Pienalue-estimointi (78189) Kevät Risto Lehtonen Helsingin yliopisto
|
|
- Liisa Kähkönen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen Helsingin yliopisto
2 Pienalue-estimointi Kurssin kotisivu 2
3 Hyöyllisiä taustatietoja Otantamenetelmät Lehtonen R. an Djerf K. (2008). Survey sampling reference guielines. Luxembourg: Eurostat Methoologies an Working papers Saatavilla vapaasti osoitteessa: Tilastollisten mallien perusteita Lineaariset mallit Yleistetyt lineaariset mallit 3
4 Maailmanlaajuinen treni Yhteiskunnassa on lisääntyvä tarve tuottaa luotettavia tietoja alueellisille ja muille populaation (perusjoukon) osajoukoille Estimation for omains Small area estimation EU:n tutkkimuksen puiteohjelmien projekteja EURAREA Project ( ) AMELI Project ( ) SAMPLE Project ( ) 4
5 SAE Conferences EWORSAE European Working Group on Small Area Estimation SAE2005 (University of Jyväskylä) SAE2007 (University of Pisa) SAE2009 (University of M. Hernanez, Elche) Forthcoming: SAE2011 (University of Trier) SAE2013 (Polan) 5
6 Kirjallisuutta Rao J.N.K. (2003). Small Area Estimation. New York: John Wiley & Sons. Lehtonen R. an Pahkinen E. (2004). Practical Methos for Design an Analysis of Complex Surveys. Secon Eition. Chichester: John Wiley & Sons. Web extension: VLISS-Virtual Laboratory in Survey Sampling 6
7 Kirjallisuutta Lehtonen R. an Djerf K. (es.) (2001). Lecture Notes on Estimation for Population Domains an Small Areas. Statistics Finlan: Reviews 2001/15. Lehtonen R. an Veijanen A. (2009). Designbase methos of estimation for omains an small areas. Chapter 31 in Rao C.R. an Pfeffermann D. (Es.). Hanbook of Statistics. Vol. 29B. Sample Surveys: Inference an Analysis. New York: Elsevier. 7
8 SAE: Laskentatyökaluja SAS 9.2 Proceures SURVEYMEANS Proceure SURVEYREG - DOMAIN-lause EURAREA-projekti SAS-makro Stanar estimators SAS-makro EBLUPGREG Ohjelma DOMEST Ari Veijanen & Risto Lehtonen R-kielisiä ohjelmia 8
9 JOHDANTO LÄHESTYMISTAPOJA 9
10 Käsitteitä ja määritelmiä Perusjoukon osajoukko Domain Pienalue Small area Lääni, maakunta, seutukunta, kunta Väestön emografiset ja sosioekonomiset osajoukot Yritysten toimialakohtaiset osajoukot Estimoiaan otosaineiston perusteella tunnuslukuja: Kokonaismääriä Totals Keskiaroja Means Osuuksia Proportions Meiaaneja määritellyille perusjoukon osajoukoille (omains, small areas) 10
11 Erikoistapaus - SAE Small area estimation, SAE Estimointi tilanteessa, jossa osajoukkojen otoskoko on pieni Vaihtoehtoinen määritelmä (Partha Lahiri): Small area = Domain of interest, for which the sample size is not aequate to prouce reliable irect estimates 11
12 Tyypillinen estimointitehtävä Määritellään ja ientifioiaan osajoukot Osajoukkojen U lkm D on yleensä suuri Spesifioiaan tulosmuuttujan y parametrit Osajoukkototaalit Keskiarvot Y t / N, 1,..., D missä t k U y k N on osajoukon koko pj:ssa 12
13 Esimerkkejä Työttömien kokonaismäärän estimointi alueittain sukupuolen ja ikäryhmän mukaan muoostetuissa osajoukoissa Tilastokeskuksen työvoimatutkimuksen aineisto Kotitalouksien käytettävissä olevien tulojen meiaanin estimointi kunnittain EU:n SILC-tutkimusaineisto Alueellisten köyhyysasteien estimointi EU:n SILC-tutkimusaineisto 13
