Tidsserier och Prognoser
|
|
- Maja Pettersson
- för 8 år sedan
- Visningar:
Transkript
1 Tidsserier och Prognoser Mattias Villani Sveriges Riksbank och Stockholms Universitet Stockholm, Oktober 2008 Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
2 Översikt Tidsserier, Beroende och Autokorrelation Prognoser Autoregressiva Modeller Exempel Försäljning och reklamkostnad OMX aktieindex Spam lter Auktionspriser på ebay Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
3 Tidsserier och Beroende Tidserie: Ett antal observationer x 1, x 2,..., x T, som är ordnade i tiden. Observationen vid tidpunkt t betecknas alltmänt som x t. Karaktärsdrag hos tidsserier: observationerna är vanligtvis inte oberoende. Detta komplicerar den statistiska analysen, men gör den också mer intressant. Andra data med beroende: Rumsliga (spatiala) och Longitudinella. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
4 Autokorrelation Vi är nu intresserade av mer än väntevärdet µ och variansen σ 2. Hur ser beroendet mellan observationer ut? Ett mått på beroende mellan två stokastiska variabler x och y: korrelationskoe cienten ρ = Korr(x, y). Ett mått på beroendet mellan observationer i en tidsserie är autokorrelationsfunktionen (ACF, autokorrelation=korrelation med sig själv) ρ j = Korr(x t, x t j ), (j = 1, 2,...) ρ j är alltså den vanliga korrelationskoe cienten mellan två observationer som är j tidsenheter ifrån varandra. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
5 3500 Lydia Pinkham Data Försäljning Reklamkostnad Årtal
6
7 1.8 Simulerad AR(1) med φ = ACF x t Korr( x t, x t j ) Tid Tidsförskjutning (j) 1.4 Simulerad AR(1) med φ = ACF x t Korr( x t, x t j ) Tid Tidsförskjutning (j)
8 1.4 Simulerad AR(1) med φ = 0 1 ACF x t Korr( x t, x t j ) Tid Simulerad AR(2) med φ 1 = 1.5 och φ 2 = Tidsförskjutning (j) ACF x t Korr( x t, x t j ) Tid Tidsförskjutning (j)
9 Prognoser Prediktionsproblemet: Givet T observationer x 1, x 2,..., x T, vilken är vår bäst skattning av en ny observation x T +1? Osäkerhet. Vid oberoende observationer är ˆx T +1 = (x 1 + x x T )/T = x en rimlig punktskattning av x T +1. Men om observationerna är beroende? Ex. 1. Stark positiv autokorrelation: x T +1 bör vara hyfsat nära x T. ˆx T +1 = x T är en bättre prognos än ˆx T +1 = x. Ex. 2. Svag positiv autokorrelation: x T är inte speciellt informativ angående x T +1. ˆx T +1 = x är en bättre prognos än ˆx T +1 = x T. Ex. 3. Lagom positiv autokorrelation. Varför inte kombinera x och x T, t ex: ˆx T +1 = a x T + (1 a) x. Hur väljer vi a? a = ρ? Hur gör vi prognoser längre fram i tiden? T ex prognosen för x T +2 givet data t o m tidpunkt T. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
10 Diagram 2. KPI med osäkerhetsintervall Årlig procentuell förändring Utfall Prognos 90 % 75 % 50 % Källor: SCB och Riksbanken
11 Disciplin - Modeller för tidsserier Det börjar bli dags för lite disciplin. Vi behöver en modell för tidsserier. Utgångspunkt: förklara dagens värde x t med hjälp av gårdagens värde x t 1. Kan vi använda linjär regression? Responsvariabel y t = x t och regressor x t 1 x t = γ + φx t 1 + ε t, där γ är ett intercept och ε t ober N(0, σ 2 ε ) är (regressions)modellens feltermer. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
12 Autoregressiva Modeller Denna modell kallas för en autoregressiv process av första ordningen, eller AR(1) x t = γ + φx t 1 + ε t, Om φ = 0, så är observationerna totalt oberoende av varandra. Vi måste skatta parametrarna. Precis samma estimationsmetod som i regressionsfallet. Varje modell innebär en viss autokorrelationsstruktur. För AR(1) modellen är den väldigt enkel: Korr(x t, x t j ) = φ j, om φ < 1 så blir korrelationerna svagare när tidsavståndet mellan två observationer ökar. Dvs x t är mer korrelerad med x t 1 än med x t 2 etc. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
13 Prognoser med AR(1) modellen Det betingade väntevärdet är en allmän punktprognos: ˆx T +1 = E (x T +1 jx 1,..., x T ) = γ + φx T. Prognoser längre fram i tiden ( erstegsprognoser) ˆx T +2 = E (x T +2 jx 1,..., x T ) = γ + φˆx T +1 osv. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
