Tilastolliset menetelmät: Lineaarinen regressioanalyysi
|
|
- Esa Lattu
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare mall 7. Regressomall valta 8. Regressodagostkka 9. Ertyskysymyksä ylese leaarse mall soveltamsessa Ilkka Mell (006) 3
2 Tlastollset meetelmät Leaare regressoaalyys Ilkka Mell (006) 3
3 Tlastollset meetelmät Leaare regressoaalyys Ssällys 3. TILASTOLLINEN RIIPPUVUUS JA KORRELAATIO TILASTOLLINEN RIIPPUVUUS, KORRELAATIO JA REGRESSIO KAHDEN MUUTTUJAN HAVAINTOAINEISTON KUVAAMINEN 4 PISTEDIAGRAMMI 4 AIKASARJADIAGRAMMI 45 ARITMEETTISET KESKIARVOT 46 OTOSVARIANSSIT JA OTOSKESKIHAJONNAT 47 OTOSKOVARIANSSI 48 OTOSKORRELAATIO 49 OTOSTUNNUSLUKUJEN LASKEMINEN PEARSONIN KORRELAATIOKERTOIMEN ESTIMOINTI JA TESTAUS 54 OTOS KAKSIULOTTEISESTA NORMAALIJAKAUMASTA 54 KAKSIULOTTEISEN NORMAALIJAKAUMAN PARAMETRIEN ESTIMOINTI 55 FISHERIN Z MUUNNOS 56 KORRELAATIOKERTOIMEN LUOTTAMUSVÄLI 56 KORRELOIMATTOMUUDEN TESTAAMINEN 58 YLEINEN TESTI KORRELAATIOKERTOIMELLE 59 KORRELAATIOKERTOIMIEN VERTAILUTESTI JÄRJESTYSKORRELAATIOKERTOIMET 6 SPEARMANIN JÄRJESTYSKORRELAATIOKERROIN 6 SPEARMANIN JÄRJESTYSKORRELAATIOKERTOIMEN OMINAISUUDET 63 KORRELOIMATTOMUUDEN TESTAAMINEN 63 KENDALLIN JÄRJESTYSKORRELAATIOKERROIN 64 KENDALLIN JÄRJESTYSKORRELAATIOKERTOIMEN OMININAISUUDET 65 KORRELOIMATTOMUUDEN TESTAAMINEN JOHDATUS REGRESSIOANALYYSIIN REGRESSIOANALYYSIN LÄHTÖKOHDAT JA TAVOITTEET 68 REGRESSIOANALYYSIN TAVOITTEET 68 REGRESSIOMALLIEN LUOKITTELU 68 REGRESSIOANALYYSIN SOVELLUKSET TILASTOTIETEESSÄ 69 REGRESSIOANALYYSIN LÄHTÖKOHDAT DETERMINISTISET MALLIT JA REGRESSIOANALYYSI 69 DETERMINISTISET MALLIT 69 DETERMINISTISET MALLIT JA REGRESSIO ONGELMA 70 SYYT REGRESSIO ONGELMAN SYNTYYN 70 REGRESSIOMALLI JA KIINTEÄT SELITTÄJÄT REGRESSIOFUNKTIOT JA REGRESSIOANALYYSI 73 EHDOLLISET JAKAUMAT JA EHDOLLISET ODOTUSARVOT 73 REGRESSIOFUNKTIOT 74 REGRESSIOFUNKTIOT JA ENNUSTAMINEN 74 REGRESSIOFUNKTIOT JA REGRESSIO ONGELMA 75 REGRESSIOMALLI JA SATUNNAISET SELITTÄJÄT KAKSIULOTTEISEN NORMAALIJAKAUMAN REGRESSIOFUNKTIOT 78 KAKSIULOTTEISEN NORMAALIJAKAUMAN TIHEYSFUNKTIO 79 KAKSIULOTTEISEN NORMAALIJAKAUMAN PARAMETRIT 79 Ilkka Mell (006) 33
4 Tlastollset meetelmät Leaare regressoaalyys KAKSIULOTTEISEN NORMAALIJAKAUMAN PARAMETRIEN TULKINTA 79 KAKSIULOTTEISEN NORMAALIJAKAUMAN EHDOLLISET JAKAUMAT 80 KAKSIULOTTEISEN NORMAALIJAKAUMAN REGRESSIOFUNKTIOT 80 KAKSIULOTTEISEN NORMAALIJAKAUMAN EHDOLLISET VARIANSSIT REGRESSIOANALYYSIN TEHTÄVÄT REGRESSIOMALLIN LINEAARISUUS YHDEN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI YHDEN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA SITÄ KOSKEVAT OLETUKSET 87 HAVAINNOT 87 YHDEN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI 87 JÄÄNNÖSTERMIÄ KOSKEVAT STOKASTISET OLETUKSET 88 SELITETTÄVÄN MUUTTUJAN OMINAISUUDET 88 MALLIN PARAMETRIT 89 MALLIN SYSTEMAATTINEN OSA JA SATUNNAINEN OSA 89 REGRESSIOSUORA 90 REGRESSIOSUORAN KULMAKERTOIMEN TULKINTA REGRESSIOKERTOIMIEN ESTIMOINTI 90 REGRESSIOKERTOIMIEN PNS ESTIMOINTI 9 ESTIMOITU REGRESSIOSUORA 93 REGRESSIOKERTOIMIEN PNS ESTIMAATTOREIDEN OMINAINAISUUDET SOVITTEET JA RESIDUAALIT 300 SOVITTEIDEN JA RESIDUAALIEN OMINAISUUKSIA 300 SOVITTEET JA RESIDUAALIT: HAVAINNOLLISTUS JÄÄNNÖSVARIANSSIN ESTIMOINTI VARIANSSIANALYYSIHAJOTELMA JA SELITYSASTE 303 SELITYSASTE 307 SELITYSASTEEN OMINAISUUDET LASKUTOIMITUSTEN JÄRJESTÄMINEN 308 ESIMERKKEJÄ ESTIMOINTITULOSTEN TULKINNASTA PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA 35 REGRESSIOKERTOIMIEN PNS ESTIMAATTOREIDEN OTOSJAKAUMAT 35 JÄÄNNÖSVARIANSSIN OTOSJAKAUMA 36 REGRESSIOKERTOIMIEN LUOTTAMUSVÄLIT 37 REGRESSIOKERTOIMIA KOSKEVAT TESTIT ENNUSTAMINEN YHDEN SELITTÄJÄN LINEAARISELLA REGRESSIOMALLILLA 3 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON ENNUSTAMINEN 3 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON ENNUSTEEN OTOSJAKAUMA 3 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON LUOTTAMUSVÄLI 3 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON LUOTTAMUSVÄLIN OMINAISUUDET 33 SELITETTÄVÄN MUUTTUJAN ARVON ENNUSTAMINEN 33 SELITETTÄVÄN MUUTTUJAN ARVON ENNUSTEEN OTOSJAKAUMA 33 SELITETTÄVÄN MUUTTUJAN ARVON LUOTTAMUSVÄLI 34 SELITETTÄVÄN MUUTTUJAN ARVON LUOTTAMUSVÄLIN OMINAISUUDET 34 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON LUOTTAMUSVÄLI VS SELITETTÄVÄN MUUTTUJAN ARVON LUOTTAMUSVÄLI YHDEN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA SATUNNAINEN SELITTÄJÄ KAKSIULOTTEISEN NORMAALIJAKAUMAN REGRESSIOFUNKTIOIDEN ESTIMOINTI 34 KAKSIULOTTEINEN NORMAALIJAKAUMA JA SEN TIHEYSFUNKTIO 34 KAKSIULOTTEISEN NORMAALIJAKAUMAN EHDOLLISET JAKAUMAT 35 Ilkka Mell (006) 34
5 Tlastollset meetelmät Leaare regressoaalyys OTOS KAKSIULOTTEISESTA NORMAALIJAKAUMASTA 36 KAKSIULOTTEISEN NORMAALIJAKAUMAN REGRESSIOFUNKTIOIDEN PNS ESTIMOINTI 36 KAKSIULOTTEISEN NORMAALIJAKAUMAN REGRESSIOFUNKTIOIDEN ESTIMOINTI MOMENTTIMENETELMÄLLÄ JA SUURIMMAN USKOTTAVUUDEN MENETELMÄLLÄ YLEINEN LINEAARINEN MALLI YLEINEN LINEAARINEN MALLI JA SITÄ KOSKEVAT OLETUKSET 336 HAVAINNOT 336 YLEINEN LINEAARINEN MALLI 337 MALLIA KOSKEVAT STANDARDIOLETUKSET 337 KOMMENTTEJA STANDARDIOLETUKSIIN 338 SELITETTÄVÄN MUUTTUJAN OMINAISUUDET 339 MALLIN PARAMETRIT 339 MALLIN SYSTEMAATTINEN OSA JA SATUNAINEN OSA 340 REGRESSIOTASO 340 REGRESSIOKERTOIMIEN TULKINTA YLEISEN LINEAARISEN MALLIN MATRIISIESITYS 34 ODOTUSARVOVEKTORI JA KOVARIANSSIMATRIISI 34 STANDARDIOLETUKSET MATRIISIMUODOSSA YLEISEN LINEAARISEN MALLIN PARAMETRIEN ESTIMOINTI 343 PIENIMMÄN NELIÖSUMMAN ESTIMOINTIMENETELMÄ 343 REGRESSIOKERTOIMIEN VEKTORIN PNS ETIMAATTORI 343 PNS ESTIMAATTORIN ODOTUSARVOVEKTORI JA KOVARIANSSIMATRIISI 344 GAUSSIN JA MARKOVIN LAUSE 345 GAUSSIN JA MARKOVIN LAUSEEN TULKINTA 347 PNS ESTIMAATTORIN STOKASTISET OMINAISUUDET 348 SOVITTEET JA RESIDUAALIT 348 SOVITTEIDEN JA RESIDUAALIEN MATRIISIESITYKSET 349 SOVITTEIDEN JA RESIDUAALIEN OMINAISUUDET 350 SOVITTEIDEN JA RESIDUAALIEN STOKASTISET OMINAISUUDET 35 JÄÄNNÖSVARIANSSIN ESTIMOINTI 35 ESTIMOITU REGRESSIOTASO VARIANSSIANALYYSIHAJOTELMA JA SELITYSASTE 354 VARIANSSIANALYYSIHAJOTELMAN TULKINTA 357 SELITYSASTE 357 SELITYSASTEEN OMINAISUUDET TILASTOLLINEN PÄÄTTELY YLEISESTÄ LINEAARISESTA MALLISTA 358 REGRESSIOKERTOIMIEN ESTIMAATTOREIDEN ODOTUSARVOT, VARIANSSIT JA OTOSJAKAUMAT 359 JÄÄNNÖSVARIANSSIN OTOSJAKAUMA 360 REGRESSIOKERTOIMIEN LUOTTAMUSVÄLIT 360 REGRESSIOKERTOIMIEN LUOTTAMUSVÄLIEN TULKINTAT 36 YLEISTESTI REGRESSION OLEMASSAOLOLLE 36 TESTIT YKSITTÄISILLE REGRESSIOKERTOIMILLE ENNUSTAMINEN YLEISELLÄ LINEAARISELLA MALLILLA 36 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON ENNUSTAMINEN 36 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON ENNUSTEEN OTOSJAKAUMA 363 SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON LUOTTAMUSVÄLI 363 SELITETTÄVÄN MUUTTUJAN ARVON ENNUSTAMINEN 364 SELITETTÄVÄN MUUTTUJAN ARVON ENNUSTEEN OTOSJAKAUMA 364 SELITETTÄVÄN MUUTTUJAN ARVON LUOTTAMUSVÄLI 364 Ilkka Mell (006) 35
