Harjoitukset 5 : Differences-in-Differences - mallit (Palautus )
|
|
- Heidi Katajakoski
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 5 : Differences-in-Differences - mallit (Palautus ) Tämän harjoituskerran tarkoitus on perehtyä Differences-in-Differences-mallien käyttöön. Aineistot löytyvät kurssin Mycourses-sivulta. Ensimmäisessä tehtävässä käytetään aiemmin käytössä ollutta Elisan laitemyyntiaineistoa. Toisessa tehtävässä käytetään Dehejian ja Wahban(1999) aineistoa työmarkkinakoulutuksesta. Tehtävät voi tehdä 1-2 opiskelijan ryhmissä. Kumpikin opiskelija osallistuu kaikkien harjoituksen osien tekemiseen. Vaikka harjoitukset tehtäisiin yhdessä, vastaukset kirjoitetaan itsenäisesti ja palautetaan erikseen. Jokainen palauttaa vastauksensa Mycourses-sivuston kautta. Liittäkää käyttämänne Statakoodi kommentoituna jokaisen tehtävän loppuun. 1. Mainoskampanjan vaikutukset laitemyyntiin Elisa haluaa tutkia mainonnan vaikutusta laitemyyntiin Differences-in-Differences(DiD)-tutkimusasetelman avulla. Elisa on kiinnostunut siitä kuinka paljon laitemyynti lisääntyi mainoskampanjan seurauksena. Elisa haluaa siis verrata myynnin kehitystä koe- ja kontrollimaakunnissa ennen ja jälkeen mainoskampanjan. Mainoskampanja toteutettiin Uudenmaan ja Etelä-Savon maakunnissa. Verrokkimaakunniksi Elisa valitsi Pohjois-Savon, Kainuun, Pirkanmaan, Varsinais-Suomen ja Pohjois-Pohjanmaan. Mainoskampanja toteutettiin vuonna 2015 (a) Mitä tietoja tarvitset Elisan laitemyynnistä, jotta voit suorittaa tehtävänannossa määritellyn tutkimuksen DiD-asetelman avulla? Vastaa lyhyesti? Mallin estimointia varten tarvitaan tietoja laitemyynnistä määritellyistä maakunnista ennen ja mainoskampanjan jälkeen. Ideaalisessa tilanteessa käytössä olisi kaikki Elisan myymät laitteet. Mitä enemmän aineistoa on kampanjaa edeltävältä ajalta, niin sitä paremmin kriittisen "Common Trends-oletuksen paikkansa pitävyyttä voidaan tarkastella. Tarkat tiedot myydyistä laitteista ja ostajista auttavat kampanjan analysoinnissa. (b) Millaisia asioita pitäisi olettaa, jotta DiD-asetelmalla saatu estimaatti voitaisiin tulkita mainoskampanjan kausaalivaikutukseksi laitemyyntiin? Mitä pitäisi olettaa koe- ja verrokkiryhmien välisestä suhteesta? Vastaa lyhyesti. Meidän täytyy olettaa, että ilman mainoskampanjaa maakuntien laitemyynti kehittyisi samalla tavalla. Lisäksi oletamme, että mainoskampanja vaikuttaa vain niihin maakuntiin, mihin kampanja on kohdistettu. Esimerkiksi Etelä-Savossa toteutettu kampanja ei vaikuta Pohjois-Savon laitemyyntiin. Uudenmaan ja Etelä-Savon maakuntien laitekysyntä myöskään ei riipu muiden maakuntien laitekysynnästä. Mainoskampanjan harhattoman vaikutuksen estimointi vaatii, että samaan aikaan ei tapahdu asioita, jotka vaikuttavat ihmisten ostokäyttäytymiseen valituissa maakunnissa. (c) Kuvitellaan, että kurssin käytössä oleva Elisan myyntiaineisto sisältää laitemyynnin vuodelta ennen mainoskampanjan alkua, eli kampanja alkoi vuoden 2015 alussa. Piirrä käytössä olevan aineiston avulla kuukausittainen kokonaismyynti näissä valituissa maakunnissa. Ovatko ryhmien myynnin kehitystrendit samansuuntaisia? 1
