ARMA-, ARIMA, (S)ARIMA Modernare metoder för tidsserieanalys och prognoser. Något om val mellan olika metoder
|
|
- Sten Pålsson
- för 7 år sedan
- Visningar:
Transkript
1 Någo om val mellan olia meoder Give är en observerad idsserie: y 1 y 2 y n ARMA- ARIMA (S)ARIMA Modernare meoder för idsserieanalys och prognoser Säsonger? Ja Tidsserieregression Klassis omponenuppdelning Nej Trend? Tidsserieregression ARIMA-modeller Dubbel exponeniell ujämning Nej ARMA-modeller Enel exponeniell ujämning Box George and Jenins Gwilym (19) Time series analysis: Forecasing and conrol San Francisco: Holden-Day E sandardver som samlade upp idéer uppomna från c:a 195-ale inom eonomeri och ingenjörsveensap Sapade e sysem för a idenifiera saa och uvärdera modeller för idsserier Meodologin går forfarande under namnen Box-Jenins-meodi (S)ARIMA-modeller Winers meod Exempel: Växelurs EURSEK 25 sep 25 nov 28 (Källa: ) Med hiills genomgångna meoder: 1) Tidsserieregression med linjärvadrais rend men uan säsongdummies 2) Dubbel exponeniell ujämning (Hol s meod) Fungerar dessa bra? Tidsserieregression linjär rend Smoohing Consans Alpha (level) Gamma (rend).46 Hol s meod Säsongsvariaion? Trend? Konjunur? Om vi sulle vilja göra oridsprognoser för.ex. en dag eller vå? %!!" $!" %! ". 4(3 "!1(2 $() * -""().* ( 3 1
2 En vanlig meod som ine agis upp ill fullo i ursen: Rullande medelvärden (mer orre: Glidande oviade medelvärden) Sa Time Series Moving Average!" " %! ". 4(3!1( 1 51 Vecovis rullande medelvärden ( 3 Ine så imponerande heller! Är nedansående bäre? (De gröna rianglarna mosvarar prognoserna för 2611 och 211 sam prognosinervallgränser resen är originaldaa.) Några viiga begrepp i sammanhange )6!((.(!(4(!.(!"!* Saionarie En idsserie säges vara saionär om den i princip besår av daa med onsan vänevärde och varians Vad är dea för meod? Y Någo mer maemais: E( y ) = µ Var( y ) = σ 2 Corr( y y - ) beror bara av 5 och allså ine av
3 Hur an ice-saionära idsserier se u? Är växelursexemple en saionär idsserie? W 15 U Linjär rend ice-saionär av försa ordningen Kvadrais rend ice-saionär av andra ordningen 5 V -5-1 Ice-onsan varians även om vänevärde verar onsan Beror på idsperspeive. Här ser de u som a en rend finns men i e längre idsperspeiv rör de sig nog bara om en endens. 1 2 Kan en idsserie göras saionär? Differeniering En idsserie w som är ice-saionär av försa ordningen (i princip uppvisar en linjär rend) an differenieras en gång: y = w = w w 1 y an då bli en saionär serie (men ine nödvändigvis) En idsserie som är ice-saionär av andra ordningen (i princip uppvisar en vadrais rend) an differenieras vå gånger: y = ( u ) = u u 1 = u u 1 ( u 1 u 2 ) = u 2 u 1 u 2 y an då bli en saionär serie (men ine nödvändigvis) W Diff W Har den blivi saionär? 3
4 Varianssabilisering Om variansen ine bedöms vara onsan Ł Transformera på samma sä som vid regressionsanalys ofas med logarimering w = ln ( w ) Efer varianssabilisering anse de blir OK a differeniera (log(w)) 8 1. W log(w) log(w) Diff log(w) Saionär? Konsan varians? Fungerar dea för våra växelursdaa? Auoorrelaion För en idsserie y definieras auoorrelaionsfunionen (acf) som $% $% ρ = Corr ( y y ) för = Anger allså orrelaionen (graden av linjär beroende) mellan vå värden på idsavsånd i idsserien. Ine oänbar! För en saionär idsserie sall acf endas vara en funion av dvs. de sall ine spela någon roll var i idsserien de vå värdena ligger uan endas vile idsavsånd de är mellan dem. Värdena an både vara posiiva och negaiva (beroende på hur beroende ser u) 4
5 För serier med ora beroenden avar acf snabb mo då växer En idsserie med vänevärde och där acf är = överall allas vi brus acf acf Innehåller egenligen ingen informaion För serier med långa beroenden avar acf långsammare men ydlig mo då växer acf Kan man se i figuren a acf = överall? Saning av acf )6!(4(!1!!(!"!(((!* Miniab (och andra saisisa programpae) har funioner för a saa acf från exiserande daa )6!(4(!1!!(!"!(((!* 5
6 ( )6!(4(!1!!(!"!(((!* Hur ser SAC u för växelursdaa? ( )6!(4(!1!!(!"!(((!* Typis exempel på en saad acf för en idsserie som ine är saionär. Myce långsam avlingande mönser. Auoorrelaionen är hög för värden som ligger på en gemensam rend. Lie väl långsam avlingande. Tyder på ice-saionarie i form av linjär rend. Saad acf bruar i lierauren föroras SAC (Sample AuoCorrelaion funcion) Med hjälp av SAC an man ydligen bedöma om en serie är saionär eller ej. Bra hjälpmedel för a.ex. se om en differeniering räcer. Logarimera och differeniera sedan ( ( )6!(4(!1!!(!"!(((!* Ice-saionär (men de visse vi i och för sig) $(% Differeniera en gång ( ( )6!(4(!1!!(!"!(((!* Mer saionär men ännu ine illräclig avlingande $(% $(% )6!(4(!1!!(!"!(((!* Bäre än idigare. Snabbare avlingning mo. 6
