TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval
|
|
- Ann-Sofie Jakobsson
- för 7 år sedan
- Visningar:
Transkript
1 TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval Martin Singull Matematisk statistik Matematiska institutionen
2 Innehåll Repetition (t-test för H 0 : β i = 0) Residualanalys Modellval Framåtvalsprincipen TAMS65 - Fö11 1/45
3 Repetition Vi har modellen y : (n 1) är en obs. från Y = X β + ε, där ε N n (0, σ 2 I ), med MK-skattningen och σ 2 -skattningen Vidare gäller att s 2 = β = (X X ) 1 X y SS E n k 1 (df = n k 1). β = (X X ) 1 X Y N k+1 ( β, σ 2 (X X ) 1) och (n k 1)S 2 σ 2 χ 2 (n k 1). TAMS65 - Fö11 2/45
4 Om ( X X ) 1 = (hij ) k i,j=0 så har vi att den s.v. alltså ˆβ i N(β i, σ h ii ), ˆβ i β i σ h ii N(0, 1) och ˆβ i β i S h ii t(n k 1). Detta är vår hjälpvariabel för konstruktion av I βi. TAMS65 - Fö11 3/45
5 Vi vill pröva H 0 : β i = 0 mot H 1 : β i 0. Var har gjort det genom att konstruera I βi och förkasta H 0 om 0 I βi. Man kan i stället använda teststorheten t = ˆβ i 0 s h ii (tänk på att den s.v. ˆβ i N(β i, σ h ii )). Den s.v. T t(n k 1) om H 0 är sann. TAMS65 - Fö11 4/45
6 H 0 förkastas om t > b, dvs. om t < b eller t > b. t(n-k-1) α/2 α/2 -b b P = P( T > t OBS om H 0 är sann ) = P(T < t OBS ) + P(T > t OBS ) om H 0 är sann. H 0 förkastas om P < α. P-värdet för det här testet kan beräknas med MATLAB. P/2 P/2 - u OBS u OBS Det är praktiskt att kunna utnyttja det här testet i samband med t.ex. stegvis regression. TAMS65 - Fö11 5/45
7 Residualanalys De skattade väntevärdena ˆµ j kallas ibland också ŷ j, det vill säga ŷ j = ˆβ 0 + ˆβ 1 x j1 + + ˆβ k x jk. Residualerna definieras som e i = y j ŷ j. Om vi vill arbeta med vektorer istället så har vi modellen Y N n (X β, σi n ) och residualerna ges av e = y ŷ = y X β = (I X (X X ) 1 X )y. TAMS65 - Fö11 6/45
8 Enligt vårt modell antagande bör residualerna 1. ha konstant varians, oberoende av förklaringsvariablerna x 1,..., x p, 2. vara oberoende av varandra, 3. vara normalfördelade. 1. och 2. är viktiga för regressionsmodellen medan 3. är viktig för den fortsatta analysen när man ska göra inferens så som konfidensintervall och olika test. Alla våra t- och F-test bygger på normalfördelningsantagandet. TAMS65 - Fö11 7/45
9 Enklast är att göra residualanalysen visuellt, det vill säga studera olika plottar. Det kan vara intressant att studera plottar av e 1,..., e n 1. på en tallinje (histogram), 2. i tidsföljd, 3. mot de skattade väntevärdena ˆµ j (eller mot y j ), 4. mot var och en av förklaringsvariablerna x j, j = 1,..., p. TAMS65 - Fö11 8/45
10 Exempel Ett företag har mätt tre prestationsvariabler x 1, x 2 och x 3 för sina säljare. Vidare har de fått genomgå test där man mätt kreativitet (x 4 ), förmåga att resonera mekaniskt (x 5 ) respektive abstrakt (x 6 ) samt matematisk förmåga (x 7 ). Nr x 1 x 2 x 3 x 4 x 5 x 6 x Låt oss som övergripande prestationsmått utnyttja y = x 1 + x 2 +x 3. Vid nyanställning av personal är det intressant att förutsäga Y -värdet med hjäp av x 4,..., x 7. Analysera resultatet först med bara x 4 och x 7. TAMS65 - Fö11 9/45
