Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa
|
|
- Siiri Mikkola
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1
2 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa >> Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleistetty pienimmän neliösumman menetelmä Rajoitettu pienimmän neliösumman menetelmä Instrumenttimuuttujamenetelmä TKK (c) Ilkka Mellin (2007) 2
3 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleinen lineaarinen malli: Määritelmä Olkoon yi = β0 + β1xi 1+ β2xi2 + + βkxik + εi, i = 1,2,, n yleinen lineaarinen malli, jossa y i = selitettävän muuttujan y satunnainen ja havaittu arvo havaintoyksikössä i x ij = selittävän muuttujan eli selittäjän x j havaittu arvo havaintoyksikössä i, j = 1, 2,, k β 0 = vakioselittäjän tuntematon regressiokerroin β j ε i = selittäjän x j tuntematon regressiokerroin = satunnainen ja ei-havaittu jäännös- eli virhetermi havaintoyksikössä i TKK (c) Ilkka Mellin (2007) 3
4 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleinen lineaarinen malli: Matriisiesitys Yleisen lineaarisen mallin matriisiesitys on muotoa y = Xβ + ε jossa y = selitettävän muuttujan y havaittujen arvojen muodostama satunnainen n-vektori X = selittäjien x 1, x 2,, x k havaittujen arvojen ja ykkösten muodostama n (k + 1)-matriisi β = regressiokertoimien muodostama tuntematon ja kiinteä eli ei-satunnainen (k + 1)-vektori ε = jäännöstermien muodostama ei-havaittu ja satunnainen n-vektori TKK (c) Ilkka Mellin (2007) 4
5 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleinen lineaarinen malli: Standardioletukset kiinteille selittäjille Jos yleisen lineaarisen mallin y = Xβ + ε selittäjät x 1, x 2,, x k ovat kiinteitä eli ei-satunnaisia muuttujia, mallia koskevat standardioletukset voidaan esittää matriisein seuraavassa muodossa: (i) Matriisin X alkiot ovat ei-satunnaisia vakioita. (ii) Matriisi X on täysiasteinen: r(x) = k + 1 (iii) E( ε) = 0 (iv)&(v) Homoskedastisuus- ja korreloimattomuusoletus: 2 Cov( ε) = σ I (vi) Normaalisuusoletus: ε 0 I 2 N n(, σ ) TKK (c) Ilkka Mellin (2007) 5
6 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleinen lineaarinen malli: Standardioletukset satunnaisille selittäjille Jos yleisen lineaarisen mallin y = Xβ + ε selittäjät x 1, x 2,, x k ovat satunnaismuuttujia, mallia koskevat standardioletukset voidaan esittää matriisein seuraavassa muodossa: (i) Matriisin X alkiot ovat satunnaismuuttujia. (ii) Matriisi X on täysiasteinen: r(x) = k + 1 (iii) E( ε X) = 0 (iv) &(v) Homoskedastisuus- ja korreloimattomuusoletus: 2 Cov( ε X) = σ I (vi) Normaalisuusoletus: 2 ( ε X) N n( 0, σ I) TKK (c) Ilkka Mellin (2007) 6
7 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleinen lineaarinen malli: Regressiokertoimien PNS-estimointi 1/2 Yleisen lineaarisen mallin yi = β0 + β1xi 1+ β2xi2 + + βkxik + εi, i = 1,2,, n regressiokertoimien β 0, β 1, β 2,, β k PNS- eli pienimmän neliösumman estimaattorit b 0, b 1, b 2,, b k minimoivat jäännös- eli virhetermien ε i neliösumman n n 2 2 εi = ( yi β0 β1xi1 β2xi2 βkxik) i= 1 i= 1 kertoimien β 0, β 1, β 2,, β k suhteen. TKK (c) Ilkka Mellin (2007) 7
8 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleinen lineaarinen malli: Regressiokertoimien PNS-estimointi 2/2 Yleisen lineaarisen mallin y = Xβ + ε regressiokertoimien vektorin β = (β 0, β 1, β 2,, β k ) tavallinen PNS-estimaattori voidaan esittää matriisein muodossa b= ( XX ) 1 Xy TKK (c) Ilkka Mellin (2007) 8
9 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto PNS-estimaattorin paremmuus: Gaussin ja Markovin lause Olkoon y = Xβ + ε yleinen lineaarinen malli, joka toteuttaa standardioletukset (i)-(v). Tällöin pätee Gaussin ja Markovin lause: Regressiokertoimien vektorin β PNS-estimaattori b= ( XX ) 1 Xy on paras (eli tehokkain) vektorin β lineaaristen ja harhattomien estimaattoreiden joukossa. TKK (c) Ilkka Mellin (2007) 9