7 Pariell auoorrelaion Svårare begrepp. Den pariella auoorrelaionen mellan y och x definieras som den del av orrelaionen mellan y och x som ine har a göra med andra variabler. z Pariell auoorrelaionsfunion (pacf) för idsserier ψ = Corr( y y y ( 1) y ( 2) y 1 ) y x Röd orrelaion är uni mellan y och x dvs. pariell orrelaion Blå orrelaion ommer från y:s och x:s respeive samband med z Röd Blå är den oala orrelaionen. Funionen har egensaper som effeiv an unyjas vid idenifiering av modeller (se nedan) Auoregressiva modeller (AR-modeller) En idsserie y 1 y 2 y 3 saisfierar en auoregressiv modell av ordning 1 en s.. AR(1)-modell om y a = δ φ 1 y 1 där δ och φ 1 är onsaner (paramerar) och a är vi brus dvs. en serie av oorrelerade värden (Corr(a a ) = för alla ) med vänevärde och onsan varians (jfr. ε från idsserieregressionen) (ill exempel: y = 2..4 y 1 a ) auoregressiv innebär allså a y har regression på sig själv (fas e idsseg baå) Även den pariella auoorrelaionsfunionen an saas från exiserande daa. Den bruar då allas SPAC Exempel: Om vi isälle realiserar 2 värden av följande modell y = 2..4 y 1 a där a anas vara oorrelerade och N( 2)-fördelade y = 2..4 y 1 a där a anas vara oorrelerade och N( 2)-fördelade En realisering av denna idsserie i 2 idpuner an se u på följande sä dvs. φ 1 =.4 isälle för.4 an vi få Jämför med φ 1 =.4 :
8 Saionära och ice saionära AR(1)-modeller Exempel på realisering av en random wal En idsserie som saisfierar en AR(1)-modell är saionär om 1 < φ 1 < 1 Om φ 1 = 1 eller 1 råder insabil läge. Serien an urara men behöver ine göra de. Om φ 1 = 1 och δ = säges idsserien vara en random wal (slumpvandring) y = y 1 a En vanlig modell för ensilda aieurser. Prognoser beränas med den enla formeln yˆ 1 = ˆ y persisensprognos Sulle myce väl unna mosvara uveclingen av en aieurs men an vi med ugångspun från de yca a de rör sig om en rend? Om φ 1 > 1 säger man ibland a AR(1)-modellen är explosiv. Idenifiering av AR(1)-modeller Exempel: En realisering av modellen y = y 1 a med a ~ N( 2) För idsserier som saisfierar en AR(1)-modell och är saionära dvs. φ 1 < 1 gäller a auoorrelaionsfunionen (acf) är ρ = φ1 = 123 Exempel: φ 1 =.4 φ 1 =. Tydlig ice-saionär! acf acf
9 Vidare gäller a den pariella auoorrelaionsfunionen är Anag nu a vi har en observerad idsserie i n idpuner: y 1 y 2 y n φ 1 ψ = = 1 = 234 Exempel: φ 1 =.4 φ 1 =. pacf pacf Om idsserien saisfierar en AR(1)-modell borde dea avspeglas i SAC och SPAC dvs. saningarna av acf och pacf. Vi förvänar oss a få linande useenden som de eoreisa funionerna har. SAC: Saning av paramerar i en AR(1)-modell )6!(4(!1!!(!"!(((!* Verar i början ava ungefär som den eoreisa acf. De spiar som hamnar inom de röda linjerna an borses från om de ligger lång från. Miniab (lisom andra saisisa programpae) har procedurer för a saa paramerar i auoregressiva modeller. AR(1) är e specialfall av de generella ARIMA-modellerna. Saningsproceduren är beydlig mer omplicerad än.ex. För mulipel regressionsanalysł Ingen närmare eoreis genomgång görs här. SPAC: )6!(4(!1!!(!"!((($! (!* En ydlig spi för = 1. Övriga an negligeras. Useende överenssämmer allså med den eoreisa pacf. Verar vara en AR(1)-modell 9
10 ARIMA model for Y Ger saning av en AR(1)-modell Här an man välja om δ sall vara med eller ej Esimaes a each ieraion Ieraion SSE Parameers Relaive change in each esimae less han.1 Final Esimaes of Parameers Type Coef SE Coef T P AR Consan Mean φˆ 1 δˆ Number of observaions: 2 Residuals: SS = (bacforecass excluded) MS = 1.24 DF = 198 Modified Box-Pierce (Ljung-Box) Chi-Square saisic Lag Chi-Square DF P-Value Ljung-Box är må på hur bra anpassningen har blivi. Alla P-värden sall vara sora här om modellen sall anses vara bra. Fler modeller Auoregressiv modell av ordning 2 AR(2): y a = δ φ 1 y 1 φ2 y 2 Har längre beroenden än AR(1) Typisa useenden hos acf och pacf: acf: Avar relaiv snabb mo noll ev. med växlande ecen pacf: Är sild från för =1 och 2 är för = acf pacf Saad modell är allså: y y = och auomais erhålls prognosmodellen: yˆ 1 = y
11 Glidande medelvärdesmodell av ordning 1 MA(1) (Moving Average): y δ θ = a 1 a 1 y sapas allså genom en sammanvägning av de via bruse (e sors glidande medelvärde av en underliggande slumpvariaion. en MA(1) är allid saionär svårare a ola svårare a uryca en generell prognosformel acf: har mosvarande useenden som en pacf för AR(1) pacf: har mosvarande useenden som en acf för AR(1) Ł Lia enel a idenifiera en MA(1) som en AR(1) saningar av paramerar och prognoser an beränas med samma program som idigare Glidande medelvärdesmodell av ordning 2 MA(2): y δ θ θ = a 1 a 1 2 a 2 har längre beroenden än en MA(1) är allid saionär acf: mosvarande useenden som pacf för AR(2) pacf: mosvarande useenden som acf för AR(2) Kombinerad auoregressiv och glidande medelvärdesmodell av ordningarna p och q ARMA(p q): y = δ φ y φ y a θ a θ a 1 1 p p 1 1 q q har mer omplicerade beroenden acf: avar mo noll ofa med växlande ecen pacf: avar mo noll ofa med växlande ecen Exempel: Finansinsiuens ulåning ill hushåll v v Efer en differeniering: MKr 3 2 $% (varal) ) Tidsserien innehåller rend och är därför ine saionär. Differeniering behövs! Obs! Kvaralsdaa men de är ydlig a någon säsongsvariaion ej finns. Beraa daa som varandes uan säsongomponen. Kan den vara saionär? Kolla med SAC och SPAC. 11