2 Kuva 1: Ryhmien väliset trendit Kuvion 1 perusteella kokonaismyynti ja laitteen keskimääräinen hinta eivät seuraa selkeästi samaa trendiä valituissa maakunnissa. Kokonaismyynnin tapauksessa ajatus samasta trendista on parempi kuin keskimääräisen hinnan tapauksessa. Silti kuvan 1 perusteella DiD-mallien kriittinen oletus siitä, että koe-ja kontrolliryhmät kehittyvät ajassa samalla tavalla ennen interventiota ei pidä paikkaansa. Kuva 2: Ryhmien väliset trendit, Etelä-Savo vs Pohjois-Savo Kuva 2 esittää trendit Etelä-Savon ja Pohjois-Savon välillä. Maantieteellisen läheisyyden vuoksi voisi kuvitella, että maakuntien kokonaismyynti seuraa samaa trendiä. Maantieteellinen läheisyys ei näytä takaavan yhtenäisiä trendejä kokonaismyynnissä ja laitteen keskimääräisessä 2
3 hinnassa. (d) Mitkä asiat voivat mennä pieleen DiD-estimaatin harhattomassa estimoinnissa, kun tarkastelemme mainonnan vaikutusta laitemyyntiin? Vastaa lyhyesti. Ongelmia voi aiheutua seuraavista asioista: Common trends-oletus ei pidä paikkaansa. Tämä voidaan huomata esim edellisessä kohdassa piirretyistä kuvista. Jos trendit eroavat toisistaan jo ennen kampanjaa, niin silloin mallin kausaaliestimaatti tuottaa harhaisen tuloksen. Tulosten tulkinta hankaloituu, jos kampanjalla on vaikutus kaikkien maakuntien myyntiin eikä tutkija tiedosta tätä ongelmaa. Ongelmia voi aiheutua siitä, jos kampanjan kanssa yhtäaikaa tapahtuu joku toinen muutos joka vaikuttaa laitteiden myyntiin. (e) Millaisia keskivirheitä käytät ja miksi? Oikea tapa määritellä keskivirheet on käyttää heteroskedastisuuden suhteen robusteja keskivirheitä, jotka on klusteroitu maakunnan-tasolle. Tällöin oletetaan, että maakuntien sisällä havainnot voivat riippua toisistaan, mutta maakuntien välillä ei ole riippuvuuksia. Klusteroitujen keskivirheiden käyttö vaatii, että klusterien lukumäärä on suuri. Nyt lukumäärä on vain 7 klusteria. Tästä syystä oikeiden keskivirheiden saaminen vaatii keskivirheiden simuloimista bootstrapmenetelmien avulla. Maisteritason ekonometrian kursseilla sivutaan näitä teemoja tarkemmin. 2. Työmarkkinakoulutuksen vaikutus tuloihin Tässä tehtävässä hyödynnetään aineistoa seuraavasta tutkimuksesta: National Supported Work demonstration project and controls. R.H. Dehejia and S. Wahba (1999), "Causal Effects in Nonexperimental Studies: Reevaluating the Evaluation of Training Programs,"JASA, Aineisto löytyy kurssin Mycourses-sivulta. Aineisto tulee USA:ssa toteutetusta National Supported Work-ohjelmasta. Projektissa yksilöitä arvottiin satunnaisesti työmarkkinakoulutukseen. Työmarkkinakoulutukseen päässeet muodostavat tutkimuksen ns treatment-ryhmän. Kontrolliryhmänä on yksilöt joita ei arvottu ohjelmaan. Työmarkkinakoulutus tapahtui vuosina ja aineisto sisältää tietoa tuloista vuosilta (ennen koulutusta) ja vuodelta 1978(koulutuksen jälkeen). Aineisto sisältää seuraavat muuttujat: id(yksilön tunniste),year(1,2,3 vuosille 1974,1975 ja 1978), treat(indikaattori koulutukseen päässeille), earns(reaaliset tulot), black(ihonväri),hispanic(etnisyys), educ(koulutus vuosina), married(naimissa). Lisäksi aineistossa on tietoa työmarkkinastatuksesta(u75 ja u74) vuosilta 1974 ja Samalla tavalla on myös muodostettu vuosien 1974 ja 1975 tuloja kuvaavat muuttujat(re74 ja re75). Koulutukseen osallistuvan henkilön ominaisuuksia kuvaavat muuttujat eivät muutu ajassa. DiD-malleja varten joudut luomaan muuttujan, joka jakaa aineiston aikaan ennen ja jälkeen koulutuksen. Aineistosta löytyy muuttuja(treat), joka jakaa yksilöt koe-ja kontrolliryhmiin. (a) Havainnollista kuvan avulla kuinka koe- ja kontrolliryhmien tulot(earns) kehittyvät ajassa vuosina ? 3