14 RMSE Chart 6. Accuracy of alternative models forecasts of UND1X inflation, GDP growth and the policy rate. Per cent UND1X forecasts Forecast horizon (quarters) RAMSES BVAR RB AR(1)
15 AR(p) modellen AR(1) modellen säger: Observationerna x 1, x 2,..., x T 1 innehåller ingen ytterligare information om framtiden utöver x T. Ge mig x T och jag kan kasta bort resten av observationerna när jag gör prognoser framåt. Detta antagande håller inte för att alla tidsserier. Mer generell modell, autoregressiv process av p:te ordningen AR(p): x t = γ + φ 1 x t 1 + φ 2 x t φ p x t p + ε t. Ger en mer exibel autokorrelationsstruktur. Prognoser med en AR(p) modell görs på i princip samma sätt som i fallet p = 1, se Newbold et al. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
16 Vad gör prognosen osäker? Hur väljer man den s k laglängden, p? Detta är i grunden samma problem som att välja regressorer i en multipel regression, och samma metoder kan användas. Diagnostik. Anpassa en modell med en viss laglängd. Beräkna tidsseriens residualer. Beräkna ACF:en för dessa residualer. Har modellen sugit upp all autokorrelation, dvs är residualerna oberoende? Osäkerhetskällor: i) framtida störningar (ε) ii) parameterosäkerhet (vi känner inte modellens verklliga parametervärden) iii) modellosäkerhet (vi känner inte till den verkliga laglängden). Det som verkligen stör nattsömnen: Följer data verkligen en AR process? Simulera din modell till döds. Ser modellens simulerade data verkligen ut som faktiska data? Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
17 Exempel 1 - OMX aktieindex Aktieindex är svåra (omöjliga?) att prognosticera. Variansen (volatiliteten) kan dock prognosticeras. Det nns en hel drös med modeller för en tidsseries varians. (G)ARCH. Nobelpris: Engle. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
18 1600 OMXS aktieindex Stängningsnotering 1400 OMXS30 index Tid Daglig avkastning in % för OMXS Daglig avkastning på OMXS aktieindex Tid
19 12 10 Kan jag förutsäga OMXS imorgon? OMXS avkastning Regressionslinje 8 6 OMXS avkastning imorgon OMXS avkastning idag
20 Exempel 2 - Lydia Pinkham Anpassing av AR(1) process till försäljning: γ = 148.3, φ = 0.92 och σ = Anpassing av AR(1) process till reklamkostnad: γ =163.8, φ = 0.83 och σ = Kan vara intressant med modellen: Sales t = γ + φ Sales t 1 + λ Advert t 1 + ε t. Men påverkas inte nästa års reklambudget av årets försäljning? Feedback. Multivariat modell (VAR). Sales t Advert t ser mer stabil ut än Sales t och Advert t själva. Kointegration. Nobelpris: Granger. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
21 3500 Lydia Pinkham Data Försäljning Reklamkostnad Årtal
22 Lydia Pinkham Data Försäljning Reklamkostnad Prognos Försäljning Prognos Reklamkostnad Årtal
23 Exempel 3 - Spam lter Gå igenom dina mejl och markera varje mejl med Spam (1) eller Inget Spam (0). Denna dikotoma variabel (antar bara två värden 0 eller 1) är din responsvariabel. Ett spam lter försöker prediktera denna dikotoma variabel för varje mejl som kommer in. Lämplig modell för oberoende dikotoma variabler: Bernoullimodellen y ober Bernoulli(θ), där θ är sannolikheten för att y = 1. Rimlig skattning av θ ges av andelen 1:or i stickprovet. George s exempeldata: ˆθ = Bernoullimodellen är inte till någon större hjälp om vi vill prognosticera hurvida ett mejl är spam eller ej. Vi behöver mer information. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
24 Forts spam lter Låt ett textbehandlingsprogram gå igenom alla dina mejl för att läsa av hur ofta vissa ord används i mejlet. Hur ofta nns t ex ordet free? Tecknen $ eller!? Hur stor andel av bokstäverna är versaler? Varje ord, tecken eller versalkvantitet bildar en kovariat/regressor. Skatta en logistisk regression med Spam (0 eller 1) som respons. I en logistisk regression beror θ = Pr(y = 1) på kovariater. Nobelpris: McFadden. Är mitt nästa mejl spam? Använd textbehandlingsprogrammet för att beräkna kovariaterna för detta mejl. Prognosproblem: Vad är Pr(Spam = 1 j Kovariatvärdena i det nya mejlet)? Enkelt med den logistiska regressionen. Beslutsproblem: Vilket tröskelvärde ska jag använda för att skicka mejlet till JunkMail folder? Asymetriskt: jag vill verkligen undvika att klassi ciera ett mejl som spam om det inte är det. Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
