Regressiomallin valinta. Regressiomallin valinta. Regressiomallin valinta: Esitiedot. Regressiomallin valinta: Mitä opimme?
|
|
- Jere Sariola
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 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 tarkastellaa seuraavia kysymyksiä: (i) Mite regressiomallii valitaa selittäät? (ii) Missä tilateissa a mite eälieaarie regressiomalli voidaa liearisoida ii, että tuloksea sytyyt trasformoitu malli voidaa estimoida tavaomaisee lieaarise mallii yhteydessä käytettävällä tekiikalla? Selittäie valitaogelmaa esitetää kaksi ratkaisua: (i) Mallivalitatestie a askellusstrategioitte käyttö. (ii) Mallivalitakriteereide käyttö. Regressiomalli valita: Esitiedot Esitiedot: ks. seuraavia lukua: Yleie lieaarie malli Moiulotteiset satuaismuuttuat a todeäköisyysakaumat Moiulotteisia todeäköisyysakaumia TKK (c) Ilkka Melli (004) 3 TKK (c) Ilkka Melli (004) 4 Regressiomalli valita: Lisätiedot Yleise lieaarise malli soveltamise erityiskysymyksiä käsitellää myös luvuissa Regressiodiagostiikka Regressioaalyysi erityiskysymyksiä Regressiomalli valita >> Eälieaariste riiuvuuksie liearisoiti TKK (c) Ilkka Melli (004) 5 TKK (c) Ilkka Melli (004) 6
2 TKK (c) Ilkka Melli (004) 7 Regressiomalli selittäie valita Avaisaat Harhaisuus Harhattomuus Malli valita Mallivalitakriteerit Puuttuvat selittäät Selittäie valita Selittääkadidaatti Tehokkuus Yleie lieaarie malli Estimoiti Sesifioiti Stadardioletukset Regressiomalli selittäiksi o usei tarolla oukko selittääkadidaattea tai -ehdokkaita a tilastollise aalyysi tehtävää o löytää kadidaattie oukosta oikeat tai arhaat mahdolliset. Selittäie valitaa regressiomalli kutsutaa tavallisesti malli valiaksi, vaikka oikeastaa kaikki mikä liittyy malli rakeeosa a ääöstermi sesifikaatioide valitaa o malli valitaa. TKK (c) Ilkka Melli (004) 8 Yleie lieaarie malli: Määritelmä Olkoo y = β0 + βx+ βx + + βkxk + ε, =,,, yleie lieaarie malli, ossa y = selitettävä muuttua y satuaie a havaittu arvo havaitoyksikössä x i = selittävä muuttua eli selittää x i havaittu arvo havaitoyksikössä, i =,,, k β 0 = vakioselittää tutemato regressiokerroi β i = selittää x i tutemato regressiokerroi ε = satuaie a ei-havaittu ääös- eli virhetermi havaitoyksikössä Yleie lieaarie malli: Matriisiesitys Yleise lieaarise malli matriisiesitys o muotoa y = Xβ + ε ossa y = selitettävä muuttua y havaittue arvoe muodostama satuaie -vektori X = selittäie x, x,, x k havaittue arvoe a ykköste muodostama (k + )-matriisi β = regressiokertoimie muodostama tutemato a kiiteä eli ei-satuaie (k + )-vektori ε = ääöstermie muodostama ei-havaittu a satuaie -vektori TKK (c) Ilkka Melli (004) 9 TKK (c) Ilkka Melli (004) 0 Yleie lieaarie malli: Stadardioletukset kiiteille selittäille Jos yleise lieaarise malli y = Xβ + ε selittäät x, x,, x k ovat kiiteitä eli ei-satuaisia muuttuia, mallia koskevat stadardioletukset voidaa esittää matriisei seuraavassa muodossa: (i) Matriisi X alkiot ovat ei-satuaisia vakioita. (ii) Matriisi X o täysiasteie: r(x) = k + (iii) E(ε) = 0 (iv)&(v) Homoskedastisuus- a korreloimattomuusoletus: Cov(ε) = σ I (vi) Normaalisuusoletus: ε N (0, σ I) Yleie lieaarie malli: Stadardioletukset satuaisille selittäille Jos yleise lieaarise malli y = Xβ + ε selittäät x, x,, x k ovat satuaismuuttuia, mallia koskevat stadardioletukset voidaa esittää matriisei seuraavassa muodossa: (i) Matriisi X alkiot ovat satuaismuuttuia. (ii) Matriisi X o täysiasteie: r(x) = k + (iii) E(ε X) = 0 (iv) &(v) Homoskedastisuus a korreloimattomuusoletus: Cov(ε X) = σ I (vi) Normaalisuusoletus: (ε X) N (0, σ I) TKK (c) Ilkka Melli (004) TKK (c) Ilkka Melli (004)
