Harjoitukset 6 :IV-mallit (Palautus )
|
|
- Jere Rantanen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 6 :IV-mallit (Palautus ) Tämän harjoituskerran tarkoitus on perehtyä instrumenttimuuttujien(instrumental variables) käyttöön. Toisessa tehtävässä käytetään Acemoglun ja Angristin(2000) aineistoa. Aineisto löytyy kurssin Mycoursessivulta. 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 Stata-koodi kommentoituna jokaisen tehtävän loppuun. 1. Koulutuksen vaikutus tulotasoon Tässä tehtävässä perehdytään hypoteettiseen tilanteeseen, missä koulutusvalinnan vaikutusta yksilön tulotasoon tutkitaan instrumenttimuuttujamenetelmän avulla. Tuloina käytetään vuosituloja siltä vuodelta kun henkilö täyttää 35 vuotta. Instrumenttina toimii etäisyys henkilön kodin(mitattu henkilön täyttäessä 15v) ja lähimmän yliopiston välillä. Mallin endogeeninen muuttuja on päätös hakea yliopistoon. Eksogeeniset selittävät muuttujat k, v ja l kuvaavat henkilöä ja hänen perheestään havaittavia ominaisuuksia. (a) Määrittele tässä tehtävässä käytettävän IV-mallin ensimmäisen ja toisen vaiheen regressioyhtälöt. Sisällytä malleihin aiemmin mainitut selittävät muuttujat. = α 0 + α 2 k + α 3 v + α 4 l + α 5 Z + v (1) Y = β 0 + β 1 k + β 2 v + β 3 l + β 4 + ɛ (2) Yhtälö 1 on IV-mallin ensimmäinen vaihe(first stage) ja yhtälö 2 on IV-mallin toinen vaihe(second stage). (Päätös hakea yliopistoon) on mallin endogeeninen muuttuja, Z(Etäisyys) on instrumentti ja Y(Tulot) toisen vaiheen selitettävä muuttuja Eksogeeniset selittävät muuttujat esiintyvät mallin molemmissa vaiheissa. (b) Luentomateriaaleissa määritellään hyvän instrumentin ominaisuudet. Onko etäisyys-instrumentti hyvä näiden kriteerien perusteella? Luentomateriaaleissa instrumentti luokitellaan hyväksi, jos instrumentti ei ole korreloitunut mallin virhetermin kanssa ja instrumentti on korreloitunut mallin endogeenisen muuttujan kanssa. Lisäksi instrumentin tulee täyttää ehto, että se vaikuttaa henkilön tuloihin ainoastaan yliopistoon hakemisen kautta. Jos kodin ja yliopiston välisellä etäisyydellä on suora vaikutus tuloihin, niin silloin instrumentti ei ole sopiva. Instrumentti on eksogeeninen, jos oletamme että henkilön asuinpaikka määräytyy sen perusteella missä hänen vanhempansa asuvat. Vanhemmat valitset asuinpaikan esim työpaikkojensa perusteella. Jos vanhemmat ovat valinneet kotinsa sen perusteella, että he haluavat lapsensa menevän yliopistoon, niin silloin etäisyys voi korreloida virhetermin kanssa. Tässä tehtävässä instrumenttiin liittyvä tarina on tärkeässä asemassa, koska instrumentin eksogeenisuus ei ole täysin selvää(otto ja Lotta Väänänen hyödyntävät tämän tyylistä instrumenttia koulutuksen ja keksintöjen välisen suhteen selvittämisessä, Toivanen& Väänänen "Education and Innovation". Review of Economics and Statistics, (2016)). Lukija täytyy saada vakuutetuksi siitä, että instrumentti on eksogeeninen. Lisäksi mallin selittävät muuttujat voivat kontrolloida puuttuvan muuttujan ongelmasta johtuvia endogeenisuushuolia. (c) Kärsiikö malli luentomateriaaleissa mainitusta heikon instrumentin(weak instrument) ongelmasta? Keksi syitä miksi instrumentti ja yliopistoon hakeutuminen ovat riittävän vahvasti korreloituneita keskenään. Kuinka testaat heikon instrumentin ongelman olemassaoloa? 1