25 Summary of Bayesian Inference with Variable Selection Author: Mattias Villani, Stockholm University and Sveriges Riksbank October 12, :28: Data loaded from file 'SpamData.txt' observations. Parameter Mode Mean Stdev (Hess) Stdev (MCMC) t Ratio Incl Prob Ineff our over remove internet free hpl ! $ CapRunMax CapRunTotal Const hp george re edu
26 Exempel 4 - Auktionspriser på ebay På sajten ebay.com säljs alla möjliga saker på auktion över internet. Budgivningen utgår från säljarens minimipris och pågår till en av säljaren bestämd sluttidpunkt. Antalet budgivare är stokastiskt, ibland blir objektet inte sålt alls. Data för en given auktion: En hel sekvens av bud från olika budgivare Detaljerad information on objektet (text och bild) Detaljerad information om säljaren (köparnas rating av säljare, såld volym etc). Säljarens minimipris Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
27 Forts. auktionspriser på ebay Bertil Wegmann (Stat inst SU) och jag har analyserat data från 1000 myntauktioner. Mycket strategi i en auktion. Spelteoretisk modell. Optimala bud (Nash-jämvikt). Nobelpris: Nash och Vickrey. Vi ska här titta på prognoser av försäljningspris i två auktioner som inte var med i estimationsurvalet (out-of-sample). Mattias Villani () Tidsserier och Prognoser Stockholm, Oktober / 16
28 0.4 Auktion 1 Pr(Pris = Inget bud) = Pr(Pris = Minimipris) = Pristäthet n>1 Faktiskt pris Värdering Minimipris 0.2 Auktion 2 Pr(Pris = Inget bud) = Pr(Pris = Minimipris) = Täthet 0.2 Täthet Auktionspris Auktionspris
ARIMA del 2. Patrik Zetterberg. 19 december 2012
Föreläsning 8 ARIMA del 2 Patrik Zetterberg 19 december 2012 1 / 28 Undersöker funktionerna ρ k och ρ kk Hittills har vi bara sett hur autokorrelationen och partiella autokorrelationen ser ut matematiskt
Läs merLinjär regressionsanalys. Wieland Wermke
+ Linjär regressionsanalys Wieland Wermke + Regressionsanalys n Analys av samband mellan variabler (x,y) n Ökad kunskap om x (oberoende variabel) leder till ökad kunskap om y (beroende variabel) n Utifrån
Läs merStokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012
Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merTillämpad statistik (A5), HT15 Föreläsning 10: Multipel linjär regression 1
Tillämpad statistik (A5), HT15 Föreläsning 10: Multipel linjär regression 1 Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-19 Motivering Vi motiverade enkel linjär regression som ett
Läs merTentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''
Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.'' Hjälpmedel:'Valfri'räknare,'egenhändigt'handskriven'formelsamling'(4''A4Esidor'på'2'blad)' och'till'skrivningen'medhörande'tabeller.''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
Läs merKorrelation och autokorrelation
Korrelation och autokorrelation Låt oss begrunda uttrycket r = i=1 (x i x) (y i y) n i=1 (x i x) 2 n. i=1 (y i y) 2 De kvadratsummor kring de aritmetiska medelvärdena som står i nämnaren är alltid positiva.
Läs merSamverkande Expertnät
1 Samverkande Expertnät 2 3 1 2 3 Parallella nätverk Sammanvägning av svaren Två olika fördelar Utjämna egenheter hos nätverken Låt nätverken specialisera sig Egenskaper hos ett enkelt nätverk Överträning
Läs merAutokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012
Föreläsning 6 Autokorrelation och Durbin-Watson testet Patrik Zetterberg 17 december 2012 1 / 14 Korrelation och autokorrelation På tidigare föreläsningar har vi analyserat korrelationer för stickprov
Läs merFinansiell statistik
Finansiell statistik Föreläsning 5 Tidsserier 4 maj 2011 14:26 Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs
Läs mera) Vad är sannolikheten att det tar mer än 6 sekunder för programmet att starta?