3 TKK (c) Ilkka Melli (004) 3 Yleie lieaarie malli: Rakeeosa a ääösosa Yleisessä lieaarisessa mallissa y = Xβ + ε selitettävä muuttua arvoe vektori y o esitetty kahde osatekiä summaa. Malli systemaattie eli rakeeosa E( yx) = Xβ riiuu selittäie havaituista arvoista. Jääöstermi ε muodostaa malli satuaise osa, oka ei riiu selittäie havaituista arvoista. Yleie lieaarie malli: Regressiokertoimie PNS-estimaattorit / Yleise lieaarise malli y = β0 + βx+ βx + + βkxk + ε, =,,, regressiokertoimie β 0, β, β,, β k PNS- eli ieimmä eliösumma estimaattorit b 0, b, b,, b k miimoivat ääös- eli virhetermie ε eliösumma ε = ( y β0 βx βx βkxk) = = kertoimie β 0, β, β,, β k suhtee. TKK (c) Ilkka Melli (004) 4 Yleie lieaarie malli: Regressiokertoimie PNS-estimaattorit / Yleise lieaarise malli y = Xβ + ε regressiokertoimie vektori β = (β 0, β, β,, β k ) PNS-estimaattori voidaa esittää matriisei muodossa b= ( XX ) Xy Yleie lieaarie malli: PNS-estimaattoreide omiaisuudet Yleise lieaarise malli y = Xβ + ε regressiokertoimie vektori β PNS-estimaattorilla b= ( XX ) Xy o stadardioletuksie (i)-(vi) ätiessä seuraavat stokastiset omiaisuudet: E( b) = β Cov( b) = σ ( XX ) b N ( β, σ ( XX ) ) k+ TKK (c) Ilkka Melli (004) 5 TKK (c) Ilkka Melli (004) 6 Yleie lieaarie malli: Sovitteet a residuaalit / Olkoo b = (b 0, b, b,, b k ) regressiokertoimie vektori β = (β 0, β, β,, β k ) PNS-estimaattori. Määritellää estimoidu malli sovitteet yˆ kaavalla yˆ = b0 + bx + bx + + b k x k, =,,, Määritellää estimoidu malli residuaalit e kaavalla e = y yˆ = y b bx b x b x, =,,, 0 k k Yleie lieaarie malli: Sovitteet a residuaalit / Sovitteide muodostama -vektori voidaa esittää matriisei muodossa yˆ = Xb = X( X X) X y = Py Residuaalie muodostama -vektori voidaa esittää matriisei muodossa e = y yˆ = ( I X( XX ) X ) y = ( I P) y = My TKK (c) Ilkka Melli (004) 7 TKK (c) Ilkka Melli (004) 8
4 TKK (c) Ilkka Melli (004) 9 Sovitteide a residuaalie omiaisuudet Jääösvariassi estimoiti Sovitteide a residuaalie muodostamilla vektoreilla o seuraavat stokastiset omiaisuudet: Sovitteide muodostama vektori ŷ : E( yˆ ) = Xβ Cov( yˆ ) = σ P = σ X( XX ) X Residuaalie muodostama vektori e : E( e) = 0 Cov( e) = σ M = σ ( I P) = σ ( I X( XX ) X ) Huomautus: Residuaalit e ovat (lievästi) korreloitueita, vaikka ääöstermit ε o oletettu korreloimattomiksi. Jos yleise lieaarise malli ääös- eli virhetermeä ε koskevat stadardioletukset (i)-(v) ätevät, ääösvariassi Var(ε ) = σ harhato estimaattori o s = e k = ossa e = estimoidu malli residuaali, =,,, = havaitoe lukumäärä k = (aitoe) selittäie x i lukumäärä TKK (c) Ilkka Melli (004) 0 Yleie lieaarie malli: Malli sesifioiti Lieaarise malli y = Xβ + ε muotoilua a siitä tehtävie oletuste valitaa kutsutaa malli sesifioiiksi eli täsmetämiseksi. Oikea sesifikaatio löytämie malli systemaattiselle osalle eli rakeeosalle E( yx) = Xβ o regressioaalyysi äätehtävä, koska uuri malli rakeeosa kuvaa selitettävä muuttua y riiuvuutta selittäistä x, x,, x k. Yleie lieaarie malli: Malli rakeeosa sesifioiti / Lieaariste regressiomallie estimoitia, testausta a eustamista koskevat tulokset edellyttävät, että malli rakeeosa o oikei sesifioitu. Virheet regressiomalli rakeeosa sesifioiissa ohtavat virheellisii ohtoäätöksii selitettävä muuttua a selittäie välisestä riiuvuudesta. Ku regressiomalli rakeeosalle etsitää oikeata sesifikaatiota, keskeie ogelma o löytää mallii oikeat selittäät. TKK (c) Ilkka Melli (004) TKK (c) Ilkka Melli (004) Miksi oikeide selittäie löytämie o tärkeätä? Miksi oikea selittäie löytämie o vaikeata? Jos regressiomallista uuttuu siihe kuuluvia selittäiä, malli regressiokertoimie PNS-estimaattorit ovat (yleesä) harhaisia. Jos regressiomallissa o turhia selittäiä, malli regressiokertoimie PNS-estimaattorit ovat (yleesä) tehottomia, mikä merkitsee sitä, että kertoimie variassit ovat tareettoma suuria. Huomautus: Estimaattori harhaisuus o alo vakavami ogelma kui estimaattori tehottomuus. Hyvä regressiomalli ääöseliösumma o iei (selitysaste o korkea), mutta mikä tahasa selittää lisäämie mallii yleesä ieetää ääöseliösummaa (kasvattaa selitysastetta). Hyvä regressiomalli kaikki selittäät ovat tilastollisesti merkitseviä, mutta mikä tahasa selittää oistamie mallista tai lisäämie mallii saattaa muuttaa mallii äävie tai siellä o olevie selittäie tilastollista merkitsevyyttä. TKK (c) Ilkka Melli (004) 3 TKK (c) Ilkka Melli (004) 4
