Bayesiläisiä menetelmiä vakuutusyhtiöiden riskienhallinnassa
|
|
- Niko Katajakoski
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Bayesiläisiä menetelmiä vakuutusyhtiöiden riskienhallinnassa Kuolevuusseminaari Anne Puustelli
2 2 Väitöskirja-artikkelit I. Puustelli, A., Koskinen, L., Luoma, A., Bayesian modelling of financial guarantee insurance. Insurance: Mathematics and Economics, 43, The initial version of the paper was presented in AFIR Colloquium, Stockholm, Sweden, II. Luoma, A., Puustelli, A., Koskinen, L., Bayesian analysis of equity-linked savings contracts with American-style options. Accepted in Quantitative Finance. The initial version of the paper titled Bayesian analysis of participating life insurance contracts with American-style options was presented in AFIR Colloquium, Rome, Italy, III. Luoma, A., Puustelli, A. Hedging equity-linked life insurance contracts with American-style options in Bayesian framework. The initial version of the paper titled Hedging against volatility, jumps and longevity risk in participating life insurance contracts a Bayesian analysis was presented in AFIR Colloquium, Munich, Germany, IV. Luoma, A., Puustelli, A., Koskinen, L., A Bayesian smoothing spline method for mortality modelling. Annals of Actuarial Science, 2, Cambridge University Press.
3 3 Takausvakuutus 75 % posterioriennusteväli 50 % posterioriennusteväli Havaittu aineisto Mediaaniennuste Eläketurvakeskuksen TyEL takaisinlainojen takausvakuutuksesta muodostuneiden tappioiden jakauma Mallina regressiomalli, jossa yhtenä selittäjänä edellisen vuoden tappioiden määrä suhteessa kaikkiin takauksiin ja toisena selittäjänä ko. vuoden ennustettu BKT:n kasvunopeus (mallinnettu Hamiltonin mallilla)
4 4 Säästöhenkivakuutus
5 5 Bayesiläisyys vakuutustieteessä "Actuaries have been using Bayesian methods in a credibility framework since Whitney (1918), but many have been slow to extend them for use in other natural contexts. Kuolevuusmallinnuksessa Bayesiläistä analyysiä Heligman & Pollard malli Dellaportas, P., Smith, A.F.M. & Stavropoulos, P. (2001). Bayesian analysis of mortality data. Journal of the Royal Statistical Society. Series A, 164, Lee-Carter malli Czado, C., Delwarde, A. & Denuit, M. (2005). Bayesian Poisson log-linear mortality projections. Insurance: Mathematics and Economics, 36,
6 6 Data Data HMD-tietokannasta (Human Mortality Database) Ikä-kohortti data, kuolevuudet (Death rates) ja altistukset (Exposure to risk) Kuolevuudet samana vuonna syntyneille, jolloin tarkasteluajankohta kahtena eri kalenterivuonna (vrt. ikä-periodi datassa kuolevuudet kalenterivuonna, jolloin tarkasteltavat henkilöt kahtena eri vuonna syntyneitä) Kohortin riippuvuus säilyy ja kohortin koko voidaan ottaa huomioon Estimoinnissa käytetään vuosina syntyneistä ja vuotiaita
7 7 Mallit
8 8 Estimointi Bayesiläisessä mallinnuksessa
9 9 Mallin hyvyystarkastelut Cairns et al.