14 Tärkeitä kysymyksiä Osajoukkojen tyyppi? Suunnitellut / Ei-suunnitellut osajoukot Planne omains / Unplanne omains Aineistolähteet? Otosaineisto Lisäinformaatio Estimaattorin tyyppi? Suora / Epäsuora Direct / Inirect Asetelmaperusteinen / Malliperusteinen Design base / Moel-base Mallin tyyppi? Lineaarinen / Epälineaarinen Linear / Non-linear Kiinteät vaikutukset / Sekamallit (Mixe moels) 14
15 Osajoukon tyyppi Suunnitellut osajoukot Planne omains Tärkeimmät osajoukkotyypit pyritään määrittelemään otanta-asetelmassa ositteiksi (strata) Osajoukkojen otoskoot on kiinnitetty Otoskoot hallitaan kiintiöintimenetelmillä (allocation) Liian pienet otoskoot voiaan välttää Ei-suunnitellut osajoukot Unplanne omains Osajoukkojen otoskoot ovat satunnaismuuttujia Voi tulla osajoukkoja joien otoskoko pieni Käytännössä yleinen tilanne (Miksi?) 15
16 U s U U Planne omains U U Population Population omain Domains = Strata s U Sample in omain Sample size n in omain is fixe 1,..., D 16
17 U s s U U Unplanne omains U s U Population Sample Population omain s s U Sample in omain Sample size n in omain is ranom 1,..., D 17
18 Suora ja epäsuora estimaattori Suora estimaattori Direct estimator Direct omain estimator uses values of the variable of interest y only from the time perio of interest an only from units in the omain of interest (Feeral Committee on Statistical Methoology, 1993) Suunniteltujen osajoukkorakenteien tilanne Epäsuora estimaattori Inirect estimator Inirect omain estimator uses values of the variable of interest y from a omain an/or time perio other than the omain an time perio of interest Ei-suunniteltujen osajoukkorakenteien tilanne 18
19 Esimerkki: Suora HT-estimaattori Asetelmaperusteinen Horvitz-Thompson estimaattori tˆ HT yk / k k s käyttää y-arvoja vain osajoukosta s t ˆHT on suora estimaattori 19
20 Esimerkki: Suora GREG-estimaattori Suora asetelmaperusteinen malliavusteinen GREG-estimaattori t ˆ y ˆ ( y y ˆ ) / GREG k U k k s k k k käyttää lineaarisia malleja jotka on spesifioitu erikseen kullekin osajoukolle: Y x β, k U, 1,..., D k k k missä β on osajoukkokohtainen, ja y x β ˆ ovat sovitteita, laskettu jokaiselle ˆk k k U 20
21 Esimerkki: Epäsuora GREG-estimaattori Epäsuora asetelmaperusteinen GREG-estimaattori t ˆ y ˆ ( y y ˆ ) / GREG k U k k s k k k käyttää lineaarista mallia Y x β, k U k k k jossa vektori β on yhteinen kaikille osajoukoille ja y x β ˆ lasketaan kaikille k U ˆk k 21
22 Esimerkki: Epäsuora SYN-estimaattori Epäsuora malliperusteinen synteettinen SYN-estimaattori tˆ SYN k U yˆ k käyttää lineaarista mallia Y x β, k U k k k jossa β on yhteinen kaikille osajoukoille ja y x β ˆ lasketaan kaikille k U ˆk k 22
23 Voiman lainaaminen Borrow strength Epäsuorat estimaattorit pyrkivät lainaamaan voimaa Muista osajoukoista (spatiaalinen imensio) Saman osajoukon aikaisemmista mittauksista (temporaalinen imensio) Tyypillistä erityisesti pienten osajoukkojen tilanteissa (pieni otoskoko) Borrowing strength käytetään usein malliperusteisissa SAE-tilanteissa 23
24 Estimointitehtävä Suuri osajoukko Large omain Osajoukko jossa on mahollista tuottaa riittävällä tarkkuuella asetelmaperusteinen suora (irect) estimaatti Tämän kurssin alue: Estimation for omains an small areas Pieni osajoukko Small omain Pieni osajoukko = Osajoukko jossa ei ole mahollista tuottaa riittävällä tarkkuuella asetelmaperusteinen suora (irect) estimaatti Tarvitaan malliperusteisia epäsuoria (inirect) estimaattoreita Voiman lainaaminen Borrowing strength 24