5 TKK (c) Ilkka Melli (004) 5 Puuttuvie selittäie ogelma /3 Puuttuvie selittäie ogelma /3 Olkoo oikea malli selittävälle muuttualle y muotoa () y = Xβ + Xβ+ ε Oletetaa, että estimoimme regressiokertoimie vektori β väärästä mallista () y = Xβ + δ osta siis uuttuu osa oikea malli () selittäistä. Koska väärästä mallista () uuttuu osa oikea malli () selittäistä, väärä malli () ääöstermi o muotoa δ = Xβ + ε Olkoo kerroivektori β PNS-estimaattori väärästä mallista () b = ( X X) X y Estimaattori b o (yleesä) harhaie (ks. seuraava kalvo). Estimaattori b lauseke voidaa esittää muodossa b = ( X X) X y = ( XX ) X ( Xβ + Xβ + ε) = β+ ( XX ) XXβ + ( XX ) XXε Estimaattori b o yleesä harhaie: E( b) = β+ ( XX ) XXβ β ellei ehto ( XX ) XXβ = 0 äde. Tämä ehto voi käytäössä toteutua vai kahdella tavalla: β = 0 tai XX = 0 TKK (c) Ilkka Melli (004) 6 Puuttuvie selittäie ogelma 3/3 Ratkaisua malli valitaa Jos β = 0 selitettävä muuttua y havaitut arvot eivät riiu lieaarisesti matriisii X liittyvistä selittäistä a regressiokertoimie vektori β voidaa siis estimoida harhattomasti mallista (). Jos XX = 0 matriisi X sarakkeet ovat kohtisuorassa matriisi X sarakkeita vastaa a regressiokertoimie vektori β voidaa estimoida harhattomasti mallista (). Huomautus: Edellise erusteella vektori β komoetit voidaa ortogoaaliste selittäie taauksessa estimoida harhattomasti yhde selittää regressiomalleista. TKK (c) Ilkka Melli (004) 7 Regressiomalli selittäie valitaa o tarolla kaksi erilaista meetelmää: (i) Mallivalitatesteä käytettäessä mallii yritää valitsemaa otaki testausstrategiaa käyttäe kaikki tilastollisesti merkitsevät selittäät. (ii) Mallivalitakriteereitä käytettäessä mallii valitaa selittäiksi kaikkie tarolla olevie selittäie oukosta sellaie osaoukko, oka otimoi käytety kriteerifuktio arvo. TKK (c) Ilkka Melli (004) 8 Regressiomalli valita >> Eälieaariste riiuvuuksie liearisoiti Avaisaat Askellus alasäi Askeltava regressio Lähtömalli Selittää lisäämie Selittää oistamie t-testi TKK (c) Ilkka Melli (004) 9 TKK (c) Ilkka Melli (004) 30
6 TKK (c) Ilkka Melli (004) 3 Mallivalitatestie idea / Mallivalitatestie idea / Hyvässä regressiomallissa kaikki regressiokertoimet ovat tilastollisesti merkitseviä. Regressiokertoime β i merkitsevyyttä testataa tilastollisesti testaamalla ollahyoteesia H 0 : β i = 0 Jos ollahyoteesi H 0 ää voimaa, selitettävä muuttua ei riiu lieaarisesti kerroita β i vastaavasta selittäästä. Jos ollahyoteesi H 0 hylätää testissä, selitettävä muuttua riiuu lieaarisesti kerroita β i vastaavasta selittäästä, olloi saotaa, että regressiokerroi β i a sitä vastaava selittää ovat tilastollisesti merkitseviä. Selittää merkitsevyyttä testaavia tilastollisia testeä kutsutaa mallivaliassa mallivalitatesteiksi. Regressiokertoime tilastollista merkitsevyyttä testataa tavallisesti tavaomaisella t-testillä. Ku mallivaliassa käytetää mallivalitatesteä, tavoitteea o ottaa mallii mukaa kaikki tilastollisesti merkitsevät selittäät a sulkea malli ulkouolelle kaikki tilastollisesti ei-merkitsevät selittäät. Mallivalitatesteä käytettäessä muodostetaa tavallisesti esi lähtömalli, oho tilastollisesti merkitsevät selittäät yritää lisäämää a osta ei-merkitsevät yritää oistamaa. TKK (c) Ilkka Melli (004) 3 Mallivalitatestie soveltamise erusogelma Selittää oistamise vaikutukset Tilastollisesti merkitsevie selittäie lisäämie mallii a ei-merkitsevie selittäie oistamie mallista mallivalitatestie erusteella ei kuitekaa ole ogelmatota, koska selittää tilastollisee merkitsevyytee vaikuttaa yleesä se, mitä muita selittäiä mallissa o testaushetkellä. Site testie suoritusärestys saattaa vaikuttaa siihe, mikä malli tulee valituksi. Ku mallista oistetaa tilastollisesti ei-merkitseviä selittäiä kohdataa usei seuraavat ogelmat: (i) Ei-merkitseviä selittäiä oistettaessa oistamisärestys saattaa vaikuttaa loutuloksee. (ii) Selittää oistamie mallista saattaa muuttaa aikaisemmi ei-merkitsevää oistetu selittääkadidaati merkitseväksi, os se otettaisii takaisi mallii. TKK (c) Ilkka Melli (004) 33 TKK (c) Ilkka Melli (004) 34 Selittää lisäämise vaikutukset a askellusstrategiat Ku mallii lisätää tilastollisesti merkitseviä selittäiä kohdataa usei seuraavat ogelmat: (i) Merkitseviä selittäiä lisättäessä lisäämisärestys saattaa vaikuttaa loutuloksee. (ii) Selittää lisäämie mallii saattaa muuttaa mallissa oleva, ee uude selittää lisäämistä merkitsevä selittää ei-merkitseväksi. Mallivalitatestie soveltamise ogelmat ovat ohtaeet erilaiste askellusstrategioide kehittämisee. Tässä esitellää strategiaa: (i) Askellus alasäi (ii) Askeltava regressio Huomautus: Eri strategiat saattavat ohtaa eri malleihi! TKK (c) Ilkka Melli (004) 35 TKK (c) Ilkka Melli (004) 36