* listasivat stokastisen kuolevuusmallin hyvyyskriteerit 1. Kuolevuuksien pitää olla positiivisia 2. Mallin pitää olla sopusoinnussa historiallisen aineiston kanssa 3. Pitkän aikavälin dynamiikan pitää olla biologisesti järkevää 4. Parametrien estimaattien pitää olla robusteja suhteessa aineiston kokoon 5. Mallin ennusteiden pitää olla robusteja suhteessa aineiston kokoon 6. Ennusteiden epävarmuuden ja keskiennusteiden pitää olla uskottavia ja yhteensopivia kuolevuuden historiallisen trendin ja vaihtelun kanssa 7. Mallin pitää olla suoraviivaisesti implementoitavissa analyyttisin menetelmin tai nopeilla numeerisilla algoritmeilla 8. Mallin pitää olla suhteellisen vähäparametrinen 9. Mallilla tulee voida generoida ennustepolkuja ja laskea ennusterajoja 10. Mallin rakenteen pitää mahdollistaa parametriepävarmuuden huomioiminen simuloinnissa 11. Ainakin joissakin maissa mallin pitää sisältää stokastinen kohorttivaikutus 12. Mallilla pitää olla epätriviaali korrelaatiorakenne *Cairns, A.J.G., Blake, D. & Dowd, K. (2008). Modelling and management of mortality risk: a review. Scandinavian Actuarial Journal, 2,
10 Mallin konsistenttius historiallisen aineiston kanssa 10 Mallin hyvyyttä voidaan testata replikoidun aineiston avulla Generoidaan parametrien posteriorijakaumat Parametriarvojen avulla replikoidaan havaittua dataa vastaava aineisto Mallin 1 tapauksessa multinormaalijakaumasta Mallin 2 tapauksessa rekursiivisesti generoimalla kuolemien lukumääriä binomijakaumasta ja päivittämällä sen perusteella seuraavan ajanhetken eletyt henkilövuodet (exposures) Replikoidusta datasta voidaan johtaa testisuureita esimerkiksi MSE:lle ja kohortin sisäiselle autokorrelaatiolle Voidaan verrata alkuperäisen aineiston ja replikoidun aineiston konsistenttiutta Kuvien tulkinnassa replikoitu aineisto on konsistentti alkuperäisen aineiston kanssa, jos pisteet ovat tasaisesti 45 kulmassa piirretyn viivan molemmin puolin.
11 11 Malli 1 Malli selittää aineiston autokorrelaation Korkeimmilla ikäluokilla alkuperäisessä aineistossa keskineliövirhe pienempi kuin replikoidussa aineistossa Mallin hyvyystestit Malli 2 Malli ei ehkä täysin selitä aineiston negatiivista autokorrelaatiota Malli selittää aineiston korkeiden ikäluokkien keskineliövirheen
12 12 Parametriestimaattien robustisuus Parametrien robustisuutta tutkittu vertaamalla kahden eri aineiston posteriorijakaumia Aineisto 1: iät 40 70, kohortit (nuoret) Aineisto 2: iät 60 90, kohortit (vanhat)
13 13 Parametrien robustisuus mallissa 1 vanhat vanhat nuoret nuoret nuoret vanhat vanhat nuoret
14 14 Parametrien robustisuus mallissa 2 vanhat nuoret nuoret vanhat
15 15 Ennustaminen Perustuu posterioriennustejakaumiin Generoidaan parametrien posteriorijakaumat Parametriarvojen avulla ennustetaan epätasapainoisen aineiston puuttuva osa Mallin 1 tapauksessa ehdollisesta multinormaalijakaumasta olettaen havaittu aineisto tunnetuksi Mallin 2 tapauksessa rekursiivisesti generoimalla kuolemien lukumääriä binomijakaumasta ja päivittämällä sen perusteella seuraavan ajanhetken eletyt henkilövuodet (exposures). Päivittäminen aloitetaan kunkin kohortin ensimmäisestä puuttuvasta arvosta. Aineiston koon vaikutus ja ennusteen vertaaminen havaittuun kuolevuuteen Valitaan estimointiaineistot niin, että ennustettu kuolevuus tunnetaan. Estimoinnista jätetään kuitenkin pois havainnot aineiston oikeasta alakulmasta. Ennustetaan kuolevuuksia 70- ja 90-vuotiaille Aineisto 1: kohortit , iät (70-vuotiaiden ennuste) ja (90-vuotiaiden ennuste) Aineisto 2: kohortit , iät (70-vuotiaiden ennuste) ja (90-vuotiaiden ennuste)
16 Ennustaminen Aineiston koon vaikutus ja ennusteen tarkkuus mallissa 1 16 havaittu kuolevuus 1 vuoden ennuste havaittu kuolevuus 9 vuoden ennuste havaittu kuolevuus pieni aineisto suuri aineisto 17 vuoden ennuste havaittu kuolevuus 25 vuoden ennuste