11 TAMS65 - Fö11 10/45
12 Beräkna residualerna i MATLAB. regr = regstats(y,[x4 x7], linear, all ); yhat = regr.yhat; r = regr.r; figure; hist(r,15) figure; scatter(1:length(r),r) figure; scatter(yhat,r, * ) figure; normplot(r) TAMS65 - Fö11 11/45
13 Histogram för residualerna TAMS65 - Fö11 12/45
14 Residualerna plottade i ordning TAMS65 - Fö11 13/45
15 Residualerna plottade mot skattat väntevärde TAMS65 - Fö11 14/45
16 Normalfördelningsplot för residualerna TAMS65 - Fö11 15/45
17 Modellval När man studerar en responsvariabel Y, väljer man ofta mellan flera alternativa modeller genom att man kan göra olika val av förklaringsvariabler. Ambitionen är att förklara så stor del av variationerna i y-värdena som möjligt genom att utnyttja relevanta förklaringsvariabler. TAMS65 - Fö11 16/45
18 Modeller jämförs med hjälp av residualkvadratsummor respektive residualmedelkvadratsummor (= σ 2 -skattningar). Det finns andra kriterier också men ett litet värde på σ antyder att ε-variabeln i modellen är ganska försumbar. En extra förklaringsvariabel ger alltid en minskning av residualkvadratsumman. Vi behöver kunna bedöma när denna minskning är väsentlig. TAMS65 - Fö11 17/45
19 Vi antar nu att vi vill jämföra Modell 1: Y = β 0 + β 1 x β k x k + ε och Modell 2: Y = β 0 + β 1 x β k+p x k+p + ε alltså vi vill ev. utvidga Modell 1 med p nya förklaringsvariabler. Man får i allmänhet nya β-koefficienter och en ny ε-variabel, men vi behåller samma notation. TAMS65 - Fö11 18/45
20 Vi vill pröva H 0 : β k+1 =... = β k+p = 0 (nya förklaringsvariablerna meningslösa.) mot H 1 : minst en av β k+1,..., β k+p är 0. Teststorhet: W = (SS(1) E SS(2) E )/p SS (2) E /(n k p 1) (Se formelsamling) TAMS65 - Fö11 19/45
21 Teststorhet: W = (SS(1) E SS(2) E )/p SS (2) E /(n k p 1) p = antalet nya förklaringsvariabler i modell 2 och n k p 1 = n (k + p) 1 är frihetsgraderna för SS (2) E. H 0 förkastas om W > c. TAMS65 - Fö11 20/45
22 Alltså, H 0 förkastas om W > c. Vi har också den s.v. W F (p, n k p 1), om H 0 är sann. TAMS65 - Fö11 21/45
23 Stegvis regression Då man tillämpar stegvis regression börjar man ofta med en modell utan förklaringsvariabler och tar sedan in en förklarings- variabel i sänder i modellen. En förklaringsvariabel Om y j är observation av Y j = β 0 + β 1 x j + ε j, för j = 1,..., n, så kan man visa att SS R = r 2 n (y j ȳ) 2, i=1 SS E = SS TOT SS R = (1 r 2 ) n (y j ȳ) 2, där r är den empiriska korrelationen för (x 1, y 1 ),..., (x n, y n ). i=1 TAMS65 - Fö11 22/45
24 Slutsats Den förklaringsvariabel som är starkast korrelerad med Y (har högst värde på r ) ger minst residualkvadratsumma vid analyser med en förklaringsvariabel. OBS Den näst bästa förklaringsvariabeln hittar man inte via korrelationsmatrisen. TAMS65 - Fö11 23/45