10 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto PNS-estimaattorin paremmuus: Kommentteja Gaussin ja Markovin lauseeseen Gaussin ja Markovin lauseen mukaan tavallinen PNSestimaattori b on paras (eli tehokkain) yleisen lineaarisen mallin regressiokertoimien vektorin β lineaaristen ja harhattomien estimaattoreiden joukossa, jos standardioletukset (i)-(v) pätevät. Tämä ei tarkoita sitä, että regressiokertoimien vektorille β ei voisi löytyä (jossakin mielessä) PNS-estimaattoreita parempia estimaattoreita, jos siirrytään pois lineaaristen ja harhattomien estimaattoreiden joukosta tai standardioletuksista (i)-(v) luovutaan. TKK (c) Ilkka Mellin (2007) 10
11 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Koska PNS-estimaattori ei ole optimaalinen? Tässä luvussa tarkastellaan kahta tilannetta, joissa yleisen lineaarisen mallin regressiokertoimien vektorin β PNS-estimaattori b on harhaton, mutta ei ole optimaalinen: (i) Jos homoskedastisuus-ja korreloimattomuusoletus 2 (iv)&(v) Cov( ε) = σ I ei päde, ns. yleistetty PNS-estimaattori on PNSestimaattoria b parempi. (ii) Jos vektoria β sitovat lineaariset rajoitukset, ns. rajoitettu PNS-estimaattori on PNS-estimaattoria b parempi. TKK (c) Ilkka Mellin (2007) 11
12 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Koska PNS-estimaattori ei saa käyttää? Tarkastelemme myös sellaista tilannetta, jossa yleisen lineaarisen mallin regressiokertoimien vektorin β PNSestimaattori b ei ole harhaton eikä edes tarkentuva, jolloin se ei ole kelvollinen estimaattori vektorille β. Näin saattaa tapahtua esim. tilanteissa, joissa selittäjä on stokastinen ja korreloi jäännöstermin kanssa. Vektorin β tarkentuva estimaattori voidaan tällaisessa tilanteessa kuitenkin joskus muodostaa ns. instrumenttimuuttujamenetelmällä. TKK (c) Ilkka Mellin (2007) 12
13 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto >> Yleistetty pienimmän neliösumman menetelmä Rajoitettu pienimmän neliösumman menetelmä Instrumenttimuuttujamenetelmä TKK (c) Ilkka Mellin (2007) 13
14 Yleistetty pienimmän neliösumman menetelmä Yleistetty PNS-menetelmä: Oletukset 1/2 Yleistä lineaarista mallia y = Xβ+ ε koskevien standardioletuksien (iv)&(v) mukaan 2 Cov( ε) = σ I Oletuksen (iv) mukaan jäännöstermit ε i, i = 1, 2,, n ovat homoskedastisia eli niillä on sama varianssi: Var(ε i ) = σ 2, i = 1, 2,, n Oletuksen (v) mukaan jäännöstermit ε i, i = 1, 2,, n ovat korreloimattomia: Cor(ε i, ε l ) = 0, i l TKK (c) Ilkka Mellin (2007) 14
15 Yleistetty pienimmän neliösumman menetelmä Yleistetty PNS-menetelmä: Oletukset 2/2 Korvataan oletukset (iv)&(v) ja (vi) oletuksilla (iv) * &(v) * 2 Cov( ε) = σ V (vi) * 2 ε N( 0, σ V) jossa V on positiivisesti definiitti matriisi. Oletuksien (iv) * &(v) * ja (vi) * mukaan jäännöstermit ε i, i = 1, 2,, n saavat olla sekä heteroskedastisia eli erivarianssisia että korreloituneita. Huomautus: Koska matriisi V oletettiin positiivisesti definiitiksi, niin se on epäsingulaarinen ja sillä on käänteismatriisi. TKK (c) Ilkka Mellin (2007) 15
16 Yleistetty pienimmän neliösumman menetelmä Yleistetty PNS-estimaattori: Määritelmä Regressiokertoimien vektorin β yleistetty PNS-estimaattori saadaan minimoimalla neliömuoto 1 ( y Xβ) V ( y Xβ) vektorin β suhteen. Vektorin β yleistetty PNS-estimaattori on bgls = ( XV X) XV y GLS = Generalized Least Squares TKK (c) Ilkka Mellin (2007) 16
17 Yleistetty pienimmän neliösumman menetelmä Yleistetyn PNS-estimaattorin paremmuus: Gaussin ja Markovin lause Olkoon y = Xβ+ ε standardioletukset (i)-(iii) ja modifioidut standardioletukset (iv) * &(v) * toteuttava lineaarinen malli. Tällöin pätee modifioitu Gaussin ja Markovin lause: Regressiokertoimien vektorin β yleistetty PNS-estimaattori bgls = ( XV X) XV y on paras (eli tehokkain) vektorin β lineaaristen ja harhattomien estimaattoreiden joukossa. TKK (c) Ilkka Mellin (2007) 17
18 Yleistetty pienimmän neliösumman menetelmä Yleistetyn PNS-estimaattorin ominaisuudet 1/3 Olkoon bgls = ( XV X) XV y yleisen lineaarisen regressiomallin y = Xβ+ ε regressiokertoimien vektorin β yleistetty PNS-estimaattori. Jos modifioidut standardioletukset (i)-(iii) ja (iv) * &(v) * pätevät, E( bgls ) = β Cov( b ) = σ ( XV X) GLS TKK (c) Ilkka Mellin (2007) 18