6 Tlastollset meetelmät Leaare regressoaalyys SELITETTÄVÄN MUUTTUJAN ODOTETTAVISSA OLEVAN ARVON LUOTTAMUSVÄLI VS SELITETTÄVÄN MUUTTUJAN ARVON LUOTTAMUSVÄLI YLEINEN LINEAARINEN MALLI JA SATUNNAISET SELITTÄJÄT 365 YLEINEN LINEAARINEN MALLI JA STANDARDIOLETUKSET 365 SELITTÄJIEN SATUNNAISUUS 365 REGRESSIOKERTOIMIEN VEKTORIN PNS ESTIMAATTORIN HARHATTOMUUS 366 YLEINEN LINEAARINEN MALLI JA MODIFIOIDUT STANDARDIOLETUKSET SATUNNAISTEN SELITTÄJIEN TAPAUKSELLE 367 KOMMENTTEJA REGRESSIOMALLIN VALINTA REGRESSIOMALLIN VALINTA: JOHDANTO YLEINEN LINEAARINEN MALLI 369 MALLIN RAKENNEOSA JA JÄÄNNÖSOSA 370 REGRESSIOKERTOIMIEN PNS ESTIMAATTORIT JA NIIDEN OMINAISUUDET 370 ESTIMOIDUN MALLIN SOVITTEET JA RESIDUAALIT SEKÄ NIIDEN OMINAISUUDET 37 JÄÄNNÖSVARIANSSIN ESTIMOINTI 37 YLEISEN LINEAARISEN MALLIN RAKENNEOSA JA SEN SPESIFIOINTI 37 MIKSI OIKEIDEN SELITTÄJIEN LÖYTÄMINEN REGRESSIOMALLIIN ON TÄRKEÄTÄ? 373 MIKSI OIKEIDEN SELITTÄJIEN LÖYTÄMINEN REGRESSIOMALLIIN ON VAIKEATA? 373 PUUTTUVIEN SELITTÄJIEN ONGELMA 373 SELITTÄJIEN VALINNAN MENETELMÄT MALLINVALINTATESTIT 375 ALAPÄIN ASKELLUS 375 ASKELTAVA REGRESSIO MALLINVALINTAKRITEERIT 376 MALLIVALINTAKRITEERIEN YLEINEN MUOTO 377 MALLINVALINTAKRITEEREIDEN SOVELTAMINEN 377 MALLINVALINTAKRITEEREITÄ 378 JÄÄNNÖSVARIANSSIKRITEERI 378 KORJATTU SELITYSASTE 378 MALLOWSIN C P 379 AKAIKEN INFORNAATIOKRITEERI 380 SCHWARZIN BAYESLAINEN INFORMAATIOKRITEERI TILASTOLLISET MENETELMÄT TILASTOLLISEN MALLIN VALINNASSA: KOMMENTTEJA EPÄLINEAARISTEN RIIPPUVUUKSIEN LINEARISOINTI 38 LINEARISOINTI YHDEN SELITTÄJÄN REGRESSIOMALLEISSA 38 LINEARISOIVIEN MUUNNOSTEN ETSIMINEN 38 LINEARISOIVIA MUUNNOKSIA 38 VAATIMUKSET MUUNNOKSILLE REGRESSIODIAGNOSTIIKKA REGRESSIOMALLIT JA REGRESSIODIAGNOSTIIKKA 385 REGRESSIOANALYYSIN PERUSKYSYMYKSET 385 REGRESSIOANALYYSIN PERUSKYSYMYKSET JA REGRESSIODIAGNOSTIIKKA 385 REGRESSIOMALLIN SPESIFIOINTI YLEINEN LINEAARINEN MALLI 386 MALLIN RAKENNEOSA JA JÄÄNNÖSOSA 387 REGRESSIOKERTOIMIEN PNS ESTIMAATTORIT JA NIIDEN OMINAISUUDET 388 Ilkka Mell (006) 36
7 Tlastollset meetelmät Leaare regressoaalyys ESTIMOIDUN MALLIN SOVITTEET JA RESIDUAALIT SEKÄ NIIDEN OMINAISUUDET 388 JÄÄNNÖSVARIANSSIN ESTIMOINTI 390 YLEISEN LINEAARISEN MALLIN RAKENNEOSAN SPESIFIOINTI 390 YLEISEN LINEAARISEN MALLIN JÄÄNNÖSOSAN SPESIFIOINTI 39 SPESIFIOINTIVIRHEIDEN VAIKUTUKSET 39 DIAGNOSTISET TARKISTUKSET REGRESSIOGRAFIIKKA 39 PISTEDIAGRAMMIT 39 RESIDUAALIDIAGRAMMIT 393 AIKASARJADIAGRAMMIT POIKKEAVAT HAVAINNOT 394 RESIDUAALIT 395 STANDARDOIDUT RESIDUAALIT 396 POISTORESIDUAALIT 396 STANDARDOIDUT POISTORESIDUAALIT 397 VIPULUVUT 398 COOKIN ETÄISYYDET 398 TILASTOGRAFIIKKA JA POIKKEAVIEN HAVAINTOJEN TUNNISTAMINEN REGRESSIOKERTOIMIEN VAKIOISUUS 399 TESTI REGRESSIOKERTOIMIEN VAKIOISUUDELLE 399 TESTIN TOINEN MUOTOILU MULTIKOLLINEAARISUUS 40 MULTIKOLLINEAARISUUS 40 VARIANSSIN INFLAATIOTEKIJÄ 40 MOMENTTIMATRIISI, OTOSKOVARIANSSIMATRIISI JA OTOSKORRELAATIOMATRIISI 404 MULTIKOLLINEAARISUUDEN TUTKIMINEN HOMOSKEDASTISUUS JA HETEROSKEDASTISUUS 405 HETEROSKEDASTISUUDEN VAIKUTUKSET 406 HETEROSKEDASTISUUDEN HAVAITSEMINEN 406 HETEROSKEDASTISUUDEN TESTAAMINEN 406 VARIANSSIN STABILOIVAT MUUNNOKSET AUTOKORRELAATIO 407 KORRELOITUNEISUUDEN VAIKUTUKSET 408 AIKASARJOJEN REGRESSIOMALLIT JA AUTOKORRELAATIO 408 DURBININ JA WATSONIN TESTI. KERTALUVUN AUTOKORRELAATIOLLE NORMAALISUUS 40 EPÄNORMAALISUUDEN VAIKUTUKSET 40 BOWMANIN JA SHENTONIN TESTI MALLIN ENNUSTUSKYKY 4 9. ERITYISKYSYMYKSIÄ YLEISEN LINEAARISEN MALLIN SOVELTAMISESSA ERITYISKYSYMYKSIÄ YLEISEN LINEAARISEN MALLIN SOVELTAMISESSA: JOHDANTO 45 YLEINEN LINEAARINEN MALLI 45 REGRESSIOKERTOIMIEN PNS ESTIMAATTORIT JA NIIDEN OMINAISUUDET 46 GAUSSIN JA MARKOVIN LAUSE 47 GAUSSIN JA MARKOVIN LAUSEEN TULKINTA 47 KUN PNS ESTIMAATTORI EI OLE PARAS 48 KUN PNS ESTIMAATTORIA EI SAA KÄYTTÄÄ YLEISTETTY PIENIMMÄN NELIÖSUMMAN MENETELMÄ 48 YLEISTETYN PNS ESTIMAATTORIN ODOTUSARVO JA KOVARIANSSIMATRIISI 40 Ilkka Mell (006) 37
8 Tlastollset meetelmät Leaare regressoaalyys MODIFIOITU GAUSSIN JA MARKOVIN LAUSE YLEISTETYLLE PNS ESTIMAATTORILLE 4 YLEISTETYN PNS ESTIMAATTORIN STOKASTISET OMINAISUUDET 43 LASKETTAVA YLEISTETTY PNS ESTIMAATTORI 43 PAINOTETTU PNS ESTIMAATTORI RAJOITETTU PIENIMMÄN NELIÖSUMMAN MENETELMÄ 44 RAJOITETUN PNS ESTIMAATTORIN ODOTUSARVO JA KOVARIANSSIMATRIISI 46 MODIFIOITU GAUSSIN JA MARKOVIN LAUSE RAJOITETULLE PNS ESTIMAATTORILLE 47 RAJOITETUN PNS ESTIMAATTORIN STOKASTISET OMINAISUUDET 48 RAJOITUSTEN TESTAUS 48 RAJOITUSTEN SPESIFIOINTI INSTRUMENTTIMUUTTUJAMENETELMÄ 430 REGRESSIOKERTOIMIEN VEKTORIN PNS ESTIMAATTORIN HARHATTOMUUS 430 INSTRUMENTTIMUUTTUJAMENETELMÄ 43 INSTRUMENTTIEN SPESIFIOINTI 433 Ilkka Mell (006) 38
9 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato 3. Tlastolle rppuvuus ja korrelaato 3.. Tlastolle rppuvuus, korrelaato ja regresso 3.. Kahde muuttuja havatoaesto kuvaame 3.3. Pearso korrelaatokertome estmot ja testaus 3.4. Järjestyskorrelaatokertomet Tarkastelemme tässä luvussa kahde (ta useamma) muuttuja tlastollste aestoje aalyysa. Pyrmme vastaamaa seuraav kysymyks: Mte kahde (ta useamma) muuttuja samaakae tarkastelu vakuttaa tlastollse aalyys suorttamsee? Mte kahde (ta useamma) muuttuja tlastollsta aestoa kuvataa? Mtä tarkotetaa kahde tekjä ta muuttuja tlastollsella rppuvuudella ja mte tlastolle rppuvuus eroaa eksaktsta rppuvuudesta? Mtä o korrelaato? Mkä o korrelaato ja rppuvuude suhde? Mte korrelaatot estmodaa? Mte korrelaatota koskeva hypoteeseja testataa? Tämä kappale o johdatoa tämä tlastotedettä kästtelevä mostee osa pääkohteelle, mkä o leaarset regressomallt. Avasaat: Akasarjadagramm, Artmeette keskarvo, Eksakt rppuvuus, Estmaattor, Estmot, Fsher z muuos, Järjestyskorrelaatokerro, Kedall järjestyskorrelaatokerro, Keskhajota, Korrelaato, Korrelaatokerro, Korrelaatokertome vertalutest, Korrelaato testaame, Korrelomattomuude testaame, Kovarass, Keskhajota, Krtte arvo, Luottamustaso, Luottamusväl, Merktsevyystaso, Normaaljakauma, Otos, Otostuusluku, p arvo, Pearso otoskorrelaatokerro, Pstedagramm, Regressoaalyys, Regressomall, Rppuvuus, Spearma järjestyskorrelaatokerro, Test, Test korrelaatokertomelle, Tlastolle rppuvuus, Usea muuttuja havatoaesto kuvaame, Varass Ilkka Mell (006) 39
10 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato 3.. Tlastolle rppuvuus, korrelaato ja regresso Teteellse tutkmukse tärkemmät ja melektosmmat kysymykset lttyvät tavallsest tutkmukse kohteea olevaa lmötä kuvaave tekjöde ta muuttuje väls rppuvuuks. Jos tlastollse tutkmukse kohteea olevaa lmöö lttyy useampa ku yks muuttuja, yhde muuttuja tlastollset meetelmät atavat tavallsest va rajottuee kuva lmöstä. Sovelluste kaalta ehkä merkttäv osa tlastotedettä kästtelee kahde ta useamma muuttuja välste rppuvuukse kuvaamsta ja malltamsta. Esmerkk : Rppuvuustarkasteluja. Mte työttömyysaste Suomessa (% työvomasta) rppuu BKT: (bruttokasatuottee) kasvuvauhdsta Suomessa, Suome ve volyymsta sekä BKT: kasvuvauhdsta mussa EU massa ja USA:ssa? Mte alkohol kulutus (l per capta vuodessa) rppuu alkoholjuome htatasosta, hmste käytettävssä olevsta tulosta ja alkohol saatavuudesta? Mte todeäkösyys sarastua keuhkosyöpää (p) rppuu tupako määrästä ja kestosta? Mte vehä hehtaarsato (t/ha) rppuu kesä kesklämpötlasta ja sademäärästä sekä maa muokkauksesta, laotuksesta ja tuholaste torjuasta? Mte beto lujuus (kg/cm ) rppuu se kuvumsajasta? Mte kemallse aee saato (%) rppuu valmstusprosessssa käytettävästä lämpötlasta? Tarkastelemme tässä estyksessä ykskertasuude vuoks va kahde muuttuja välsä rppuvuuksa: () () Muuttuje väle rppuvuus o eksakta, jos tose arvot vodaa eustaa tarkast tose saame arvoje perusteella. Muuttuje väle rppuvuus o tlastollsta, jos de välllä e ole eksakta rppuvuutta, mutta tose muuttuja arvoja vodaa käyttää apua tose muuttuja arvoje eustamsessa. Kahde muuttuja välstä (leaarsta) tlastollsta rppuvuutta kutsutaa tlastoteteessä tavallsest korrelaatoks. Korrelaato el (leaarse) tlastollse rppuvuude vomakkuutta mttaava tlastollsa tuuslukuja kutsutaa korrelaatokertomks. Korrelaatot muodostavat perusta muuttuje välste (leaarste) rppuvuukse ymmärtämselle. Vakka korrelaatot muodostavat perusta muuttuje välste rppuvuukse ymmärtämselle, rppuvuuksa halutaa tavallsest aalysoda myös tarkemm. Regressoaalyys o tlastolle meetelmä, jossa jok, s. seltettävä muuttuja tlastollsta rppuvuutta jostak tossta, s. selttävstä muuttujsta pyrtää malltamaa regressomallks kutsutulla tlastollsella malllla; ks. lukua Johdatus regressoaalyys. Huomautus: Tässä luvussa rajotutaa tarkastelemaa tlastollste rppuvuukse kuvaamsta ja mttaamsta. Ilkka Mell (006) 40