7 TKK (c) Ilkka Melli (004) 37 Askellus alasäi / Askellus alasäi / Alasäi askelluksessa käytettävä mallivalitastrategia: () Otetaa lähtömallii mukaa kaikki selittääkadidaatit. () Valitaa mallivalitatesteissä käytettävä merkitsevyystaso Out. Alasäi askelluksessa käytettävä mallivalitastrategia: Askel muodostuu vaiheista (3)-(7). (3) Estimoidaa malli iillä selittäillä, otka ovat mallissa. (4) Testataa merkitsevyystasoa Out käyttäe kaikkie mallissa olevie selittäie tilastollista merkitsevyyttä. (5) Jos kaikki mallissa olevat selittäät ovat tilastollisesti merkitseviä, malli o valmis. (6) Poistetaa malli ei-merkitsevistä selittäistä se, ota vastaava -arvo o suuri. (7) Palataa vaiheesee (3). TKK (c) Ilkka Melli (004) 38 Askellus alasäi: Kommettea Vaihe (3) eli malli estimoiti uudellee o välttämätö oka askeleessa. Tämä ohtuu siitä, että lukuu ottamatta ortogoaaliste selittäie taausta estimoititulokset yleesä muuttuvat oka askeleessa. Askeltava regressio /4 Askeltavassa regressiossa käytettävä mallivalitastrategia: () Muodostetaa lähtömalli. () Valitaa kaksi mallivalitatesteissä käytettävää merkitsevyystasoa I a Out. TKK (c) Ilkka Melli (004) 39 TKK (c) Ilkka Melli (004) 40 Askeltava regressio /4 Askeltava regressio 3/4 Askeltavassa regressiossa käytettävä mallivalitastrategia: Askel muodostuu vaiheista (3)-(9). (3) Estimoidaa malli iillä selittäillä, otka ovat mallissa. (4) Testataa vuorotelle merkitsevyystasoa I käyttäe kaikkie ko. askeleessa malli ulkouolella olevie selittääkadidaattie tilastollista merkitsevyyttä mallii lisättyiä. (5) Testataa merkitsevyystasoa Out käyttäe kaikkie mallissa olevie selittäie tilastollista merkitsevyyttä. Askeltavassa regressiossa käytettävä mallivalitastrategia: Askel muodostuu vaiheista (3)-(9). (6) Jos mallii liitettyä tilastollisesti merkitseviä selittääkadidaattea löytyy, lisätää mallii kadidaateista se, ota vastaava -arvo o iei. (7) Jos mallissa o tilastollisesti ei-merkityksellisiä selittäiä, oistetaa iistä se, ota vastaava -arvo o suuri. TKK (c) Ilkka Melli (004) 4 TKK (c) Ilkka Melli (004) 4
8 TKK (c) Ilkka Melli (004) 43 Askeltava regressio 4/4 Askeltavassa regressiossa käytettävä mallivalitastrategia: Askel muodostuu vaiheista (3)-(9). (8) Jos mallii ei voida liittää uusia selittäiä eikä siitä oistaa yhtää siiä olevaa selittäää, malli o valmis. (9) Palataa vaiheesee (3). Askellus alasäi: Kommettea Vaihe (3) eli malli estimoiti uudellee o välttämätö oka askeleessa. Tämä ohtuu siitä, että lukuu ottamatta ortogoaaliste selittäie taausta estimoititulokset yleesä muuttuvat oka askeleessa. TKK (c) Ilkka Melli (004) 44 Regressiomalli valita >> Eälieaariste riiuvuuksie liearisoiti Avaisaat Jääöseliösumma Akaike kriteeri Jääösvariassikriteeri Korattu selitysaste Mallowsi kriteeri Schwarzi kriteeri Pricile of Parsimoy Selitysaste Sakkofuktio TKK (c) Ilkka Melli (004) 45 TKK (c) Ilkka Melli (004) 46 Mallivalitakriteereide idea /3 Mallivalitakriteereide idea /3 Hyvä regressiomalli ääöseliösumma o iei tai mikä o sama asia selitysaste R o korkea. Saattaisi olla houkutteleva aatus valita tarolla olevista selittääkadidaateista mallii e, otka miimoivat ääöseliösumma (maksimoivat selitysastee). Jääöseliösumma miimoitia (selitysastee maksimoitia) ei kuitekaa voida käyttää malli valitaa: (i) Jääöseliösumma ieeee tai ei aiakaa kasva (selitysaste R kasvaa tai ei aiakaa ieee) aia, ku mallii lisätää selittää. (ii) Jääöseliösumma miimoiti (selitysastee maksimoiti) ohtaa aia kaikkie tarolla olevie selittäie valitaa. TKK (c) Ilkka Melli (004) 47 TKK (c) Ilkka Melli (004) 48