25 Lisäinformaatio Kaikissa tarkasteltavissa menetelmissä on olennaista: Perusjoukkoa koskevan lisäinformaation hyvä saatavuus - Auxiliary ata, auxiliary information - Rekistereistä saatavat lisätieot, apumuuttujat Lisäinformaation tuonti estimointiproseuuriin tilanteeseen soveltuvien tilastollisten mallien avulla - Lineaariset mallit, logistiset mallit, sekamallit - Yleistetyt lineaariset sekamallit (Generalize linear mixe moels) 25
26 Asetelmaperusteiset menetelmät Asetelmaperusteiset suorat estimaattorit Horvitz-Thompson (HT) estimaattorit Hájek-tyyppinen estimaattori Asetelmaperusteiset malliavusteiset estimaattorit Suoria tai epäsuoria estimaattoreita Yleistetyt regressioestimaattorit (generalize regression estimators) GREG Kalibrointiestimaattorit - Särnal, Swensson an Wretman (1992) - Lehtonen, Särnal an Veijanen (2003, 2005) - Lehtonen an Pahkinen (2004), luku 6 - Lehtonen an Veijanen (2009) 26
27 Malliperusteiset menetelmät Synteettiset estimaattorit SYN EBLUP- ja EBP-estimaattorit Empirical Best Linear Unbiase Preictor Empirical Best Preictor Rao (2003) EURAREA-projekti, Domest-ohjelma Bayes-menetelmät Empirical Bayes, Hierarchical Bayes Poverty mapping Worl Bank, Peter Lanjouw, Chris Elbers, PovMap Software 27
28 HUOM: Tilastollisen mallin rooli Asetelmaperusteinen GREG Malleja käytetään avustavina työkaluina GREG-estimaattorit ovat malliavusteisia (moel-assiste) Malliperusteinen SYN Nojautuu kokonaisuuessaan tilastolliseen malliin SYN-estimaattorit ovat malliperusteisia (moel-base) tai mallisionnaisia (moel-epenent) 28
29 Estimaattoreien ominaisuuksia Table 1 Asetelmaperusteiset estimaattorit HT, GREG Likimain harhattomia Varianssi voi kasvaa suureksi, jos osajoukon otoskoko on pieni - Varianssi pienenee otoskoon kasvaessa Malliperusteiset estimaattorit SYN, EBLUP, EBP Harhaisia määritelmän mukaan (All moels are wrong but some are useful). - Harha ei pienene otoskoon kasvaessa! Varianssi voi olla pieni myös pienissä osajoukoissa MSE voi olla suuri jos harha on ominoiva 29
30 Estimaattoreien tilastollisten ominaisuuksien vertailu Osajoukkojen totaalien t estimaattoreien vertailu: Harha: Bias Bias( tˆ ) ( ˆ E t ) t Varianssi: 2 Precision Var( tˆ ) ( ˆ ( ˆ E t E t )) Keskineliövirhe: Accuracy 2 2 MSE( tˆ ) E( tˆ t ) Var( tˆ ) Bias ( tˆ ) 30
31 Design-base properties of estimators Bias Precision (Variance) Accuracy (Mean Square Error, MSE) Confience intervals Design-base methos HT, GREG, MC Design unbiase (approximately) by the construction principle Large variance for small omains Variance ecreases with increasing sample size MSE = Variance (or nearly so) Vali esign-base CI can be constructe Moel-base methos SYN, EBLUP, EB Design biase Bias oes not necessarily approach zero with increasing sample size Small variance for small omains Variance ecreases with increasing sample size MSE = Variance + square Bias Accuracy can be poor if the bias is substantial Vali esign-base CI not necessarily obtaine 31
32 Estimaattoreien työnjako Asetelmaperusteisia estimaattoreita (HT, GREG) käytetään tyypillisesti suurille osajoukoille (suuri otoskoko, pieni varianssi). Malliperusteisia estimaattoreita (SYN, EBLUP) käytetään pienille osajoukoille, (pieni otoskoko, pieni varianssi) joissa asetelmaperusteiset estimaattorit toimivat huonosti (suuri varianssi).