Tentamen i Matematisk statistik, S0001M, del 1, 2008-01-18 1. Ett företag som köper enheter från en underleverantör vet av erfarenhet att en viss andel av enheterna kommer att vara felaktiga. Sannolikheten
Läs mer732G71 Statistik B. Föreläsning 4. Bertil Wegmann. November 11, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 4 Bertil Wegmann IDA, Linköpings universitet November 11, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 11, 2016 1 / 34 Kap. 5.1, korrelationsmatris En korrelationsmatris
Läs merStatistik för ekonomer, Statistik A1, Statistik A (Moment 2) : (7.5 hp) Personnr:..
TENTAMEN Tentamensdatum 8-3-7 Statistik för ekonomer, Statistik A, Statistik A (Moment ) : (7.5 hp) Namn:.. Personnr:.. Tentakod: A3 Var noga med att fylla i din kod samt uppgiftsnummer på alla lösningsblad
Läs merFiloson bakom Bayesiansk statistik med tillämpningar inom hjärnavbildning och budgivningar på ebay
Filoson bakom Bayesiansk statistik med tillämpningar inom hjärnavbildning och budgivningar på ebay Bertil Wegmann STIMA, IDA, Linköpings universitet October 5, 2017 Bertil Wegmann, STIMA, IDA, LiU Bayesiansk
Läs merResultatet läggs in i ladok senast 13 juni 2014.
Matematisk statistik Tentamen: 214 6 2 kl 14 19 FMS 35 Matematisk statistik AK för M, 7.5 hp Till Del A skall endast svar lämnas. Samtliga svar skall skrivas på ett och samma papper. Övriga uppgifter fordrar
Läs merSkriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012
Statistiska Institutionen Patrik Zetterberg Skriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012 2013-01-18 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merk x om 0 x 1, f X (x) = 0 annars. Om Du inte klarar (i)-delen, så får konstanten k ingå i svaret. (5 p)
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSLÄRA OCH STATISTIK MÅNDAGEN DEN 17 AUGUSTI 2009 KL 08.00 13.00. Examinator: Gunnar Englund, tel. 790 74 16. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merFinansiell statistik. Multipel regression. 4 maj 2011
Finansiell statistik Föreläsning 4 Multipel regression Jörgen Säve-Söderbergh 4 maj 2011 Samband mellan variabler Vi människor misstänker ofta att det finns många variabler som påverkar den variabel vi
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 7. Multipel regression. (LLL Kap 15) Multipel Regressionsmodellen
Finansiell Statistik (GN, 7,5 hp,, HT 8) Föreläsning 7 Multipel regression (LLL Kap 5) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course,
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merSpridningsdiagram (scatterplot) Fler exempel. Korrelation (forts.) Korrelation. Enkel linjär regression. Enkel linjär regression (forts.
Spridningsdiagram (scatterplot) En scatterplot som visar par av observationer: reklamkostnader på -aeln and försäljning på -aeln ScatterplotofAdvertising Ependitures ()andsales () 4 Fler eempel Notera:
Läs merRegressions- och Tidsserieanalys - F1
Regressions- och Tidsserieanalys - F1 Kap 3: Enkel linjär regression Linda Wänström Linköpings universitet November 4, 2013 Wänström (Linköpings universitet) F1 November 4, 2013 1 / 25 Statistik B, 8 hp
Läs merRegressions- och Tidsserieanalys - F4
Regressions- och Tidsserieanalys - F4 Modellbygge och residualanalys. Kap 5.1-5.4 (t.o.m. halva s 257), ej C-statistic s 23. Linda Wänström Linköpings universitet Wänström (Linköpings universitet) F4 1
Läs merStatistik B Regressions- och tidsserieanalys Föreläsning 1
Statistik B Regressions- och tidsserieanalys Föreläsning Kurskod: 732G7, 8 hp Lärare och examinator: Ann-Charlotte (Lotta) Hallberg Lärare och lektionsledare: Isak Hietala Labassistenter Kap 3,-3,6. Läs
Läs merRegressions- och Tidsserieanalys - F1
Regressions- och Tidsserieanalys - F1 Kap 3: Enkel linjär regression Linda Wänström Linköpings universitet May 4, 2015 Wänström (Linköpings universitet) F1 May 4, 2015 1 / 25 Regressions- och tidsserieanalys,
Läs merEnkel linjär regression: skattning, diagnostik, prediktion. Multipel regression: modellval, indikatorvariabler
UPPSALA UNIVESITET Matematiska institutionen Jesper ydén Matematisk statistik 1MS026 vt 2014 DATOÖVNING MED : EGESSION I den här datorövningen studeras följande moment: Enkel linjär regression: skattning,
Läs mer9. Beräkna volymen av det område som begränsas av planet z = 1 och paraboloiden z = 5 x 2 y 2.