25 Exempel En viss typ av buss har bara en dörr, som måste användas både av dem som stiger av och dem som stiger på. Man har vid 20 tillfällen mätt tiden y (i sekunder) från det att bussen stannat vid en hållplats tills den åter satt igång. Samtidigt har man noterat antalet påstigande (x 1 ) och antalet avstigande (x 2 ). y = [ ] ; x1 = [ ] ; x2 = [ ] ; Man vill försöka förklara bussens stopptid y med hjälp av en linjär regressionsmodell på x 1 och/eller x 2. TAMS65 - Fö11 24/45
26 En förklaringsvariabel: Välj x 1 eftersom den har störst korrelation med y. >> corr([x1 x2],y) ans = Modell 1: Y = β 0 + β 1 x 1 + ε Testa om förklaringsvariabeln gör nytta, dvs. H 0 : β 1 = 0 mot H 1 : β 1 0 prövas på nivån TAMS65 - Fö11 25/45
27 >> betahat = regr.tstat.beta betahat = >> se = regr.tstat.se se = >> t = regr.tstat.t t = >> fstat = regr.fstat fstat = sse: dfe: 18 dfr: 1 ssr: e+03 f: pval: e-11 TAMS65 - Fö11 26/45
28 Skattad regressionslinje: y = x 1 i βi d( β i ) Variansanalys: Frihetsgrader Kvadratsumma REGR RES TOT TAMS65 - Fö11 27/45
29 Teststorhet T 1 = β 1 d( β 1 ) t(18) under H 0. Observerat värde t 1 = β 1 d( β 1 ) = = Förkasta H 0 om t 1 > c, d.v.s. om t 1 < c eller t 1 > c där c = t (18) = Alltså, förkasta H 0. Förklaringsvariabeln x 1 gör nytta i modellen. TAMS65 - Fö11 28/45
30 >> t = regr.tstat.t >> betahat = regr.tstat.beta betahat = >> se = regr.tstat.se se = t = >> P = regr.tstat.pval P = 1.0e-03 * H 0 : β 1 = 0 kan förkastas eftersom P < α. TAMS65 - Fö11 29/45
31 En annan teststorhet för samma hypotes skulle kunna vara v = SS R/1 SS E /18 = som testar om alla förklaringsvariabler är meningslösa. Den s.v. V F (1, 18) om H 0 är sann. H 0 förkastas om v > c. Tabell ger c = > 8.29; med stor sannolikhet gör x 1 nytta som förklaringsvariabel. Ta med x 1 i modellen. TAMS65 - Fö11 30/45
32 Modell 2: Y = β 0 + β 1 x 1 + β 2 x 2 + ε Testa om x 2 gör nytta, dvs. H 0 : β 2 = 0 mot H 1 : β 2 0 på nivån TAMS65 - Fö11 31/45
33 Skattad regressionslinje: y = x x 2 i βi d( β i ) Variansanalys: Frihetsgrader Kvadratsumma REGR RES TOT TAMS65 - Fö11 32/45
34 Teststorhet T 2 = β 2 d( β 2 ) t(17) under H 0. Observerat värde t 2 = β 2 d( β 2 ) = = 3.50 Förkasta H 0 om t 2 > c, d.v.s. om t 2 < c eller t 2 > c där c = t (17) = Alltså, förkasta H 0. Förklaringsvariabeln x 2 gör också nytta i modellen. TAMS65 - Fö11 33/45
35 En annan teststorhet för samma hypotes skulle kunna vara w = (SS(1) E SS(2) E )/1 SS (2) E /17 = /17 = som testar om de extra förklaringsvariablerna gör nytta i modellen. Den s.v. W F (1, 17) om H 0 är sann. H 0 förkastas om w > c. Tabell ger den kritiska gränsen c > 8.41; H 0 förkastas. Med stor sannolikhet gör även x 2 nytta som förklaringsvariabel. Använd Modell 2. TAMS65 - Fö11 34/45
36 Exempel I exemplet med prestationsmått för försäljare använde vi bara x 4 och x 7 som förklaringsvariabler. Även för x 5 och x 6 finns det tendenser till linjära samband. Vi skall använda framåtvalsprincipen för att få fram rätt modell. TAMS65 - Fö11 35/45
37 TAMS65 - Fö11 36/45
38 Steg 1 Vi letar upp den bästa ensamma förklaringsvariabeln t.ex. genom korrelationsmatrisen. >> correlation = corr([x4 x5 x6 x7],y) correlation = x 7 är den bästa ensamma förklaringsvariabeln. TAMS65 - Fö11 37/45
