Johdatus geospatiaaliseen tutkimukseen
|
|
- Akseli Lahtinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 LYY-menetelmä työpaja, , Joensuu Johdatus geospatiaaliseen tutkimukseen Olli Lehtonen Historia- ja maantieteiden laitos Itä-Suomen yliopisto SISÄLLYS: Paikkatieto Spatiaalinen autokorrelaatio Geospatiaalinen mallintaminen Hyödyntäminen yhteiskuntatieteellisessä ympäristötutkimuksessa
2 Paikkatieto = tietoa kohteesta tai ilmiöstä, joka voidaan paikantaa, paikallistaa Paikannus voi tapahtua Koordinaatilla Postinumeroalueella Kuntakoodilla Maakuntakoodilla Ym.
3 Paikkatiedon erityispiirre Yksilötaso Yksilöt toisistaan riippumattomia -> perinteiset tilastolliset mallit Ryvästaso Mallintamisessa huomioitava, että ryhmät eivät välttämättä ole riippumattomia toisistaan -> satunnaistetut mallit Aluetaso (kuvassa ruudut) Mallintamisessa huomioitava, että alueet eivät välttämättä ole riippumattomia toisistaan -> geospatiaaliset mallit
4 Spatiaalinen autokorrelaatio Monet yhteiskuntatieteelliset muuttujat ovat spatiaalisesti autokorreloituneita, koska maantieteellisesti vuorovaikutteiset prosessit levittävät tutkittavaa ilmiötä läheisille alueille (Odland 1988: 13) Spatiaalinen autokorrelaatio jäsentää tietämystämme havaintoarvojen jakautumisesta maantieteellisessä tilassa (Odland 1988: 9). Spatiaalinen autokorrelaatio voidaan ymmärtää muuttujan korrelaationa itsensä kanssa maantieteellisessä tilassa (Griffith 2003). Korrelaatio Autokorrelaatio Spatiaalinen autokorrelaatio
5 Spatiaalisen autokorrelaation tunnistaminen Globaalisti Moran I Gearyn C Paikallisesti esim. LISA (Local Indicator of Spatial Association)
6 Muuttoliikkeen paikallisen spatiaalisen autokorrelaation keskittymät
7 Muuttoliikkeen paikallinen spatiaalinen autokorrelaatio Suomessa
8 Spatiaalisen autokorrelaation haasteet Havaintoyksiköt eivät ole toisistaan riippumattomia, joten ilmiöitä kuvaavien mallien estimaattorit joko harhaisia tai tehottomia (ks. Anselin & Bera 1998) vaikutukset mallintamiseen 1. hyväksytään spatiaalisen autokorrelaation olemassa olo 2. mallinnetaan vain osaa aineistosta (otos) 3. käytetään epäparametrisiä malleja 4. Käytetään monimutkaisempia malleja, jotka huomioivat spatiaalisen autokorrelaation
9 Käytetään epäparametrisia malleja Esimerkki yleistetystä additiivisesta mallista: Mitkä tekijät selittävät työttömyysasteen ja muuttoliikkeen epätasapainoa? Yleistetty additiivinen malli binomijakaumalle: Kvartiilikartta similariteetti-indeksin arvoista vuonna 2008
10 Yleistetyn additiivisen mallin tulokset
11 Mallin kahden muuttujan yhteisvaikutuksia:
12 Esimerkki epäparametrisesta regressioanalyysistä: Miten aluekehitys muuttuisi, jos työpaikkakehitys perustuisi vain luonnonresursseihin?