12 SAC: $% )6!(4(!1!!(!"!(((!* Noera a en ARMA(11) sulle gälla för den differenierade serien. Prognoser vill vi doc ha för originalserien! Miniab (och andra) fixar dea! SPAC: $% )6!(4(!1!!(!"!((($! (!* Verar definiiv vara saionär. Frågan är vad de an röra sig om för modell. Ingen ren AR- eller MA-modell an ses. Prova med en ARMA(11) Sa Time Series ARIMA Originalserien Anger a vi vill differeniera 1 gång Ordningarna dvs. 1 och 1 i den ARMAmodell som anpassas ill diff. daa Anger som vanlig a vi vill ha prognoser 4 idpuner framå räna från slue. (dvs. prognoser för varal och 4 22) ARIMA Model: Y.. Final Esimaes of Parameers Type Coef SE Coef T P AR MA Differencing: 1 regular difference Number of observaions: Original series 39 afer differencing 38 Residuals: SS = (bacforecass excluded) MS = DF = 36 Signifiana parameersaningar! 12
13 Modified Box-Pierce (Ljung-Box) Chi-Square saisic Följande figur an även besällas vid örningen: Lag Chi-Square * DF * P-Value * )6!((.(!(4(!.(!"!* Forecass from period 39 Ljung-Box ser bra u! 95 Percen Limis Period Forecas Lower Upper Acual Prognoserna med inervall! Åer ill växelursdaa! Om vi nu ror a den differenierade serien är saionär $% $% Ingen renodlad AR- eller MA-modell här heller. Pröva med en ARMA(11) $% )6!(4(!1!!(!"!(((!* SAC SPAC $% )6!(4(!1!!(!"!((($! (!* Final Esimaes of Parameers Type Coef SE Coef T P AR Ej signifiana! MA Consan Differencing: 1 regular difference Number of observaions: Original series 62 afer differencing 61 Residuals: SS = (bacforecass excluded) MS =.363 DF = 58 13
14 Modified Box-Pierce (Ljung-Box) Chi-Square saisic Lag Andra illämpningar: Chi-Square DF P-Value OK här! Residualerna från en idsserieregression eller från vilen regression som hels där iden är inblandad an ofa uppvisa beroendemönser (jfr. Durbin-Wason s es) Forecass from period Percen Limis Period Forecas Lower Upper Acual )6!((.(!(4(!.(!"!* Residualerna an modelleras separa med en AR-modell och därigenom erhålls bäre saningar och prognoser (smalare prognosinervall) Exempel: I daorövning 6 gjordes en idsserieregression på andel arbeslösa Dea är de diagram vi förs såg (men då med rianglarna grönfärgade). )*) )$(!(4"$.* ) )*) )$(!(4"$.* Residualerna uppvisar en ydlig posiiv seriell orrelaion dvs. auoorrelaion efersom mönsre är en följsam urva. ) Dea är den variaionbredd som saningen av s baseras på *"*) *"*) Dea är den egenliga variaionsbredden som själva slumpen omfaar Ł Om ine hänsyn as ill a residualerna är orrelerade an man i vissa fall översaa slumpvariaionen Ł Osära parameersaningar breda prognosinervall 14
15 Går de nu a anpassa.ex. en AR-modell ill residualerna? SAC: )6!(4(!1!!(!"!(((!* Ingen onsanerm as med efersom residualerna varierar run Final Esimaes of Parameers )6!(4(!1!!(!"!((($! (!* Type Coef SE Coef T P SPAC: AR Number of observaions: 18 Residuals: SS = (bacforecass excluded) MS =. DF = 1 Kanse ine hel orimlig med en AR(1)-modell även om de finns en sörande spi i SPAC längs.h. De är doc snudd på ice-saionarie. Modified Box-Pierce (Ljung-Box) Chi-Square saisic Lag Chi-Square DF P-Value Anpassningen av en AR-modell ill residualerna sall göras samidig med anpassningen av själva regressionsmodellen (för a få rä sandardavvielse och medelfel för saningar) Kan doc ej göras i Miniab men i.ex. SAS Överhuvudage an modellerna byggas u ill a omfaa säsongsvariaion (SARIMA) men även för a inludera andra idsserier som förlaringsvariabler (s.. Transfer Funcion Models) En inressan delmodell av dea är s.. inervenionsmodeller (.ex. inludering av 11-sepember-effeen i analyserna) För all dea rävs fler urser i idsserieanalys! 15
Föreläsning 8 Kap G71 Statistik B
Föreläsning 8 Kap 6.8 732G71 Saisik B Y Saionarie 25 2 För en saionär idsserie gäller 15 1 E(y ) = Var(y ) = 2 Corr(y, y -k ) beror bara av k (idsavsånde) och allså ine av. Uryck i ord: korrelaionen på
Läs merNågot om val mellan olika metoder
Något om val mellan olika metoder Givet är en observerad tidsserie: y 1 y 2 y n Säsonger? Ja Nej Trend? Tidsserieregression Nej ARMA-modeller Enkel exponentiell utjämning Tidsserieregression ARIMA-modeller
Läs merFöreläsning 7 Kap G71 Statistik B
Föreläsning 7 Kap 6.1-6.7 732G71 aisik B Muliplikaiv modell i Miniab Time eries Decomposiion for Försäljning Muliplicaive Model Accurac Measures Från föreläsning 6 Daa Försäljning Lengh 36 NMissing 0 MAPE
Läs merFöreläsning 8. Kap 7,1 7,2
Föreläsning 8 Kap 7,1 7,2 1 Kap 7: Klassisk komponenuppdelning: Denna meod fungerar bra om idsserien uppvisar e saisk mönser. De är fyra komponener i modellen: Muliplikaiv modell: Addiiv modell: där y
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 9. Analys av Tidsserier (LLL kap 18) Tidsserie data
Finansiell Saisik (GN, 7,5 hp,, HT 008) Föreläsning 9 Analys av Tidsserier (LLL kap 8) Deparmen of Saisics (Gebrenegus Ghilagaber, PhD, Associae Professor) Financial Saisics (Basic-level course, 7,5 ECTS,
Läs merOm antal anpassningsbara parametrar i Murry Salbys ekvation
1 Om anal anpassningsbara paramerar i Murry Salbys ekvaion Murry Salbys ekvaion beskriver a koldioxidhalen ändringshasighe är proporionell mo en drivande kraf som är en emperaurdifferens. De finns änkbara
Läs merTidsserieanalys. Vad karaktäriserar data? Exempel:
Tidsserieanalys Exempel: Vad karakäriserar daa? Observaionerna är ine oberoende Observaionerna ger e mönser över iden ex sigande värden med iden ex periodisk variaion över en idsperiod av besämd längd
Läs merbättre säljprognoser med hjälp av matematiska prognosmodeller!