33 Natural application areas of estimation approaches by omain sample size DOMAIN SAMPLE SIZE ESTIMATION APPROACH Minor Meium Major Moel-base Synthetic SYN EBLUP, EBP Design-base Horvitz-Thompson HT GREG, MC Applicability 0 Not at all + Low ++ Meium +++ High 33
34 Selecte literature - Design-base Särnal, C.-E., Swensson, B. an Wretman, J. (1992). Moel assiste survey sampling. New York: Springer. Lehtonen R. an Pahkinen E. (2004). Practical Methos for Design an Analysis of Complex Surveys. Secon Eition. Chichester: John Wiley & Sons. Chapter 6. Lehtonen R. an Veijanen A. (2009). Design-base methos of estimation for omains an small areas. Chapter 31 in Rao C.R. an Pfeffermann D. (Es.). Hanbook of Statistics. Sample Surveys: Inference an Analysis. Vol. 29B. New York: Elsevier. 34
35 35
36 Selecte literature - Design-base Lehtonen, R. an Veijanen, A. (1998). Logistic generalize regression estimators. Survey Methoology 24, Lehtonen R., Särnal C.-E. an Veijanen, A. (2003). The effect of moel choice in estimation for omains, incluing small omains. Survey Methoology, 29, Lehtonen R., Särnal C.-E. an Veijanen A. (2005). Does the moel matter? Comparing moel-assiste an moelepenent estimators of class frequencies for omains. Statistics in Transition, 7, Särnal, C.-E. (2007). The calibration approach in survey theory an practice. Survey Methoology 33,
37 Selecte literature - Moel-base Rao J.N.K. (2003). Small Area Estimation. New York: John Wiley & Sons. Longfor N. (2005). Missing Data an Small-area Estimation: Moern Analytical Equipment for the Survey Statistician. New York: Springer. Fay, R.E., an Herriot, R.A. (1979). Estimates of income for small places: an application of James-Stein proceure to census ata. JASA 74,
38 Selecte literature - Moel-base Battese, G.E., Harter, R.M., an Fuller, W.A. (1988), An Error-Components Moel for Preiction of County Crop Areas Using Survey an Satellite Data, JASA 80, Ghosh, M., an Rao, J.N.K. (1994). Small area estimation: an appraisal. Statistical Science 9, Jiang J. an Lahiri P. (2006). Mixe moel preiction an small area estimation. TEST 15,
(78143) Syksy 2009 TEEMAT 3 & 4. Risto Lehtonen Teema 3 ERITYISKYSYMYKSIÄ. Risto Lehtonen 2
Otantamenetelmät (78143) Syksy 2009 TEEMAT 3 & 4 Risto Lehtonen risto.lehtonen@helsinki.fi Teema 3 ERITYISKYSYMYKSIÄ Risto Lehtonen 2 1 Otannan erityiskysymyksiä Ryväsotanta Survey sampling reference guidelines
LisätiedotPienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 3 GREG-estimaattori Yleinen tilanne (unequal probability sampling) Komposiittiestimaattorit (Composite
LisätiedotPienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 4 Laajennettu GREG-estimaattoreien perhe Avustavat mallit Yleistetty lineaarinen malli Lineaarinen
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 2 Estimaattoreiden varianssien estimointi Survey-analyysin lähestymistavat Kuvaileva survey Descriptive survey
LisätiedotOtantamenetelmät. Syksy
Otantamenetelmät (78143) Sysy 2009 TEEMA 2 risto.lehtonen@helsini.fi Teema 2 LISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI 2 Lisätiedon äyttö estimointiasetelmassa i t Malliavusteiset
LisätiedotTilastollisten menetelmien käyttö Kelan tutkimustoiminnassa
Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien
LisätiedotPienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen 15.3.2011 OSA 1 Estimaattorin tyyppi Mallin valinta Asetelmaperusteinen estimointi Horvitz-Thompson (HT)
LisätiedotOtantamenetelmät (78143) Syksy 2008 OSA 2: Malliavusteinen estimointi. Risto Lehtonen
Otantamenetelmät (78143) Sysy 2008 OSA 2: Malliavusteinen estimointi Risto Lehtonen risto.lehtonen@helsini.fi Lisätiedon äyttö estimointiasetelmassa Tavoitteena estimoinnin tehostaminen poimitulle otoselle
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotKulutustutkimuksen alue-estimointi Pienalue-estimointimenetelmien vertailu Kulutustutkimus aineistossa
Kulutustutkimuksen alue-estimointi Pienalue-estimointimenetelmien vertailu Kulutustutkimus 2006 -aineistossa Pauliina Maria Peltonen Helsingin yliopisto Matemaattis-luonnontieteellinen tiedekunta Tilastotiede
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi Risto Lehtonen risto.lehtonen@helsini.fi Analyysimenetelmiä ja työaluja Lineaariset mallit Regressioanalyysi
LisätiedotJY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT
JY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT SPSS-ohjelmiston Complex Samples- toiminto otoksen poiminnassa ja estimaattien laskennassa Mauno Keto, lehtori Mikkelin AMK / Liiketalouden laitos
LisätiedotATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1