13 Käytetään spatiaalisia regressiomalleja Spatiaalinen virhemalli Spatiaalinen viivemalli (postinumeroalueen tulotaso = vakio + regressiokerroin * etäisyys Joensuun kauppatorille + virhe), (virhe = vakiokerroin*viereisten alueiden virhetermi +korreloimaton virhetermi) (postinumeroalueen tulotaso = postinumeroalueen viereisten alueiden tulotaso + vakio + regressiokerroin * etäisyys Joensuun kauppatorille + virhe)
14 Esimerkki spatiaalisesta virhemallista: Miten tulotaso muuttuu keskusetäisyyden suhteen?
15 Maantieteellisesti painotettu regressiomalli (GWR) Globaaliin malliin liittyvien ongelmien vuoksi tarvitaan aluetutkimuksissa menetelmiä, joissa keskitytään lokaalisiin eli paikallisiin eroavaisuuksiin (Fotheringham 1997). Yksi tällainen menetelmä on maantieteellisesti painotettu regressio (GWR, geographically weighted regression) (Fotheringham ym. 2002), jolla voidaan tutkia paikallista vaihtelua selittävien muuttujien yhdeydessä selitettävään muuttujaan.
16 Stationaarisuus vs. epästationaarisuus y i = x 1i y i = i0 + i1 x 1i e1 e1 e2 e2 Stationaarinen prosessi Epästationaarinen prosesssi e3 e4 e3 e4 Realistisempi lähtökohta mallintamiselle
17 Stationaarinen prosessi -> Globaali malli Stationaarinen prosessi -> Maantieteellisesti painotettu regressiomalli y x
18 Epästationaarisuuden mallintaminen Vakioitu malli (fixed model) GWR-menetelmässä maantieteellisesti läheisiä alueita painotetaan enemmän kuin kauempana sijaitsevia alueita, joten menetelmässä käytetään käytännössä vain läheisiä alueita estimoitaessa paikallisia regressiokertoimia. Tämä painotus perustuu ajatukseen siitä, että läheiset alueet ovat hyödyllisiä estimoitaessa paikallisia regressiokertoimia (Tobler 1970).
19 Adaptiivinen malli (adaptive model)
20 Miksi GWR-malli? Paikalliset mallit ymmärtävät aineistoa yksityiskohtaisemmin GWR-malleilla paljon sovellusmahdollisuuksia Huomioi maantieteen ensimmäisen lain (lähellä sijaitsevat samankaltaisempia kuin kaukana sijaitsevat alueet) Mallien hyvyys: Parempi sopivuus aineistoon Residuaalit vähemmän autokorreloivia
21 GWR-mallien soveltaminen: Mitkä tekijät selittävät poliisin tietoon tulleita rattijuopumuksia kunnissa? Millaisia alueellisia vaikutuseroja selittävissä muuttujissa esiintyy?
22 Esimerkki jatkuu Paikallisten regressiokertoimien eroja havainnollistaa teoreettinen esimerkkilaskelma, jossa alkoholimyynniksi oletamme 10 litraa/asukas ja kunnan väkiluvuksi asukasta. Jos tällainen kunta sijaitsisi Pohjanmaalla, kunnassa havaittaisiin vuosittain alimmillaan noin 8 rattijuopumusta, mutta jos kunta sijaitsisi Järvi- Suomessa, poliisin tietoon tulisi vuosittain noin 23 rattijuopumustapausta.
23 Keski-Pohjanmaalla, jossa yhteys on yli kaksi kertaa globaalin mallin ennustamaa vaikutusta korkeampi (ka 0,18: globaalimalli 0,08) 24 kunnassa työttömyysaste on keskimäärin 6,0, mikä on koko maan keskiarvo alempi Yhteys rattijuopumuksiin ei ole riippuvainen sosiaalisen ongelman laajuudesta!
24 Hyöty? GWR-mallin kuvaaman alueellisen vaihtelun paljastuminen lisännee tehokkuutta ennaltaehkäisevälle alkoholivalistukselle Mallin välittämällä tiedolla voidaan kohdistaa valistusta alueille, joissa alkoholimyynnin yhteys rattijuopumuksiin on voimakkain (optimointi sovellutukset) Alkoholimyynnin osalta globaali regressiomalli aliarvioisi sen vaikutusta rattijuopumuksiin lähes koko Suomessa mikä pahimmassa tapauksessa voisi olla peruste kanpanjoinnin käynnistämättä jättämiselle tai sen lopettamiselle tehottomuuden vuoksi
25 Mitä geospatiaalinen tutkimus tarjoaa yhteiskuntatieteelliselle ympäristötutkimukselle? Lisäinformaatiota tutkittavasta ilmiöstä Yksityiskohtaisempaa ymmärrystä tutkittavasti ilmiöstä Esim. Globaali vs. paikallinen regressiomalli Realistisempia malleja Estimaattorien harhattomuuden ja tehottomuuden vähentäminen Uusia ilmiöitä selittäviä tekijöitä Etäisyys, saavutettavuus, tiheys, keskittyminen, jne.