4 Kuva 3: Ryhmien väliset trendit tulojen suhteen Kuva 4 näyttää miten tulot kehittyvät molemmissa ryhmissä. Kuvan perusteella Common trendsoletus näyttää pitävän paikkansa. (b) a)-kohdassa tarkasteltiin ns common trends-oletusta graafisesti. Miten muuten voit tämän aineiston tapauksessa varmistua oletuksen paikkansa pitävyydestä? DiD-mallit perustuvat oletukseen, että ryhmien välillä ei ole systemaattisia eroja ennen kiinnostuksen kohteena olevaa politiikka toimenpidettä tai interventiota. Tätä oletusta voi testata esimerkiksi niin, että ajoittaa koulutuksen vuoteen 2 ja tekee DiD-regression aineiston kahdelle ensimmäiselle vuodelle. Jos ns Common trends-oletus pitää paikkansa, niin silloin ei pitäisi löytyä tilastollisesti merkitseviä vaikutuksia. Tämän tyylisiä regressioita kutsutaan DiD-mallien tapauksessa ns placebo-regressioiksi. Taulukon 2 ensimmäinen sarake pitää sisällään placeboregression tulokset. Tulos on tukee Common trends-oletusta, koska estimoitu placebo-vaikutus on suuruudeltaan pieni ja tilastollisesti ei-merkitsevä. (c) Laske DiD-estimaatti tulojen suhteen ryhmäkohtaisten keskiarvojen avulla ilman Statan regressiokomentoja. Voit käyttää Stataa tarvittavien keskiarvojen laskemiseen. Kuinka työmarkkinakoulutus vaikutti osallistujan tuloihin? Taulukko 1: DiD-ryhmäkeskiarvojen avulla Ryhmä(Koulutus vs ei-koulutusta, Ennen vs Jälkeen) Keskimääräiset tulot a(koulutus, Ennen) b(ei-koulutusta, Ennen) c(koulutus, Jälkeen) d(ei-koulutusta,jälkeen) DiD[(a c) (b d)] Koulutuksen seurauksena koulutukseen osallistuneiden tulot kasvoivat (USD) verrattuna kontrolliryhmän tuloihin. (d) Estimoi edellisen kohdan DiD-malli Statan regressiokomentojen avulla. Käytä estimoinnissa regkomentoa. Miten ja miksi tulokset eroavat c)-kohdan tuloksista. 4
5 Taulukko 2: DiD-regressiot (1) (2) (3) (4) Tulot Tulot Tulot ln(tulot) Koulutus(1:Koulutus,0:Ei-Koulutusta) -17,333*** -17,432*** -10,336*** *** (996.3) (743.6) (722.9) (0.0674) Jälkeen_placebo(1:vuosi=2,0:vuosi=1) (370.5) Koulutus*Jälkeen_placebo (1,409) Jälkeen(1:vuosi=3,0:vuosi= 1&2) 2,308*** 2,308*** 0.137*** (338.7) (310.9) (0.0195) Koulutus*Jälkeen 2,227* 2,227* 0.431*** (1,288) (1,182) (0.0941) Ikä 281.6*** (14.28) Koulutus 1,564*** (51.44) Inhonväri -2,991*** (355.1) Etnisyys (792.1) Vakio 19,429*** 19,246*** -8,753*** 9.761*** (262.0) (195.6) (943.0) (0.0112) Vuodet N 5,350 8,025 8,025 6,988 R Suluissa keskivirheet *** p<0.01, ** p<0.05, * p<0.1 Taulukossa 2 esitetään Ols-regressioon perustuvat DiD-regressiot. Saatu tulos vastaa keskiarvoilla laskettua estimaattia. Regression avulla DiD-estimaatille saa helposti tilastollisen merkitsevyyden. (e) Lisää edellisen kohdan regressiomalliin kontrollimuuttujiksi ikää, koulutusta, ihonväriä ja etnisyyttä kuvaavat muuttujat. Miten kontrollimuuttujien lisääminen