17 Ennustaminen Aineiston koon vaikutus ja ennusteen tarkkuus mallissa 2 17 havaittu kuolevuus 1 vuoden ennuste havaittu kuolevuus 9 vuoden ennuste havaittu kuolevuus 17 vuoden ennuste havaittu kuolevuus 25 vuoden ennuste pieni aineisto suuri aineisto
18 18 Ennustaminen Ennustevälit Perustuu posterioriennustejakaumiin Ennustetaan kohortin 1941 kuolevuutta Estimoinnissa käytetään kohortteja ja ikiä Aineistoa ikään 65 asti, ennuste vuoteen Lasketaan tasoitusparametrin 95 % posterioriväli sekä 95 % posterioriennusteväli havaitulle logaritmoidulle kuolevuudelle
19 19 Ennustevälit Malli 1 Tasoitusparametrin 95 % posterioriväli ja 95 % posterioriennusteväli havaitulle logaritmoidulle kuolevuudelle samaa suuruusluokkaa Mallin 2 ennusteväli kapeampi, kertoo paremmasta mallisovitteesta Malli 2
20 20 Yhteenveto Aineistona käytetään ikä-kohortti aineistoa Mallit perustuvat tasoittaviin kaksiulotteisiin kuutiosplineihin, jotka saadaan muodostettua sopivilla priorijakaumilla Kaksi mallia Havaittuihin kuolevuuksiin perustuva malli Havainnoimattomiin, teoreettisiin kuolevuuksiin perustuva malli, jolloin mallinnetaan suoraan havaittuja kuolemalukumääriä Mallien hyvyyttä testataan Cairnsin kriteereillä Testaus yhteensopivuudesta historiallisen aineiston kanssa Parametrien ja ennusteiden robustisuuden testaus Mallien huono puoli: Estimointiaineiston kokoa pitää rajoittaa
21 21 Lisätietoa Kaikkien artikkeleiden laskennat on tehty R-ohjelmistolla, tietyt laskentaintensiivisimmät osiot C++:lla. Koodit ja datat ovat osoitteessa Artikkelin 3 koodeista ollaan työstämässä R-pakettia, jota ei ole vielä julkaistu Väitöskirja on ladattavissa osoitteesta
Kuolevuusseminaari 9.4.2013
Kuolevuusseminaari 9.4.2013 Jari Niittuinperä Kuolevuuseminaari 19.3. Vakuutusalan viimeaikaiset kuolevuustutkimukset Prosessi ja siihen liittyvät haasteet (data, mallintaminen, laskenta, tulosten verifiointi)
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
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotMatemaattisia malleja kuolevuusriskin hallintaan
Helena Aro* Teemu Pennanen *Matematiikan ja systeemianalyysin laitos, Aalto-yliopisto Department of Mathematics, King s College London, UK Suomen Aktuaariyhdistyksen kuolevuusseminaari, 24.4.2013 MandatumLife
LisätiedotKorvausvastuun ennustejakauma bootstrap-menetelmän avulla
Korvausvastuun ennustejakauma bootstrap-menetelmän avulla Sari Ropponen 13.5.2009 1 Agenda Korvausvastuu vahinkovakuutuksessa Korvausvastuun arviointi Ennustevirhe Ennustejakauma Bootstrap-/simulointimenetelmä
LisätiedotKuolevuusseminaari
Kuolevuusseminaari 19.03.2013 K2012: Henkivakuutuksen kuolevuustutkimus Henkivakuutettujen pitkän ajan kuolevuusennuste 1 Aihealueet Taustaa Kuolevuusennuste: menetelmän valinta Kuolevuusennuste: lähtöaineiston
LisätiedotBayesilainen päätöksenteko / Bayesian decision theory
Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena
LisätiedotMS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotMS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
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
LisätiedotKiEL-kuolevuuden arviointi
KiEL-kuolevuuden arviointi Kuolevuustason arviointi pienelle populaatiolle Aktuaariyhdistyksen kuolevuusseminaari 26.5.2015 Risto Louhi Kuolevuusselvityksen tausta KiEL-eläkemenoa ennustettaessa pitkän
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
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