11 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Kute yhde muuttuja havatoaestoje tapauksessa, lähtökohda kahde ta useamma muuttuja havatoaestoje kuvaamselle muodostaa tutustume havatoarvoje jakaumaa. Havatoarvoje jakaumaa vodaa kuvalla ja estellä tvstämällä havatoarvoh ssältyvä formaato sopvaa muotoo: Havatoarvoje jakaumaa kokoasuutea vodaa kuvata sopvast valtulla graafslla estyksllä. Havatoarvoje jakauma karakterstsa omasuuksa vodaa kuvata sopvast valtulla otostuusluvulla. Koska useamp ku kaksulotteste kuvode tekeme e ole käytäössä mahdollsta, kolme ta useamma muuttuja havatoaestoja havaollstetaa tavallsest, että muuttuja tarkastellaa paretta. Kahde järjestys, välmatka ta suhdeastekollse muuttuja havattuje arvoje pareja havaollstetaa tavallsest graafsella estyksellä, jota kutsutaa pstedagrammks. Huomautus: Momuuttujameetelmssä o kehtetty myös sellasa tlastografka meetelmä, jolla vodaa havaollstaa useamp ku kaksulottesa aestoja. Usea muuttuja havatoaestoje karakterstsa omasuuksa vodaa kuvata muuttujakohtaslla otostuusluvulla. Muuttujakohtaset otostuusluvut evät kutekaa vo ataa formaatota muuttuje välsstä rppuvuukssta. Muuttuje parettasa tlastollsa rppuvuuksa vodaa kuvata sopvast valtulla korrelaato mtalla. Tutkttave muuttuje mtta astekollset omasuudet ohjaavat korrelaato mta valtaa: Välmatka ja suhdeastekollslle muuttujlle käytetää tavallsest Pearso korrelaatokerrota. Järjestysastekollslle muuttujlle käytetää tavallsest Spearma ta Kedall järjestyskorrelaatokerrota. Satuasmuuttuje välsee korrelaatoo vodaa kohdstaa erlasa tlastollsa testejä. Tässä estyksessä tarkastellaa seuraava Pearso korrelaatokertomelle sopva testejä: Yhde otokse test korrelaatokertomelle Korrelaatokertome vertalutest Test korrelomattomuudelle Lsäks tässä estyksessä tarkastellaa seuraava Spearma ja Kedall järjestyskorrelaatokertomlle sopva testejä: Testt korrelomattomuudelle 3.. Kahde muuttuja havatoaesto kuvaame Pstedagramm Tarkastellaa tlaetta, jossa tutkmukse kohtea olevsta havatoyksköstä o mtattu kahde järjestys, välmatka ta suhdeastekollse muuttuja x ja y arvot. Muuttuje x ja y arvoje samaa havatoykskköö lttyve pare muodostamaa havato aestoa vodaa kuvata graafsest Ilkka Mell (006) 4
12 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato pstedagrammlla. Pstedagramm sop ertysest kahde muuttuja välse rppuvuude havaollstamsee ja se o keskee työväle korrelaato ja regressoaalyysssa. Olkoot ja x, x,, x y, y,, y välmatka ta suhdeastekollste muuttuje x ja y havattuja arvoja. Oletetaa lsäks, että havatoarvot x ja y lttyvät samaa havatoykskköö kaklle =,,,. Havatoarvoje x, x,, x ja y, y,, y pare pstedagramm saadaa esttämällä lukupart (x, y ), =,,, y psteä avaruudessa Havaollstus:. Kuvo okealla esttää lukupare ja (x, y ) (x j, y j ) määrtteleme pstede esttämstä tasokoordaatstossa Huomautus: Kahde ta useamma muuttuja havatoaestoja kaattaa tetyst kuvata myös soveltamalla jokasee muuttujaa erksee yhde muuttuja havatoaestoje kuvaamsee tarkotettuja väletä; ks. lukua Tlastollste aestoje kuvaame. Esmerkk : Hooke lak. Hooke la mukaa kerrejouse (s. deaaljouse) ptuus y rppuu leaarsest jousee rpustetusta paosta x: jossa y = α + βx α = jouse ptuus lma paoa β = s. jousvako Alla olevassa taulukossa estetää tulokset kokeesta, jossa Hooke la pätevyyttä tutktt mttaamalla jouse ptuus lma paoa sekä paolla, jotka olvat, 4, 6, 8 ja 0 kg. Merktää: jossa (x, y ), =,, 3, 4, 5, 6 x = pao y j y x (x, y ) x j (x j, y j ) x Ilkka Mell (006) 4
13 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato y = jouse ptuus, ku paoa o x Alla oleva pstedagramm havaollstaa koetuloksa graafsest. Pao (kg) Ptuus (cm) Kysymys: Ovatko koetulokset sopusoussa Hooke la kassa? Vastausta tähä kysymyksee tarkastellaa luvussa Johdatus regressoaalyys ja Yhde selttäjä leaare regressomall. Esmerkk. Poke ptuude rppuvuus se ptuudesta. Peröllsyystetee mukaa lapset pervät geeettset omasuutesa vahemmltaa. Kysymys: Perytyykö se ptuus hedä pojllee? Havatoaestoa o tässä 300: sä ja hedä pokesa ptuukse muodostamaa lukupara jossa ss (x, y ), =,,, 300 x = sä ptuus y = sä poja ptuus Ks. pstedagramma okealla. Poja ptuude rppuvuus sä ptuudesta e selvästkää ole eksakta: Sama mttaste se poke ptuudet äyttävät vahteleva paljok. Jouse ptuus (cm) Poja ptuus (cm) Kerrejouse ptuude rppuvuus jousee rpustetusta paosta Pao (kg) Ise ja poke ptuudet Isä ptuus (cm) Kuvasta ähdää kutek se, että lyhyllä sllä äyttää oleva keskmäär lyhyempä poka ku ptkllä sllä ja vastaavast ptkllä sllä äyttää oleva keskmäär ptempä poka ku lyhyllä sllä. Ilkka Mell (006) 43
14 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Tällaste tlastollste rppuvuukse aalysomsta leaarste regressomalle avulla tarkastellaa luvussa Johdatus regressoaalyys ja Yhde selttäjä leaare regressomall. Esmerkk 3. Keuhkosyövä ylesyyde rppuvuus savukkede kulutuksesta. Oko keuhkosyöpä ylesempää sellasssa massa, jossa tupakodaa paljo? Okealla o taulukko, jossa o tedot savukkede kulutuksesta ja keuhkosyövä ylesyydestä 0:ssä maalma maassa. Huomaa, että keuhkosyövä ylesyys o mtattu 0 vuotta savukkede kulutukse mttaamse jälkee. Tämä johtuu tetyst stä, että keuhkosyövä kehttyme vaat ptkä altstusaja. Havatoaestoa o tässä ss 0 lukupara jossa (x, y ), =,,, 0 x = savukkede kulutus maassa vuoa 930 y = sarastuvuus keuhkosyöpää maassa vuoa 950 Okealla oleva pstedagramm havaollstaa savukkede kulutukse ja keuhkosyövä ylesyyde välstä yhteyttä. Sarastuvuus keuhkosyöpää äyttää oleva keskmäär korkeampaa sellasssa massa, jossa savukkede kulutus o ollut keskmäärästä suurempaa. Tällaste tlastollste rppuvuukse aalysomsta leaarste regressomalle avulla tarkastellaa luvussa Yhde selttäjä leaare regressomall. Keuhkosyöpätapauste lkm per mlj. heklöä 950 Maa Savukkede kulutus (kpl) per capta 930 Keuhkosyöpätapauste lkm per mlj. heklöä 950 Islat 0 58 Norja Ruots 30 5 Kaada Taska Itävalta Hollat Svets Suom Eglat Savukkede kulutus ja sarastuvuus keuhkosyöpää Svets Hollat Taska Itävalta kaada Ruots Norja Islat Eglat Suom Savukkede kulutus (kpl) per capta 930 Esmerkk 4. Beto lujuude rppuvuus kuvumsajasta. Kokeessa tutktt beto vetolujuude rppuvuutta beto kuvumsajasta. Havatoaestoa o lukupara Ilkka Mell (006) 44