2 Yliopiston ja kodin välinen etäisyys on todennäköisesti korreloitunut (riittävän) vahvasti yliopistoon hakemisen kanssa, koska esimerkiksi samoja koulutusaloja vertailtaessa lähin vaihtoehto voi tuntua parhaimmalta. Lisäksi etäisyydestä aiheutuu matkakustannuksia henkilölle. Kustannuksien olemassa olo luo korrelaation etäisyyden ja yliopistoon hakemisen välille. (d) Muutetaan etäisyyden määritelmää. Kuvitellaan että etäisyytenä käytetään opiskelijan pääsykoepäivän kotiosoitteen ja yliopiston välistä etäisyyttä. Täyttääkö instrumentti nyt hyvän instrumentin vaatimukset? Aiemmassa tapauksessa ei ole täysin selvää onko instrumentti eksogeeninen vai ei. Nyt instrumentti on selkeästi endogeeninen. Instrumentti ei ole enää eksogeeninen, koska nyt henkilö on itse valinnut kotipaikkansa. Tästä syystä ensimmäisen vaiheen regressiossa virhetermi on korreloitunut etäisyys-muuttujan kanssa. Korrelaatio johtuu siitä, että nyt mallin päätöksentekijä voi vaikuttaa suoraan instrumenttiin. Tästä syystä instrumentti ei enää täytä hyvän instrumentin oletuksia. Jos kuvitellaan, että henkilön asuinpaikka on sama molemmissa tapauksissa, niin silloin a)-kohdan perustelut pätevät myös tähän kohtaan. 2. Perusopetuksen tuotto Tässä tehtävässä käytetään aineistoa Daron Acemoglun ja Joshua D.Angristin tutkimuksesta "How Large Are Human-Capital Externalities? Evidence from Compulsory-Schooling laws?"nber Macroeconomics Annual Aineisto löytyy kurssin MyCourses-sivulta. Tutkimuksessa perehdytään perusopetuksesta saatavaan taloudelliseen hyötyyn Yhdysvalloissa. Aineisto on peräisin Yhdysvaltojen vuosien väestölaskennoista. Tarkastelu koskee vuotiaita valkoisia miehiä. Aineisto sisältää useita muuttujia, mutta tässä tehtävässä käytämme vain seuraavia muuttujia: viikkopalkan logaritmi(lnwkwage), Yksilön korkein suoritettu koulu-aste(indeduc),väestölaskennan vuosi(year), syntymävuosi(yob), syntymäosavaltio(sob) ja lainsäädäntöindikaattorit(cl6 cl7 cl8 cl9). Lainsäädöntöindikaattorit kuvaavat henkilön syntymäosavaltiossa voimassa olevia lakeja silloin kun henkilö täyttää 14.vuotta. Indikaattorit kuvaavat sitä kuinka monta vuotta koulutusta täytyy suorittaa ennen kuin koulun voi jättää kesken. Koulun jättämisikä on jaettu neljään kategoriaan: kuusi tai alle kuusi vuotta koulutusta(cl6), seitsemän vuotta koulua(cl7), kahdeksan vuotta koulua(cl8) ja yhdeksän tai yli yhdeksän vuotta(cl9) koulua ennen kuin koulun voi jättää kesken. Acemoglu ja Angrist suorittavat seuraavan regression: ln(palkka) = α + βk oulutus + ɛ (3) He ovat kiinnostuneita siitä paljonko (perus)koulutuksen lisääminen vuodella nostaa palkkaa? Tutkimusasetelman haasteena on se, että peruskoulun keskeyttäminen ei ole eksogeenista. Haasteena on muun muassa puuttuvan muuttujan ongelma. Osavaltion havaitsematon taloustilanne voi kannustaa yksilöä jättämään koulun kesken. Tämän seurauksena mallin virhetermi ja koulutusta kuvaava muuttuja ovat korreloituneita. Acemoglu ja Angrist ratkaisevat endogeenisuusongelman työlainsäädäntöön liittyvien instrumenttien avulla. Aineiston lainsäädäntöindikaattorit ovat tutkimuksessa käytettävät instrumentit. Instrumenttien idea piilee siinä, että osavaltiokohtainen lainsäädäntö määrittää sen kuinka monta vuotta yksilön pitää olla koulussa ennen kuin yksilö voi jättää koulun kesken. Lakien seurauksena koulutuksen minimitaso vaihtelee eri osavaltioiden välillä. Minimikoulutuksen taso ei riipu osavaltioiden taloustilanteesta, koska lait on säädetty noin 30 vuotta ennen kuin Acemoglun ja Angristin aineisto alkaa. Samalla on turvallista olettaa, että lapsen vanhemmat eivät valitse lapsen syntymäosavaltiota osavaltiossa vallitsevan minimikoulutus-laisäändännön takia. Tämän tehtävän regressiot sisältävät malleja joihin tulee paljon indikaattorimuuttujia. Tästä syystä tuloksia raportoidessa sinun ei tarvitse välttämättä raportoida syntymävuoden, osavaltion ja väestölaskennan indikaattoreita. Muista liittää Stata-koodit vastaukseesi. (a) Suorita Statan reg-komennolla OLS-regressio missä selität palkan logaritmia koulutuksella, syntymävuoden, osavaltion ja väestölaskennan indikaattoreilla. Kuinka koulutus vaikuttaa palkkaan? 2