19 Yleistetty pienimmän neliösumman menetelmä Yleistetyn PNS-estimaattorin ominaisuudet 2/3 Yleisen lineaarisen mallin y = Xβ+ ε regressiokertoimien vektorin β yleistetyllä PNSestimaattorilla b GLS on modifioitujen standardioletuksien (i)-(iii), (iv) * &(v) * ja (vi) * pätiessä seuraavat ominaisuudet: (1) b GLS on harhaton. (2) b GLS paras (eli tehokkain) lineaaristen ja harhattomien estimaattoreiden joukossa. (3) b GLS on (sopivin lisäehdoin) tarkentuva. (4) b GLS on normaalinen. TKK (c) Ilkka Mellin (2007) 19
20 Yleistetty pienimmän neliösumman menetelmä Yleistetyn PNS-estimaattorin ominaisuudet 3/3 Yleistetty PNS-estimaattori b GLS on modifioitujen standardioletusten (i)-(iii), (iv) * &(v) * ja (vi) pätiessä parempi kuin tavallinen PNS-estimaattori b : Cov( b) Cov( b ) GLS TKK (c) Ilkka Mellin (2007) 20
21 Yleistetty pienimmän neliösumman menetelmä Laskettava yleistetty PNS-estimaattori 1/4 Käytännössä jäännöstermin ε kovarianssimatriisissa 2 Cov( ε) = σ V esiintyvä matriisi V on tuntematon. Huomaa, että matriisissa V on n(n + 1)/2 vapaata parametria, jossa n on havaintojen lukumäärä mallissa. Tämä merkitsee sitä, että matriisia V ei voi sellaisenaan estimoida n:stä havainnosta. TKK (c) Ilkka Mellin (2007) 21
22 Yleistetty pienimmän neliösumman menetelmä Laskettava yleistetty PNS-estimaattori 2/4 Oletetaan, että kovarianssimatriisi V riippuu tuntemattomista parametreista δ 1, δ 2,, δ m jossa m < n (= havaintojen lukumäärä) Tavallisesti pätee m << n Oletetaan lisäksi, että parametrit δ 1, δ 2,, δ m voidaan estimoida tarkentuvasti eli siten, että estimaattorit havaintojen lukumäärän kasvaessa lähestyvät stokastisesti parametrien oikeita arvoja. TKK (c) Ilkka Mellin (2007) 22
23 Yleistetty pienimmän neliösumman menetelmä Laskettava yleistetty PNS-estimaattori 3/4 Merkitään δ = (δ 1, δ 2,, δ m ) Käytetään kovarianssimatriisille V merkintää V( δ) korostamaan matriisin V riippuvuutta parametreista δ 1, δ 2,, δ m. TKK (c) Ilkka Mellin (2007) 23
24 Yleistetty pienimmän neliösumman menetelmä Laskettava yleistetty PNS-estimaattori 4/4 Olkoon Vˆ ( δˆ ) matriisin V(δ) estimaattori, joka saadaan sijoittamalla parametrin δ paikalle sen tarkentuva estimaattori ˆδ. Tällöin * ˆ ˆ 1 1 ˆ ˆ 1 bgls = ( X [ V( δ)] X) X [ V( δ)] y on regressiokertoimien vektorin β tarkentuva estimaattori, jota kutsutaan usein laskettavaksi (engl. feasible). TKK (c) Ilkka Mellin (2007) 24
25 Yleistetty pienimmän neliösumman menetelmä Laskettava yleistetty PNS-estimaattori: Matriisin V spesifiointi Matriisi V voidaan spesifioida eli esittää parametrointi tekemällä sopivia oletuksia mallin jäännöstermin ε heteroskedastisuus- tai kovarianssirakenteesta. Esimerkiksi aikasarjojen regressiomalleissa matriisi V voidaan usein spesifioida jäännöstermin autokorrelaatiorakenteen avulla. TKK (c) Ilkka Mellin (2007) 25
26 Yleistetty pienimmän neliösumman menetelmä Yleistetty PNS-estimaattori: Korreloimaton jäännöstermi 1/3 Oletetaan, että yleisen lineaarisen mallin y = Xβ+ ε toteuttaa modifioidut standardioletukset (i)-(iii), (iv) * &(v) *, mutta jäännöstermin ε kovarianssimatriisissa 2 Cov( ε) = σ V esiintyvä matriisi V on diagonaalinen: V = diag( z1, z2,, z n ) ja z 1, z 2,, z n ovat tunnettuja positiivisia lukuja. Tällöin jäännöstermit ovat korreloimattomia, mutta ne saavat yleisessä tapauksessa olla heteroskedastisia. TKK (c) Ilkka Mellin (2007) 26
27 Yleistetty pienimmän neliösumman menetelmä Yleistetty PNS-estimaattori: Korreloimaton jäännöstermi 2/3 Tällöin regressiokertoimien vektorin β yleistetyn PNSestimaattorin kaavassa bgls = ( XV X) XV y matriisin V käänteismatriisi on muotoa V = diag(1/ z1,1/ z2,,1/ z n ) Tällöin estimaattoria b GLS kutsutaan tavallisesti painotetuksi PNS-estimaattoriksi. TKK (c) Ilkka Mellin (2007) 27
28 Yleistetty pienimmän neliösumman menetelmä Yleistetty PNS-estimaattori: Korreloimaton jäännöstermi 3/3 Nimitys painotettu PNS-estimaattori johtuu siitä, että estimaattori voidaan muodostaa soveltamalla tavallista PNS-menetelmää muunnettuihin havaintoarvoihin, jotka saadaan kertomalla alkuperäiset havaintoarvot y i, x i1, x i2,, x ik, i = 1, 2,, n painoilla 1/z i, i = 1, 2,, n TKK (c) Ilkka Mellin (2007) 28