ATH-aineiston tilastolliset analyysit SPSS/PASW 16.2.2011 SPSS analyysit / Risto Sippola 1 Aineiston avaaminen Aineisto on saatu SPSS-muotoon ja tallennettu koneelle sijaintiin, josta sitä voidaan käyttää
LisätiedotPIENALUE-ESTIMOINTIMENETELMÄT:
Pro gradu -tutkielma Tilastotiede PIENALUE-ESTIMOINTIMENETELMÄT: SOVELLUSKOHTEENA SUOMALAISTEN KOETTU TOIMEENTULO VUONNA 2009 Nico Maunula Toukokuu 2012 Ohjaaja: Risto Lehtonen HELSINGIN YLIOPISTO Matematiikan
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
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 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
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
LisätiedotEstimaattoreiden asetelmaperusteinen
Otanta-aineistojen aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 2: Estimaattoreiden varianssin estimointi Risto Lehtonen risto.lehtonen@helsinki.fi Estimaattoreiden asetelmaperusteinen varianssien
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:
LisätiedotSAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä. Antti Suoperä 16.11.2009
SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä: Matriisi ja vektori laskennan ohjelmisto edellyttää
LisätiedotLYTH-CONS CONSISTENCY TRANSMITTER
LYTH-CONS CONSISTENCY TRANSMITTER LYTH-INSTRUMENT OY has generate new consistency transmitter with blade-system to meet high technical requirements in Pulp&Paper industries. Insurmountable advantages are
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
LisätiedotLISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI
Otatameetelmät (78143 Sysy 2010 TEEMA 2 risto.lehtoe@helsii.fi Teema 2 LISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI 2 1 Lisätiedo äyttö estimoitiasetelmassa Malliavusteiset strategiat
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
LisätiedotStatistical design. Tuomas Selander
Statistical design Tuomas Selander 28.8.2014 Introduction Biostatistician Work area KYS-erva KYS, Jyväskylä, Joensuu, Mikkeli, Savonlinna Work tasks Statistical methods, selection and quiding Data analysis
LisätiedotOther approaches to restrict multipliers
Other approaches to restrict multipliers Heikki Tikanmäki Optimointiopin seminaari 10.10.2007 Contents Short revision (6.2) Another Assurance Region Model (6.3) Cone-Ratio Method (6.4) An Application of
LisätiedotATH-koulutus: R ja survey-kirjasto THL 16.2.2011. 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1
ATH-koulutus: R ja survey-kirjasto THL 16.2.2011 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1 Sisältö Otanta-asetelman kuvaaminen R:llä ja survey-kirjastolla Perustunnusluvut Regressioanalyysit 16. 2. 2011
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
LisätiedotPerusnäkymä yksisuuntaiseen ANOVAaan
Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Taulukko.51.1 Analyysiin mukaan tulevat muuttujat Mja selite Merkitys mallissa F1 Ensimmäinen faktoripistemuuttuja Selitettävä muuttuja
LisätiedotCapacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
LisätiedotOtanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki
Otanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki risto.lehtonen@helsinki.fi Korreloituneiden havaintojen analyysi Lineaariset
LisätiedotEfficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotThe relationship between leisuretime physical activity and work stress with special reference to heart rate variability analyses
The relationship between leisuretime physical activity and work stress with special reference to heart rate variability analyses Teisala Tiina, TtM, tohtorikoulutettava Jyväskylän yliopisto Terveystieteiden
LisätiedotReturns to Scale II. S ysteemianalyysin. Laboratorio. Esitelmä 8 Timo Salminen. Teknillinen korkeakoulu
Returns to Scale II Contents Most Productive Scale Size Further Considerations Relaxation of the Convexity Condition Useful Reminder Theorem 5.5 A DMU found to be efficient with a CCR model will also be
LisätiedotATH-koulutus: Stata 11 THL ATH-koulutus / Tommi Härkänen 1
ATH-koulutus: Stata 11 THL 16.2.2011 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1 Sisältö Otanta-asetelman kuvaaminen Stata 11:llä Perustunnusluvut Regressioanalyysit Mallivakiointi 16. 2. 2011 ATH-koulutus
LisätiedotUse of spatial data in the new production environment and in a data warehouse
Use of spatial data in the new production environment and in a data warehouse Nordic Forum for Geostatistics 2007 Session 3, GI infrastructure and use of spatial database Statistics Finland, Population
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yksisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Kokonaiskeskiarvo,
LisätiedotHealth 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl.