15 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato jossa (x, y ), =,,, x = betoharko kuvumsaka y = betoharko vetolujuus Ks. pstedagramma okealla. Vetolujuus äyttää kuva perusteella rppuva epäleaarsest kuvumsajasta. Tässä tapauksessa muuttuje väle lmee epäleaare rppuvuus vodaa kutek learsoda; ks. lukua Johdatus regressoaalyys. Learso jälkee rppuvuutta vodaa aalysoda leaarste regressomalle avulla. Vetolujuus (kg/cm) Beto vetolujuude rppuvuus kuvumsajasta Kuvumsaka (vrk) Akasarjadagramm Oletetaa, että järjestys, välmatka ta suhdeastekollse muuttuja x havatut arvot x, x,, x muodostavat akasarja. Tällä tarkotetaa stä, että havatoarvot x t, t =,,, o deksotu, että deks vttaa peräkkäs ajahetk, jollo havaot ovat akajärjestyksessä. Akasarjadagramm o pstedagramm, joka saadaa esttämällä lukupart psteä avaruudessa (t, x t ), t =,,,. Lsäks peräkkäs ajahetk lttyvät psteet (t, x t ) ja (t, x t ), t =, 3,, yhdstetää akasarjadagrammssa tavallsest tossa jaolla. Havaollstus: Kuvo okealla esttää akasarja x t, t =,,, peräkkäste havatoarvoje x t, x t, x t+ x t+ x t (t+, x t+ ) Ilkka Mell (006) 45 x x (t, x t ) t (t, x t ) t t t+ t
16 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato määrtteleme pstede esttämstä tasokoordaatstossa. Esmerkk 5. Kuukausmyy arvo kehtys. Alla o akasarjadagramm, joka esttää erää tukkukaupa kk myy arvo vahtelua. Havatoaestoa o 44 lukupara jossa (t, x t ) t = aka (970/ 98/) x t = kk myy arvoa kuvaava deks (960/ = 00) Huomaa, että kk myyssä o ollut ouseva tred ja selvää kausvahtelua. 300 Myyt 970/ 98/ Tällaste akasarjoje aalysome vaat meetelmä, jotka meevät tässä mosteessa kästeltävä aluee ulkopuolelle. Akasarjoje aalyysa ja eustamsta kästellää mosteessa Akasarjaaalyys. Myyt (deks) Artmeettset keskarvot Kahde välmatka ta suhdeastekollse muuttuja havatoarvoje pare muodostamaa jakaumaa vodaa karaktersoda seuraavlla tuusluvulla: Olkoot ja Havatoarvoje keskmäärästä sjata kuvataa artmeettslla keskarvolla. Havatoarvoje hajaatuesuutta ta keskttyesyyttä kuvataa keskhajoolla ta (otos ) varassella. Havatoarvoje (leaarsta) rppuvuutta kuvataa otoskovarasslla ja otoskorrelaatokertomella. x, x,, x y, y,, y Ilkka Mell (006) 46
17 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato välmatka ta suhdeastekollste muuttuje x ja y havattuja arvoja. Oletetaa lsäks, että havatoarvot x ja y lttyvät samaa havatoykskköö kaklle =,,,. Havatoarvoje x, x,, x artmeette keskarvo o x = x = Havatoarvoje y, y,, y artmeette keskarvo o y = y = Havatoarvoje artmeette keskarvo kuvaa havatoarvoje keskmäärästä sjata. Havatoarvoje paresta (x, y ), =,,, laskettuje artmeettste keskarvoje x ja y muodostama lukupar ( x, y) o havatoarvoje pare muodostame pstede paopste. Havatoarvoje artmeette keskarvo kuvaa havato arvoje keskmäärästä sjata. Otosvarasst ja otoskeskhajoat Havatoarvoje x, x,, x (otos ) varass o sx = x x = ( ) jossa x o x havatoarvoje artmeette keskarvo ja havatoarvoje y, y,, y (otos ) varass o sy = y y = ( ) jossa y o y havatoarvoje artmeette keskarvo. Havatoarvoje varass mttaa havatoarvoje hajaatuesuutta ta keskttyesyyttä havatoarvoje artmeettse keskarvo suhtee. Havatoarvoje x, x,, x keskhajota o s = s = x x x x = ( ) jossa x o x havatoarvoje artmeette keskarvo ja havatoarvoje y, y,, y keskhajota o s = s = y y y y = ( ) jossa y o y havatoarvoje artmeette keskarvo. Havatoarvoje keskhajota mttaa (kute havatoarvoje otosvarass) havatoarvoje hajaatuesuutta ta keskttyesyyttä havatoarvoje artmeettse keskarvo suhtee. Ilkka Mell (006) 47
18 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Otoskovarass Havatoarvoje paresta (x, y ), =,,, laskettu otoskovarass o jossa s = x x y y ( )( ) xy = x = x havatoarvoje artmeette keskarvo y = y havatoarvoje artmeette keskarvo Huomaa, että x ja y havatoarvoje otoskovarasst de tsesä kassa ovat de varasseja: s s xx yy = s x = s y Otoskovarass s xy mttaa x ja y havatoarvoje yhtesvahtelua de artmeettste kesk arvoje ympärllä. Mtä suuremp o otoskovarass s xy tsesarvo s xy stä vomakkaampaa o x ja y havatoarvoje yhtesvahtelu. Tarkastellaa seuraavaks mte otoskovarass s xy merk määräytymstä. Merk määrää se oko summalauseke () ( x x)( y y) egatve va postve. Todetaa es, että summalausekkee (). term tsesarvo ( x x)( y y) x x y y o sellase suorakatee pta ala, joka svuje ptuudet ovat x x ja y y. Summalausekkee (). term ( x x)( y y) merkk määräytyy seuraavalla tavalla: jos x x ja y y ( x x)( y y) 0 jos x x ja y y jos x x ja y y ( x x)( y y) 0 jos x x ja y y Otoskovarass merk määräytymstä vodaa havaollstaa geometrsest seuraavalla tavalla: () Jaetaa xy taso eljää osaa el eljäeksee pstee ( x, y) Ilkka Mell (006) 48
19 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato kautta prretyllä koordaattakselede suutaslla suorlla. () Term ( x x)( y y) merk määrää se, mh eljäeksee havatopste (x, y ) sjottuu. Ks. alla olevaa kuvaa: ( x x )( y y ) 0 ( x x )( y y ) 0 ( x, y ) ( x, y ) ( x, y ) ( x, y ) ( x, y ) Jos postvset termt summalausekkeesee () ( x x)( y y) tuottave suorakatede yhteelaskettu pta ala o suuremp (peemp) ku egatvset termt tuottave suorakatede yhteelaskettu pta ala, otoskovarass s xy merkk o postve (egatve). Tästä seuraa se, että otoskovarasslla o tapumus saada postvsa (egatvsa) arvoja, jos havatopstede muodostama psteplv ta parv äyttää ousevalta (laskevalta) okealle metäessä; ks. pstedagramm lmee ja Pearso otoskorrelaatokertome yhteyttä havaollstavaa kuvasarjaa tässä kappaleessa. Otoskorrelaato Otoskovarass s xy avulla vodaa määrtellä x ja y havatoarvoje leaarse tlastollse rppuvuude vomakkuude mttar, jota kutsutaa Pearso otoskorrelaatokertomeks. Pearso otoskorrelaatokerro r xy saadaa otoskovarasssta s xy ormeerausoperaatolla, jossa x ja y havatoarvoje otoskovarass s xy jaetaa x ja y havatoarvoje keskhajoolla s x ja s y. Havatoarvoje paresta (x, y ), =,,, laskettu Pearso otoskorrelaatokerro o jossa r xy sxy = ss x y s xy = x ja y havatoarvoje otoskovarass s x ( x x )( y y ) 0 ( x x )( y y ) 0 = x havatoarvoje keskhajota Ilkka Mell (006) 49
20 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato s y = y havatoarvoje keskhajota Pearso otoskorrelaatokertome kaava vodaa krjottaa myös muotoo r xy = = ( x x)( y y) ( x x) ( y y) = = jossa x = x havatoarvoje artmeette keskarvo y = y havatoarvoje artmeette keskarvo Havatoarvoje paresta (x, y ), =,,, lasketulla Pearso otoskorrelaatokertomella r xy o seuraavat omasuudet: () r xy + () r xy = ± jos ja va jos y = α +βx, =,,, jossa α ja β 0 ovat reaalsa vakota. () Korrelaatokertomella r xy ja kovarasslla s xy o aa sama merkk. Pearso otoskorrelaatokerro r xy mttaa x ja y havatoarvoje leaarse tlastollse rppuvuude vomakkuutta: () () Jos r xy = ± x ja y havatoarvoje välllä o eksakt el fuktoaale leaare rppuvuus, mkä merktsee stä, että kakk havatopsteet (x, y ), =,,, asettuvat samalle suoralle. Jos r xy = 0 x ja y havatoarvoje välllä e vo olla eksakta leaarsta rppuvuutta. Huomautus: Vakka r xy = 0 x ja y havatoarvoje välllä saattaa olla jopa eksakt epäleaare rppuvuus. Korrelaatokertome merkk ja jopa suuruusluokka (jollak tarkkuudella) vodaa melko helpost oppa arvomaa pstedagramm avulla. Alla olevat kuvot havaollstavat kahde muuttuja havattuje arvoje ( = 30) pstedagramm lmee ja korrelaato välstä yhteyttä. Ilkka Mell (006) 50