Tentamenskrivning för TMS63, Matematisk Statistik. Onsdag fm den 3 juni, 15, V-huset. Examinator: Marina Axelson-Fisk. Tel: 7-88113 Tillåtna hjälpmedel: typgodkänd miniräknare, tabell- och formelhäfte
Läs merDen Moderna Centralbankens Prognosmetod. Statistikfrämjandets årsmöte
Den Moderna Centralbankens Prognosmetod Statistikfrämjandets årsmöte Den moderna centralbanken Prognoser Prognosmetoder Prognosutvärderingar Den moderna centralbanken Fast Växelkurs Inflationsmål Flexibelt
Läs mera) Anpassa en trinomial responsmodell med övriga relevanta variabler som (icketransformerade)
5:1 Studien ifråga, High School and beyond, går ut på att hitta ett samband mellan vilken typ av program generellt, praktiskt eller akademiskt som studenter väljer baserat på olika faktorer kön, ras, socioekonomisk
Läs merStructural Equation Modeling med Amos Kimmo Sorjonen (2012-01-24)
1 Structural Equation Modeling med Amos Kimmo Sorjonen (2012-01-24) 1. Variabler och tänkt modell Data simulerar de som använts i följande studie (se Appendix A): Hull, J. G., & Mendolia, M. (1991). Modeling
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2011-10-25 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Lennart
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 23:E MAJ 2013 KL 14.00 19.00. Kursledare och examinator : Björn-Olof Skytt Tillåtna hjälpmedel: miniräknare, lathund
Läs merFigur 1. Skärmbild med markerade steg i videon. Diagram och tabell som visar positionerna som funktion av tiden.
Videomodellering I tillägg till videoanalys är det möjligt att skapa modeller i Tracker. Genom att använda en video av ett försök kan man utifrån denna skapa en modell som beskriver förloppet. Det finns
Läs merÖvningshäfte till kursen Regressionsanalys och tidsserieanalys
Övningshäfte till kursen Regressionsanalys och tidsserieanalys Linda Wänström October 31, 2010 1 Enkel linjär regressionsanalys (baserad på uppgift 2.3 i Andersson, Jorner, Ågren (2009)) Antag att följande
Läs merF14 Repetition. Måns Thulin. Uppsala universitet thulin@math.uu.se. Statistik för ingenjörer 6/3 2013 1/15
1/15 F14 Repetition Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 6/3 2013 2/15 Dagens föreläsning Tentamensinformation Exempel på tentaproblem På kurshemsidan finns sex gamla
Läs mer732G71 Statistik B. Föreläsning 1, kap Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20
732G71 Statistik B Föreläsning 1, kap. 3.1-3.7 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20 Exempel, enkel linjär regressionsanalys Ett företag vill veta
Läs merMULTIPEL IMPUTATION - Ett sätt att hantera problemet med missing data
MULTIPEL IMPUTATION - Ett sätt att hantera problemet med missing data Pär-Ola Bendahl IKVL, Avdelningen för Onkologi Lunds Universitet Par-Ola.Bendahl@med.lu.se Översikt Introduktion till problemet Enkla
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (8 uppgifter) Tentamensdatum 2012-01-13 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Ove
Läs merStatistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU
Statistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU KURSENS INNEHÅLL Statistiken ger en empirisk grund för ekonomin. I denna kurs betonas statistikens idémässiga bakgrund och
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2013-01-18 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Ove
Läs merInference in multiplicative pricing
Inference in multiplicative pricing Tariffanalysis med svaga antaganden Föredrag i aktuarieföreningen 2015-11-26 Stig Rosenlund Metoderna är implementerade i programspråket Rapp. För att hitta Rapp på
Läs mer1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att
Läs merMatematisk statistik allmän kurs, MASA01:B, HT-14 Laboration 2
Lunds universitet Matematikcentrum Matematisk statistik Matematisk statistik allmän kurs, MASA01:B, HT-14 Laboration 2 Rapporten till den här laborationen skall lämnas in senast den 19e December 2014.
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Onsdag 1 november 2006, Kl 08.15-13.15
Tentamen i Statistik, STA A och STA A13 (9 poäng) Onsdag 1 november 00, Kl 0.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema och tabellsamling (dessa skall returneras). Egen miniräknare.