vaikuttaa tuloksiin? Huomaamme, että kontrollimuuttujien lisäämisen seurauksena keskivirheet pienentyvät ja interaktiotermin piste-estimaatti ei muutu lainkaan. (f) Vaihda d)-kohdan regressiomalliin selitettäväksi muuttujaksi tulojen logaritmi. Tulkitse tuloksia. Mitä ongelmia logaritmoitujen tulojen käyttämisestä aiheutuu? Aineistossa oleva tulot-muuttujat sisältää ihmisiä joilla ei ole tuloja. Tästä syystä logaritmin ottaminen poistaa aineistosta ihmiset joilla ei ole tuloja. Tällöin tarkastelu keskittyy töissä käyviin ihmisiin, kun edellisessä DiD-mallissa aineistossa oli työssäkäyviä ja työttömiä ihmisiä. Selitettävän muuttujan muunnoksen seurauksena mallin identifikaatio-oletus tulee tarkistaa uudelleen piirtämällä kuva siitä, miten ryhmien väliset logaritmoidut tulot kehittyvät ajassa. 5
6 Kuva 4: Ryhmien väliset trendit logaritmoitujen tulojen suhteen Kuvan 4 perusteella Common trends-oletus ei pidä paikkaansa. Tästä syystä taulukon 2 neljännen sarakkeen interaktiotermi ei kuvaa koulutuksen kausaalivaikutusta logaritmoituihin tuloihin. 6
Harjoitukset 4 : Paneelidata (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotHarjoitukset 3 : Monimuuttujaregressio 2 (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 3 : Monimuuttujaregressio 2 (Palautus 7.2.2017) Tämän harjoituskerran tehtävät
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
LisätiedotHarjoitus 7 : Aikasarja-analyysi (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitus 7 : Aikasarja-analyysi (Palautus 28.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotHarjoitukset 6 :IV-mallit (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 6 :IV-mallit (Palautus 21.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotValinnanvapaus ja alueellinen saatavuus Kelan kuntoutuksessa. Visa Pitkänen Tutkija Kelan
Valinnanvapaus ja alueellinen saatavuus Kelan kuntoutuksessa Visa Pitkänen Tutkija Kelan tutkimus @visapitkanen Johdanto Terveyspalveluiden tasapuolinen alueellinen saatavuus on usein tärkeä tavoite palveluiden
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
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
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
Lisätiedot1. Tutkitaan tavallista kahden selittäjän regressiomallia
TA7, Ekonometrian johdantokurssi HARJOITUS 5 RATKAISUEHDOTUKSET 232215 1 Tutkitaan tavallista kahden selittäjän regressiomallia Y i = β + β 1 X 1,i + β 2 X 2,i + u i (a) Kirjoita regressiomalli muodossa
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 ),
LisätiedotTarkastusmuistio Poliisin toimintojen yhdistäminen ja liikennevalvonnan määrä
Tarkastusmuistio Poliisin toimintojen yhdistäminen ja liikennevalvonnan määrä Liittyy tarkastukseen: 5/2019 Poliisin liikennevalvonta Tekijä: Ville Vehkasalo Päivämäärä: 24.9.2018 Diaarinumero: 248/54/2017
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotMAAKUNTALIITE : Työmarkkinoiden rakenne maakunnittain
MAAKUNTALIITE : Työmarkkinoiden rakenne maakunnittain Suhdanteen alueellisia työllisyysennusteita voi tulkita tähän liitteeseen tuotettujen tietojen avulla. Prosenttimuutokset työllisyydestä voi suhteuttaa
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).