LisätiedotMS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely
MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
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
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
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
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
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:
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotTyöajanodotteet ja niiden erot
Työajanodotteet ja niiden erot Markku Nurminen & Noora Järnefelt Eläketurvakeskuksen tutkimusseminaari 26.4.2012 TERMIT & KÄSITTEET Työajanodote (Working-life Expectancy) Kielitoimiston sanakirjan (2006)
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
LisätiedotTyEL-kuolevuusperusteesta
TyEL-kuolevuusperusteesta 26.5.2015 29.5.2015 Kuolevuusperusteesta Tuomas Hakkarainen 1 Tarve kuolevuusperusteelle TyEL-vakuutuksessa Työnantajan eläkevakuutuksen vanhuuseläkevastuut ovat pitkäikäisiä,
LisätiedotKuolevuus Eläketurvakeskuksen pitkän aikavälin laskelmissa. Heikki Tikanmäki
Kuolevuus Eläketurvakeskuksen pitkän aikavälin laskelmissa Heikki Tikanmäki 23.5.2017 Johdanto Kuolevuus vaikuttaa työeläkemenoon monta kautta Eläkkeiden päättyvyys Elinaikakerroin Eläkeiät Eläketurvakeskuksen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotKuolevuusseminaari 19.03.2013
Kuolevuusseminaari 19.03.2013 Jari Niittuinperä Finanssivalvonta Finansinspektionen Financial Supervisory Authority Eläkevakuutuksen uusi myyntiargumentti! Finanssivalvonta Finansinspektionen Financial
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
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
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
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotLokaali bilineaarinen (lokaali Lee-Carter) kuolevuusmalli
Lokaali bilineaarinen (lokaali Lee-Carter) kuolevuusmalli Aktuaariyhdistyksen kuolevuusseminaari 9.4.2013 Vesa Ronkainen 9.4.2013 Vesa Ronkainen Stochastic modeling of financing longevity risk in pension
LisätiedotFinanssisitoumusten suojaamisesta
Finanssisitoumusten suojaamisesta Harri Nyrhinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto Vakuutusmatematiikan seminaari 4.5.2017 Esitelmän sisältö Teoreettisluonteisia poimintoja kirjallisuudesta
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotTilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto
Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa Tapio Nummi Tampereen yliopisto Runkokäyrän ennustaminen Jotta runko voitaisiin katkaista optimaalisesti pitäisi koko runko mitata etukäteen. Käytännössä
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotSTOKASTISET PROSESSIT
TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan
LisätiedotKUOLEVUUSPERUSTEJAOKSEN LOPPURAPORTTI 29.5.2015
KUOLEVUUSPERUSTEJAOKSEN LOPPURAPORTTI 29.5.2015 1. Yhteenveto Telan Laskuperusteasiain neuvottelukunnan Kuolevuusperustejaos on tehnyt selvityksen TyEL:n mukaisessa vakuutuksessa noudatettavan kuolevuusperusteen
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
LisätiedotMikrobikriteereiden arviointi esimerkkinä kampylobakteeri
Mikrobikriteereiden arviointi esimerkkinä kampylobakteeri Taustaa: NMDD-projekti 2011-2012 Rahoitus: pohjoismaiden ministerineuvosto Vast.tutkija: Maarten Nauta, DTU Epävarmuusanalyysin Bayes-mallinnus,
LisätiedotKaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.