39 Gör en regressionsanalys med x 7 och kontrollera om den förklaringsvariabeln gör nytta. >> regr = regstats(y,x7, linear, all ); >> t = regr.tstat.t t = >> P = regr.tstat.pval P = 1.0e-33 * t = och P < α, dvs. förkasta H 0 : β 7 = 0 och x 7 gör nytta. TAMS65 - Fö11 38/45
40 Steg 2 Gör alla analyser med x 7 och en annan förklaringsvariabel. Jämför SS E för de tre analyserna och välj den som har minst. disp( -- x7 och x4 -- ) regr = regstats(y,[x7 x4],... linear, all ); sse = regr.fstat.sse disp( -- x7 och x5 -- ) regr = regstats(y,[x7 x5],... linear, all ); sse = regr.fstat.sse disp( -- x7 och x6 -- ) regr = regstats(y,[x7 x6],... linear, all ); sse = regr.fstat.sse -- x7 och x4 -- sse = e x7 och x5 -- sse = x7 och x6 -- sse = TAMS65 - Fö11 39/45
41 SS x 7,x 5 E = 934 < SS x 7,x 6 E = 990 < SS x 7,x 4 E = 1014 Välj Y = β 0 + β 7 x 7 + β 5 x 5 + ε. Testa om x 5 gör nytta. -- x7 och x5 -- disp( -- x7 och x5 -- ) regr = regstats(y,[x7 x5],... linear, all ); t = regr.tstat.t P = regr.tstat.pval t = P = t = 2.07 och P < α, dvs. förkasta H 0 och även x 5 gör nytta. Ta in x 5 i modellen. TAMS65 - Fö11 40/45
42 Steg 3 Gör alla analyser med x 7, x 5 och en annan förklaringsvariabel. Jämför SS E för de två analyserna och välj den som har minst. disp( -- x7, x5 och x4 -- ) regr = regstats(y,[x7 x5 x4],... linear, all ); sse = regr.fstat.sse disp( -- x7, x5 och x6 -- ) regr = regstats(y,[x7 x5 x6],... linear, all ); sse = regr.fstat.sse -- x7, x5 och x4 -- sse = x7, x5 och x6 -- sse = TAMS65 - Fö11 41/45
43 SS x 7,x 5,x 4 E = 866 < SS x 7,x 5,x 6 E = 921 Välj Y = β 0 + β 7 x 7 + β 5 x 5 + β 4 x 4 + ε. Testa om x 4 gör nytta. regr = regstats(y,[x7 x5 x4],... linear, all ); t = regr.tstat.t P = regr.tstat.pval t = P = t = 1.9 och P > α, dvs. vi kan inte förkasta H 0. Vi stannar här! TAMS65 - Fö11 42/45
44 Framåtvalsprincipen ger modellen Y = β 0 + β 5 x 5 + β 7 x 7 + ε. Vi vill nu testa om modellen med all fyra förklaringsvariablerna är signifikant bättre. >> regr = regstats(y,[x7 x5],... linear, all ); >> fstat = regr.fstat fstat = sse: dfe: 47 dfr: 2 ssr: e+04 f: pval: 0 >> regr = regstats(y,[x7 x5 x4 x6],... linear, all ); >> fstat = regr.fstat fstat = sse: dfe: 45 dfr: 4 ssr: e+04 f: pval: 0 TAMS65 - Fö11 43/45
45 Teststorhet: w = (SS(1) E SS (2) E SS(2) E )/p ( )/2 = /(n k p 1) 848.8/45 = 2.26 Den s.v. W F (2, 45) om H 0 är sann. H 0 förkastas om w > c. MATLAB (eller tabell) ger den kritiska gränsen c=finv(0.95,2,45) vilken blir c = w = 2.26 < 3.20 = c dvs. vi kan inte förkasta H 0 : β 4 = β 6 = 0. Alltså, vi kan fortsätta använda den lilla modellen. TAMS65 - Fö11 44/45
46 Exempel - Linjär interpolering Vi har V F (2, 45) och söker c så att P(V > c) = c ( ) = Här ges 3.23 i F (2, 40)-tabell och 3.18 i F (2, 50)-tabell. TAMS65 - Fö11 45/45
47
REGRESSIONSANALYS. Martin Singull
REGRESSIONSANALYS Martin Singull 16 april 2018 Innehåll 1 Beroendemått och stokastiska vektorer 4 1.1 Beroendemått........................................... 4 1.2 Stokastiska vektorer.......................................