21 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato r xy = 0.8 r xy = 0.6 r xy = 0.48 r xy = 0.43 r xy = 0.83 r xy = Otostuuslukuje laskeme Oletetaa, että haluamme laskea havatoarvoje paresta (x, y ), =,,, seuraavat otostuusluvut käs ta käyttämällä laskta: () Artmeettset keskarvot: x, y () Otosvarasst: s, s x y () Keskhajoat: s, s (v) Otoskovarass: sxy (v) Korrelaaato: rxy Tällö tarvttavat laskutomtukset o mukavta järjestää alla estetty kaavo muotoo. Määrätää es havatoarvoje summat, elösummat ja tulosumma: Summa x x y x y xy y x y x y xy x y x y x y M M M M M M x y x y xy x y = = = = = x y x y Ilkka Mell (006) 5
22 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Havatoarvoje artmeettset keskarvot, varasst ja kovarass saadaa havatoarvoje summsta, elösummsta ja tulosummasta alla estetyllä kaavolla: x = x y = y = = sx = x x sy = y y = = = = sxy = xy x y = = = Havatoarvoje keskhajoat ja Pearso otoskorrelaatokerro saadaa havatoarvoje varassesta ja kovarasssta alla estetyllä kaavolla: s = s s = s r x x y y xy sxy = ss Esmerkk 6: Otostuuslukuje laskeme. x y Taulukossa alla o keotekose kahde muuttuja aesto havatoarvot ( = 6). Myös aestoa kuvaava pstedagramm o aettu alla. x y y Pstedagramm Alla olevassa taulukossa o laskettu muuttuje x ja y havattuje arvoje summat, elösummat ja tulosumma x x y x y xy Summa Ilkka Mell (006) 5
23 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Muuttuje x ja y havattuje arvoje artmeettset keskarvot, otosvarasst, keskhajoat, otoskovarass ja otoskorrelaato vodaa laskea ästä vdestä summasta. Artmeettset keskarvot, otosvarasst ja otoskovarass: x = x = 9 = = y = y = 3 = = sx = x x = 75 9 = = = 6 6 sy = y y = = 5.67 = = 6 6 s = xy = Otoskeskhajoat ja otoskorrelaato: s s r x y xy x y xy x y = = = = 6 6 = s = =.639 = s = 5.67 =.73 sxy = = = 0.9 ss x y Alla o havatoaestoa kuvaava pstedagramm, joho lsätty havatoarvoje paopste ( x, y ) = (4.833,5.333) Lsäks kuvoo o lsätty paopstee kautta kulkevat koordaattakselede suutaset suorat sekä kovarass ja korrelaato merk määräytymstä havaollstavat suorakateet; ks. tässä kappaleessa estettyä seltystä kovarass merk määräytymsestä.. Kovarass (ja ste myös korrelaato) o postve, koska I ja III eljäekse suorakatede yhteelaskettu pta ala o selväst suuremp ku II ja IV eljäekse suorakatede yhteelaskettu ptaala II Pstedagramm I y 4 0 ( x, y ) III IV x Ilkka Mell (006) 53
24 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato 3.3. Pearso korrelaatokertome estmot ja testaus Tarkastelemme tässä kappaleessa välmatka ta suhdeastekollste satuasmuuttuje x ja y Pearso (tulomomett ) korrelaatokertome ρ xy estmota sekä seuraava testejä korrelaatokertomelle ρ xy : Yhde otokse test korrelaatokertomelle Korrelaatokertome vertalutest Korrelomattomuude testaame Lsätetoja moulottessta satuasmuuttujsta ja jakaumsta: Ks. krja Todeäkösyyslasketa lukuja Moulotteset satuasmuuttujat ja todeäkösyysjakaumat ja Moulottesa jakauma. Otos kaksulottesesta ormaaljakaumasta Oletetaa, että satuasmuuttuje x ja y muodostama par (x, y) oudattaa kaksulottesta ormaaljakaumaa parametre µ, µ, σ, σ, ρ : x y x y xy ( xy, ) N ( µ x, µ y, σx, σ y, ρxy) Tällö satuasmuuttuje x ja y odotusarvot ovat µ = E( x) x µ = E( y) y satuasmuuttuje x ja y varasst ovat σ = Var( x) = E[( x µ ) ] x x σ = Var( y) = E[( y µ ) ] y y satuasmuuttuje kovarass o σ = Cov( x, y) = E[( x µ )( y µ )] xy x y ja satuasmuuttuje korrelaato o ρ xy σxy = Cor( xy, ) = σσ x y Korrelaatota ρ xy kutsutaa tavallsest Pearso (tulomomett ) korrelaatokertomeks ja se mttaa satuasmuuttuje x ja y leaarse rppuvuude vomakkuutta. Olkoot y, y, K, y muuttuja y havatut arvot ja x, x, K, x muuttuja x havatut arvot ja oletetaa, että havatoarvoje x ja y part (x,y ), =,,, Ilkka Mell (006) 54
25 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato muodostavat satuasotokse kaksulottesta ormaaljakaumasta N ( µ x, µ y, σx, σ y, ρxy) Tällö ( x, y ),( x, y ), K,( x, y ) (, ) N ( µ x, µ y, σx, σ y, ρxy), =,, K, x y Kaksulottese ormaaljakauma parametre estmot Kaksulottese ormaaljakauma parametre suurmma uskottavuude estmaattort ta momettestmaattort ovat ˆ µ = x = x ˆ µ = y = y σˆ x y = = ( ) ˆ x = x x = sx σy = ( y y) = sy = = σˆ = ( x x)( y y) = s xy xy = σˆxy sxy ˆ ρxy = = = r σσ ˆˆ ss x y x y xy jossa Otostuusluvut s x x s y y x = ( ) y = ( ) = = s = ( x x)( y y) xy = µ = x ja ˆy µ = y ˆx ovat x ja y havatoje artmeettset keskarvot, σ ˆ = (( )/ s ) ja σ ˆ = (( )/ s ) x x ovat x ja y havatoje otosvarasst, σ ˆ = (( )/ s ) xy o x ja y havatoje otoskovarass ja ρ = r ˆxy xy xy y y o x ja y havatoje Pearso otoskorrelaatokerro. Lsäks s x ja s y ovat x ja y havatoje harhattomat otosvarasst. Ilkka Mell (006) 55
26 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Fsher z muuos Määrtellää Fsher z muuos kaavalla + u z = f( u) = log u Sovelletaa Fsher z muuosta z = f(u) otoskorrelaatokertomee r xy : z r + r xy = f( rxy) = log r xy Satuasmuuttuja z r oudattaa suurssa otoksssa approksmatvsest ormaaljakaumaa: jossa z ( µ σ ) N, r a z z + ρ xy µ z = f ( ρxy ) = log ρ xy σz = 3 Approksmaato o käytäössä rttävä hyvä, jos > 5. Soveltamalla Fsher z muuosta luottamusvält ja testt Pearso korrelaatokertomelle ρ XY vodaa kostruoda samalla tekkalla ku luottamusvält ja testt ormaaljakauma odotusarvolle; ks. lukuja Välestmot ja Testejä suhdeastekollslle muuttujlle. Korrelaatokertome luottamusväl Oletetaa, että satuasmuuttuje x ja y muodostama järjestetty par (x, y) oudattaa kaksulottesta ormaaljakaumaa N ( µ x, µ y, σx, σ y, ρxy) Kostruodaa Pearso korrelaatokertomelle ρ XY approksmatve luottamusväl Fsher z muuokse avulla. Olkoo r xy satuasotoksesta (x,y ), =,,, määrätty Pearso otoskorrelaatokerro. Valtaa luottamustasoks α Luottamustaso valta kttää todeäkösyyde, jolla kostruotava luottamusväl pettää Pearso korrelaatokertome ρ XY okea arvo. Määrätää pste +z α/ ste, että se erottaa stadardodu ormaaljakauma N(0,) okealle häälle todeäkösyysmassa α/. Koska ormaaljakauma o symmetre, pste z α/ Ilkka Mell (006) 56
27 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato erottaa stadardodu ormaaljakauma vasemmalle häälle todeäkösyysmassa α/. Ste luottamuskertomet +z α/ ja z α/ o määrätää ste, että α Pr( Z + zα/) = α Pr( Z zα/) = jossa satuasmuuttuja Z oudattaa stadardotua ormaaljakaumaa N(0,): Z N(0,) Huomaa, että luottamuskertomet +z α/ ja z α/ toteuttavat ehdo Pr( z Z + z ) = α/ α/ α Sovelletaa Fsher z muuosta Pearso otoskorrelaatokertomee r xy : Edellä estety ojalla jossa Parametr z z r + r xy = f( rxy) = log r xy ( µ σ ) N, r a z z + ρ xy µ z = f ( ρxy ) = log ρ xy σz = 3 + ρ log xy µ z = ρ xy (approksmatve) luottamusväl luottamustasolla ( α) o ste muotoa zr zα/, zr + zα/ 3 3 Parametr µ z (approksmatvse) luottamusväl kostruktosta seuraa, että Pr zr zα/ µ z zr + zα/ = a α 3 3 Kostruotu luottamusväl pettää parametr µ z okea arvo (approksmatvsest) todeäkösyydellä ( α) ja se e petä parametr µ z okeata arvoa (approksmatvsest) todeäkösyydellä α. Pearso korrelaatokertome ρ XY (approksmatve) luottamusväl luottamustasolla ( α) saadaa parametr µ Z luottamusvälstä ratkasemalla ρ XY epäyhtälöketjusta Ilkka Mell (006) 57