26 Mitä geospatiaalinen tutkimus tarjoaa yhteiskuntatieteelliselle ympäristötutkimukselle? Uusia menetelmäsovelluksia Uutta tietämystä tuntemattomista alueista business mahdollisuudet kun halutaan vaikuttaa erilaisiin haittoihin päätöksiin ihmisten mielipiteisiin ja suhtautumiseen käyttäytymisen ehkäisyyn ym.
27 LYY-menetelmä työpaja, , Joensuu Kiitos! Geospatiaalisia opintoja voi opiskella myös historia- ja maantieteiden laitoksella! Sähköposti:
Mainituimmat sanat paikkatietojulkaisujen tiivistelmissä Historia- ja maantieteiden laitos, Itä-Suomen yliopisto
Mainituimmat sanat paikkatietojulkaisujen tiivistelmissä 2007-2012 Historia- ja maantieteiden laitos, Itä-Suomen yliopisto Tiivistelmien ryhmittely R:n tm-kirjastolla Geoinformatiikan menetelmät esittäytyvät:
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
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
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-.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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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
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
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 ),
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
LisätiedotTilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen. Pekka Leskinen ja Tuomo Kainulainen Metla
\esitelm\hki0506.ppt 18.5.2006 Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen Pekka Leskinen ja Tuomo Kainulainen Metla FORS-iltapäiväseminaari 24.5.2006: Operaatiotutkimus
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
LisätiedotMitä löytyy faktojen takaa?
Mitä löytyy faktojen takaa? Hilkka Vihinen Luonnonvarakeskus HARVAAN ASUTUN MAASEUDUN PARLAMENTAARISEN TYÖRYHMÄN SEMINAARI 27.2.2019 Luonnonvarakeskus Mitä löytyy faktojen takaa? Missä nyt ollaan harvaan
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
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
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
Lisätiedot4.2 Useampi selittävä muuttuja (kertausta)
14.2.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 14.2.2019 4.2 Useampi selittävä muuttuja (kertausta) Selittäjien lukumäärä k (k-ra) = + + + + Malliin liittyvät oletukset i ~ N(0, 2 ) ja i:t ovat
LisätiedotTieto auttaa maaseutua menestymään. Olli Lehtonen, FT, Talousmaantieteen dos, Erikoistutkija, Luonnonvarakeskus Tutkijatohtori, Itä-Suomen yliopisto
Tieto auttaa maaseutua menestymään Olli Lehtonen, FT, Talousmaantieteen dos, Erikoistutkija, Luonnonvarakeskus Tutkijatohtori, Itä-Suomen yliopisto Puheenvuoron sisältö: 1. Ymmärretäänkö aluerakenteen
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
LisätiedotHarjoitukset 3 : Monimuuttujaregressio 2 (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 3 : Monimuuttujaregressio 2 (Palautus 7.2.2017) Tämän harjoituskerran tehtävät
LisätiedotAikuisväestön masennusta aiheuttavia paikallisia riskitekijöitä Suomessa
SOSIAALILÄÄKETIETEELLINEN AIKAKAUSLEHTI 2013: 50 114 126 A r t i k k e l i Aikuisväestön masennusta aiheuttavia paikallisia riskitekijöitä Suomessa Mielenterveyshäiriöt ovat yksi kansantautiryhmä, jonka
LisätiedotSoveltuuko vetovoimamalli seudullisuuden ja seudullisten vaikutusten arviointiin?