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
Lisätiedot1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotKaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.
Ka6710000 TILASTOLLISEN ANALYYSIN PERUSTEET 2. VÄLIKOE 9.5.2007 / Anssi Tarkiainen Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1. a) Gallupissa
LisätiedotMatkailun merkitys Kymenlaaksolle. Matkailuparlamentti Kuusankoski Jaakko Mikkola
Matkailun merkitys Kymenlaaksolle Matkailuparlamentti 17.10.2017 Kuusankoski Jaakko Mikkola Matkailun kokonaiskysyntä maakunnittain Alueellisesti matkailukysyntä painottuu Uudenmaan lisäksi erityisesti
LisätiedotPolitiikan vaikutuksien arviointi yritysrahoituksen vaikuttavuus kaudella
Politiikan vaikutuksien arviointi yritysrahoituksen vaikuttavuus kaudella 2007-2013 Olli Lehtonen olli.lehtonen@luke.fi Luonnonvarakeskus Mitä on tehty ja miksi? Tieteellinen vaikuttavuusarvio yritysrahoituksen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
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
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
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
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
LisätiedotKoko kansantalouden arvonlisäys* (BKT) maakunnittain vuonna 2016, %
Koko kansantalouden arvonlisäys* (BKT) maakunnittain vuonna 2016, % Maakunta Osuus arvon- Arvonlisäys lisäyksestä, % mrd. euroa KOKO MAA 100,0 185,5 Uusimaa 39,0 72,3 Pirkanmaa 8,4 15,6 Varsinais-Suomi
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
LisätiedotEI MIKÄÄN NÄISTÄ. KUVITETTU MINI-MENTAL STATE EXAMINATION Ohjeet viimeisellä sivulla. 1. Mikä vuosi nyt on? 2. Mikä vuodenaika nyt on?
POTILAS: SYNTYMÄAIKA: TUTKIJA: PÄIVÄMÄÄRÄ: 1. Mikä vuosi nyt on? 2000 2017 2020 1917 EI MIKÄÄN NÄISTÄ 2. Mikä vuodenaika nyt on? KEVÄT KESÄ SYKSY TALVI 3. Monesko päivä tänään on? 1 2 3 4 5 6 7 8 9 10
LisätiedotTiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä
MS-C2128 Ennustaminen ja aikasarja-analyysi 4. harjoitukset / Tehtävät Kotitehtävät: 3, 5 Aihe: ARMA-mallit Tehtävä 4.1. Tutustu seuraaviin aikasarjoihin: Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
Lisätiedot[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
LisätiedotKuntakysely kohdistettiin kaikkien Manner-Suomen kuntien (295 kpl) johtaville viranhaltijoille, valtuutetuille ja hallitusten jäsenille.
2018 MDI toteutti marras-joulukuussa 2018 neljännen kerran valtakunnallisen kuntakyselyn, jolla kerättiin kuntien päättäjien ja ylimpien viranhaltijoiden näkemyksiä tulevaisuuden kunnasta. Kuntakysely
LisätiedotJohdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1
Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n
LisätiedotKuntakohtainen vaihtelu on huomattavaa. Em. indikaattorien kuntakohtaiset jakaumat.