Whiepaper 24.9.2010 1 / 5 Jobba mindre, men smarare, och uppnå bäre säljprognoser med hjälp av maemaiska prognosmodeller! Förfaare: Johanna Småros Direkör, Skandinavien, D.Sc. (Tech.) johanna.smaros@relexsoluions.com
Läs merFörord: Sammanfattning:
Förord: Denna uppsas har illkommi sedan uppsasförfaarna blivi konakade av Elecrolux med en förfrågan om a undersöka saisikmodulen i deras nyimplemenerade affärssysem. Vi vill därför acka vår handledare
Läs merFastbasindex--Kedjeindex. Index av de slag vi hitintills tagit upp kallas fastbasindex. Viktbestämningar utgår från
Fasbasindex--Kedjeindex Index av de slag vi hiinills agi upp kallas fasbasindex. Vikbesämningar ugår från priser och/eller kvanieer under basåre. Vid långa indexserier blir dea e problem. Vikerna måse
Läs merFÖRDJUPNINGS-PM. Nr 4. 2010. Räntekostnaders bidrag till KPI-inflationen. Av Marcus Widén
FÖRDJUPNNGS-PM Nr 4. 2010 Ränekosnaders bidrag ill KP-inflaionen Av Marcus Widén 1 Ränekosnaders bidrag ill KP-inflaionen dea fördjupnings-pm redovisas a en ofa använd approximaiv meod för beräkning av
Läs mer{ } = F(s). Efter lång tid blir hastigheten lika med mg. SVAR: Föremålets hastighet efter lång tid är mg. Modul 2. y 1
ösningsförslag ill enamensskrivning i SF1633 Differenialekvaioner I Tisdagen den 7 maj 14, kl 8-13 Hjälpmedel: BETA, Mahemaics Handbook Redovisa lösningarna på e sådan sä a beräkningar och resonemang är
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 merFöljande uttryck används ofta i olika problem som leder till differentialekvationer: A=kB. A= k (för ett tal k)
TILLÄMPNINGAR AV DIFFERENTIAL EKVATIONER Följande uryck används ofa i olika problem som leder ill differenialekvaioner: Tex A är proporionell mo B A är omvän proporionell mo B Formell beskrivning de finns
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 merSkillnaden mellan KPI och KPIX
Fördjupning i Konjunkurläge januari 2008 (Konjunkurinsiue) Löner, vinser och priser 7 FÖRDJUPNNG Skillnaden mellan KP och KPX Den långsikiga skillnaden mellan inflaionsaken mä som KP respekive KPX anas
Läs mern Ekonomiska kommentarer
n Ekonomiska kommenarer Riksbanken gör löpande prognoser för löneuvecklingen i den svenska ekonomin. Den lönesaisik som används som bas för Riksbankens olika löneprognoser är den månaliga konjunkurlönesaisiken.
Läs merOrdinära differentialekvationer,
Ordinära dierenialekvaioner ODE:er sean@i.uu.se I is a ruism ha nohing is permanen excep change. - George F. Simmons ODE:er är modeller som beskriver örändring oa i iden Modellen är beskriven i orm av
Läs merSkattning av respirationshastighet (R) och syreöverföring (K LA ) i en aktivslamprocess Projektförslag
Beng Carlsson I ins, Avd f sysemeknik Uppsala universie Empirisk modellering, 009 Skaning av respiraionshasighe R och syreöverföring LA i en akivslamprocess rojekförslag Foo: Björn Halvarsson . Inledning
Läs merKursens innehåll. Ekonomin på kort sikt: IS-LM modellen. Varumarknaden, penningmarknaden
Kursens innehåll Ekonomin på kor sik: IS-LM modellen Varumarknaden, penningmarknaden Ekonomin på medellång sik Arbesmarknad och inflaion AS-AD modellen Ekonomin på lång sik Ekonomisk illväx över flera
Läs merSvensk arbetslöshetsdata: Hjälper barometerdata att prognostisera Sveriges arbetslöshet
Saisiska insiuionen Svensk arbeslöshesdaa: Hjälper baromeerdaa a prognosisera Sveriges arbeslöshe Uppsas i Saisik 5 högskolepoäng Nivå 60-90 högskolepoäng Okober 007 Av: Krisofer Månsson Handledare: Mas
Läs merEn flashestimator för den privata konsumtionen i Sverige med hjälpvariablerna HIP och detaljhandeln
Bakgrundsfaka En flashesimaor för den privaa konsumionen i Sverige med hjälpvariablerna HIP och dealjhandeln En idsserieanalys med hjälp av saisikprogramme TRAMO 006: Ekonomisk saisik I serien Bakgrundsfaka
Läs merFöljande uttryck används ofta i olika problem som leder till differentialekvationer: Formell beskrivning
OLIKA TILLÄMPNINGAR AV DIFFERENTIAL EKVATIONER Följande uryck används ofa i olika problem som leder ill differenialekvaioner: Tex Formell beskrivning A är proporionell mo B de finns e al k så a A=kB A
Läs merDiskussion om rörelse på banan (ändras hastigheten, behövs någon kraft för att upprätthålla hastigheten, spelar massan på skytteln någon roll?