9 TKK (c) Ilkka Melli (004) 49 Mallivalitakriteereide idea 3/3 /3 Mallivalitakriteereissä ääöseliösummaa liitetää sakkofuktio, oka arvo riiuu estimoitavie regressiokertoimie lukumäärästä. Sakkofuktio kasvattaa kriteerifuktio arvoa, elleivät mallii lisätyt selittäät ieeä ääöseliösummaa tareeksi alo. Mallivalitakriteereitä voidaa itää tieteellise äättely keskeise eriaattee ricile of arsimoy kiteytyksiä tilastolliste mallie maailmaa. Pricile of arsimoy: Yksikertaie selitys tosiasioille o aia aremi kui moimutkaie selitys. Olkoo y = X β + ε lieaarie regressiomalli, ossa selittäie lukumäärä o (vakioselittää mukaa luettua) = k +. Olkoo b = ( X X) X y regressiokertoimie vektori β PNS-estimaattori a = ( y Xb )( y Xb ) vastaava ääöseliösumma. TKK (c) Ilkka Melli (004) 50 /3 3/3 voidaa tavallisesti esittää muodossa C(, ) = ˆ σ + f( ) ossa ˆ σ = o ääösvariassi σ suurimma uskottavuude (SU-) estimaattori mallista, ossa o selittäää a f() o ositiivie havaitoe a havaitoe lukumäärä fuktio. Kriteerifuktiolla C(, ) = ˆ σ + f( ) o seuraavat omiaisuudet: (i) Jääösvariassi σ SU-estimaattori σˆ arvo ieeee (tai ei aiakaa kasva), ku mallii lisätää selittää. (ii) Sakkofuktio f() arvo kasvaa, ku mallii lisätää selittää. Kriteerifuktio C(, ) arvo ieeee siis vai, os estimaattori σˆ ieeee tareeksi alo, ku mallii lisätää selittää. TKK (c) Ilkka Melli (004) 5 TKK (c) Ilkka Melli (004) 5 Mallivalitakriteereide käyttö malli valiassa Oletetaa, että tarolla olevia selittääkadidaattea o kaikkiaa q kaaletta. Mallivalitakriteereitä sovelletaa seuraavalla tavalla: (i) Määrätää kriteerifuktio arvo kaikille mahdollisille selittääkadidaattie yhdistelmille eli kaikille malleille, oissa o selittäää, ku =,,, q. (ii) Valitaa mallii selittäiksi se selittääkadidaattie yhdistelmä, oka otimoi kriteerifuktio arvo. Mallivalitakriteeri valitsemie / Kirallisuus tutee useita erilaisia mallivalitakriteereitä. Tässä esitellää 5 kriteeriä: (i) Jääösvariassikriteeri (ii) Korattu selityaste (iii) Mallowsi C (iv) Akaike iformaatiokriteeri AIC (v) Schwarzi Bayeslaie iformaatiokriteeri SBIC Teoreettisesti vahvimmat erustelut o esitetty C -, AICa SBIC-kriteereille Huomautus: Eri kriteerit saattavat ohtaa eri malleihi! TKK (c) Ilkka Melli (004) 53 TKK (c) Ilkka Melli (004) 54
10 TKK (c) Ilkka Melli (004) 55 Mallivalitakriteeri valitsemie / Voidaa osoittaa, että sekä ääösvariassikriteerillä, koratulla selitysasteella, Mallowsi C -kriteerillä, AICkriteerillä että SBIC-kriteerillä o seuraava hyvyysomiaisuus: Kriteerit tuottavat asymtoottisesti (havaitoe lukumäärä kasvaessa raatta) malli, oka o harhato siiä mielessä, että mallista ei ää ois mallii kuuluvia selittäiä. Tässä esiteltävistä kriteereistä kuiteki vai SBICkriteeri tuottaa asymtoottisesti (havaitoe lukumäärä kasvaessa raatta) malli, oka o tehokas siiä mielessä, että mallissa ei ole turhia selittäiä. Jääösvariassikriteeri / Jääöseliösummaa ei sellaiseaa voida käyttää malli valiassa, koska se ieeee (tai ei aiakaa kasva) aia, ku mallii lisätää selittäiä. Määritellää ääösvariassikriteeri s kaavalla ˆ σ s ˆ = = σ + ossa ˆ = σ = ( y Xβ )( y X β ) o ääöseliösumma mallista, ossa o q selittäää. TKK (c) Ilkka Melli (004) 56 Jääösvariassikriteeri / Jääösvariassikriteeri mukaa aras malli o se, oka miimoi kriteerifuktio ˆ σ s ˆ = = σ + arvo. Huomautus: Jääösvariassikriteeri s arvo saattaa kasvaa, elleivät mallii lisätyt selittäät ieeä estimoidu malli ääöseliösummaa tareeksi alo. Korattu selitysaste / Selitysastetta R ei sellaiseaa voi käyttää malli valiassa, koska se kasvaa (tai ei aiakaa ieee) aia, ku mallii lisätää selittäiä. Määritellää korattu selitysaste R kaavalla R = SST ossa = ( y Xb )( y Xb) o ääöseliösumma mallista, ossa o q selittäää a SST = ( ) s y o muuttua y vaihtelua kuvaava kokoaiseliösumma. TKK (c) Ilkka Melli (004) 57 TKK (c) Ilkka Melli (004) 58 Korattu selitysaste / Koratu selitysastee mukaa aras malli o se, oka maksimoi kriteerifuktio R = SST arvo. Huomautuksia: () Koratu selitysastee R arvo saattaa ieetyä, elleivät mallii lisätyt selittäät kasvata estimoidu malli selitysastetta tareeksi alo. () Koratu selitysastee R maksimoiti ohtaa samaa mallii kui ääösvariassikriteeri miimoiti. s Mallowsi C /3 Määritellää Mallowsi C -kriteeri kaavalla C = + sq ossa ˆ = σ = ( y Xβ )( y X β ) o ääöseliösumma mallista, ossa o q selittäää a ( q) s q = q missä q o kaikkie selittääkadidaattie lukumäärä. Mallowsi kriteeri mukaa aras malli o se, oka miimoi kriteerifuktio C arvo. TKK (c) Ilkka Melli (004) 59 TKK (c) Ilkka Melli (004) 60