3 Taulukko 1: Koulutuksen ja palkan välinen suhde (1) (2) ln(palkka) ln(palkka) Koulutus *** 0.127*** ( ) ( ) Vakio 3.241*** 4.094*** (0.0180) ( ) Osavaltio FE Syntymävuosi FE Väestölaskenta FE N 722, ,343 R Suluissa keskivirheet Taulukon ensimmäisessä sarakkeessa 1 selitetään palkan logaritmia koulutuksella ja kiinteillä vaikutuksilla. Toisessa sarakkeessa palkan logaritmia selitetään vain koulutuksella. Regressioiden mukaan koulutuksella on positiivinen vaikutus palkan logaritmiin. Mallien ongelma on se, että koulutusta kuvaava muuttuja on korreloitunut molemmissa malleissa mallin virhetermin kanssa. Lisäksi huomaamme, että kontrollimuuttujien poistamisella on suuri vaikutus koulutuksen kertoimeen. Tämä johtuu siitä, että koulutuslainsäädäntö vaihtelee osavaltion-tasolla. Kontrollimuuttujien poistamisen jälkeen koulutusta kuvaavan muuttujan kerroin huomioi myös osavaltioiden välisiä eroja. (b) Suorita edellisen kohdan regressiota vastaava instrumenttiregressio, missä käytät instrumentteina cl7, cl8, cl9-muuttujia(cl6-muuttujaa ei käytetä koska se toimii muiden indikaattorien vertailuryhmänä). Suorita tämä regressio kahdessa vaiheessa ilman Statan ivregress-komentoa(katso IV-luentojen sivut 50-51). Kuinka tulkitset instrumenttimuuttujien kertoimia ensimmäisen vaiheen regressiossa? Ovatko instrumenttien kertoimet odotetun suuntaisia? 3
4 Taulukko 2: IV-regressio kahden erillisen regression avulla (1) (2) (3) (4) Koulutus ln(palkka) Koulutus ln(palkka) 7 vuotta koulua 0.118*** 0.796*** (0.0183) (0.0136) 8 vuotta koulua 0.146*** 1.255*** (0.0161) (0.0128) 9 vuotta tai enemmän koulua 0.277*** 1.489*** (0.0208) (0.0136) K oulutus ˆ 0.106*** (0.0163) K oulutus ˆ *** ( ) Vakio 8.311*** 2.990*** 11.19*** *** (0.0804) (0.138) (0.0114) (0.0287) Osavaltio FE Syntymävuosi FE Väestölaskenta FE N 722, , , ,343 R Keskivirheet suluissa Taulukossa 2 esitetään kahdessa vaiheessa estimoidun IV-mallin tulokset. Sarakkeissa 1 ja 2 esitetään tehtävänannossa pyydetty malli. Sarakkeessa 1 on mallin ensimmäisen vaiheen regressio. Tuloksien mukaan lisäykset pakollisessa peruskoulutuksessa lisäävät koulutusta. Jos pakollinen peruskoulutus kesti 7 vuotta, niin silloin suoritettu koulutus kasvoi 0.12 vuotta. 8 pakollisen vuoden kohdalla vaikutus on lähes samankaltainen, mutta 9 tai enemmän kuin 9 vuotta pakollista koulutusta kasvatti suoritettua koulutusta noin 0.3 vuoden verran. Tulokset ovat odotettuja, koska koulutusvaatimuksien kasvattaminen kasvattaa suoritetun koulutuksen määrää. Lisäksi vaikutuksien etumerkki on oikea ja kertoimet ovat tilastollisesti merkitseviä. Sarakeissa 3 ja 4 esitetään tulokset ilman kontrollimuuttujia. Huomaamme, että kontrollimuuttujilla on jälleen suuri vaikutus tuloksiin. Vallitseva käytäntö instrumenttimuuttujien suhteen on se, että molempien vaiheiden regressiot esitellään lukijalle. Jos ensimmäisen vaiheen regressiosta ei löydy vaikutusta tai vaikutus on "väärän"suuntainen, niin silloin on syytä epäillä asetelman hyvyyttä. Tässä tehtävässä piti käyttää indikaattoreita osavaltiolle, syntymävuodelle ja väestölaskennan vuosille. Jos edellä mainitut muuttujat sisällytettiin regressioon jatkuvina(ilman Statan i.