Likformig och accelererad rörelse - Fysik 1 för NA11FM under perioden veckorna 35 och 36, 011 Lekion 1 och, Rörelse, 31 augusi och sepember Tema: Likformig rörelse och medelhasighe Sroboskopfoo av likformig-
Läs merLektion 4 Lagerstyrning (LS) Rev 20130205 NM
ekion 4 agersyrning (S) Rev 013005 NM Nedan följer alla uppgifer som hör ill lekionen. De är indelade i fyra nivåer där nivå 1 innehåller uppgifer som hanerar en specifik problemsällning i age. Nivå innehåller
Läs merLektion 3 Projektplanering (PP) Fast position Projektplanering. Uppgift PP1.1. Uppgift PP1.2. Uppgift PP2.3. Nivå 1. Nivå 2
Lekion 3 Projekplanering (PP) as posiion Projekplanering Rev. 834 MR Nivå 1 Uppgif PP1.1 Lieraur: Olhager () del II, kap. 5. Nedan följer alla uppgifer som hör ill lekionen. e är indelade i fyra nivåer
Läs merPrognoser av ekonomiska tidsserier med säsongsmönster
Uppsala universie Saisiska Insiuionen C-uppsas i Saisik Handledare: Johan Lyhagen Prognoser av ekonomiska idsserier med säsongsmönser - En empirisk meodjämförelse Eliza Leja Jonahan Sråle 2011-05-17 Sammanfaning
Läs mer2009-11-20. Prognoser
29--2 Progoser Progoser i idsserier: Gissa e framida värde i idsserie killad geemo progoser i regressio: De framida värde illhör ie daaområde. fe med e progosmodell är a göra progos, ie a förklara de hisoriska
Läs merSambanden mellan inandningsbara, grova och fina partiklar i luften och strokeanfall i Malmö
Saisiska Insiuionen Sambanden mellan inandningsbara, grova och fina pariklar i lufen och srokeanfall i Malmö Jenny Hillsröm & Joselyne Nsabimana Uppsas i Saisik 5 högskolepoäng Nivå 6-90 högskolepoäng
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 merAMatematiska institutionen avd matematisk statistik
Kungl Tekniska Högskolan AMaemaiska insiuionen avd maemaisk saisik TENTAMEN I 5B1862 STOKASTISK KALKYL OCH KAPITALMARKNADSTE- ORI FÖR F4 OCH MMT4 FREDAGEN DEN 1 JUNI 21 KL 8. 13. Examinaor : Lars Hols,
Läs merTENTAMEN HF1006 och HF1008
TENTMEN HF6 och HF8 Daum TEN 8 april Tid 8- nalys och linjär algebra, HF8 Medicinsk eknik), lärare: Jonas Senholm nalys och linjär algebra, HF8 Elekroeknik), lärare: Marina rakelyan Linjär algebra och
Läs merFöljande uttryck används ofta i olika problem som leder till differentialekvationer: Formell beskrivning
OLIKA TILLÄMPNINGAR AV DIFFERENTIAL EKVATIONER Följande uryck används ofa i olika problem som leder ill differenialekvaioner: Tex Formell beskrivning A är proporionell mo B de finns e al k så a A=kB A
Läs mer2 Laboration 2. Positionsmätning
2 Laboraion 2. Posiionsmäning 2.1 Laboraionens syfe A sudera olika yper av lägesgivare A sudera givarnas saiska och dynamiska egenskaper 2.2 Förberedelser Läs laboraionshandledningen och mosvarande avsni
Läs merBetalningsbalansen. Tredje kvartalet 2010
Bealningsbalansen Tredje kvarale 2010 Bealningsbalansen Tredje kvarale 2010 Saisiska cenralbyrån 2010 Balance of Paymens. Third quarer 2010 Saisics Sweden 2010 Producen Producer Saisiska cenralbyrån,
Läs mer9. Diskreta fouriertransformen (DFT)
Arbesmaerial 6, Signaler&Sysem I, 2003/E.. 9. Diskrea ourierransormen (DF) 9.1 eriodicie pulsåg Av 6.3(i), arb.mar.4, sid 50, ramgick a ourierransormen (F) av en unkion är e pulsåg X[k]δ( k/) med pulsavsånd
Läs merLaborationstillfälle 4 Numerisk lösning av ODE
Laboraionsillfälle 4 Numerisk lösning av ODE Målsäning vid labillfälle 4: Klara av laboraionsuppgif 3. Läs förs een om differensmeoder och gör övningarna. Läs avsnie Högre ordningens differenialekvaioner
Läs merKonsumtion, försiktighetssparande och arbetslöshetsrisker
Fördjupning i Konjunkurläge juni 12 (Konjunkurinsiue) Konjunkurläge juni 12 75 FÖRDJUPNING Konsumion, försikighessparande och arbeslöshesrisker De förvänade inkomsborfalle på grund av risk för arbeslöshe
Läs merRegressions- och Tidsserieanalys - F7
Regressions- och Tidsserieanalys - F7 Tidsserieregression, kap 6.1-6.4 Linda Wänström Linköpings universitet November 25 Wänström (Linköpings universitet) F7 November 25 1 / 28 Tidsserieregressionsanalys
Läs merBetalningsbalansen. Fjärde kvartalet 2012
Bealningsbalansen Fjärde kvarale 212 Bealningsbalansen Fjärde kvarale 212 Saisiska cenralbyrån 213 Balance of Paymens. Fourh quarer 212 Saisics Sweden 213 Producen Producer Saisiska cenralbyrån, enheen
Läs merBetalningsbalansen. Andra kvartalet 2012
Bealningsbalansen Andra kvarale 2012 Bealningsbalansen Andra kvarale 2012 Saisiska cenralbyrån 2012 Balance of Paymens. Second quarer 2012 Saisics Sweden 2012 Producen Producer Saisiska cenralbyrån, enheen
Läs merVäxelkursprognoser för 2000-talet
Naionalekonomiska insiuionen Kandidauppsas Januari 28 Växelkursprognoser för 2-ale Handledare Thomas Elger Fredrik NG Andersson Förfaare Kenh Hedberg Sammanfaning Tiel: Växelkursprognoser för 2-ale Ämne/kurs:
Läs merFAQ. frequently asked questions
FAQ frequenly asked quesions På de följande sidorna har jag samla ihop några av de frågor jag under årens lopp få av sudener när diverse olika problem uppså i arbee med SPSS. De saisiska problemen har
Läs merARIMA 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 merLösningar till Matematisk analys IV,
Lösningar ill Maemaisk anals IV, 85. Vi börjar med kurvinegralen 5 5 dx + 5 x5 + x d. Sä P x, = 5 5 och Qx, = 5 x5 + x. Vi använder Greens formel för a beräkna den givna kurvinegralen. Efersom ine är en
Läs merFöreläsning 2. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller
Föreläsning 2 Prognosisering: Prognosprocess, eferfrågemodeller, prognosmodeller Kurssrukur Innehåll Föreläsning Lek1on Labora1on Inroduk*on, produk*onsekonomiska grunder, produk*onssysem, ABC- klassificering
Läs merLINJÄRA DIFFERENTIALEKVATIONER AV FÖRSTA ORDNINGEN
LINJÄRA DIFFERENTIALEKVATIONER AV FÖRSTA ORDNINGEN Linjär differenialekvaion (DE) av försa ordningen är en DE som kan skrivas på följande form ( = Q( () Formen kallas sandard form eller normaliserad form
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 merModeller och projektioner för dödlighetsintensitet
Modeller och projekioner för dödlighesinensie en anpassning ill svensk populaionsdaa 1970- Jörgen Olsén juli 005 Presenerad inför ubildningsuskoe inom Svenska Akuarieföreningen den 1 sepember 005 Modeller
Läs merInflation: Ger kointegration bättre prognoser?
