itseäisesti kurssilla, joka laajuus o 4 op, ku
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analsin perusteet, kevät 007. luento: Kaksisuuntainen varianssianalsi Kai Virtanen Kaksisuuntaisen varianssianalsin perusasetelma Jaetaan perusjoukko rhmiin kahden tekän A ja B suhteen
Lisätiedot1. PARAMETRIEN ESTIMOINTI
Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,
Lisätiedot