Läs merRegressionsanalys av huspriser i Vaxholm
Regressionsanalys av huspriser i Vaxholm Rasmus Parkinson Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics Kandidatuppsats 2015:19 Matematisk statistik Juni 2015 www.math.su.se
Läs merKursombud sökes! Kursens syfte är att ge en introduktion till metoder för att förutsäga realtidsegenskaper hos betjäningssystem, i synnerhet för data- och telekommunikationssystem. Såväl enkla betjäningssystem,
Läs merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Linda Wänström. Omtentamen i Regressionsanalys
STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Linda Wänström Omtentamen i Regressionsanalys 2009-01-08 Skrivtid: 9.00-14.00 Godkända hjälpmedel: Miniräknare utan lagrade formler. Tentamen består
Läs merFöreläsning 6 (kap 6.1, 6.3, ): Punktskattningar
Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)
Läs merLäs noggrant informationen nedan innan du börjar skriva tentamen
Tentamen i Statistik 1: Undersökningsmetodik Ämneskod S0006M Totala antalet uppgifter: Totala antalet poäng Lärare: Mykola Shykula 5 25 Tentamensdatum 2014-05-15 Skrivtid 09.00-14.00 Jourhavande lärare:
Läs merVad Betyder måtten MAPE, MAD och MSD?
Vad Betyder måtten MAPE, MAD och MSD? Alla tre är mått på hur bra anpassningen är och kan användas för att jämföra olika modeller. Den modell som har lägst MAPE, MAD och/eller MSD har bäst anpassning.
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression LABORATION 5 MATEMATISK STATISTIK AK FÖR CDE, FMS012, VT08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 5 MATEMATISK STATISTIK AK FÖR CDE, FMS012, VT08 Laboration 5: Regressionsanalys Syftet med den här laborationen är att du skall
Läs mer1/23 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/23 REGRESSIONSANALYS F4 Linda Wänström Statistiska institutionen, Stockholms universitet 2/23 Multipel regressionsanalys Multipel regressionsanalys kan ses som en utvidgning av enkel linjär regressionsanalys.
Läs merPerspektiv på den låga inflationen
Perspektiv på den låga inflationen PENNINGPOLITISK RAPPORT FEBRUARI 7 Inflationen blev under fjolåret oväntat låg. Priserna i de flesta undergrupper i KPI ökade långsammare än normalt och inflationen blev
Läs mer732G71 Statistik B. Föreläsning 7. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29
732G71 Statistik B Föreläsning 7 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29 Detaljhandelns försäljning (fasta priser, kalenderkorrigerat) Bertil Wegmann
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merÖvningshäfte till kursen Regressionsanalys och tidsserieanalys
Övningshäfte till kursen Regressionsanalys och tidsserieanalys Linda Wänström April 8, 2011 1 Enkel linjär regressionsanalys (baserad på uppgift 2.3 i Andersson, Jorner, Ågren (2009)) Antag att följande
Läs mer5 Kontinuerliga stokastiska variabler
5 Kontinuerliga stokastiska variabler Ex: X är livslängden av en glödlampa. Utfallsrummet är S = x : x 0}. X kan anta överuppräkneligt oändligt många olika värden. X är en kontinuerlig stokastisk variabel.
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs merÖVNINGSUPPGIFTER KAPITEL 9
ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar
Läs merStatistik och epidemiologi T5
Statistik och epidemiologi T5 Anna Axmon Biostatistiker Yrkes- och miljömedicin Dagens föreläsning Fördjupning av hypotesprövning Repetition av p-värde och konfidensintervall Tester för ytterligare situationer
Läs merLektionsanteckningar 2: Matematikrepetition, tabeller och diagram
Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram 2.1 Grundläggande matematik 2.1.1 Potensfunktioner xmxn xm n x x x x 3 4 34 7 x x m n x mn x x 4 3 x4 3 x1 x x n 1 x n x 3 1 x 3 x0 1 1
Läs merTentamensgenomgång och återlämning: Måndagen 9/6 kl12.00 i B413. Därefter kan skrivningarna hämtas på studentexpeditionen, plan 7 i B-huset.