-etuliitettä), niin silloin muuttujat toimivat lineaarisina trendeinä. Tällöin kontrollimuuttujat eivät kontrolloi niitä tekijöitä joita niiden pitäisi kontrolloida tässä tehtävässä. (c) Vertaa a) ja b)-kohtien tuloksia. Kuinka suuren harhan endogeenisuus aiheuttaa tuloksiin. Endogeenisuuden vuoksi a)-kohdan OLS-estimaatti on pienempi kuin b)-kohdan IV-estimaatti. OLS-estimaatin mukaan vuoden lisäys peruskoulutuksessa lisää tuloja noin 7.7%. Kun koulutuksen endogeenisuus huomioidaan IV-menetelmän avulla, niin silloin vuoden lisäys koulutuksessa lisää palkkaa lähes 11% verran. (d) Toista b)-kohdan regressio Statan ivregress-komennolla. Käytä ivregress komennossa 2sls-asetusta. Kuinka tulkitset koulutuksen ja palkan välistä suhdetta. Miten tämän kohdan ja b)-kohdan tulokset eroavat toisistaan? 4
5 Taulukko 3: IV-regressio ivregress-komennon avulla (1) (2) ln(palkka) ln(palkka) Koulutus 0.106*** 0.526*** (0.0156) ( ) Vakio 2.990*** *** (0.132) (0.0491) Osavaltio FE Syntymävuosi FE Väestölaskenta FE N 722, ,343 R Keskivirheet suluissa Taulukossa 3 esitetään ivregress-komennon avulla estimoidut IV-mallit. Huomaamme, että mallien tulokset ovat identtisiä edellisten regressioiden kanssa parametriestimaattien suhteen. Vuoden lisäys peruskoulutuksessa nostaa yhä viikko palkkaa noin 11%. Erot löytyvät keskivirheistä. Kun IV-malli estimoidaan kahden OLS-regression avulla, niin silloin toisen vaiheen mallin keskivirheet eivät huomioi sitä, että ensimmäisen vaiheen regressiosta tulevaa epävarmuutta. Kun malli estimoidaan IV-regression komennolla(ivregress), niin silloin keskivirheet huomioivat myös ensimmäisestä vaiheesta tulevan epävarmuuden ja siksi keskivirheet ovat yleensä suuremmat. Nyt tosin ensimmäisessä mallissa keskivirhe pienentyy. Toisen mallin tapauksessa keskivirhe odotetusti kasvaa. (e) Kärsiikö b) ja d)-kohdassa estimoitu malli ns heikkojen instrumenttien ongelmasta. Tarkastele instrumentin vahvuutta luentomateriaaleissa mainitulla tavalla. Taulukko 4: Ensimmäisen vaiheen regressiot (1) (2) Koulutus Koulutus 7 vuotta koulua 0.118*** 0.796*** (0.0183) (0.0136) 8 vuotta koulua 0.146*** 1.255*** (0.0161) (0.0128) 9 vuotta tai enemmän koulua 0.277*** 1.489*** (0.0208) (0.0136) Vakio 8.311*** 11.19*** (0.0804) (0.0114) Osavaltio FE Syntymävuosi FE Väestölaskenta FE F N 722, ,343 R Keskivirheet suluissa 5
6 Tarkastelemme heikkojen instrumenttien ongelmaa ensimmäisen vaiheen regression kautta. Meitä kiinnostaa korrelaatio instrumentin ja endogeenisen muuttujan välillä. Perehdymme korrelaatioon F-testisuureen avulla. Ekonometrian oppikirjoissa mainitaan, että jos ensimmäisen vaiheen regression F-testisuure on alle 10, niin silloin voi olla syytä epäillä instrumenttien heikkoutta. Nyt huomaamme, että F-testisuure on selkeästi yli 10. Instrumentin vahvuuden tarkasteluun haasteita tuo se, että mallissa on instrumentin lisäksi selittäviä muuttujia. Tällöin korkea F-testisuureen arvo voi selittyä sillä, että selittäjät ovat korreloituneita endogeenisen muuttujan kanssa. Statan estat firstage-komento laskee IV-regression jälkeen F-testisuureen, joka huomio testisuureen laskemisessa mallissa mukana olleet selittävät muuttujat. Seuraava taulukko esittää F-testit, missä huomioidaan mallissa mukana olleet selittäjät: Taulukko 5: Ensimmäisen vaiheen regressioiden F-testit Malli 1 Malli 2 F-testisuure Huomaamme, että F-testisuureen arvo on vieläkin yli 10, mutta testisuureen arvo putosi noin 1160 arvosta 70:n arvoon. Tulemme siihen tulokseen, että instrumentti ei kärsi heikon instrumentin ongelmasta. Jos käyttäisimme mallissa heteroskedastisuuden suhteen robusteja keskivirheitä, niin silloin testisuure madaltuu hiukan. Maisteritason ekonometrian kursseilla perehdytään tarkemmin tilastolliseen päättelyyn tilanteissa, missä käytettävä instrumentti kärsii heikon instrumentin ongelmasta. 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 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