Health 2000/2011 Surveys Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013 Esa Virtala etunimi.sukunimi@thl.fi Terveyden ja hyvinvoinnin laitos (THL) PL 30 00271 Helsinki Puhelin:
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,
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotA250A0050 Ekonometrian perusteet Tentti
A250A0050 Ekonometrian perusteet Tentti 28.9.2016 Tentissä ei saa käyttää laskinta. Tentistä saa max 80 pistettä. Hyväksytysti suoritetusta harjoitustyöstä saa max 20 pistettä. Huom. Merkitse vastauspaperin
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
Lisätiedot1.3 Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 811122P (5 op.) 12.12.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
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
LisätiedotOP1. PreDP StudyPlan
OP1 PreDP StudyPlan PreDP The preparatory year classes are in accordance with the Finnish national curriculum, with the distinction that most of the compulsory courses are taught in English to familiarize
LisätiedotFrequencies. Frequency Table
GET FILE='C:\Documents and Settings\haukkala\My Documents\kvanti\kvanti_harjo'+ '_label.sav'. DATASET NAME DataSet WINDOW=FRONT. FREQUENCIES VARIABLES=koulv paino /ORDER= ANALYSIS. Frequencies [DataSet]
LisätiedotAsiakaspalautteen merkitys laboratoriovirheiden paljastamisessa. Taustaa
Asiakaspalautteen merkitys laboratoriovirheiden paljastamisessa Paula Oja, TtT Laboratorio, Oulun yliopistollinen sairaala Potilasturvallisuustutkimuksen päivät 26. 27.1.2011 1 Taustaa Laboratorion tulee
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 3 Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita Johdattava esimerkki - Yksinkertainen yhteensopivuustesti
LisätiedotUEF Statistics Teaching Bulletin, Fall 2017
UEF Statistics Teaching Bulletin, Fall 2017 The minor subject of statistics offers methodological courses to all students of the university. In Fall 2017, we offer the following basic courses in Finnish:
LisätiedotThe CCR Model and Production Correspondence
The CCR Model and Production Correspondence Tim Schöneberg The 19th of September Agenda Introduction Definitions Production Possiblity Set CCR Model and the Dual Problem Input excesses and output shortfalls
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
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotResearch plan for masters thesis in forest sciences. The PELLETime 2009 Symposium Mervi Juntunen
Modelling tree and stand characteristics and estimating biomass removals and harvesting costs of lodgepole pine (Pinus contorta) plantations in Iceland Research plan for masters thesis in forest sciences
LisätiedotMissing data may bias your conclusions. Juha Karvanen Department of Mathematics and Statistics University of Jyväskylä
Missing data may bias your conclusions Juha Karvanen Department of Mathematics and Statistics University of Jyväskylä Surveys work because of random sampling Statistical theory works under the assumption
LisätiedotParametrin estimointi ja bootstrap-otanta
Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotTekijä(t) Vuosi Nro. Arviointikriteeri K E? NA
JBI: Kriittisen arvioinnin tarkistuslista prevalenssitutkimukselle 26.3.2019 Tätä tarkistuslistaa käytetään prevalenssitutkimuksen metodologisen laadun arviointiin. Arvioinnin tarkistuslistaan sisältyy
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotLiite B. Suomi englanti-sanasto
Liite B Suomi englanti-sanasto Alla tässä monisteessa esiintynyttä sanastoa englanniksi käännettynä. Monet tähän aihepiiriin liittyvät termit eivät kuitenkaan ole täysin vakiintuneita kummassakaan kielessä.