NIMI: OPPILASNUMERO: ALLEKIRJOITUS: tehtävä 1 2 3 4 yht pisteet max 25 25 25 25 100 arvosana Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille
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
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
LisätiedotMOTTI metsäsuunnittelussa ja siihen liittyvässä tutkimuksessa
MOTTI metsäsuunnittelussa ja siihen liittyvässä tutkimuksessa Jari Hynynen Metla, Vantaan toimintayksikkö SIMO-seminaari 2.11.2007 / Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotMenetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely)
Menetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely) Lauri Nyman 17.9.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla
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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotTILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA. Pentti Nieminen 03.11.2014
TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA LUKIJAN NÄKÖKULMA 2 TAUSTAKYSYMYKSIÄ 3 Mitä tutkimusmenetelmiä ja taitoja opiskelijoille tulisi opettaa koulutuksen eri vaiheissa?
Lisätiedot5.7 Uskottavuusfunktioon perustuvia testejä II
5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa
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
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
LisätiedotTilastollinen päättely, 10 op, 4 ov
Tilastollinen päättely, 0 op, 4 ov Arto Luoma Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede 3304 TAMPEREEN YLIOPISTO Syksy 2006 Kirjallisuutta Garthwaite, Jolliffe, Jones Statistical Inference,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotVakuutuksen ja riskienhallinnan tutkimus
Juhlaluento Vakuutuksen ja riskienhallinnan tutkimus Professori Lasse Koskinen Toukokuu 2016 Vakuutus ja riskienhallinta Riskienhallinta ja vakuutustoiminta muodostavat sattuman ja epävarmuuden hallintaan
LisätiedotHarjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi
Aalto-yliopiston perustieteiden korkeakoulu Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Harjoitustyö 3 Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin laboratoriossa
LisätiedotTyöajanodotteet ja niiden erot. Markku Nurminen & Noora Järnefelt Eläketurvakeskuksen tutkimusseminaari 26.4.2012
Työajanodotteet ja niiden erot Markku Nurminen & Noora Järnefelt Eläketurvakeskuksen tutkimusseminaari 26.4.2012 TERMIT & KÄSITTEET Työajanodote (Working-life Expectancy) Kielitoimiston sanakirjan (2006)
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
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
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
LisätiedotBayes-mallinnus siltana teorian ja empiirisen evidenssin välillä
Bayes-mallinnus siltana teorian ja empiirisen evidenssin välillä Antti Penttinen Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Metodifestivaalit Jyväskylän yliopisto 21.5.2013 Suunnitelma
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
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
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
LisätiedotEpävarmuus ja riskinarviointi: tiedon paloja, näytön synteesiä
Epävarmuus ja riskinarviointi: tiedon paloja, näytön synteesiä Taustaa: WTO, SPS agreement 1995. Set principles that WTO members can use in establishing national standards for food safety and animal and
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).
LisätiedotKaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely)
Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Juho Roponen 10.06.2013 Ohjaaja: Esa Lappi Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotTentin materiaali. Sivia: luvut 1,2, , ,5. MacKay: luku 30. Gelman, 1995: Inference and monitoring convergence
Tentin materiaali Sivia: luvut 1,2,3.1-3.3,4.1-4.2,5 MacKay: luku 30 Gelman, 1995: Inference and monitoring convergence Gelman & Meng, 1995: Model checking and model improvement Kalvot Harjoitustyöt Tentin
LisätiedotLuento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori.
Luento 2 Binomi-malli Posteriorijakauman esittämisestä Informatiivisista priorijakaumista Konjugaattipriori Slide 1 Yksiparametrisia malleja Binomi Jacob Bernoulli (1654-1705), Bayes (1702-1761) Normaali
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotMS-C2128 Ennustaminen ja aikasarja-analyysi ARMA esimerkkejä
MS-C2128 Ennustaminen ja aikasarja-analyysi ARMA esimerkkejä Tehtävä 4.1. Ncss-ohjelmiston avulla on generoitu AR(1)-, AR(2)-, MA(1)- ja MA(2)-malleja vastaavia aikasarjoja erilaisilla parametrien arvoilla.