28 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato + rxy zr zα/ = log zα/ 3 rxy 3 + ρ log xy µ z = ρ xy + r zr + z = log + z 3 3 xy α/ α/ rxy Ste Pearso korrelaatokertome ρ xy (approksmatvseks) luottamusvälks luottamustasolla ( α) saadaa jossa (lb, ub) o luottamusväl alaraja ja ( α/ ) ( α/ ) ( + rxy ) ( rxy)exp + z 3 lb = ( + r ) + ( r )exp + z 3 xy xy ( α/ ) ( α/ ) ( + rxy ) ( rxy )exp z 3 ub = ( + r ) + ( r )exp z 3 xy o luottamusväl yläraja. Luottamusväl kostruktosta seuraa, että ( lb ρ ub) Pr = α XY xy a Ste kostruotu luottamusväl pettää korrelaatokertome ρ xy okea arvo (approksmatvsest) todeäkösyydellä ( α) ja se e petä korrelaatokertome ρ xy okeata arvoa (approksmatvsest) todeäkösyydellä α. Korrelomattomuude testaame Mossa tutkmusasetelmssa ollaa kostueta stä, ovatko satuasmuuttujat x ja y korrelotueta va korrelomattoma. Ylee hypotees H : Havatoarvoje x ja y part (x,y ), =,,, muodostavat satuasotokse kaksulottesta ormaaljakaumasta Nollahypotees H 0 : N ( µ x, µ y, σx, σ y, ρxy) H : ρ = 0 Vahtoehtoe hypotees H : 0 xy Ilkka Mell (006) 58
29 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato H : ρxy > 0 suutaset vahtoehtoset hypoteest H : ρxy < 0 H : ρ 0 suutae vahtoehtoe hypotees xy Olkoo r xy otoksesta (x,y ), =,,, määrätty Pearso otoskorrelaatokerro. Määrtellää t testsuure Jos ollahypotees rxy t = r H : ρ = 0 0 xy pätee, testsuure t oudattaa t jakaumaa vapausaste ( ): t t ( ) Testsuuree t ormaalarvo = 0, koska ollahypotees pätessä E(t) = 0 xy Ste tsesarvoltaa suuret testsuuree t arvot vttaavat she, että ollahypotees H 0 e päde. Test hylkäysaluee ta p arvo määrääme: ks. lukua Tlastollset testt. Jos test p arvo o kyll pe, ollahypotees H 0 hylätää. Huomautuksa: Satuasmuuttuje x ja y rppumattomuudesta seuraa aa de korrelomattomuus. Satuasmuuttuje x ja y korrelomattomuudesta e ylesest seuraa de rppumattomuus. Jos satuasmuuttujat x ja y oudattavat ulottesta ormaaljakaumaa, satuasmuuttuje x ja y korrelomattomuudesta seuraa de rppumattomuus. Mossa tutkmusasetelmssa tovotaa, että korrelomattomuusoletus tulee testssä hylätyks. Ylee test korrelaatokertomelle Tarkastellaa ylestä testä korrelaatokertomelle. Ylee hypotees H : Oletetaa, että havatoarvoje x ja y part (x,y ), =,,, muodostavat satuasotokse kaksulottesta ormaaljakaumasta Nollahypotees H 0 : N ( µ x, µ y, σx, σ y, ρxy) Ilkka Mell (006) 59
30 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato H : ρ = ρ 0 xy 0 Vahtoehtoe hypotees H : H: ρ xy 0 H: ρ xy 0 H : ρ > ρ < ρ ρ xy 0 suutaset vahtoehtoset hypoteest suutae vahtoehtoe hypotees Olkoo r xy otoksesta (x,y ), =,,, määrätty Pearso otoskorrelaatokerro. Sovelletaa Fsher z muuosta otoskorrelaatokertomee r xy : z r + r xy = f( rxy) = log r xy Satuasmuuttuja z r oudattaa suurssa otoksssa approksmatvsest ormaaljakaumaa: jossa z ( µ σ ) N, a z z + ρ xy µ z = f ( ρxy ) = log ρ xy σz = 3 Approksmaato o käytäössä rttävä hyvä, jos > 5. Muodostetaa testsuure jossa ss Jos ollahypotees z µ ν = σ z r z 0 z + r xy = f( rxy) = log r xy 0 + ρ 0 µ z = f( ρ0) = log ρ0 σz = 3 H : ρ = ρ 0 xy 0 pätee, testsuure ν oudattaa suurssa otoksssa approksmatvsest stadardotua ormaaljakaumaa N(0,): v a N(0,) Testsuuree ν ormaalarvo = 0, koska ollahypotees pätessä Ilkka Mell (006) 60
31 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato E( ν ) = 0 Ste tsesarvoltaa suuret testsuuree ν arvot vttaavat she, että ollahypotees H 0 e päde. Test hylkäysaluee ta p arvo määrääme: ks. lukua Tlastollset testt. Jos test p arvo o kyll pe, ollahypotees H 0 hylätää. Korrelaatokertome vertalutest Tarkastellaa korrelaatokertome vertalutestä. Ylee hypotees H : Oletetaa, että käytössä o kaks tosstaa rppumatota satuasotosta kaksulottessta ormaaljakaumsta, jode korrelaatokertomet ovat ρ ja ρ. Nollahypotees H 0 : H 0 :ρ = ρ = ρ0 Vahtoehtoe hypotees H : Olkoot H: ρ > ρ H: ρ < ρ H : ρ ρ ja otoskoot otoksssa ja sekä r ja r suutaset vahtoehtoset hypoteest suutae vahtoehtoe hypotees otokssta ja määrätyt Pearso otoskorrelaatokertomet. Sovelletaa Fsher z muuosta otoskorrelaatokertom r ja r : Jos ollahypotees + r k zk = f( rk) = log, k =, rk H 0 :ρ = ρ = ρ0 pätee satuasmuuttujat z k oudattavat suurssa otoksssa approksmatvsest ormaaljakaumaa: jossa z 0 k a N( µ z, σ k), k =, 0 + ρ 0 µ z = f ( ρ0) = log ρ0 σk =, k =, 3 k Approksmaato o käytäössä rttävä hyvä, jos > 5 ja > 5. Muodostetaa testsuure Ilkka Mell (006) 6
32 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato jossa ss Jos ollahypotees ν = z z r k zk = f( rk) = log, k =, rk H 0 :ρ = ρ = ρ0 pätee, testsuure ν oudattaa suurssa otoksssa approksmatvsest stadardotua ormaaljakaumaa N(0,): v a N(0,) Testsuuree ν ormaalarvo = 0, koska ollahypotees pätessä E( ν ) = 0 Ste tsesarvoltaa suuret testsuuree ν arvot vttaavat she, että ollahypotees H 0 e päde. Test hylkäysaluee ta p arvo määrääme: ks. lukua Tlastollset testt. Jos test p arvo o kyll pe, ollahypotees H 0 hylätää Järjestyskorrelaatokertomet Tarkastellaa korrelaatokertome määrttelemstä ja korrelomattomuude testaamsta järjestysastekollslle muuttujlle. Tarkastelu kohteea ovat seuraavat järjestyskorrelaatokertomet: Spearma järjestyskorrelaatokerro Kedall järjestyskorrelaatokerro Tarkasteltavat järjestyskorrelaatokertomet ja testt korrelomattomuudelle sopvat myös välmatkaja suhdeastekollslle muuttujlle. Spearma järjestyskorrelaatokerro Spearma järjestyskorrelaatokerro ρ S mttaa kahde muuttuja havatoarvoje suuruusjärjestykse yhteesopvuutta. Spearma järjestyskorrelaatokerro sop järjestys, välmatka ja suhdeastekollslle muuttujlle. Spearma järjestyskorrelaatokertomella o samatapaset omasuudet ku Pearso otoskorrelaatokertomella. Olkoot ja x, x,, x y, y,, y järjestys, välmatka ta suhdeastekollste satuasmuuttuje x ja y havattuja arvoja. Oletetaa lsäks, että havaot x ja y lttyvät samaa havatoykskköö kaklle =,,,. Ilkka Mell (006) 6
33 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Järjestetää sekä x että y muuttuja havatut arvot suuruusjärjestyksee pemmästä suurmpaa. Ltetää sekä x että y muuttuja havattuh arvoh de suuruusjärjestykse mukaset järjestysumerot: sekä määrtellää erotukset R(x ) = havao x järjestysumero parssa R(y ) = havao y järjestysumero parssa D = R(x ) R(y ), =,,, Muuttuje x ja y havatulle arvolle vodaa määrtellä järjestyskorrelaatokerro erotukse D avulla. Määrtellää Spearma järjestyskorrelaatokerro ρ S el Spearma rho kaavalla 6 = ρ S = 3 D Spearma järjestyskorrelaatokerro ρ S vodaa laskea myös soveltamalla Pearso otoskorrelaatokertome kaavaa muuttuje x ja y havattuje arvoje pareja (x, y ) vastaav järjestyslukuje el rake pareh (R(x ), R(y )) Spearma järjestyskorrelaatokertome omasuudet Spearma järjestyskorrelaatokertomella ρ S o kakk hyvältä korrelaato mtalta vaadttavat omasuudet: () ρ S + () Jos muuttuje x ja y havattuje arvoje järjestysumerot ovat jokasessa havatoparssa samat, ρ S = + () Jos muuttuje x ja y havattuje arvoje järjestysumerot lttyvät tossa täys satuasest, ρ S 0 Jos ρ S = 0, saomme, että muuttujat x ja y ovat korrelomattoma. (v) Jos sekä suuret muuttuje x ja y järjestysumerot että peet muuttuje x ja y järjestysumerot lttyvät havatoparessa (x, y ) tossa, kertomella ρ S o tapumus saada postvsa arvoja. (v) Jos suuret ja peet muuttuje x ja y järjestysumerot lttyvät havatoparessa (x, y ) tossa, kertomella ρ S o tapumus saada egatvsa arvoja. Korrelomattomuude testaame Määrtellää t testsuure Ilkka Mell (006) 63