29 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleistetty pienimmän neliösumman menetelmä >> Rajoitettu pienimmän neliösumman menetelmä Instrumenttimuuttujamenetelmä TKK (c) Ilkka Mellin (2007) 29
30 Rajoitettu pienimmän neliösumman menetelmä Rajoitettu PNS-keino: Oletukset Oletetaan, että tavanomaisen lineaarisen regressiomallin y = Xβ+ ε jossa X on n (k +1)-matriisi, n k +1, r(x) = k +1, regressiokertoimia β sitoo lineaarinen rajoitus eli sideehto Rβ = r jossa R on m (k +1)-matriisi, m k +1, r(r) = m. Huomautus: Jos side-ehto Rβ = r pätee, regressiokertoimet β eivät voi k+1 varioida vapaasti (k + 1)-ulotteisessa avaruudessa, vaan ainoastaan side-ehdon määrittelemässä m-ulotteisessa lineaarisessa aliavaruudessa (= m-ulotteinen taso). TKK (c) Ilkka Mellin (2007) 30
31 Rajoitettu pienimmän neliösumman menetelmä Rajoitettu PNS-estimaattori: Määritelmä 1/2 Regressiokertoimien vektorin β rajoitettu PNSestimaattori saadaan minimoimalla neliömuoto ( y Xβ)( y Xβ) vektorin β suhteen ottamalla huomioon side-ehto Rβ = r Tämä on sidottu ääriarvotehtävä, joka voidaan ratkaistaan Lagrangen keinolla. TKK (c) Ilkka Mellin (2007) 31
32 Rajoitettu pienimmän neliösumman menetelmä Rajoitettu PNS-estimaattori: Määritelmä 2/2 Vektorin β rajoitettu PNS-estimaattori on br = b+ URS ( r Rb) jossa 1 U= ( XX ) 1 S= ( RUR ) ja b= UXy on vektorin β tavallinen PNS-estimaattori. R = Restricted TKK (c) Ilkka Mellin (2007) 32
33 Rajoitettu pienimmän neliösumman menetelmä Rajoitetun PNS-estimaattorin paremmuus: Gaussin ja Markovin lause Olkoon y = Xβ+ ε standardioletukset (i)-(v) toteuttava lineaarinen malli. Oletetaan lisäksi, että side-ehto Rβ = r pätee. Tällöin pätee modifioitu Gaussin ja Markovin lause: Regressiokertoimien vektorin β rajoitettu PNS-estimaattori br = b+ URS ( r Rb) on paras (eli tehokkain) sellaisten vektorin β lineaaristen ja harhattomien estimaattoreiden joukossa, joille side-ehto Rβ = r pätee. TKK (c) Ilkka Mellin (2007) 33
34 Rajoitettu pienimmän neliösumman menetelmä Rajoitetun PNS-estimaattorin ominaisuudet 1/3 Olkoon br = b+ URS ( r Rb) regressiokertoimien vektorin β rajoitettu PNSestimaattori. Jos standardioletukset (i)-(v) pätevät ja Rβ = r niin E( b ) = β R 2 Cov( br ) = σ ( U URSRU) TKK (c) Ilkka Mellin (2007) 34
35 Rajoitettu pienimmän neliösumman menetelmä Rajoitetun PNS-estimaattorin ominaisuudet 2/3 Yleisen lineaarisen mallin y = Xβ+ ε regressiokertoimien vektorin β rajoitetulla PNSestimaattorilla b R on standardioletuksien (i)-(v) ja sideehdon Rβ = r pätiessä seuraavat ominaisuudet: (1) b R on harhaton. (2) b R paras (eli tehokkain) lineaaristen ja harhattomien estimaattoreiden joukossa. (3) b R on (sopivin lisäehdoin) tarkentuva. (4) b R on normaalinen. TKK (c) Ilkka Mellin (2007) 35
36 Rajoitettu pienimmän neliösumman menetelmä Rajoitetun PNS-estimaattorin ominaisuudet 3/3 Rajoitettu PNS-estimaattori b R on standardioletuksien (i)-(v) ja side-ehdon Rβ = r pätiessä parempi kuin tavallinen PNS-estimaattori b : Cov( b) Cov( b ) R TKK (c) Ilkka Mellin (2007) 36
37 Rajoitettu pienimmän neliösumman menetelmä Lineaaristen rajoitusten testaus 1/2 Asetetaan nollahypoteesi H 0 : Rβ = r ja määritellään F-testisuure ( r Rb) S( r Rb) F = 2 ms jossa b= UX' y on vektorin β tavallinen PNS-estimaattori ja s = ( y Xb)( y Xb) n k 1 vastaava jäännösvarianssin σ 2 harhaton estimaattori. 2 1 TKK (c) Ilkka Mellin (2007) 37
38 Rajoitettu pienimmän neliösumman menetelmä Lineaaristen rajoitusten testaus 2/2 Jos standardioletukset (i)-(vi) ja nollahypoteesi H 0 : Rβ = r pätevät, testisuure F noudattaa F-jakaumaa vapausastein m ja (n k 1): F F( m, n k 1) Suuret testisuureen F arvot merkitsevät sitä, että nollahypoteesi H 0 on hylättävä. TKK (c) Ilkka Mellin (2007) 38