Tässä koottuna yleiskuva maakuntien tilanteesta vuonna 2014. Taulukko 1. Huono-osaisuutta kuvaavat osoittimet ja koko maan keskiarvot. Osoitin ikäryhmä Koko maan keskiarvo 1 Työkyvyttömyys.eläkkeet, (mielenterveydens
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
LisätiedotMaakuntien yleiskatteellinen rahoituslaskelma, yhteenveto muutoksista
VM/KAO 28.2.2018 Maakuntien yleiskatteelinen rahoituslaskelma Alla olevissa laskelmissa on esitetty maakuntien yleiskatteellinen rahoitus kriteereittäin vuoden 2019 kustannustasolla sekä muutokset nykytilaan
Lisätiedot/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2
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
LisätiedotYLEISKUVA - Kysymykset
INSIGHT Käyttöopas YLEISKUVA - Kysymykset 1. Insight - analysointityökalun käytön mahdollistamiseksi täytyy kyselyn raportti avata Beta - raportointityökalulla 1. Klikkaa Insight välilehteä raportilla
Lisätiedot806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
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
LisätiedotSOTILASAVUSTUSTILASTOJA VUOSI 2002
Kela Aktuaari- ja tilasto-osasto, tilastoryhmä Mikko Muurinen, puh. 020 434 1728 Timo Partio, puh. 020 434 1382 S-posti mikko.muurinen@kela.fi timo.partio@kela.fi Tilastot Internetissä www.kela.fi/tilasto
LisätiedotTilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä
Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien
LisätiedotSOTILASAVUSTUSTILASTOJA VUOSI 2004
24.1.2005 Aktuaari- ja tilasto-osasto, tilastoryhmä Mikko Muurinen, puh. 020 434 1728 S-posti mikko.muurinen@kela.fi Tilastot Internetissä www.kela.fi/tilasto SOTILASAVUSTUSTILASTOJA VUOSI 2004 Osuus (promillea)
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.
LisätiedotPohjanmaa Etelä-Pohjanmaa Keski-Pohjanmaa Uusimaa Kanta-Häme. Varsinais-Suomi
TYÖTTÖMYYDEN KASVU KIIHTYI TOUKOKUUSSA Varsinais-Suomen työttömyyden kasvu nousi toukokuussa selvästi viime kuukausia korkeammalle tasolle. Työttömyyden kasvun pieneneminen onkin ollut varsin hidasta.
LisätiedotEsimerkki 1: auringonkukan kasvun kuvailu
GeoGebran LASKENTATAULUKKO Esimerkki 1: auringonkukan kasvun kuvailu Auringonkukka (Helianthus annuus) on yksivuotinen kasvi, jonka varren pituus voi aurinkoisina kesinä hyvissä kasvuolosuhteissa Suomessakin
LisätiedotLatinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt
TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan yhden tekijän vaikutusta vastemuuttujaan,
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotMaakuntien ja seutukuntien suhdanteet
Maakuntien ja seutukuntien suhdanteet Lokakuu 2016 Tilastokeskuksen aineistoja Meeri Koski Koko yritysliikevaihdon trendit Q1/15-Q1/16 Vuosi 2010=100 115 110 105 100 95 90 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q1 Q2
LisätiedotGeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus
GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus Mitä jäi mieleen viime viikosta? Mitä mieltä olet tehtävistä, joissa GeoGebralla työskentely yhdistetään paperilla jaettaviin ohjeisiin
Lisätiedot5.7 Uskottavuusfunktioon perustuvia testejä II
5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa
Lisätiedot/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
LisätiedotSOTILASAVUSTUSTILASTOJA VUOSI 2003
Kela Aktuaari- ja tilasto-osasto, tilastoryhmä Mikko Muurinen, puh. 020 434 1728 S-posti mikko.muurinen@kela.fi Tilastot Internetissä www.kela.fi/tilasto 23.1.2004 SOTILASAVUSTUSTILASTOJA VUOSI 2003 Lkm