Tutkimuksen tavoitteena oli arvioida paikkatietopohjaisen vetovoimamallin soveltuvuutta kaupan palveluverkon suunnittelun ja vaikutusten arvioinnin välineeksi. Soveltuuko kuluttajan ostokäyttäytymisen
LisätiedotGeoinformatiikan maisteriohjelman (GIMP) toteutus Teknillisessä Korkeakoulussa. GIMP tiedotustilaisuus Ari Jolma, prof. (geoinformatiikka)
Geoinformatiikan maisteriohjelman (GIMP) toteutus Teknillisessä Korkeakoulussa GIMP tiedotustilaisuus 6.4.2006 Ari Jolma, prof. (geoinformatiikka) Maisteriopinnot TKK:lla muodostuvat neljästä 20 pisteen
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
LisätiedotJohdatus tilastotieteeseen 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
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotPientalojen radonpitoisuuksien tilastollinen analyysi
Pientalojen radonpitoisuuksien tilastollinen analyysi (Valmiin työn esittely) 11.4.2011 Ohjaaja: DI Jirka Poropudas Valvoja: Prof. Raimo Hämäläinen Sisältö 1. Tausta 2. Tavoitteet 3. Menetelmät 4. Tulokset
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin erusteet, kevät 007 Regressiomallin (selittäjien valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin erusteet, kevät 2007 10. luento: Regressiomallin (selittäjien) valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
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
LisätiedotTUKIMATERIAALI: Arvosanan kahdeksan alle jäävä osaaminen
MAANTIETO Maantiedon päättöarvioinnin kriteerit arvosanalle 8 ja niitä täydentävä tukimateriaali Opetuksen tavoite Sisältöalueet Maantieteellinen tieto ja ymmärrys T1 tukea oppilaan jäsentyneen karttakuvan
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
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
LisätiedotTarkastusmuistio Poliisin toimintojen yhdistäminen ja liikennevalvonnan määrä
Tarkastusmuistio Poliisin toimintojen yhdistäminen ja liikennevalvonnan määrä Liittyy tarkastukseen: 5/2019 Poliisin liikennevalvonta Tekijä: Ville Vehkasalo Päivämäärä: 24.9.2018 Diaarinumero: 248/54/2017
LisätiedotAlueellisen liikkuvuuden ja monipaikkaisuuden mahdollisuudet ja seuraukset
Alueellisen liikkuvuuden ja monipaikkaisuuden mahdollisuudet ja seuraukset VN TEAS hanke 2/2018 12/2019 Elena Ahonen (4Front), Eeva Alho (PTT), Juho Alasalmi (PTT), Laura Ansala (PTT), Veera Holappa (PTT),
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 V ls. Uusintamahdollisuus on rästitentissä.. ke 6 PR sali. Siihen tulee ilmoittautua WebOodissa 9. 8.. välisenä aikana. Soveltuvan
LisätiedotSpatiaalista mallinnusta pistedatalla: kyselypohjainen analyysi koetusta terveydestä ja turvattomuudesta Helsingin metropolialueella
SOSIAALILÄÄKETIETEELLINEN AIKAKAUSLEHTI 2014: 51 253 271 A r t i k k e l i Spatiaalista mallinnusta pistedatalla: kyselypohjainen analyysi koetusta terveydestä ja turvattomuudesta Helsingin metropolialueella
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
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotMonitasomallit koulututkimuksessa
Metodifestivaali 9.5.009 Monitasomallit koulututkimuksessa Mitä ihmettä? Antero Malin Koulutuksen tutkimuslaitos Jyväskylän yliopisto 009 1 Tilastollisten analyysien lähtökohta: Perusjoukolla on luonnollinen
LisätiedotMat 2.4177 Operaatiotutkimuksen projektityöseminaari
Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kemira GrowHow: Paikallisen vaihtelun korjaaminen kasvatuskokeiden tuloksissa 21.2.2008 Ilkka Anttila Mikael Bruun Antti Ritala Olli Rusanen Timo Tervola
LisätiedotGIS-jatkokurssi. Viikko 4: Spatiaalinen statistiikka. Harri Antikainen
GIS-jatkokurssi Viikko 4: Spatiaalinen statistiikka Harri Antikainen Spatiaalinen statistiikka Spatiaalinen tilastotiede (spatial statistics) Maantieteessä ollaan usein kiinnostuttu siitä, onko jossain
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
LisätiedotLuonnontieteellinen tiedekunta Sivuaineinfo. Katri Suorsa
Luonnontieteellinen tiedekunta Sivuaineinfo Katri Suorsa 08.09.2017 Monipuolinen luonnontieteellinen Tutkintoohjelmat Luonnontieteellinen tiedekunta: - Biologia - Maantiede - Matemaattiset ja fysikaaliset
LisätiedotSpatiaalinen autokorrelaatio maantieteellisessä mallintamisessa
Spatiaalinen autokorrelaatio maantieteellisessä mallintamisessa Juha Oksanen Kandidaatintyö Oulun Yliopisto Maantiede Oulu, 25. huhtikuuta 2016 Sisältö 1 Johdanto 1 2 Spatiaalinen autokorrelaatio 3 2.1
LisätiedotMiten tukea luokanopettajaopiskelijoiden myönteistä suhtautumista yhdessä työskentelyyn?!
Miten tukea luokanopettajaopiskelijoiden myönteistä suhtautumista yhdessä työskentelyyn?! Anne Virtanen*, Johanna Pöysä-Tarhonen*, Piia Näykki**, Päivi Häkkinen* & Sanna Järvelä**! *Jyväskylän yliopisto,
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
LisätiedotMiten tunnistetaan maisemallisesti herkät talousmetsäalueet?
Miten tunnistetaan maisemallisesti herkät talousmetsäalueet? Metsämaiseman herkkyysluokitus Kainuun ja Kuusamon vaaramaan alueella Ron Store ja Eeva Karjalainen Metsäntutkimuslaitos Maisema, virkistyskäyttö
LisätiedotAvoin paikkatieto tutkimuksessa ja opetuksessa
ProGIS ry kevätseminaari 19.4.2012 Avoin paikkatieto tutkimuksessa ja opetuksessa Geotieteiden ja maantieteen laitos, Helsingin ylopisto tuuli.toivonen@helsinki.fi Suomessa lukioita ~ 450 Geoinformatiikkaa
LisätiedotHarjoitukset 2 : Monimuuttujaregressio (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 2 : Monimuuttujaregressio (Palautus 24.1.2017) Tämän harjoituskerran tarkoitus
LisätiedotGIS hyvinvointitieteissä Case: MOPO-tutkimus
GIS hyvinvointitieteissä Case: MOPO-tutkimus Soile Puhakka Oulun yliopisto, Maantieteen tutkimusyksikkö Riitta Pyky Luonnonvarakeskus / ODL Liikuntaklinikka www.tuunaamopo.fi Maantieteellisen aineiston
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
LisätiedotKokemuksia paikkatietotaitojen verkko-opetuksesta
Kokemuksia paikkatietotaitojen verkko-opetuksesta PaikkaOppi -hanke 2008-2012 Lounaispaikan Paikkatietopäivä 20.9.2012 Juha Riihelä Turun yliopisto PaikkaOppi pähkinänkuoressa Pilottihanke, jossa kehitettiin
LisätiedotJohdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
LisätiedotSosiaalisen paikkatiedon keruu hyvinvointimatkailun kehittämisessä ja matkailijoiden kiinnostus luonnontuotteisiin liittyviin palveluihin
Sosiaalisen paikkatiedon keruu hyvinvointimatkailun kehittämisessä ja matkailijoiden kiinnostus luonnontuotteisiin liittyviin palveluihin Sini Kantola, Luonnonvarakeskus Voimametsät-hanke Hankkeen vetäjä:
Lisätiedot1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta...