39 Rajoitettu pienimmän neliösumman menetelmä Lineaaristen rajoitusten testaus: Testisuureen toinen muoto Edellä esitetty F-testisuure nollahypoteesille H 0 voidaan kirjoittaa myös muotoon n k 1 SSER SSE F = m SSE jossa SSE = ( y Xb)( y Xb) on jäännösneliösumma tavallisesta PNS-estimaattorista b ja SSE R = ( y Xb )( R y XbR) on jäännösneliösumma rajoitetusta PNS-estimaattorista b R. TKK (c) Ilkka Mellin (2007) 39
40 Rajoitettu pienimmän neliösumman menetelmä Lineaariset rajoitukset: Kommentteja 1/3 Yleisen lineaarisen mallin soveltamisen yhteydessä tarkastellaan nollahypoteesien H 0T : β 1 = β 2 = = β k = 0 ja H 0j : β j = 0, j = 1, 2,, k testaamista; ks. lukua Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 40
41 Rajoitettu pienimmän neliösumman menetelmä Lineaariset rajoitukset: Kommentteja 2/3 Nollahypoteesiin H 0T kohdistettu testi on yleistesti regression olemassaololle. Jos nollahypoteesi H 0T jää voimaan, selitettävä muuttujan y havaitut arvot eivät riipu lineaarisesti yhdenkään selittäjän x 1, x 2,, x k havaituista arvoista. Nollahypoteesiin H 0j kohdistetulla testillä testataan selittäjän x j, j = 1, 2,, k vaikutusta selitettävään muuttujaan y. Jos nollahypoteesi H 0j jää voimaan, selitettävä muuttujan y havaitut arvot eivät riipu lineaarisesti selittäjän x j, j = 1, 2,, k havaituista arvoista. TKK (c) Ilkka Mellin (2007) 41
42 Rajoitettu pienimmän neliösumman menetelmä Lineaariset rajoitukset: Kommentteja 3/3 Nollahypoteesien H 0T ja H 0j, j = 1, 2,, k asettaminen merkitsee lineaaristen side-ehtojen esittämistä regressiokertoimille β 0, β 1, β 2,, β k. Yleisen lineaarisen mallin soveltamisen yhteydessä nollahypoteeseille H 0T ja H 0j, j = 1, 2,, k esitetyt testit ovat erikoistapauksia tässä tarkastellusta yleisestä testistä lineaarisille side-ehdoille. TKK (c) Ilkka Mellin (2007) 42
43 Rajoitettu pienimmän neliösumman menetelmä Lineaariset rajoitukset: Rajoitusten spesifiointi Regressiokertoimia koskevat rajoitukset seuraavat tavallisesti tutkimuksen kohteena olevaan satunnaisilmiöön liittyvästä taustateoriasta, mutta myös monet tilastolliset hypoteesit voidaan esittää regressiokertoimia koskevien side-ehtojen muodossa. Jos side-ehdot vastaavat jotakin taustateorian hypoteesia, pyritään esitetty hypoteesi vahvistamaan tai kumoamaan side-ehtojen testaamisella. TKK (c) Ilkka Mellin (2007) 43
44 Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa: Johdanto Yleistetty pienimmän neliösumman menetelmä Rajoitettu pienimmän neliösumman menetelmä >> Instrumenttimuuttujamenetelmä TKK (c) Ilkka Mellin (2007) 44
45 Instrumenttimuuttujamenetelmä Yleinen lineaarinen malli ja sen osat Olkoon y = Xβ + ε yleisen lineaarisen mallin matriisiesitys, jossa y = selitettävän muuttujan y havaittujen arvojen muodostama satunnainen n-vektori X = selittäjien x 1, x 2,, x k havaittujen arvojen ja ykkösten muodostama n (k + 1)-matriisi β = regressiokertoimien muodostama tuntematon ja kiinteä eli ei-satunnainen (k + 1)-vektori ε = jäännöstermien muodostama ei-havaittu ja satunnainen n-vektori TKK (c) Ilkka Mellin (2007) 45
46 Instrumenttimuuttujamenetelmä Standardioletukset kiinteille selittäjille Jos yleisen lineaarisen mallin y = Xβ + ε selittäjät x 1, x 2,, x k ovat kiinteitä eli ei-satunnaisia muuttujia, mallia koskevat standardioletukset voidaan esittää matriisein seuraavassa muodossa: (i) Matriisin X alkiot ovat kiinteitä eli ei-satunnaisia vakioita (ii) Matriisi X on täysiasteinen: r(x) = k + 1 (iii) E( ε) = 0 2 (iv)&(v) Cov( ε) = σ I 2 (vi) ε N (, 0 σ I) n TKK (c) Ilkka Mellin (2007) 46
47 Instrumenttimuuttujamenetelmä Selittäjien satunnaisuus Yleisen lineaarisen mallin y = Xβ + ε selittäjien satunnaisuus saattaa aiheuttaa vakavia ongelmia mallin estimoinnille ja mallia koskevalle tilastolliselle päättelylle. Jos matriisi X on satunnainen, PNS-menetelmä ei välttämättä tuota harhattomia tai edes tarkentuvia estimaattoreita regressiokertoimille. Näin käy esimerkiksi silloin, kun virhetermi ja selittäjät korreloivat. Jos regressiokertoimien PNS-estimaattorit eivät ole harhattomia tai tarkentuvia, mallia koskevaa tavanomaista tilastollista päättelyä ei voida soveltaa. TKK (c) Ilkka Mellin (2007) 47