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
LisätiedotJärjestyslukuihin perustuva eksponentiaalinen tasoitus ja volatiliteetin ennustaminen
Tilastotieteen pro gradu -tutkielma Järjestyslukuihin perustuva eksponentiaalinen tasoitus ja volatiliteetin ennustaminen Ari Väisänen Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos 14.6.2009
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
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotJohnson, A Theoretician's Guide to the Experimental Analysis of Algorithms.
Kokeellinen algoritmiikka (3 ov) syventäviä opintoja edeltävät opinnot: ainakin Tietorakenteet hyödyllisiä opintoja: ASA, Algoritmiohjelmointi suoritus harjoitustyöllä (ei tenttiä) Kirjallisuutta: Johnson,
LisätiedotTautikartoitus CAR- ja partitiomalleilla
Esimerkkeinä sydän- ja verisuonitaudit sekä keuhkosyöpä 1,2 1 Lääketieteellisen tekniikan ja laskennallisen tieteen laitos, TKK 2 Terveyden ja hyvinvoinnin laitos (THL) Terveydenhuollon uudet analyysimenetelmät
LisätiedotSimulation model to compare opportunistic maintenance policies
Simulation model to compare opportunistic maintenance policies Noora Torpo 31.08.18 Ohjaaja/Valvoja: Antti Punkka Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin
LisätiedotBayesiläinen tilastollinen vaihtelu
Bayesiläinen tilastollinen vaihtelu Janne Pitkäniemi FT, dos. (biometria), joht. til. tiet Suomen Syöpärekisteri Hjelt-instituutti /Helsingin yliopisto Periaatteet Tilastollinen vaihtelu koskee perusjoukon
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
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
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
LisätiedotApproksimatiivinen päättely
218 Approksimatiivinen päättely Koska tarkka päättely on laskennallisesti vaativaa, niin on syytä tarkastella ratkaisujen approksimointia Approksimointi perustuu satunnaiseen otantaan tunnetusta todennäköisyysjakaumasta
LisätiedotMuuttujien eliminointi
228 Muuttujien eliminointi Toistuvat alilauseet voidaan evaluoida kerran ja niiden arvo talletetaan käytettäväksi aina tarvittaessa Tarkastellaan muuttujien eliminointi -algoritmia lausekkeen P(Murto jussikäy,
LisätiedotVäestön ja eläkemenojen kehitys ilman suuria ikäluokkia
avaukset Väestön ja eläkemenojen kehitys ilman suuria ikäluokkia Kalle elo Seuraavien noin 20 vuoden aikana Suomessa on odotettavissa väestön nopea ikääntyminen, sillä sotien jälkeen syntyneet ikäluokat
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
LisätiedotKasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)
Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely) Santtu Saijets 16.6.2014 Ohjaaja: Juuso Liesiö Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotTYÖAJANODOTTEET. Markku Nurminen Helsingin Yliopisto MarkStat Consultancy. Eläketurvakeskus 28.10.2010
TYÖAJANODOTTEET Markku Nurminen Helsingin Yliopisto MarkStat Consultancy Eläketurvakeskus 28.10.2010 1 TERMINOLOGIA Työajanodote (Työterveyslaitos) Tietynikäisen henkilön odotettavissa oleva aika työllisenä
LisätiedotHarjoitukset 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
LisätiedotTilastokeskuksen väestöennuste Kuolevuuslaskelmat. Markus Rapo, Tilastokeskus
Tilastokeskuksen väestöennuste Kuolevuuslaskelmat Markus Rapo, Tilastokeskus Esityksessäni Hieman historiaa ja taustaa Tilastokeskuksen väestöennuste luonne ja tulkinta Kuolleisuuslaskelmat Tilastokeskuksen
LisätiedotSeurantojen otoskoon arviointi RKTL:ssä
Seurantojen otoskoon arviointi RKTL:ssä Mika Kurkilahti MTT 23.8.2012 Miksi seurantoja tehdään? RKTL:lle esitetään jatkuvasti paljon kysymyksiä Mikä on eläinkantojen koko ajallisesti ja alueellisesti,
Lisätiedot