Statistiska institutionen Nicklas Pettersson Skriftlig tentamen i Finansiell Statistik Grundnivå 7.5hp, VT2014 2014-05-26 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 11 & 12 Johan Lindström 5 & 14 oktober 2015 Johan Lindström - johanl@maths.lth.se FMS086/MASB02 F11 1/27 Johan Lindström - johanl@maths.lth.se
Läs merlära dig tolka ett av de vanligaste beroendemåtten mellan två variabler, korrelationskoefficienten.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FMS035: MATEMATISK STATISTIK FÖR M DATORLABORATION 5, 11 MAJ 2012 Syfte Syftet med dagens laboration är att du ska lära dig tolka ett av de
Läs merFöreläsning 14: Försöksplanering
Föreläsning 14: Försöksplanering Matematisk statistik Chalmers University of Technology Oktober 14, 2015 Modellbeskrivning Vi har gjort mätningar av en responsvariabel Y för fixerade värden på förklarande
Läs mer1. Lära sig plotta en beroende variabel mot en oberoende variabel. 2. Lära sig skatta en enkel linjär regressionsmodell
Datorövning 1 Regressions- och tidsserieanalys Syfte 1. Lära sig plotta en beroende variabel mot en oberoende variabel 2. Lära sig skatta en enkel linjär regressionsmodell 3. Lära sig beräkna en skattning
Läs merSummor av slumpvariabler
1/22 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 8/2 2013 2/22 Dagens föreläsning Väntevärde och varians Vanliga kontinuerliga fördelningar Parkeringsplatsproblemet
Läs merMultipel Regressionsmodellen
Multipel Regressionsmodellen Koefficienterna i multipel regression skattas från ett stickprov enligt: Multipel Regressionsmodell med k förklarande variabler: Skattad (predicerad) Värde på y y ˆ = b + b
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall
Läs merSTOCKHOLMS UNIVERSITET HT 2011 Statistiska institutionen Bertil Wegmann
STOCKHOLMS UNIVERSITET HT 2011 Statistiska institutionen Bertil Wegmann KURSBESKRIVNING FÖR FINANSIELL STATISTIK, 7.5 HÖGSKOLEPOÄNG. KURSEN BESTÅR AV TVÅ MOMENT: Teori, skriftlig tentamen, 6 högskolepoäng
Läs merFöreläsning 12: Linjär regression
Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera
Läs merTentamen MVE300 Sannolikhet, statistik och risk
Tentamen MVE3 Sannolihet, statisti och ris 215-6-4 l. 8.3-13.3 Examinator: Johan Jonasson, Matematisa vetensaper, Chalmers Telefonvat: Johan Jonasson, telefon: 76-985223 31-7723546 Hjälpmedel: Typgodänd
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
Läs merF19, (Multipel linjär regression forts) och F20, Chi-två test.
Partiella t-test F19, (Multipel linjär regression forts) och F20, Chi-två test. Christian Tallberg Statistiska institutionen Stockholms universitet Då man testar om en enskild variabel X i skall vara med
Läs merSkrivning i ekonometri torsdagen den 8 februari 2007
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STA2:3 Skrivning i ekonometri torsdagen den 8 februari 27. Vi vill undersöka hur variationen i lön för 2 belgiska löntagare = WAGE (timlön i euro)
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merLULEÅ TEKNISKA UNIVERSITET Ämneskod S0006M Institutionen för matematik Datum 2009-12-17 Skrivtid 0900 1400
LULEÅ TEKNISKA UNIVERSITET Ämneskod S0006M Institutionen för matematik Datum 2009-12-17 Skrivtid 0900 1400 Tentamen i: Statistik 1, 7.5 hp Antal uppgifter: 5 Krav för G: 11 Lärare: Robert Lundqvist, tel
Läs merMissing data och imputation eller Får man hitta på data? Lars Lindhagen, UCR 2014-05-21
Missing data och imputation eller Får man hitta på data? Lars Lindhagen, UCR 2014-05-21 Inledning Saknat data finns alltid, åtminstone i stora registerstudier. Ett problem som måste hanteras på något sätt.
Läs merAnalys av bostadsrättspriset i Stockholms innerstad
Analys av bostadsrättspriset i Stockholms innerstad En multipel linjär regression Kandidatexamensarbete i Teknisk Fysik Anda Zhang andaz@kth.se Handledare Boualem Djehiche Avdelningen för Matematisk Statistik
Läs merLösningar till SPSS-övning: Analytisk statistik
UMEÅ UNIVERSITET Statistiska institutionen 2006--28 Lösningar till SPSS-övning: Analytisk statistik Test av skillnad i medelvärden mellan två grupper Uppgift Testa om det är någon skillnad i medelvikt
Läs merPrognostisering av växelkursindexet KIX En jämförande studie. Forecasting the exchange rate index KIX A comparative study
Kandidatuppsats Statistiska institutionen Bachelor thesis, Department of Statistics Nr 2013:14 Prognostisering av växelkursindexet KIX En jämförande studie Forecasting the exchange rate index KIX A comparative
Läs merFMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 9,
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 9, 8-5-4 EXEMPEL: Hur mycket kunder förlorar vi om vi höjer biljettpriset?