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
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 5 : Differences-in-Differences - mallit (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 5 : Differences-in-Differences - mallit (Palautus 14.3.2017) Tämän harjoituskerran
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
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
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
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
LisätiedotEndogeenisuus lineaarisessa regressiossa. Endogeneity in linear regression
LAPPEENRANNAN TEKNILLINEN YLIOPISTO Kauppatieteellinen tiedekunta Kandidaatintutkielma Talousjohtaminen Endogeenisuus lineaarisessa regressiossa Endogeneity in linear regression Elsa Nyman 17.12.2012 Sisällysluettelo
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
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
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
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
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
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
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
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
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
LisätiedotUsean selittävän muuttujan regressioanalyysi
Tarja Heikkilä Usean selittävän muuttujan regressioanalyysi Yhden selittävän muuttujan regressioanalyysia on selvitetty kirjan luvussa 11, jonka esimerkissä18 muodostettiin lapsen syntymäpainolle lineaarinen
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
LisätiedotTILASTOTIEDE KÄYTÄNNÖN TUTKIMUKSESSA, 8 10 OP Luennoi: yliopisto-opettaja Pekka Pere. Logaritmin muutos ja suhteellinen muutos
TILASTOTIEDE KÄYTÄNNÖN TUTKIMUKSESSA, 8 10 OP. 22.9.-11.12.2009. Luennoi: yliopisto-opettaja Pekka Pere. Aputuloksia Logaritmin muutos ja suhteellinen muutos Lähtökohta on approksimaatio log(1 + δ) δ,
LisätiedotHAVAITUT JA ODOTETUT FREKVENSSIT
HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies
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
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.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
LisätiedotErityiskysymyksiä yleisen lineaarisen mallin soveltamisessa
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1 Erityiskysymyksiä yleisen lineaarisen
LisätiedotLogistinen regressio, separoivat hypertasot
Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen
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
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
Lisätiedotr = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P
Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen
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
LisätiedotSAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä. Antti Suoperä 16.11.2009
SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä: Matriisi ja vektori laskennan ohjelmisto edellyttää
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotCapstone: Kerrostaloasuntojen hinnanmuodostumisen tutkiminen Helsingissä ja Espoossa käyttäen hedonistista regressiota
Capstone: Kerrostaloasuntojen hinnanmuodostumisen tutkiminen Helsingissä ja Espoossa käyttäen hedonistista regressiota Elisa Luukkonen 536671 Lauri Luukkanen 536668 Henri Rujala 489061 1 Sisällysluettelo
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
LisätiedotHarjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä..
Harjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä.. TEHTÄVÄ 1 Taulukko 1 Kuvailevat tunnusluvut pääkaupunkiseudun terveystutkimuksesta vuonna 2007 (n=941) Keskiarvo (keskihajonta) Ikä
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
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
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
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
LisätiedotVeroista ja työllisyydestä 1
Kansantaloudellinen aikakauskirja 96. vsk. 2/2000 Markus Jäntti Veroista ja työllisyydestä 1 MARKUS JÄNTTI Dosentti Åbo Akademi 1. Johdanto Verojen työllisyysvaikutukset ovat viime vuosina nousseet talouspoliittisen
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
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia Tehtäväsarja I 1. Jatkoa Harjoitus 8A tehtävään 3. Muodosta odotusarvolle µ approksimatiivinen
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
Lisätiedot2. Tietokoneharjoitukset
2. Tietokoneharjoitukset Demotehtävät 2.1 Jatkoa kotitehtävälle. a) Piirrä aineistosta pistediagrammi (KULUTUS, SAIRAST) ja siihen estimoitu regressiosuora. KULUTUS on selitettävä muuttuja. b) Määrää estimoidusta
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
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotDiskriminanttianalyysi I
Diskriminanttianalyysi I 12.4-12.5 Aira Hast 24.11.2010 Sisältö LDA:n kertaus LDA:n yleistäminen FDA FDA:n ja muiden menetelmien vertaaminen Estimaattien laskeminen Johdanto Lineaarinen diskriminanttianalyysi
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
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.
Lisätiedot1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Usean selittäjän lineaarinen regressiomalli Estimaatti, Estimaattori, Estimointi, Jäännösneliösumma, Jäännöstermi, Jäännösvarianssi,
LisätiedotMitä kausaalivaikutuksista voidaan päätellä havainnoivissa tutkimuksissa?