34 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Jos ollahypotees ρs z = ρ H 0 :Cor( xy, ) = 0 S pätee, testsuure z oudattaa suurssa otoksssa approksmatvsest stadardotua ormaaljakaumaa N(0,): z a N(0,) Approksmaato o melko hyvä jo, ku > 0 ja rttävä lähes kakk tarkotuks, ku > 30. Testsuuree z ormaalarvo = 0, koska ollahypotees H 0 pätessä E(z) = 0 Ste tsesarvoltaa suuret testsuuree z arvot vttaavat she, että ollahypotees H 0 e päde. Test hylkäysaluee ta p arvo määrääme: ks. lukua Tlastollset testt. Jos test p arvo o kyll pe, ollahypotees H 0 hylätää. Kedall järjestyskorrelaatokerro Kedall järjestyskorrelaatokerro τ mttaa kahde muuttuja havatoarvoje suuruusjärjestykse yhteesopvuutta. Kedall järjestyskorrelaatokerro sop järjestys, välmatka ja suhdeastekollslle muuttujlle. Kedall järjestyskorrelaatokertomella o samatapaset omasuudet ku Pearso otoskorrelaatokertomella. Olkoot ja x, x,, x y, y,, y järjestys, välmatka ta suhdeastekollste satuasmuuttuje x ja y havattuja arvoja. Oletetaa lsäks, että havaot x ja y lttyvät samaa havatoykskköö kaklle =,,,. Järjestetää lukupart (x, y ) muuttuja x havattuje arvoje mukaa suuruusjärjestyksee pemmästä suurmpaa ste, että esmmäseks tulee par, jossa muuttuja x arvo o pe ja vmeseks par, jossa muuttuja x arvo o suur. Kedall järjestyskorrelaatokerro perustuu tuuslukuu, joka mttaa muuttuja y arvoje epäjärjestystä muuttuja x arvoh ähde. Olkoo (x k, y k ) järjestetyksee asetetusta paresta umero k. Määrtellää havatoarvoo y k lttyvät epäjärjestyspsteet seuraavalla tavalla: S kl, l = k +, k +,,, k =,,, S kl = +, jos y l > y k S kl =, jos y l < y k Muuttuja y arvoje epäjärjestysmtta S muuttuja x arvoje suhtee määrtellää kaavalla Ilkka Mell (006) 64
35 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato S = k= l= k+ S kl Määrtellää Kedall järjestyskorrelaatokerro τ el Kedall tau kaavalla S τ= ( ) Kedall järjestyskorrelaatokertome omasuudet Kedall järjestyskorrelaatokertomella τ o kakk hyvältä korrelaato mtalta vaadttavat omasuudet: () τ + () Jos muuttuje x ja y havattuje arvoje järjestysumerot ovat jokasessa havatoparssa samat, τ = + () Jos muuttuje x ja y havattuje arvoje järjestysumerot lttyvät tossa täys satuasest, τ 0 Jos τ = 0, saotaa, että muuttujat x ja y ovat korrelomattoma. (v) Jos sekä suuret muuttuje x ja y järjestysumerot että peet muuttuje x ja y järjestysumerot lttyvät havatoparessa (x, y ) tossa, kertomella τ o tapumus saada postvsa arvoja. (v) Jos suuret ja peet muuttuje x ja y järjestysumerot lttyvät havatoparessa (x, y ) tossa, kertomella τ o tapumus saada egatvsa arvoja. Korrelomattomuude testaame Määrtellää testsuure Jos ollahypotees z = τ ( + 5) 9 ( + ) H 0 :Cor( xy, ) = 0 pätee, testsuure z oudattaa suurssa otoksssa approksmatvsest stadardotua ormaaljakaumaa N(0,): z a N(0,) Approksmaato o melko hyvä jo, ku > 0 ja rttävä lähes kakk tarkotuks, ku > 30. Testsuuree z ormaalarvo = 0, koska ollahypotees H 0 pätessä E(z) = 0 Ilkka Mell (006) 65
36 Tlastollset meetelmät 3. Tlastolle rppuvuus ja korrelaato Ste tsesarvoltaa suuret testsuuree z arvot vttaavat she, että ollahypotees H 0 e päde. Test hylkäysaluee ta p arvo määrääme: ks. lukua Tlastollset testt. Jos test p arvo o kyll pe, ollahypotees H 0 hylätää. Ilkka Mell (006) 66
37 Tlastollset meetelmät 4. Johdatus regressoaalyys 4. Johdatus regressoaalyys 4.. Regressoaalyys lähtökohdat ja tavotteet 4.. Determstset mallt ja regressoaalyys 4.3. Regressofuktot ja regressoaalyys 4.4. Kaksulottese ormaaljakauma regressofuktot 4.5. Regressoaalyys tehtävät 4.6. Regressomall leaarsuus Regressoaalyys o (erlase muuelmee ja johdaasee) ehkä ete sovellettu tlastotetee meetelmä. Regressoaalyys avulla vodaa aalysoda jok tekjä ta muuttuja rppuvuutta tossta tekjöstä ta muuttujsta, ku rppuvuus e ole eksakta vaa tlastollsta. Tämä tapahtuu raketamalla rppuvuutta kuvamaa regressomallks kutsuttu tlastolle mall. Regressomall pyrk selttämää jok seltettävä tekjä ta muuttuja havattuje arvoje vahtelu jodek selttäve tekjöde ta muuttuje havattuje arvoje vahtelu avulla. Tarkastelemme tässä luvussa regressoaalyys lähtökohta, tavotteta ja tehtävä. Pyrmme perustelemaa myös se, mks tässä mosteessa rajotutaa kästtelemää va leaarsa regressomalleja. Avasaat: Approksmot. Determste mall, Ehdolle jakauma, Ehdolle odotusarvo, Ehdolle varass, E satuasuus, Eustame, Eustevrhe, Epäleaare regressomall, Epäleaarsuus, Estmot, Jääösterm, Kaksulottee ormaaljakauma, Keskelövrhe, Leaare regressomall, Learsot, Leaarsuus, Mall, Mall hyvyys, Mmot, Multormaaljakauma, Oletus, Otos, Parametr, Pemmä elösumma meetelmä, Rakeeosa, Regressoaalyys, Regressodagostkka, Regressofukto, Regressomall, Regressosuora, Reuajakauma, Satuae osa, Satuasuus, Seltettävä muuttuja, Selttäjä, Selttäme, Selttävä muuttuja, Systemaatte osa, Test, Tlastolle mall, Tlastolle rppuvuus, Vrheterm, Yhtesjakauma Ilkka Mell (006) 67
38 Tlastollset meetelmät 4. Johdatus regressoaalyys 4.. Regressoaalyys lähtökohdat ja tavotteet Oletetaa, että haluamme selttää jok seltettävä tekjä ta muuttuja havattuje arvoje vahtelu jodek selttäve tekjöde ta muuttuje havattuje arvoje vahtelu avulla. Jos tlastollsest merktsevä osa seltettävä muuttuja havattuje arvoje vahtelusta vodaa selttää selttäve muuttuje havattuje arvoje vahtelu avulla, saomme, että seltettävä muuttuja rppuu tlastollsest selttäjä käytetystä muuttujsta. Regressoaalyysssa seltettävä muuttuja rppuvuudelle selttävstä muuttujsta pyrtää raketamaa regressomallks kutsuttu tlastolle mall. Koska rppuvuukse aalysot o kake teteellse tutkmukse keskee tavote, regressoaalyys o ete sovellettuja ja tärkempä tlastotetee meetelmä. Regressoaalyys tavotteet Regressoaalyys mahdollsa tavotteta: () () Seltettävä muuttuja ja selttäve muuttuje tlastollse rppuvuude luotee kuvaame: Mllae o rppuvuude (matemaatte) muoto? Kuka vomakasta rppuvuus o? Seltettävä muuttuja ja selttäve muuttuje tlastollse rppuvuude luotee selttäme. () Seltettävä muuttuja arvoje eustame selttäve muuttuje arvoje avulla. (v) Seltettävä muuttuja arvoje kotroll kotrollomalla selttäve muuttuje arvoja. Regressomalle luokttelu Regressoaalyysssa sovellettavat tlastollset mallt vodaa luoktella usealla er peraatteella. Luokttelu regressomall fuktoaalse muodo mukaa: Leaarset regressomallt Epäleaarset regressomallt Luokttelu regressomall yhtälöde lukumäärä mukaa: Yhde yhtälö regressomallt Moyhtälömallt Tässä mosteessa kästellää aoastaa leaarsa yhde yhtälö regressomalleja; ks. lukuja Yhde selttäjä leaare regressomall ja Ylee leaare mall. Tämä e kutekaa ole kov vakava rajotus, koska leaarste yhde yhtälö regressomalle sovellusalue o k laaja ku se o. Lsäks leaarste regressomalle teora hyvä hallta tekee mahdollseks epäleaars regressomalleh ja moyhtälömalleh lttyve ertysogelme ymmärtämse melko helpost. O hyödyllstä tetää, että varassaalyysssa sovellettavat tlastollset mallt vodaa ymmärtää ylese leaarse mall erkostapauksks; ks. lukuja Ykssuutae varassaalyys, Kakssuutae varassaalyys ja Kolm ja useampsuutae varassaalyys. Ilkka Mell (006) 68
Muuttujien välisten riippuvuuksien analysointi
Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus
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
LisätiedotIlkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot
Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotTKK @ Ilkka Mellin (2008) 1/24
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
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