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
LisätiedotPienet ännät tutkimuksessa Tilastollisen analyysin työpaja. Jari Westerholm Niilo Mäki instituutti Jyväskylän yliopisto
Pienet ännät tutkimuksessa Tilastollisen analyysin työpaja Jari Westerholm Niilo Mäki instituutti Jyväskylän yliopisto Luennon sisältö Pienten otoskokojen haasteista Pieni otoskoko Suositeltuja metodeja
LisätiedotELEMET- MOCASTRO. Effect of grain size on A 3 temperatures in C-Mn and low alloyed steels - Gleeble tests and predictions. Period
1 ELEMET- MOCASTRO Effect of grain size on A 3 temperatures in C-Mn and low alloyed steels - Gleeble tests and predictions Period 20.02-25.05.2012 Diaarinumero Rahoituspäätöksen numero 1114/31/2010 502/10
LisätiedotKäyttöliittymät II. Käyttöliittymät I Kertaus peruskurssilta. Keskeisin kälikurssilla opittu asia?
Käyttöliittymät II Sari A. Laakso Käyttöliittymät I Kertaus peruskurssilta Keskeisin kälikurssilla opittu asia? 1 Käyttöliittymät II Kurssin sisältö Käli I Käyttötilanteita Käli II Käyttötilanteet selvitetään
Lisätiedot1.3Lohkorakenne muodostetaan käyttämällä a) puolipistettä b) aaltosulkeita c) BEGIN ja END lausekkeita d) sisennystä
OULUN YLIOPISTO Tietojenkäsittelytieteiden laitos Johdatus ohjelmointiin 81122P (4 ov.) 30.5.2005 Ohjelmointikieli on Java. Tentissä saa olla materiaali mukana. Tenttitulokset julkaistaan aikaisintaan
Lisätiedot7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotHierarkkisen aineiston mallintaminen ja otanta/pre-kurssi
Hierarkkisen aineiston mallintaminen ja otanta/pre-kurssi Risto Lehtonen, Helsingin yliopisto Metodifestivaali Jyväskylän yliopisto 27.5.2009 Keskiviikko 27.5 10-12 Hierarkkisuus otanta- asetelmaperusteisessa
LisätiedotLX 70. Ominaisuuksien mittaustulokset 1-kerroksinen 2-kerroksinen. Fyysiset ominaisuudet, nimellisarvot. Kalvon ominaisuudet
LX 70 % Läpäisy 36 32 % Absorptio 30 40 % Heijastus 34 28 % Läpäisy 72 65 % Heijastus ulkopuoli 9 16 % Heijastus sisäpuoli 9 13 Emissiivisyys.77.77 Auringonsuojakerroin.54.58 Auringonsäteilyn lämmönsiirtokerroin.47.50
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
LisätiedotEnterprise Architecture TJTSE Yrityksen kokonaisarkkitehtuuri
Enterprise Architecture TJTSE25 2009 Yrityksen kokonaisarkkitehtuuri Jukka (Jups) Heikkilä Professor, IS (ebusiness) Faculty of Information Technology University of Jyväskylä e-mail: jups@cc.jyu.fi tel:
LisätiedotOngelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta?
Yhden otoksen suhteellisen osuuden testaus Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Hypoteesit H 0 : p = p 0 H 1 : p p 0 tai H 1 : p > p 0 tai H 1 : p < p 0 Suhteellinen osuus
LisätiedotKONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ
KONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ https://community.plm.automation.siemens.com/t5/tech-tips- Knowledge-Base-NX/How-to-simulate-any-G-code-file-in-NX- CAM/ta-p/3340 Koneistusympäristön määrittely
LisätiedotAdditions, deletions and changes to courses for the academic year Mitä vanhoja kursseja uusi korvaa / kommentit
s, s and changes to courses for the academic year 2016 2017 Mikro ja nanotekniikan laitos Department for Micro and Nanosciences S 69, S 87, S 104, S 129, ELEC A3, ELEC C3, ELEC D3, ELEC E3, ELEC L3 T 4030
LisätiedotMonitasomallit koulututkimuksessa
Metodifestivaali 9.5.009 Monitasomallit koulututkimuksessa Mitä ihmettä? Antero Malin Koulutuksen tutkimuslaitos Jyväskylän yliopisto 009 1 Tilastollisten analyysien lähtökohta: Perusjoukolla on luonnollinen
LisätiedotVARIANSSIANALYYSI ANALYSIS OF VARIANCE
VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 4 Asetelmaperusteinen monimuuttujaanalyysi Logistinen ANOVA ja GWLS-estimointi Binäärinen tulosmuuttuja Diskreetit
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
LisätiedotOHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3
OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 3 Tutkimussuunnitelman rakenne-ehdotus Otsikko 1. Motivaatio/tausta 2. Tutkimusaihe/ -tavoitteet ja kysymykset
LisätiedotTilastollisia peruskäsitteitä ja Monte Carlo
Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia
LisätiedotThe BaltCICA Project Climate Change: Impacts, Costs and Adaptation in the Baltic Sea Region
The BaltCICA Project Climate Change: Impacts, Costs and Adaptation in the Baltic Sea Region The BaltCICA Project is designed to focus on the most imminent problems that climate change is likely to cause
LisätiedotCo-Design Yhteissuunnittelu
Co-Design Yhteissuunnittelu Tuuli Mattelmäki DA, associate professor Aalto University School of Arts, Design and Architecture School of Arts, Design and Architecture design with and for people Codesign
LisätiedotOlet vastuussa osaamisestasi
Olet vastuussa osaamisestasi Ohjelmistoammattilaisuuden uudet haasteet Timo Vehmaro 02-12-2015 1 Nokia 2015 Mitä osaamista tulevaisuudessa tarvitaan? Vahva perusosaaminen on kaiken perusta Implementaatio
LisätiedotTilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit
Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit s t ja t kahden Sisältö t ja t t ja t kahden kahden t ja t kahden t ja t Tällä luennolla käsitellään epäparametrisia eli
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
LisätiedotStormwater filtration unit
Stormwater filtration unit Background, concept and applied design work Olli Hakala 2018 WSP Finland Aalto university Kyttä ym. 2014. Veden äärellä kysely, ENTJUSTESS-hanke. Aalto yliopisto. STORMWATER
LisätiedotECVETin soveltuvuus suomalaisiin tutkinnon perusteisiin. Case:Yrittäjyyskurssi matkailualan opiskelijoille englantilaisen opettajan toteuttamana
ECVETin soveltuvuus suomalaisiin tutkinnon perusteisiin Case:Yrittäjyyskurssi matkailualan opiskelijoille englantilaisen opettajan toteuttamana Taustaa KAO mukana FINECVET-hankeessa, jossa pilotoimme ECVETiä
LisätiedotLyhyesti uusista DI-ohjelmista Isohenkilökoulutus to Opintoasianpäällikkö Mari Knuuttila
Lyhyesti uusista DI-ohjelmista 2015 Isohenkilökoulutus to 28.8.2014 Opintoasianpäällikkö Mari Knuuttila Master s Programmes at SCI Starting 2015 (in English) Master s Programme in Engineering Physics *
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
LisätiedotIncrease of opioid use in Finland when is there enough key indicator data to state a trend?
Increase of opioid use in Finland when is there enough key indicator data to state a trend? Martta Forsell, Finnish Focal Point 28.9.2015 Esityksen nimi / Tekijä 1 Martta Forsell Master of Social Sciences
LisätiedotSPSS ohje. Metropolia Business School/ Pepe Vilpas
1 SPSS ohje Page 1. Perusteita 2 2. Frekvenssijakaumat 3 3. Muuttujan luokittelu 4 4. Kaaviot 5 5. Tunnusluvut 6 6. Tunnuslukujen vertailu ryhmissä 7 9. Ristiintaulukointi ja Chi-testi 8 10. Hajontakaavio
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Todennäköisyyslaskennan kertaus Satunnaismuuttujat ja tn-jakaumat Tunnusluvut χ 2 -, F- ja t-jakauma Riippumattomuus Tilastotieteen
LisätiedotJyrki Kontio, Ph.D. 11.3.2010
Jyrki Kontio, Ph.D. Principal Consultant, R & D-Ware Oy Risk mgmt consulting and training Software engineering consulting Technical due diligence Process management and improvement Board member at QPR
LisätiedotPerusestimointi 5 Analyysiä survey-datalla Tee Suomen datalla jokin oma kokeilu käyttäen tätä mallia Esimerkki PISA 2006:sta SAS:lla
Perusestimointi 5 Analyysiä survey-datalla Tee Suomen datalla jokin oma kokeilu käyttäen tätä mallia Esimerkki PISA 2006:sta SAS:lla proc surveymeans data=pisa.impuoecd; where cnt='fin' or cnt='deu' or
Lisätiedot