Mitä kausaalivaikutuksista voidaan päätellä havainnoivissa tutkimuksissa? Mervi Eerola Turun yliopisto Sosiaalilääketieteen päivät 3.-4.11.2014 HS 27.9.2014: Juhana Vartiainen ja Kari Hämäläinen (VATT):
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 4
Inversio-ongelmien laskennallinen peruskurssi Luento 4 Kevät 20 Regularisointi Eräs keino yrittää ratkaista (likimääräisesti) huonosti asetettuja ongelmia on regularisaatio. Regularisoinnissa ongelmaa
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan
Lisätiedot13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y
Lisätiedot1.4 Funktion jatkuvuus
1.4 Funktion jatkuvuus Kun arkikielessä puhutaan jonkin asian jatkuvuudesta, mielletään asiassa olevan jonkinlaista yhtäjaksoisuutta, katkeamattomuutta. Tässä ei kuitenkaan käsitellä työasioita eikä ihmissuhteita,
LisätiedotValtion taloudellinen tutkimuskeskus. Muistiot 18. Kehitysalueiden korotettujen poistojen vaikuttavuus
Valtion taloudellinen tutkimuskeskus Muistiot 18 Kehitysalueiden korotettujen poistojen vaikuttavuus Sami Grönberg Tuomas Kosonen Muistiot 18 joulukuu 2011 VATT MUISTIOT 18 Kehitysalueiden korotettujen
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
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 V ls. Uusintamahdollisuus on rästitentissä.. ke 6 PR sali. Siihen tulee ilmoittautua WebOodissa 9. 8.. välisenä aikana. Soveltuvan
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
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
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotSisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4
Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN...6 1.1 INDUKTIO JA DEDUKTIO...7 1.2 SYYT JA VAIKUTUKSET...9
LisätiedotTulosrahoitusmittaristo ennen ja nyt mittariston ominaisuudet
Tulosrahoitusmittaristo ennen ja nyt mittariston ominaisuudet Ammatillisen peruskoulutuksen tulosrahoitusseminaari 2010 17.9.2010 Hanna Virtanen & Mika Maliranta Mittariston kehittämishankkeet Mittariston
Lisätiedot1 Komparatiivinen statiikka ja implisiittifunktiolause
Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla
LisätiedotLuento 9. June 2, Luento 9
June 2, 2016 Otetaan lähtökohdaksi, että sopimuksilla ei voida kattaa kaikkia kontingensseja/maailmantiloja. Yksi kiinnostava tapaus on sellainen, että jotkut kontingenssit ovat havaittavissa sopimusosapuolille,
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
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
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 +
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi
LisätiedotVektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on
13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu
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
LisätiedotVektoreiden A = (A1, A 2, A 3 ) ja B = (B1, B 2, B 3 ) pistetulo on. Edellisestä seuraa
Viikon aiheet Pistetulo (skalaaritulo Vektorien tulot Pistetulo Ristitulo Skalaari- ja vektorikolmitulo Integraalifunktio, alkeisfunktioiden integrointi, yhdistetyn funktion derivaatan integrointi Vektoreiden
LisätiedotTE-toimistojen henkilöstön vaikutus nuorisotyöttömyyden hoidon tuloksellisuuteen
Valtiontalouden tarkastusvirasto Tuloksellisuustarkastus Työpaperi TE-toimistojen henkilöstön vaikutus nuorisotyöttömyyden hoidon tuloksellisuuteen Liittyy tarkastukseen: Nuorisotyöttömyyden hoito Tekijä:
LisätiedotLiite artikkeliin Intohimo tasa-arvoon
Liite artikkeliin Intohimo tasa-arvoon Menetelmäkuvaus Artikkelissa käytetty regressiomalli on ns. binäärinen logistinen monitasoregressiomalli. Monitasoanalyysien ideana on se, että yksilöiden vastauksiin
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotEpävarmuuden hallinta bootstrap-menetelmillä
1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn
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
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi Yksiulotteisen
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 14 R. Kangaslampi matriisiteoriaa Matriisinormi
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
LisätiedotKasvuteorian perusteista. Matti Estola 2013
Kasvuteorian perusteista Matti Estola 2013 Solowin kasvumallin puutteet Solwin mallista puuttuu mikrotason selitys kasvulle, sillä mikrotasolla yritykset tekevät tuotantopäätökset kannattavuusperiaatteella
LisätiedotTarkastusmuistio Yrittäjäkoulutuksen vaikutukset työllistymiseen ja yrittäjätuloihin
Tarkastusmuistio Yrittäjäkoulutuksen vaikutukset työllistymiseen ja yrittäjätuloihin Liittyy tarkastukseen: Yrittäjäkoulutus osana ammatillista työvoimakoulutusta Tekijät: Ville Vehkasalo, Osmo Halonen
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,
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
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
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
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
Lisätiedot6. Tietokoneharjoitukset
6. Tietokoneharjoitukset 6.1 Tiedostossa Const.txt on eräällä Yhdysvaltalaisella asuinalueella aloitettujen rakennusurakoiden määrä kuukausittain, aikavälillä 1966-1974. Urakoiden määrä on skaalattu asuinalueen
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
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
Lisätiedot