48 Instrumenttimuuttujamenetelmä PNS-estimaattorin harhattomuus 1/3 Olkoon b= ( XX ) 1 Xy lineaarisen mallin y = Xβ + ε regressiokertoimien vektorin β PNS-estimaattori. Estimaattorin b lauseke voidaan kirjoittaa muotoon b = β + ( XX ) 1 Xε Jos matriisi X on kiinteä, estimaattori b on harhaton, koska standardioletuksen (iii) mukaan E(ε) = 0, jolloin 1 E( b) = β + ( XX ) X E( ε) = β TKK (c) Ilkka Mellin (2007) 48
49 Instrumenttimuuttujamenetelmä PNS-estimaattorin harhattomuus 2/3 Jos matriisi X on satunnainen, ei saa kirjoittaa 1 1 E(( XX ) Xε ) = ( XX ) X E( ε) Sen sijaan PNS-estimaattorin b ehdollisessa odotusarvossa matriisin X suhteen matriisia X voidaan pitää kiinteänä ja siten 1 E( bx) = β + E(( XX ) Xε X) = β + XX X ε X 1 ( ) E( ) TKK (c) Ilkka Mellin (2007) 49
50 Instrumenttimuuttujamenetelmä PNS-estimaattorin harhattomuus 3/3 PNS-estimaattorib on siis ehdollisesti harhaton eli E( bx) = β jos oletus E( ε X) = 0 pätee. Tällöin PNS-estimaattori b on myös ehdottomasti harhaton, koska iteroidun odotusarvon lain mukaan E( b) = E(E( b X)) = = E( β) β TKK (c) Ilkka Mellin (2007) 50
51 Instrumenttimuuttujamenetelmä Ehto PNS-estimaattorin harhattomuudelle Edellä esitetystä nähdään, että ehdon E( ε X) = 0 voimassaolo ratkaisee sen, onko PNS-estimaattori b harhaton lineaarisen mallin regressiokertoimien vektorille β. Voidaan osoittaa, että vastaava korjaus muihin yleisen lineaarisen mallin standardioletuksiin (iii)-(vi) pelastaa kiinteiden selittäjien tapauksessa esitetyn teorian. TKK (c) Ilkka Mellin (2007) 51
52 Instrumenttimuuttujamenetelmä Standardioletukset satunnaisille selittäjille Jos yleisen lineaarisen mallin y = Xβ + ε selittäjät x 1, x 2,, x k ovat satunnaismuuttujia, mallia koskevat standardioletukset voidaan esittää matriisein seuraavassa muodossa: (i) Matriisin X alkiot ovat (vakioselittäjän arvoja lukuun ottamatta) satunnaismuuttujia (ii) Matriisi X on täysiasteinen: r(x) = k + 1 (iii) E( ε X) = 0 2 (iv) &(v) Cov( ε X) = σ I 2 (vi) ( ε X) N ( 0, σ I) n TKK (c) Ilkka Mellin (2007) 52
53 Instrumenttimuuttujamenetelmä Kommentteja modifioituihin standardioletuksiin 1/3 Modifioidusta standardioletuksesta (iii) E(ε X) = 0 seuraa, että E( yx ) = Xβ Tämä merkitsee sitä, että selitettävän muuttujan y ehdollinen odotusarvo eli regressiofunktio selittäjien havaittujen arvojen suhteen on lineaarinen. TKK (c) Ilkka Mellin (2007) 53
54 Instrumenttimuuttujamenetelmä Kommentteja modifioituihin standardioletuksiin 2/3 Modifioidusta standardioletuksesta (iii) E(ε X) = 0 seuraa, että E( ziε i) = 0 jossa z i = (1, xi1, xi2,, xik) Siten oletuksesta (iii) seuraa, että selittäjien arvot ja jäännös- eli virhetermit ovat korreloimattomia. TKK (c) Ilkka Mellin (2007) 54
55 Instrumenttimuuttujamenetelmä Kommentteja modifioituihin standardioletuksiin 3/3 Jos modifioidut standardioletukset (i) -(vi) pätevät, tavanomainen ei-satunnaisille selittäjille esitetty estimointi- ja päättelytekniikka pätee. TKK (c) Ilkka Mellin (2007) 55
56 Instrumenttimuuttujamenetelmä Selittäjien satunnaisuus: Kommentteja Myös edellä esitetyt modifioidut ehdot jäännöseli virhetermeille ovat melko rajoittavia ja etenkin aikasarjojen regressiomallien soveltamisen yhteydessä kohdataan tilanteita, joissa eivät edes nämä modifioidut ehdot päde. Tällaisissa tilanteissa PNS-menetelmää ei saa käyttää mallin parametrien estimointiin. Tilastotiede tuntee kuitenkin menetelmiä, joilla regressiomallin parametrit voidaan estimoida (ainakin) tarkentuvasti myös monissa niissä tilanteissa, joissa edellä esitetyt modifioidut ehdot jäännöstermeille eivät päde. TKK (c) Ilkka Mellin (2007) 56
57 Instrumenttimuuttujamenetelmä Instrumenttimuuttujat 1/3 Tarkastellaan nyt tilannetta, jossa yleisen lineaarisen mallin y = Xβ + ε selittäjät x 1, x 2,, x k ovat satunnaismuuttujia ja lisäksi korreloivat mallin jäännöstermin ε kanssa. Tällöin E(ε X) 0 jolloin regressiokertoimien vektorin β PNS-estimaattori b on sekä harhainen että ei-tarkentuva. TKK (c) Ilkka Mellin (2007) 57