Kandidauppsas Januari, 006 Naionalekonomiska insiuionen Inflaion: Ger koinegraion bäre prognoser? Krisofer Månsson 836-3938 Handledare: Thomas Elger Sammanfaning Tiel: Inflaion: Ger koinegraion bäre prognoser
Läs merReglerteknik AK, FRT010
Insiuionen för REGLERTEKNIK, FRT Tenamen 5 mars 27 kl 8 3 Poängberäkning och beygssäning Lösningar och svar ill alla uppgifer skall vara klar moiverade. Tenamen omfaar oal 25 poäng. Poängberäkningen finns
Läs merDifferentialekvationssystem
3227 Differenialekvaionssysem Behållaren A innehåller 2 lier, behållaren B innehäller 3 lier och behållaren C 4 lier salvaen Vid idpunken är salhalen i behållaren A 4 g, i behållaren B 2 g och i behållaren
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 merHur varaktig är en förändring i arbetslösheten?
Rappor ill Finanspoliiska råde 2010/1 Hur varakig är en förändring i arbeslösheen? U. Michael Bergman Københavns Universie, EPRU, FRU och Finanspoliiska råde De åsiker som urycks i denna rappor är förfaarens
Läs merDemodulering av digitalt modulerade signaler
Kompleeringsmaeriel ill TSEI67 Telekommunikaion Demodulering av digial modulerade signaler Mikael Olofsson Insiuionen för sysemeknik Linköpings universie, 581 83 Linköping Februari 27 No: Denna uppsas
Läs merBetalningsbalansen. Tredje kvartalet 2012
Bealningsbalansen Tredje kvarale 2012 Bealningsbalansen Tredje kvarale 2012 Saisiska cenralbyrån 2012 Balance of Paymens. Third quarer 2012 Saisics Sweden 2012 Producen Producer Saisiska cenralbyrån,
Läs merBetalningsbalansen. Tredje kvartalet 2008
Bealningsbalansen Tredje kvarale 2008 Bealningsbalansen Tredje kvarale 2008 Saisiska cenralbyrån 2008 Balance of Paymens. Third quarer 2008 Saisics Sweden 2008 Producen Producer Saisiska cenralbyrån,
Läs merInformationsteknologi
Föreläsning 2 och 3 Informaionseknologi Några vikiga yper av maemaiska modeller Blockschemamodeller Konsaner, variabler, paramerar Dynamiska modeller Tillsåndsmodeller en inrodkion Saiska samband Kor översik
Läs mer1 Elektromagnetisk induktion
1 Elekromagneisk indukion Elfäl accelererar laddningar och magneiska fäl ändrar laddningars rörelserikning. en elekrisk kres är de baerie som gör arbee på elekronerna som ger upphov ill en sröm i kresen.
Läs merBackground Facts on Economic Statistics
Background Facs on Economic Saisics 2003:12 En illämpning av TRAMO/SEATS: Den svenska urikeshandeln 1914 2003 An applicaion of TRAMO/SEATS: The Swedish Foreign Trade Series 1914 2003 Exporen år 1914-2003
Läs merDiverse 2(26) Laborationer 4(26)
Diverse 2(26) (Reglereknik) Marin Enqvis Reglereknik Insiuionen för sysemeknik Linköpings universie Föreläsare och examinaorer: Marin Enqvis (ISY) Simin Nadjm-Tehrani (IDA) Lekionsassisener: Jonas Callmer
Läs merGenom att uttrycka y-koordinaten i x ser vi att kurvan är funktionsgrafen till y = x 2. Lektion 2, Flervariabelanalys den 19 januari 2000
Lekion, Flervariabelanals den 9 januari..6 Finn hasighe, far och acceleraion vid idpunk av en parikel med lägesvekorn Genom a urcka -koordinaen i ser vi a kurvan är funkionsgrafen ill. Beskriv också parikelns
Läs merOm exponentialfunktioner och logaritmer
Om eponenialfunkioner och logarimer Anals360 (Grundkurs) Insuderingsuppgifer Dessa övningar är de änk du ska göra i ansluning ill a du läser huvudeen. Den änka gången är som följer: a) Läs igenom huvudeens
Läs merLaboration 2. Minsta kvadratproblem
Laboraion Tillämpade Numeriska Meoder Minsa kvadraproblem Farid Bonawiede Michael Lion fabo@kh.se lion@kh.se 5 februari 5 Inledning När man har skapa en maemaisk modell som beskriver e viss fenomen vill
Läs mer5B1134 MATEMATIK OCH MODELLER FEMTE FÖRELÄSNINGEN INTEGRALER
5B1134 MATEMATK OC MODELLER EMTE ÖRELÄSNNGEN NTEGRALER 1. OM NTEGRALER 1.1. Primiiva unkioner. Vi har se idigare a vissa unkioner,, har primiiva unkioner, dvs en unkion,, vars derivaa. Om är en primiiv
Läs merHur simuleras Differential-Algebraiska Ekvationer?