LisätiedotKatoavat työpaikat. Pekka Myrskylä
Katoavat työpaikat Pekka Myrskylä 13-14.06.2017 Työpaikkamuutos 1987-2014 1987 % 2014 % Erotus Uudenmaan maakunta 675242 29,1 771293 33,9 96051 14,2 Pohjois-Pohjanmaan maakunt 142326 6,1 155246 6,8 12920
LisätiedotSOTILASAVUSTUSTILASTOJA 2006
20.4.2007 Aktuaari- ja tilasto-osasto/ tilastoryhmä Petri Roponen, puh. 020 634 1386 Sähköposti petri.roponen@kela.fi Tilastot Internetissä www.kela.fi/tilasto SOTILASAVUSTUSTILASTOJA 2006 Sotilasavustustilastoja
LisätiedotJos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
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:
LisätiedotSOTILASAVUSTUSTILASTOJA VUOSI 2005
21.7.2006 Aktuaari- ja tilasto-osasto/ tilastoryhmä Petri Roponen, puh. 020 434 1386 Sähköposti petri.roponen@kela.fi Tilastot Internetissä www.kela.fi/tilasto SOTILASAVUSTUSTILASTOJA VUOSI 2005 Sotilasavustustilastoja
LisätiedotLASTEN VAATIVA LÄÄKINNÄLLINEN PUHETERAPIAKUNTOUTUS: VALTAKUNNALLINEN SELVITYS
LASTEN VAATIVA LÄÄKINNÄLLINEN PUHETERAPIAKUNTOUTUS: VALTAKUNNALLINEN SELVITYS Sari Kunnari, Elisa Heikkinen, Soile Loukusa, Tuula Savinainen-Makkonen, Anna-Leena Martikainen & Sini Smolander Child Language
LisätiedotMatemaatikot ja tilastotieteilijät
Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat
LisätiedotTilastollisia peruskäsitteitä ja Monte Carlo
Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia
Lisätiedot9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
LisätiedotTYÖTTÖMYYS IT-ALALLA KOKO SUOMESSA JA MAAKUNNISSA 5/2011 9/2016. Pekka Neittaanmäki Päivi Kinnunen
TYÖTTÖMYYS IT-ALALLA KOKO SUOMESSA JA MAAKUNNISSA 5/2011 Pekka Neittaanmäki Päivi Kinnunen 24.11.2016 JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2016 1 JOHDANTO Tässä raportissa tarkastellaan
LisätiedotHämeen liitto / AU Väestö kielen mukaan sekä ulkomaan kansalaisten määrä ja maa-pinta-ala Kanta-Hämeessä k Lähde: Tilastokeskus
Hämeen liitto / AU 23.3.2011 Väestö kielen mukaan sekä ulkomaan kansalaisten määrä ja maa-pinta-ala Kanta-Hämeessä k Lähde: Tilastokeskus Väestö ja maapinta-ala Väestönmuuto 1980 1990 2000 2010 1980-1990..Hämeenlinna
LisätiedotMaakuntien ja seutukuntien suhdanteet
Maakuntien ja seutukuntien suhdanteet Huhtikuu 2017 Tilastokeskuksen aineistoja Meeri Koski Pohjanmaan ELY-keskus Koko yritysliikevaihdon trendit Vuosi 2010=100 115,0 110,0 105,0 100,0 95,0 90,0 85,0 Q1
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
LisätiedotYksityishammaslääkärikysely lokakuussa 2010
Yksityishammaslääkärikysely lokakuussa 2010 vastaanottokohtaiset tulokset Yksityishammaslääkärikysely lokakuussa 2010 Kyselytutkimus kaikille Hammaslääkäriliiton Suomessa toimiville yksityishammaslääkärijäsenille
LisätiedotYksityisen sektorin työvoimaselvitys vastaanottokohtaiset tulokset
Yksityisen sektorin työvoimaselvitys 2016 vastaanottokohtaiset tulokset Yksityisen sektorin työvoimaselvitys loka-marraskuussa 2016 Tutkimus tehtiin yhteistyössä KT Kuntatyönantajien ja sosiaali- ja terveysministeriön
Lisätiedot3. Tietokoneharjoitukset
3. Tietokoneharjoitukset Aikasarjan logaritmointi Aikasarjoja analysoidaan usein logaritmisessa muodossa. Asialooginen perustelu logaritmoinnille: Muuttujan arvojen suhteelliset muutokset ovat usein tärkeämpiä
LisätiedotA250A0050 Ekonometrian perusteet Tentti
A250A0050 Ekonometrian perusteet Tentti 28.9.2016 Tentissä ei saa käyttää laskinta. Tentistä saa max 80 pistettä. Hyväksytysti suoritetusta harjoitustyöstä saa max 20 pistettä. Huom. Merkitse vastauspaperin