11 TKK (c) Ilkka Melli (004) 6 Mallowsi C /3 Mallowsi C -kriteeristä tuetaa useita ekvivalettea muotoa. Määritellää kriteerifuktiot C a C kaavoilla C = + ( ) sq a s q C ˆ = σ + Kriteerifuktioide C, C, C miimoiti ohtaa täsmällee samaa mallii. Mallowsi C 3/3 b q Olkoo vektori β q estimaattori, oka erustuu q selittääkadidaattii, millä tarkoitetaa sitä, että e kertoimet, oita vastaavat selittäät o ätetty ois mallista, merkitää vektorissa b q olliksi. Mallowsi C -kriteeri o vektori β q estimaattori b q rediktiivise keskieliövirhee PMSE( bq) = E ( bq βq) XX q q( bq βq) aroksimatiivisesti harhato estimaattori eli E( C ) PMSE( bq) os malli y = X β + ε harha o iei. TKK (c) Ilkka Melli (004) 6 Akaike iformaatiokriteeri AIC / Määritellää Akaike iformaatiokriteeri AIC kaavalla ˆ σ AIC = ˆ σ + ossa ˆ σ = o ääösvariassi σ SU-estimaattori mallista, ossa o q selittäää. Aikaike iformaatiokriteeri mukaa aras malli o se, oka miimoi kriteerifuktio AIC arvo. Akaike iformaatiokriteeri AIC / Akaike iformaatiokriteeri o aroksimatiivisesti harhato estimaattori malli y = X β + ε s. Kullbacki a Leibleri iformaatiolle. TKK (c) Ilkka Melli (004) 63 TKK (c) Ilkka Melli (004) 64 Schwarzi kriteeri SBIC / Määritellää Schwarzi kriteeri SBIC kaavalla ˆ σ log( ) SBIC = ˆ σ + ossa ˆ σ = o ääösvariassi σ SU-estimaattori mallista, ossa o q selittäää. Schwarzi kriteeri mukaa aras malli o se, oka miimoi kriteerifuktio SBIC arvo. Schwarzi kriteeri SBIC / Schwarzi kriteeri maksimoi aroksimatiivisesti malli y = X β + ε osteriori-todeäköisyyde soivasti valitulle rioriakaumie erheelle. TKK (c) Ilkka Melli (004) 65 TKK (c) Ilkka Melli (004) 66
12 TKK (c) Ilkka Melli (004) 67 Kommettea malli valitaogelma tilastollisii ratkaisuihi / Malli valiassa käytettävät tilastolliset kriteerit: (i) Valittu malli selviää diagostisista tarkistuksista; ks. lukua Regressiodiagostiikka. (ii) Valitu malli arametrit ovat tilastollisesti merkitseviä; ks. kaaletta. Mallia ei idä kuitekaa koskaa valita elkästää tilastollisi kriteerei. Kommettea malli valitaogelma tilastollisii ratkaisuihi / Malli valiassa käytettävät asialoogiset kriteerit: (i) Ovatko malli arametrit tulkittavissa? (ii) Ovatko malli arametrit oikea merkkisiä a oikea kokoisia? (iii) Kuvaako malli todellisuutta mielekkäällä tavalla? Asialoogisia kriteereitä ei voida asettaa tilastotieteestä käsi. Vai tutkimukse kohteea oleva ilmiö tutemus a ilmiötä koskeva teoria mahdollistavat asialoogiste kriteerie asettamise. Malli itää aia alistaa asialoogisii tarkistuksii. TKK (c) Ilkka Melli (004) 68 Regressiomalli valita Eälieaariste riiuvuuksie liearisoiti >> Eälieaariste riiuvuuksie liearisoiti Avaisaat Eälieaarie tilastollie riiuvuus Lieaarie tilastollie riiuvuus Liearisoiti Liearisoivat muuokset TKK (c) Ilkka Melli (004) 69 TKK (c) Ilkka Melli (004) 70 Eälieaariste riiuvuuksie liearisoiti Regressiomalli liearisoiti /4 Eälieaariste riiuvuuksie liearisoiti Regressiomalli liearisoiti /4 Jos selitettävä muuttua y tilastollie riiuvuus selittäistä x, x,, x k o eälieaarie, riiuvuude aalysoiti vaatii yleesä eälieaarise regressiomalli raketamista. Eälieaariste regressiomallie käsittely sivuutetaa tässä. Joskus selitettävä muuttua y a selittävie muuttuie x, x,, x k välie eälieaarie tilastollie riiuvuus voidaa kuiteki liearisoida selitettävä muuttua a selittäie soivilla muuoksilla ii, että liearisoii tuloksea sytyyt trasformoitu malli toteuttaa yleise lieaarise malli stadardioletukset. Raoitumme tässä liearisoivie muuoste käytö kuvaamisee yhde selittää taauksessa. Olkoot y, =,,, selitettävä muuttua y havaittua arvoa a x, =,,, selittävä muuttua x havaittua arvoa, otka liittyvät kaikille =,,, samaa havaitoyksikköö. Oletetaa, että selitettävä muuttua y tilastollie riiuvuus selittäästä x o eälieaarista. TKK (c) Ilkka Melli (004) 7 TKK (c) Ilkka Melli (004) 7