Hur simuleras Differenial-Algebraiska Ekvaioner? Jonas Elbornsson December 2, 2000 1 Inledning Dea är en sammanfaning av meoder för simulering av Differenial-Algebraiska Ekvaioner (DAE) för kursen i Modellering
Läs merRealtidsuppdaterad fristation
Realidsuppdaerad frisaion Korrelaionsanalys Juni Milan Horemuz Kungliga Tekniska högskolan, Insiuion för Samhällsplanering och miljö Avdelningen för Geodesi och geoinformaik Teknikringen 7, SE 44 Sockholm
Läs mer3. Matematisk modellering
3. Maemaisk modellering 3. Modelleringsprinciper 3. Maemaisk modellering 3. Modelleringsprinciper 3.. Modellyper För design oc analys av reglersysem beöver man en maemaisk modell, som beskriver sysemes
Läs merKvalitativ analys av differentialekvationer
Analys 360 En webbaserad analyskurs Grundbok Kvaliaiv analys av differenialekvaioner Anders Källén MaemaikCenrum LTH anderskallen@gmail.com Kvaliaiv analys av differenialekvaioner 1 (10) Inrodukion De
Läs mer5. Tillståndsåterkoppling
5. illsåndsåeroppling 5. Polplacering 5. illsåndsåeroppling E linjär idsoninuerlig resp. idsdisre (.ex. sampla) sysem an som bean besrivas med en illsåndsmodell av formen () = Ax() + Bu() x( + ) = Fx(
Läs merSystem med variabel massa
Sysem med variabel massa (YF kap. 8.6) Generella Newon II: ሜF ex = dplj, där p lj = mഥv och ሜF d ex är alla yre krafer som verkar på föremåle. Om kroppens massa ändras genom a vi illför massor dm per idsenhe
Läs merLaboration 3: Växelström och komponenter
TSTE20 Elekronik Laboraion 3: Växelsröm och komponener v0.2 Ken Palmkvis, ISY, LiU Laboraner Namn Personnummer Godkänd 1 Översik I denna labb kommer ni undersöka beeende när växelspänningar av olika frekvens
Läs merTentamen TEN1, HF1012, 16 aug Matematisk statistik Kurskod HF1012 Skrivtid: 8:15-12:15 Lärare och examinator : Armin Halilovic
Tenamen TEN, HF, 6 aug 6 Maemaisk saisik Kurskod HF Skrivid: 8:5-:5 Lärare och examinaor : Armin Halilovic Hjälmedel: Bifoga formelhäfe ("Formler och abeller i saisik ") och miniräknare av vilken y som
Läs merHemuppgift 3 modellval och estimering
Lunds Universitet Ekonomihögskolan Statistiska Institutionen STAB 13 VT11 Hemuppgift 3 modellval och estimering 1 Inledning Denna hemuppgift är uppdelad i två delar. I den första ska ni med hjälp av olika
Läs merMetod och teori. Statistik för naturvetare Umeå universitet
Statistik för naturvetare -6-8 Metod och teori Uppgift Uppgiften är att undersöka hur hjärtfrekvensen hos en person påverkas av dennes kroppstemperatur. Detta görs genom enkel linjär regression. Låt signifikansnivån
Läs merMonetära modellers prognosförmåga för den svenska kronans utveckling
NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universie Examensarbee D Förfaare: Per Jonsson Handledare: Annika Alexius HT 2005 Moneära modellers prognosförmåga för den svenska kronans uveckling Sammanfaning
Läs merExempeltenta 3 SKRIV KLART OCH TYDLIGT! LYCKA TILL!
Exempelena 3 Anvisningar 1. Du måse lämna in skrivningsomslage innan du går (även om de ine innehåller några lösningsförslag). 2. Ange på skrivningsomslage hur många sidor du lämnar in. Om skrivningen
Läs merFREDAGEN DEN 21 AUGUSTI 2015, KL 14-18. Ansvarig lärare: Helene Lidestam, tfn 282433 Salarna besöks ca kl 15.30
Tekniska högskolan vid LiU Insiuionen för ekonomisk och indusriell uveckling Produkionsekonomi Helene Lidesam TENTAMEN I TPPE13 PRODUKTIONSEKONOMI för I,Ii FREDAGEN DEN 21 AUGUSTI 2015, KL 14-18 Sal: Provkod:
Läs merSystem, Insignal & Utsignal
1 Sysem, Insignal & Usignal Insignal x[n] SYSTEM H! H = sysemoperaorn Usignal y() = H{y()} y[n] = H{x[n]} w E SYSTEM = en maemaisk modell av e fysikalisk sysem, al. en algorim, som för olika insignaler
Läs merTENTAMEN Datum: 12 mars 07. Kurs: MATEMATIK OCH MATEMATISK STATISTIK 6H3000, 6L3000, 6A2111 TEN 2 (Matematisk statistik )
VERSION A TENTAMEN Daum: mars 7 Kurs: MATEMATIK OCH MATEMATISK STATISTIK 6H, 6L, 6A TEN (Maemaisk saisik ) Skrivid: 8:5-:5 Lärare: Armin Halilovic Kurskod 6H, 6L, 6A Hjälpmedel: Miniräknare av vilken yp
Läs merSystem, Insignal & Utsignal
Kap 1 Signaler och Sysem x Sysem y = H{x} 1 Sysem, Insignal & Usignal Insignal x() x[n] SYSTEM H! H = sysemoperaorn Usignal y() = H{y()} y[n] = H{x[n]} w E SYSTEM = en maemaisk modell av e fysikalisk sysem,
Läs merDet prediktiva värdet hos den implicerade volatiliteten
Föreagsekonomiska insiuionen STOCKHOLMS UNIVERSITET Magiseruppsas HT 2005 De predikiva värde hos den implicerade volailieen en jämförelse mellan Black-Scholes och Cox-Ross-Rubinsein Förfaare: Saphiro Flügge
Läs merTentamensskrivning i Matematik IV, 5B1210.