58 Instrumenttimuuttujamenetelmä Instrumenttimuuttujat 2/3 Olkoon w ij, i = 1, 2,, n, j = 1, 2,, k muuttujan w j havaittu arvo havaintoyksikössä i. Muodostetaan havaintoarvoista w ij n (k + 1)-matriisi W jossa ensimmäinen sarake on ykkösten muodostama. Oletetaan, että matriisilla W on seuraavat ominaisuudet: (i) E(ε W) = 0 (ii) r(w X) = k + 1 TKK (c) Ilkka Mellin (2007) 58
59 Instrumenttimuuttujamenetelmä Instrumenttimuuttujat 3/3 Tällöin sanomme, että muuttujat w 1, w 2,, w k kelpaavat instrumenteiksi selittäjille x 1, x 2,, x k Muuttujia w 1, w 2,, w k kutsutaan tavallisesti instrumentti- tai välinemuuttujiksi. Huomautuksia: Ehdon (i) mukaan instrumenttimuuttujat w 1, w 2,, w k eivät saa korreloida mallin jäännöstermin ε kanssa. Ehdon (ii) mukaan instrumenttimuuttujien w 1, w 2,, w k pitää korreloida selittäjien x 1, x 2,, x k kanssa niin voimakkaasti, että matriisi W X on epäsingulaarinen. TKK (c) Ilkka Mellin (2007) 59
60 Instrumenttimuuttujamenetelmä Instrumenttimuuttujaestimaattori Määritellään yleisen lineaarisen mallin y = Xβ + ε regressiokertoimien vektorille β instrumenttimuuttujaestimaattori kaavalla 1 biv = ( WX ) Wy Voidaan osoittaa, että instrumenttimuuttujaestimaattori b IV on sopivin, matriisien W W, W X, W ε asymptoottista käyttäytymistä koskevin lisäehdoin regressiokertoimien vektorin β tarkentuva estimaattori. TKK (c) Ilkka Mellin (2007) 60
61 Instrumenttimuuttujamenetelmä Instrumenttimuuttujaestimaattorin stokastiset ominaisuudet Voidaan osoittaa, että instrumenttimuuttujaestimaattorin 1 biv = ( WX ) Wy kovarianssimatriisi on suurissa otoksissa muotoa Cov( biv) = a σ [ XW ( WW ) WX ] jossa σ = εε n k 1 ε = y Xb 2 1 IV TKK (c) Ilkka Mellin (2007) 61
Regressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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
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
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
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
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
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
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
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
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
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
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
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
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 ),
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.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
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
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
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
LisätiedotIlkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä
Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä TKK (c) Ilkka Mellin (2007) 1 Suurimman uskottavuuden menetelmä >> Suurimman uskottavuuden estimointimenetelmä Tarkentuvuus Asymptoottinen
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
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
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
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
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,
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotJohdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
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
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
LisätiedotJohdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle
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
LisätiedotKaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1
Kaksisuuntainen varianssianalyysi Vilkkumaa / Kuusinen 1 Motivointi Luennot 6 ja 7: yksisuuntaisella varianssianalyysilla testataan ryhmäkohtaisten odotusarvojen yhtäsuuruutta, kun perusjoukko on jaettu
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (005) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
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).
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
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