JHS 160 Paikkatiedon laadunhallinta Liite III: Otanta-asetelmat Sisällysluettelo 1. Johdanto... 2 2. Todennäköisyysotanta... 2 2.1 Yksinkertainen satunnaisotanta... 3 2.2 Ositettu otanta... 3 2.3 Systemaattinen
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
LisätiedotKorrelaatiokertoinen määrittely 165
kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä
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:
LisätiedotMiten tehdä onnistunut projektisuunnitelma 10 vinkkiä
Miten tehdä onnistunut projektisuunnitelma 10 vinkkiä Consultor Finland Oy Aluksi Suunnitelmien tekeminen on meille jokaiselle arkipäivää. Suunnitelmiin voi kuulua ostoksille menoa, illallista ja television
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
LisätiedotSijainnin merkitys Itellassa GIS. Jakelun kehittämisen ajankohtaispäivä
Jakelun kehittämisen ajankohtaispäivä Karttajärjestelmällä havainnollisuutta, tehokkuutta ja parempaa asiakaspalvelua Käytännön kokemuksia pilotoinneista ja käytössä olevista karttajärjestelmistä Juha
LisätiedotLiite artikkeliin Intohimo tasa-arvoon
Liite artikkeliin Intohimo tasa-arvoon Menetelmäkuvaus Artikkelissa käytetty regressiomalli on ns. binäärinen logistinen monitasoregressiomalli. Monitasoanalyysien ideana on se, että yksilöiden vastauksiin
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
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotTyypin 2 diabetes: omaseurannalla saavutettavat liikkumiskustannussäästöt
Tyypin 2 diabetes: omaseurannalla saavutettavat liikkumiskustannussäästöt Aapeli Leminen Nuorempi tutkija Historia- ja maantieteiden laitos Itä-Suomen yliopisto, Joensuu 30.8.2018 Aapeli Leminen 1 30.8.2018
LisätiedotMaantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa
Maantieteellisen alueen huomioiminen vahinkovakuutustuotteiden hinnoittelussa SHV-harjoitustyö (suppea) Teija Talvensaari Suomen Aktuaariyhdistyksen kuukausikokous 27.10.2014 Esityksen sisältö Johdanto
LisätiedotToisen asteen koulutuksen läpäisy ja keskeyttäminen
Toisen asteen koulutuksen läpäisy ja keskeyttäminen Vuosina 2001 ja 2006 toisen asteen opinnot aloittaneiden seurantatutkimus Simo Aho Ari Mäkiaho Tutkimuksen tavoitteet 1) Kuinka yleistä on toisen asteen
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä mallin sovittamisessa
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
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
LisätiedotPD-indeksin päivitysraportti Erikoistutkija Oskari Harjunen Helsingin kaupungin tietokeskus
PD-indeksin päivitysraportti 24.5.206 Erikoistutkija Oskari Harjunen Helsingin kaupungin tietokeskus Toimeksianto Helsingin Opetusvirasto on tilannut Helsingin kaupungin tietokeskukselta päivitetyt laskelmat
LisätiedotHabits of Mind- 16 taitavan ajattelijan toimintatapaa
Habits of Mind- 16 taitavan ajattelijan toimintatapaa (Costa & Kallick, 2000) Päivi Nilivaara 2018 Habits of Mind Tapoja, miten taitavat ajattelijat toimivat uusissa tilanteissa ja kohdatessaan ongelmia,
LisätiedotHarjoitukset 5 : Differences-in-Differences - mallit (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 5 : Differences-in-Differences - mallit (Palautus 14.3.2017) Tämän harjoituskerran
LisätiedotUsean selittävän muuttujan regressioanalyysi
Tarja Heikkilä Usean selittävän muuttujan regressioanalyysi Yhden selittävän muuttujan regressioanalyysia on selvitetty kirjan luvussa 11, jonka esimerkissä18 muodostettiin lapsen syntymäpainolle lineaarinen
LisätiedotHENKILÖAINEIS- TOT JA PAIKKATIETO