Lisätiedot11. laskuharjoituskierros, vko 15, ratkaisut
11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa
LisätiedotPk-Pulssi. Marraskuu 2018
Pk-Pulssi Marraskuu 2018 Pk-pulssi kuvaa pienten ja keskisuurten työnantajayritysten nykytilaa ja tulevaisuuden näkymiä Pk-pulssi tehdään kaksi kertaa vuodessa ja se kuvaa työnantajina toimivien pk-yritysten
Lisätiedot(b) Vedonlyöntikertoimet syytetyn ihonvärin eri luokissa
Oulun yliopiston matemaattisten tieteiden tutkimusyksikkö/tilastotiede 805306A JOHDATUS MONIMUUTTUJAMENETELMIIN, sl 2017 (Jari Päkkilä) Harjoitus 3, viikko 47 (19.20.11.): kotitehtävät Ratkaisuja 1. Floridan
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
LisätiedotNuorisotakuun seuranta TEM:ssä maaliskuu 2016
Nuorisotakuun seuranta TEM:ssä maaliskuu 2016 Työttömät työnhakijat alle 25 v. ja 25-29 v. vastavalmistuneet (TEM/työnvälitystilasto 1220) Alle 25 v. 2015 2016 Muutos % Maaliskuun lopussa 44 037 44 722
LisätiedotNuorisotakuun seuranta TEM:ssä helmikuu 2016
Nuorisotakuun seuranta TEM:ssä helmikuu 2016 Työttömät työnhakijat alle 25 v. ja 25-29 v. vastavalmistuneet (TEM/työnvälitystilasto 1220) Alle 25 v. 2015 2016 Muutos % Helmikuun lopussa 45 919 46 107 +
LisätiedotKehittämisohjelman yritystukien vaikuttavuus
Selvitys maaseudun kehittämisohjelmien työllisyysvaikutuksista ja aluetaloudellisista vaikutuksista: Kehittämisohjelman yritystukien vaikuttavuus Hilkka Vihinen, Toivo Muilu, Jyrki Niemi, Olli Lehtonen,
LisätiedotAki Taanila YHDEN SELITTÄJÄN REGRESSIO
Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
LisätiedotYksityishammaslääkärikysely lokakuussa vastaanottokohtaiset tulokset
Yksityishammaslääkärikysely lokakuussa 2015 vastaanottokohtaiset tulokset Yksityisen sektorin työvoimaselvitys loka-marraskuussa 2015 Tutkimus tehtiin yhteistyössä KT Kuntatyönantajien ja sosiaali- ja
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotSuomalaisten kotimaanmatkat kesällä 2017, niiden syyt ja alueen suosittelu
Porvoon seutu Suomalaisten kotimaanmatkat kesällä 2017, niiden syyt ja alueen suosittelu Tutkimus- ja Analysointikeskus TAK Oy Lokakuu 2018 2 Keskimäärin 4 matkaa kesässä Uusimaa vierailluin maakunta Vastaajat
LisätiedotHarjoitusten 4 vastaukset
Harjoitusten 4 vastaukset 4.1. Prosessi on = 1 +, jossa»iid( 2 )ja =1 2. PNS estimaattori :lle on (" P P 2 ") = +( X X 2 ) 1 1. =1 Suluissa oleva termi on deterministinen ja suppenee vihjeen mukaan 2 6:teen.
Lisätiedotxi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =
1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista
LisätiedotOtoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden
1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma
LisätiedotYksikkökate tarkoittaa katetuottoa yhden tuotteen kohdalla. Tämä voidaan määrittää vain jos myytäviä tuotteita on vain yksi.
KATETUOTTOLASKENTA laskennassa selvitetään onko liiketoiminta kannattavaa. Laskelmat tehdään liiketoiminnasta syntyvien kustannuksien ja tuottojen perusteella erilaisissa tilanteissa. laskennassa käytetään
LisätiedotKliininen arviointi ja kliininen tieto mikä riittää?
Kliininen arviointi ja kliininen tieto mikä riittää? Riittävä tutkimuksen otoskoko ja tulos Timo Partonen LT, psykiatrian dosentti, Helsingin yliopisto Ylilääkäri, Terveyden ja hyvinvoinnin laitos Tutkimuksen
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
Lisätiedot