13 TKK (c) Ilkka Melli (004) 73 Eälieaariste riiuvuuksie liearisoiti Regressiomalli liearisoiti 3/4 Eälieaariste riiuvuuksie liearisoiti Regressiomalli liearisoiti 4/4 Saomme, että selitettävä muuttua y a selittää x välie eälieaarie tilastollie riiuvuus voidaa liearisoida, os o olemassa biektiiviset kuvaukset f a g ii, että muuetuille havaitoarvoille ( f( x), g( y)), =,,, ätee regressiokertoimie β 0 a β suhtee lieaarie esitys f( y) = β0 + βg( x) + ε, =,,, ossa ääöstermit ε toteuttavat yleise lieaarise malli stadardioletukset. Tällöi trasformoituu mallii f( y) = β0 + βg( x) + ε, =,,, voidaa soveltaa tavaomaisia lieaarise malli estimoiti- a testaustekiikoita. Parhaimmillaa liearisoivat muuokset f a g löytyvät taustateoria kute fysiika tai taloustietee avulla; ks. kuiteki seuraavat kalvot. TKK (c) Ilkka Melli (004) 74 Eälieaariste riiuvuuksie liearisoiti Liearisoivie muuoste etsimie I / Soivie muuoste etsimisissä voidaa käyttää aua tilastografiikkaa: (i) Piirretää selitettävä muuttua y a selittää x havaituista arvoista istediagrammi ( x, y), =,,, (ii) Piirretää selitettävä muuttua y a selittää x havaittue arvoe muuoksista istediagrammit ( g( x), f( y)), =,,, fuktioide f a g kaikille mahdollisille kadidaateille. Eälieaariste riiuvuuksie liearisoiti Liearisoivie muuoste etsimie I / Muuttuie y a x tilastollise riiuvuude eälieaarisuus äkyy istediagrammi ( x, y), =,,, isteilve tai -arve käyristymiseä. Jos fuktiot f a g oistuvat liearisoimaa muuttuie y a x välise eälieaarise tilastollise riiuvuude, istediagrammi ( g( x), f( y)), =,,, isteilvessä tai -arvessa ei äy käyristymistä. TKK (c) Ilkka Melli (004) 75 TKK (c) Ilkka Melli (004) 76 Eälieaariste riiuvuuksie liearisoiti Liearisoivie muuoste etsimie II / Soivie muuoste f a g etsimisessä auttaa usei myös seuraava tekiikka: (i) Estimoidaa trasformoidut mallit f( y) = β0 + βg( x) + ε, =,,, fuktioide f a g kaikille mahdollisille kadidaateille. (ii) Piirretää estimoitituloksista seuraavat residuaalikuviot: Stadardoidut residuaalit sovitteita vastaa: ( fˆ ( y),std( e)), =,,, Stadardoidut residuaalit selittää arvoa vastaa: ( x,std( e )), =,,, TKK (c) Ilkka Melli (004) 77 Eälieaariste riiuvuuksie liearisoiti Liearisoivie muuoste etsimie II / Jos fuktiot f a g eivät oistu liearisoimaa muuttuie y a x eälieaarista tilastollista riiuvuutta, residuaalikuvioide isteilvissä äkyy käyristymistä. Se siaa, os fuktiot f a g oistuvat liearisoimaa muuttuie y a x eälieaarise tilastollise riiuvuude, residuaalikuvioide isteilvissä ei äy käyristymistä. TKK (c) Ilkka Melli (004) 78
14 TKK (c) Ilkka Melli (004) 79 Eälieaariste riiuvuuksie liearisoiti Liearisoivia muuoksia / Eälieaariste riiuvuuksie liearisoiti Liearisoivia muuoksia / Alla oleva taulukko esittää sellaisia fuktioide f a g kombiaatioita, oide o moissa sovellustilateissa havaittu tuottava liearisoidu esitykse f ( y) = β0 + βg( x) muuttuie y a x tilastolliselle riiuvuudelle. gx ( ) f( y) x x log( x) y y = β0 + βx y = β0 + β x y= β0 + βlog( x) y y = β0 + βx y = β0 + β x y= β0 + βlog( x) log( y) log( y) = β + β x log( y) = β + β x log( y) = β + β log( x) Olkoot fuktiot f a g kute esityksessä f( y) = β0 + βg( x) edellisellä kalvolla. Alla oleva taulukko esittää ratkaisua muuttua y suhtee. gx ( ) f( y) x x log( x) y y = β0 + βx y = β0 + β x y= β0 + βlog( x) β y y = y = y = β β 0 0 β β 0 x β 0 β x+ β log( x) β + β + 0 β β0 βx β0 β x β0 β log( y) y = e e y = e e y = e x TKK (c) Ilkka Melli (004) 80 Eälieaariste riiuvuuksie liearisoiti Vaatimukset muuoksille O syytä huomata, että ei riitä, että valitut muuokset tuottavat lieaarise malli, oka soii hyvi havaitoihi, vaa käytettävie muuoste itää toteuttaa selitettävä muuttua a selittää käyttäytymisee liittyvät loogisuusehdot: (i) Muuosfuktioide määrittely-a arvoalueide itää liittyä loogisella tavalla selitettävä muuttua a selittää mahdolliste arvoe alueisii. (ii) Muuosfuktioide asymtoottise käyttäytymise itää vastata loogisella tavalla selitettävä muuttua a selittää mahdolliste arvoe käyttäytymistä iide äärialueilla. TKK (c) Ilkka Melli (004) 8
Mat 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
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
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
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
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-2.2104 Tilastollisen analyysin erusteet, kevät 2007 10. luento: Regressiomallin (selittäjien) valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
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
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 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
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
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..