HENKILÖAINEIS- TOT JA PAIKKATIETO Pasi Haapakorva 13.12.2018 Henkilöaineistot ja paikkatieto / Pasi Haapakorva 1 SISÄLTÖ 1. Tutkimusryhmä 2. Kohorttiaineisto 3. Paikkatieto ja yhdistäminen 4. Tuloksia
LisätiedotMetsän hinta Suomessa v kauppahintatutkimuksen tulokset. Maanmittauspäivät Esa Ärölä
1 Metsän hinta Suomessa v. 2015 2016 kauppahintatutkimuksen tulokset Maanmittauspäivät 28.3.2019 Esa Ärölä Kauppahintatutkimuksen tavoitteet 2 Laserkeilaukseen perustuvalla kaukokartoitusmenetelmällä tuotetun
LisätiedotPaikkatietoratkaisut markkinoinnin apuvälineenä. Käyttökohteet ja käytännön hyödyt Ilkka Suojanen
Paikkatietoratkaisut markkinoinnin apuvälineenä Käyttökohteet ja käytännön hyödyt Ilkka Suojanen Sisältö ESRI Kysynnän ja tarjonnan kohtaaminen sekä tulevaisuuden tarpeet Markkinointi, myynti ja jakelun
LisätiedotVerkostoanalyysi yritysten verkostoitumista tukevien EAKRhankkeiden arvioinnin menetelmänä. Tamás Lahdelma ja Seppo Laakso
Verkostoanalyysi yritysten verkostoitumista tukevien EAKRhankkeiden arvioinnin menetelmänä Tamás Lahdelma ja Seppo Laakso Euroopan aluekehitysrahasto-ohjelmien arviointi alueellisten osaamisympäristöjen
LisätiedotOptimal Harvesting of Forest Stands
Optimal Harvesting of Forest Stands (Presentation of the Complete Work) 11 April 2011 Instructor: Janne Kettunen Supervisor: Ahti Salo Tausta Ass. Prof. Janne Kettunen käsittelee osana väitöskirjatyötään
Lisätiedot(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.
2. VÄLIKOE vuodelta -14 1. Liitteessä 1 on esitetty R-ohjelmalla saatuja tuloksia aineistosta, johon on talletettu kahdenkymmenen satunnaisesti valitun miehen paino (kg), vyötärön ympärysmitta (cm) ja
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
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
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
LisätiedotHarjoitukset 6 :IV-mallit (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 6 :IV-mallit (Palautus 21.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotLaboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät
Jarmo Koskiniemi Maataloustieteiden laitos Helsingin yliopisto 0504151624 jarmo.koskiniemi@helsinki.fi 03.12.2015 Kolkunjoen taimenten geneettinen analyysi Näytteet Mika Oraluoma (Vesi-Visio osk) toimitti
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
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
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
LisätiedotSelittävätkö hyvinvointierot odotettua alhaisempaa poismuuttoa eräiltä korkean työttömyyden alueilta?
Selittävätkö hyvinvointierot odotettua alhaisempaa poismuuttoa eräiltä korkean työttömyyden alueilta? Olli Lehtonen & Markku Tykkyläinen Johdanto Kaupunkien kasvaessa työvoiman tarve käynnistää valikoivia
LisätiedotMTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
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
LisätiedotMAANTIETEEN TUTKINTO-OHJELMA
1 MAANTIETEEN TUTKINTO-OHJELMA Lokakuu 2015 2 OULUN YLIOPISTO Perustettu 1958 9 tiedekuntaa 16 000 opiskelijaa 3 000 työntekijää Suomen suurimpia ja monitieteisimpiä yliopistoja Maailman pohjoisin maantieteen
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
LisätiedotPaikkatiedon opetuksen haasteita ja uusia ratkaisuja. PaikkaOppi-hanke. Helsinki Juha Riihelä.
Paikkatiedon opetuksen haasteita ja uusia ratkaisuja PaikkaOppi-hanke Helsinki 11.11.2010 Juha Riihelä PaikkaOppi pähkinänkuoressa Pilottihankkeen tavoitteena on kehittää maantieteen, ympäristöntutkimuksen
Lisätiedot