Läs merPreliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet
Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) 2016-01-13 Statistiska institutionen, Uppsala universitet Uppgift 1 (20 poäng) A) (4p) Om kommunens befolkning i den lokala arbetsmarknaden
Läs merVad är risken att dö i en trafikolycka? - En studie över hur kön och ålder hos en personbilsförare påverkar utfallet av en trafikolycka
Vad är risken att dö i en trafikolycka? - En studie över hur kön och ålder hos en personbilsförare påverkar utfallet av en trafikolycka Amanda Wiman Kandidatuppsats i matematisk statistik Bachelor Thesis
Läs mer1 Empirisk analys (April 25, 2006)
1 Empirisk analys (April 5, 00) Övergripande ide: "Business cycles are all alike" Robert Lucas. Iden går längre tillbaka. 1. NBER Burns och Mitchell. Stockholmsskolan. Haavelmo. I vilka avseende är konjunkturcyklerna
Läs merWienerprocesser. Finansiell statistik, vt-05. Enkel slumpvandring. Enkel slumpvandring. Varför: model för aktiekurs (dock med aber...
Varför: model för aktiekurs dock med aber... exempel: Black-Scholes jfr Binomialoptionsmodellen Johan Koskinen Statistiska institutionen Stockholms universitet Finansiell statistik vt-05 F5 Tidsserieanalys
Läs merHöftledsdysplasi hos dansk-svensk gårdshund
Höftledsdysplasi hos dansk-svensk gårdshund Sjö A Sjö B Förekomst av parasitdrabbad öring i olika sjöar Sjö C Jämföra medelvärden hos kopplade stickprov Tio elitlöpare springer samma sträcka i en för dem
Läs merPrediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval
Läs merEffekten på svensk BNP-tillväxt av finansiell turbulens
Konjunkturläget december 7 FÖRDJUPNING Effekten på svensk BNP-tillväxt av finansiell turbulens Tillgångar bedöms i dagsläget vara högt värderade på många finansiella marknader. Konjunkturinstitutet uppskattar
Läs merSTATISTISK ANALYS AV KOMPLEXA DATA
STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 9 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 9 December 1 / 43 Longitudinella data
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs merStatistiska Institutionen Gebrenegus Ghilagaber (docent)
Statistiska Institutionen Gebrenegus Ghilagaber (docent) Lösningsförslag till skriftlig tentamen i FINANSIELL STATISTIK, grundnivå, 7,5 hp, VT09. Onsdagen 3 juni 2009-1 Sannolkhetslära Mobiltelefoner tillverkas
Läs merLogistisk regression och Indexteori. Patrik Zetterberg. 7 januari 2013
Föreläsning 9 Logistisk regression och Indexteori Patrik Zetterberg 7 januari 2013 1 / 33 Logistisk regression I logistisk regression har vi en binär (kategorisk) responsvariabel Y i som vanligen kodas
Läs mera) Bedöm om villkoren för enkel linjär regression tycks vara uppfyllda! b) Pröva om regressionkoefficienten kan anses vara 1!
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STA1:3 Skrivning i ekonometri tisdagen den 1 juni 4 1. Vi vill undersöka hur variationen i brottsligheten i USA:s delstater år 196 = R (i antal
Läs merUppgift 1. Deskripitiv statistik. Lön
Uppgift 1 Deskripitiv statistik Lön Variabeln Lön är en kvotvariabel, även om vi knappast kommer att uppleva några negativa värden. Det är sannolikt vår intressantaste variabel i undersökningen, och mot
Läs merYtterligare urvalsmetoder och skattningsmetoder
F6 Ytterligare urvalsmetoder och skattningsmetoder Flerstegsurval Anta att man vill göra ett urval som täcker ett stort geografiskt område vill använda besöksintervju som insamlingsmetod Praktiskt omöjligt
Läs merMULTIPEL IMPUTATION. Ett sätt att fylla i hålen i ditt datamaterial?
MULTIPEL IMPUTATION Ett sätt att fylla i hålen i ditt datamaterial? Pär Ola Bendahl IKVL, Avdelningen för Onkologi Lunds Universitet Par Ola.Bendahl@med.lu.se Översikt 1. Introduktion till problemet 2.
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 11 & 12 Johan Lindström 2 & 9 oktober 217 Johan Lindström - johanl@maths.lth.se FMSF7/MSB2 F11 1/32 Repetition Multipel linjär regression
Läs merTentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.
Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Hjälpmedel: Valfri räknare, egenhändigt handskriven formelsamling (4 A4-sidor på 2 blad) och till skrivningen medhörande tabeller. Fredagen
Läs mer