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
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
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
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
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
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,
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 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
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
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
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
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
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
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
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
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
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:
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,
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,
LisätiedotMat 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
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
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
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
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
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
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
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
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
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.340 Lieaarie ohjelmoiti 20.9.2007 Lueto 2 Lieaarialgebraa ja geometriaa (kirja.5, 2.) S ysteemiaalyysi Tekillie korkeakoulu Lieaarie ohjelmoiti - Syksy 2007 / Lieaarialgebraa Notaatiota Kääteismatriisi
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
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.
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
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 Regressiodiagnostiikka. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Regressiodiagnostiikka TKK (c) Ilkka Mellin (2004) 1 Regressiodiagnostiikka Yleinen lineaarinen malli ja regressiodiagnostiikka Regressiografiikka Poikkeavat havainnot Regressiokertoimien
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotRegressiodiagnostiikka ja regressiomallin valinta
Regressiodiagnostiikka ja regressiomallin valinta MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
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
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
LisätiedotAnalyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018
Aalyysi A Harjoitustehtäviä lukuu / kevät 208 Ellei toisi maiita, tehtävissä esiityvät muuttujat ja vakiot ovat mielivaltaisia reaalilukuja.. Aa joki ylä- ja alaraja joukoille { x R x 2 + x 6 ja B = {
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.
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
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
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
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)
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,
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,
LisätiedotInsinöörimatematiikka IA
Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Regressiodiagnostiikka. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Regressiodiagnostiikka TKK (c) Ilkka Mellin (2007) 1 Regressiodiagnostiikka >> Yleinen lineaarinen malli ja regressiodiagnostiikka
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
LisätiedotRegressiodiagnostiikka ja regressiomallin valinta
Regressiodiagnostiikka ja regressiomallin valinta MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015
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 ),
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
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
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
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
Lisätiedot2. Tietokoneharjoitukset
2. Tietokoneharjoitukset Demotehtävät 2.1 Jatkoa kotitehtävälle. a) Piirrä aineistosta pistediagrammi (KULUTUS, SAIRAST) ja siihen estimoitu regressiosuora. KULUTUS on selitettävä muuttuja. b) Määrää estimoidusta
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
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
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
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,
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
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,
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
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
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
Lisätiedot4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on
4 4 KORKEAAN KERTAUVUN INEAARISET DIFFERENTIAAIYHTÄÖT Kertalukua olevassa differetiaalihtälössä F(x,,,, () ) = 0 esiit :e kertaluvu derivaatta () = d /dx ja mahdollisesti alempia derivaattoja, :tä ja x:ää.
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
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
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
Lisätiedot5.3 Matriisin kääntäminen adjungaatilla
Vaasa yliopisto julkaisuja 08 Sec:MatIvAdj 53 Matriisi käätämie adjugaatilla Määritelmä 3 -matriisi A adjugaatti o -matriisi adj(a) (α i j ), missä α i j ( ) i+ j det(a ji ) (, joka o siis alkioo a ji
LisätiedotTYÖNTEKIJÄIN ELÄKELAIN MUKAISEN VAKUUTUKSEN YLEISET LASKUPERUSTEET. Kokooma 23.1.2008. Viimeisin perustemuutos on vahvistettu 3.2.1998.
TYÖNTEKIJÄIN ELÄKELAIN MUKAISEN VAKUUTUKSEN YLEISET LASKUPERUSTEET Kokooma 23.1.2008. Viimeisi perustemuutos o vahvistettu 3.2.1998. TYÖNTEKIJÄIN ELÄKELAIN MUKAISEN VAKUUTUKSEN YLEISET LASKUPERUSTEET Sisällysluettelo
LisätiedotAlgebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)
Algebra I Matematiika ja tilastotietee laitos Ratkaisuehdotuksia harjoituksii 5 (6 sivua) 14.2. 17.2.2011 1. Määritellää kuvaus f : S 3 S 3, f(α) = (123) α. Osoita, että f o bijektio. Mikä o se kääteiskuvaukse
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 11 12
Iversio-ogelmie laskeallie eruskurssi Lueto 11 12 Kevät 2011 1 Lieaarie tilastollie iversio-ogelma Tarkastellaa lieaarista ogelmaa Y = AX + E, missä Y R m, X R ja E R m ovat satuaismuuttujia ja A R m o
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
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
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
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotSMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi
SMG-400 Sähkömageettiste järjestelmie lämmösiirto Ehdotukset harjoitukse 6 ratkaisuiksi Tarkastellaa suljetu järjestelmä tehotasaaioa joka o P + P P = P i g out st Oletetaa että verkotetussa alueessa jossa
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
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
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos 1B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
LisätiedotRyhmän osajoukon generoima aliryhmä ja vapaat ryhmät
Ryhmä osajouko geeroima aliryhmä ja vapaat ryhmät LuK-tutkielma Joose Heioe Matemaattiste tieteide tutkito-ohjelma Oulu yliopisto Kevät 2017 Sisältö Johdato 2 1 Ryhmät ja aliryhmät 2 1.1 Ryhmä.................................
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
Lisätiedot