Tenamensskrivning i Maemaik IV, 5B Tisdagen den 4 november 6, kl 4-9 Hjälpmedel: BETA, Mahemaics Handbook Redovisa lösningarna på e sådan sä a beräkningar och resonemang är läa a följa Svaren skall ges
Läs merJämställdhet och ekonomisk tillväxt En studie av kvinnlig sysselsättning och tillväxt i EU-15
Examensarbee kandidanivå NEKK01 15 hp Sepember 2008 Naionalekonomiska insiuionen Jämsälldhe och ekonomisk illväx En sudie av kvinnlig sysselsäning och illväx i EU-15 Förfaare: Sofia Bill Handledare: Ponus
Läs merMATEMATIKPROV, LÅNG LÄROKURS BESKRIVNING AV GODA SVAR
MATEMATIKPROV, LÅNG LÄROKURS 494 BESKRIVNING AV GODA SVAR De beskrivningar av svarens innehåll och poängsäningar som ges här är ine bindande för sudeneamensnämndens bedömning Censorerna besluar om de krierier
Läs merKonsumentprisindex för kläder och skor
Saisiska Insiuionen STA03:2 Lunds Universie HT 2007 Kandidauppsas, 0poäng Konsumenprisindex för kläder och skor 986-2005 Dekomponering och prognosisering Förfaare: Henrik Svansröm 79063-4098 Samuel Roos
Läs merStockholms Universitet Statistiska institutionen Patrik Zetterberg
Stockholms Universitet Statistiska institutionen Patrik Zetterberg Skriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, VT2012 2012-05-31 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan
Läs merSignal- och bildbehandling TSBB14
Tenamen i Signal- och bildbehandling TSBB4 Tid: 207-04-9 Lokaler: G33, G35, TER Ansvarig lärare: Maria Magnusson besöker lokalerna kl. 5.00 och 7.30 el 073-804 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,
Läs merTENTAMEN I REGRESSIONS- OCH TIDSSERIEANALYS,
TENTAMEN I REGRESSIONS- OCH TIDSSERIEANALYS, 204-0-3 Skrivtid: kl 8-2 Hjälpmedel: Räknedosa. Bowerman, B.J., O'Connell, R, Koehler, A.: Forecasting, Time Series and Regression. 4th ed. Duxbury, 2005 som
Läs merTISDAGEN DEN 20 AUGUSTI 2013, KL 8-12. Ansvarig lärare: Helene Lidestam, tfn 282433 Salarna besöks ca kl 9
ekniska högskolan vid Li Insiuionen för ekonomisk och indusriell uveckling Produkionsekonomi Helene Lidesam EAME I PPE08 PROKIOSEKOOMI för M ISAGE E 20 AGSI 203, KL 8-2 Sal: ER Provkod: E2 Anal uppgifer:
Läs merOm exponentialfunktioner och logaritmer
Om eponenialfunkioner och logarimer Anals360 (Grundkurs) Insuderingsuppgifer Dessa övningar är de änk du ska göra i ansluning ill a du läser huvudeen. De flesa av övningarna har, om ine lösningar, så i
Läs mer2004:17 Den svenska konsumentprisindexserien (KPI), En empirisk studie av säsongsmönstret En tillämpning av TRAMO/SEATS
2004:17 Den svenska konsumenprisindexserien (KPI), 1955 2004 En empirisk sudie av säsongsmönsre En illämpning av TRAMO/SEATS Avdelningen för Ekonomisk saisik I serien Bakgrundsfaka preseneras bakgrundsmaerial
Läs mer3 Rörelse och krafter 1
3 Rörelse och krafer 1 Hasighe och acceleraion 1 Hur lång id ar de dig a cykla 5 m om din medelhasighe är 5, km/h? 2 En moorcykel accelererar från sillasående ill 28 m/s på 5, s. Vilken är moorcykelns
Läs merUpphandlingar inom Sundsvalls kommun
Upphandlingar inom Sundsvalls kommun 1 Innehåll Upphandlingar inom Sundsvalls kommun 3 Kommunala upphandlingar - vad är de? 4 Kommunkoncernens upphandlingspolicy 5 Vad är e ramaval? 6 Vad gäller när du
Läs merF11. Kvantitativa prognostekniker
F11 Kvantitativa prognostekniker samt repetition av kursen Kvantitativa prognostekniker Vi har gjort flera prognoser under kursen Prognoser baseras på antagandet att historien upprepar sig Trenden följer
Läs merKURVOR OCH PÅ PARAMETERFORM KURVOR I R 3. P(t)=(x(t),y(t),z(t)) T=(x (t),y (t),z (t)) r(t)=(x(t),y(t),z(t))
Kurvor på parameerform KURVOR OCH PÅ PARAMETERFORM KURVOR I R 3 P=xyz T=x y z r=xyz En kurva i R 3 anges ofas på parameerform med re skalära ekvaioner: x = f 1, y = f, z = f 3, D R * För varje får vi en
Läs merOljepris och Makroekonomien VAR analys av oljeprisets inverkan på aktiemarknaden
NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universie Examensarbee D Förfaare: Rober Fredriksson Handledare: Beng Assarsson HT 2007 Oljepris och Makroekonomien VAR analys av oljeprises inverkan på akiemarknaden
Läs merEn modell för optimal tobaksbeskattning
En modell för opimal obaksbeskaning under idsinkonsisena preferenser och imperfek informaion Krisofer Törner* 1 Engelsk iel: A model for opimal obacco excise axaion under imeinconsisen preferences and
Läs merPass Througheffekten i svenska importpriser
NATIONALEKONOMISKA INSTITUTIONEN 27-6-5 Uppsala Universie Magiseruppsas Förfaare: Anders Svensson Handledare: Annika Alexius VT7 Pass Througheffeken i svenska imporpriser en empirisk sudie Sammanfaning
Läs mer