LisätiedotMat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:
Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,
LisätiedotJohdatus tilastotieteeseen Tilastollinen riippuvuus ja korrelaatio. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Tilastollinen riippuvuus ja korrelaatio TKK (c) Ilkka Mellin (2005) 1 Tilastollinen riippuvuus ja korrelaatio Tilastollinen riippuvuus, korrelaatio ja regressio Kahden muuttujan
LisätiedotKokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot
TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka
LisätiedotMat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:
Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,
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
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
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
LisätiedotTilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot
TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet
LisätiedotTilastolliset menetelmät. β versio. Tilastolliset menetelmät. Ilkka Mellin. Teknillinen korkeakoulu, Matematiikan laboratorio
β versio Tilastolliset menetelmät Ilkka Mellin Teknillinen korkeakoulu, Matematiikan laboratorio TKK @ Ilkka Mellin (2006) I Esipuhe Tämä moniste antaa perustiedot tilastollisista menetelmistä ja niiden
LisätiedotTilastolliset menetelmät
Tilastolliset menetelmät Ilkka Mellin 1. korjattu painos Ilkka Mellin I Ilkka Mellin II Esipuhe Tämä moniste pyrkii antamaan perustiedot tilastollisista menetelmistä ja niiden soveltamisesta. Tämä on monisteen
LisätiedotJohdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
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
Lisätiedot= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2
HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske
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
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 ),
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
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
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
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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
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
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
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
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
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
LisätiedotMTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN
MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset
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:
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu
Lisätiedot1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,
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
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
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Regressiomallin valinta. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Regressiomallin valinta TKK (c) Ilkka Mellin (2007) 1 Regressiomallin valinta >> Regressiomallin valinta: Johdanto Mallinvalintatestit
LisätiedotYleinen lineaarinen malli
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 1: 1 Määritelmä ja standardioletukset 2
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
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
LisätiedotKertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
LisätiedotTKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
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
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
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
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat
Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat
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
LisätiedotTilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaals Tlastollset meetelmät: Leaare regressoaals 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaals 5. Yhde selttäjä leaare regressomall 6. Ylee leaare mall
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
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
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
Lisätiedot1. PARAMETRIEN ESTIMOINTI
Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,
LisätiedotKertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
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
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
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
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).
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
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
LisätiedotJakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2
TKK (c) Ila Mell (4) Jaaume tuusluvut Johdatus todeäösyyslasetaa Jaaume tuusluvut Marov ja Tshebyshev epäyhtälöt Momett Vous ja hupuuus Suurte luuje la TKK (c) Ila Mell (4) Jaaume tuusluvut: Mtä opmme?
LisätiedotOtoskoko 107 kpl. a) 27 b) 2654
1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää
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
LisätiedotTilastollinen riippuvuus ja korrelaatio
Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame
Lisätiedot031021P Tilastomatematiikka (5 op) kertausta 2. vk:een
031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
LisätiedotTilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme
LisätiedotMat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:
Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,
Lisätiedotn = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:
1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.
HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla
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
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
LisätiedotTuringin kone on kuin äärellinen automaatti, jolla on käytössään
4 TUINGIN KONEET Ala Turg 1935 36 auha Koe vo srtää auha: T U I N G auhapää: ohjausykskkö: Turg koe o ku äärelle automaatt, jolla o käytössää auhapäätä vasemmalle ta okealle; se vo myös lukea ta krjottaa
Lisätiedot1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on
HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat
.9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotJohdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman
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
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
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
LisätiedotMoniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat
TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat Johdatus todennäköisyyslaskentaan todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat: Mitä opimme? /5 hden satunnaismuuttujan todennäköisyysjakaumat
LisätiedotKoska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.
24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ
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
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
Lisätiedot9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli
lueto9.ppt S-38.45 Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
Lisätiedot