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
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
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
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
LisätiedotLohkoasetelmat. Kuusinen/Heliövaara 1
Lohkoasetelmat Kuusinen/Heliövaara 1 Kiusatekijä Kaikissa kokeissa kokeen tuloksiin voi vaikuttaa vaihtelu, joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla on mahdollisesti vaikutusta vastemuuttujan
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
LisätiedotKorrelaatiokertoinen määrittely 165
kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x
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:
LisätiedotJohdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi
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
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotLohkoasetelmat. Heliövaara 1
Lohkoasetelmat Heliövaara 1 Kiusatekijä Kaikissa kokeissa, kokeen tuloksiin voi vaikuttaa vaihtelu joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla mahdollisesti on vaikutusta vastemuuttujan arvoon,
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
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
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
LisätiedotIlkka Mellin Aikasarja-analyysi. Dynaamiset regressiomallit. TKK (c) Ilkka Mellin (2006) 1
Ilkka Mellin Aikasarja-analyysi Dynaamiset regressiomallit TKK (c) Ilkka Mellin (2006) 1 Dynaamiset regressiomallit >> Staattiset vs dynaamiset regressiomallit Siirtofunktio-kohina-malli Siirtofunktio-kohina-mallin
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
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
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotLause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.
Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman
LisätiedotTilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus KE (2014) 1
Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus KE (2014) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset testit ja testisuureet Virheet
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
LisätiedotNormaalijakaumasta johdettuja jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma
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
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotOlkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
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..
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen 1 Jakaumaoletuksien testaamiseen soveltuvat testit χ 2 -yhteensopivuustesti yksi otos otoksen
LisätiedotSpatiaalisiin merkkeihin ja järjestyslukuihin perustuva moniulotteinen regressioanalyysi R-ohjelmistoa käyttäen
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Spatiaalisiin merkkeihin ja järjestyslukuihin perustuva moniulotteinen regressioanalyysi R-ohjelmistoa käyttäen
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
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
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
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
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
Lisätiedot10 Moniulotteinen normaalijakauma
10 Moniulotteinen normaalijakauma Tässä luvussa tarkastellaan normaalijakauman moniulotteista yleistystä eli moniulotteista (eli monimuuttujaista) normaalijakaumaa (engl. multivariate normal distribution).
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analyysin perusteet, kevät 007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen Jakaumaoletuksien testaamiseen soveltuvat testit χ -yhteensopivuustesti yksi otos otoksen vertaaminen
LisätiedotVastepintamenetelmä. Vilkkumaa / Kuusinen 1
Vastepintamenetelmä Vilkkumaa / Kuusinen 1 Motivointi Varianssianalyysissa tutkitaan tekijöiden vaikutusta vasteeseen siten, että tekijöiden tasot on ennalta valittu. - Esim. tutkitaan kemiallisen prosessin
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä mallin sovittamisessa
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
Lisätiedot