Läs merTAMS65 DATORÖVNING 2
TAMS65 DATORÖVNING 2 Datorövningen behandlar multipel linjär regression Förberedelser Läs allmänt om regressionsanalys i boken och på föreläsningsanteckningarna Glöm inte att rensa minnet och alla fönster
Läs merResidualanalys. Finansiell statistik, vt-05. Normalfördelade? Normalfördelade? För modellen
Residualanalys För modellen Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F7 regressionsanalys antog vi att ε, ε,..., ε är oberoende likafördelade N(,σ Då
Läs merTAMS65 - Seminarium 4 Regressionsanalys
TAMS65 - Seminarium 4 Regressionsanalys Martin Singull Matematisk statistik Matematiska institutionen Problem 1 PS29 Vid ett test av bromsarna på en bil bromsades bilen upprepade gånger från en hastighet
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 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 merMVE051/MSG Föreläsning 14
MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska
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 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 merFöreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad
Läs merFöreläsning 9: Linjär regression del II
Föreläsning 9: Linjär regression del II Johan Thim (johan.thim@liu.se) 29 september 2018 No tears, please. It s a waste of good suffering. Pinhead Vi fixerar en vektor u T = (1 u 1 u 2 u k ), där u i kommer
Läs merEnkel och multipel linjär regression
TNG006 F3 25-05-206 Enkel och multipel linjär regression 3.. Enkel linjär regression I det här avsnittet kommer vi att anpassa en rät linje till mätdata. Betrakta följande värden från ett försök x 4.0
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 merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 15 Johan Lindström 4 december 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F15 1/28 Repetition Linjär regression Modell Parameterskattningar
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 15: Multipel linjär regression
Matematisk statistik 9 hp, HT-16 Föreläsning 15: Multipel linjär regression Anna Lindgren 28+29 november, 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F15: multipel regression 1/22 Linjär regression
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merFöreläsning 15: Faktorförsök
Föreläsning 15: Faktorförsök Matematisk statistik Chalmers University of Technology Oktober 17, 2016 Ensidig variansanalys Vi vill studera om en faktor A påverkar en responsvariabel. Vi gör totalt N =
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 merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 9 Joakim Lübeck (Johan Lindström 25 september 217 Johan Lindström - johanl@maths.lth.se FMSF7/MASB2 F9 1/23 Repetition Inferens för diskret
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 merFöreläsning 15, FMSF45 Multipel linjär regression
Föreläsning 15, FMSF45 Multipel linjär regression Stas Volkov 2017-11-28 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F15 1/23 Linjär regression Vi har n st par av mätvärden (x i, y i ), i = 1,..., n
Läs merFöreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3
Föreläsning Kap 3,7-3,8 4,1-4,6 5, 5,3 1 Kap 3,7 och 3,8 Hur bra är modellen som vi har anpassat? Vi bedömer modellen med hjälp av ett antal kriterier: visuell bedömning, om möjligt F-test, signifikanstest
Läs merTAMS65. Formel- och tabellsamling i matematisk statistik TAMS65. Martin Singull TAMS65 TAMS65
Formel- och tabellsamling i matematisk statistik Martin Singull Innehåll 4.1 Multipel regression.............................. 15 1 Sannolikhetslära 7 1.1 Några diskreta fördelningar.........................
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 merFöreläsning 9. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs merLycka till!
Avd. Matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR K OCH B MÅNDAGEN DEN 25 AUGUSTI 2003 KL 14.00 19.00. Examinator: Gunnar Englund, 790 7416. Tillåtna hjälpmedel: Formel- och
Läs merEnvägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper
Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Tobias Abenius February 21, 2012 Envägs variansanalys (ANOVA) I envägs variansanalys utnyttjas att
Läs merFöreläsning 9. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs merBayesiansk statistik, 732g43, 7.5 hp
Bayesiansk statistik, 732g43, 7.5 hp Moment 2 - Linjär regressionsanalys Bertil Wegmann STIMA, IDA, Linköpings universitet Bertil Wegmann (STIMA, LiU) Bayesiansk statistik 1 / 29 Översikt moment 2: linjär
Läs merPerson Antal månader som utrustningen ägts. Antal timmar utrustningen användes föregående vecka.
y Uppgift 1 (18p) I syfte för att se om antalet månader som man ägt en viss träningsutrustning påverkar träningsintensiteten har tio personer som har köpt träningsutrustningen fått ange hur många månader
Läs meroberoende av varandra så observationerna är
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 1, 1-5-7 REGRESSION (repetition) Vi har mätningarna ( 1, 1 ),..., ( n, n
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x
Läs merFöreläsning 13: Multipel Regression
Föreläsning 13: Multipel Regression Matematisk statistik Chalmers University of Technology Oktober 9, 2017 Enkel linjär regression Vi har gjort mätningar av en responsvariabel Y för fixerade värden på
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 merLaboration 2 multipel linjär regression
Laboration 2 multipel linjär regression I denna datorövning skall ni 1. analysera data enligt en multipel regressionsmodell, dvs. inkludera flera förklarande variabler i en regressionsmodell 2. studera
Läs merTentamen för kursen. Linjära statistiska modeller. 22 februari
STOCKHOLMS UIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 februari 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs merTENTAMEN I SF2950 (F D 5B1550) TILLÄMPAD MATEMATISK STATISTIK, TORSDAGEN DEN 3 JUNI 2010 KL
TENTAMEN I SF950 (F D 5B1550) TILLÄMPAD MATEMATISK STATISTIK, TORSDAGEN DEN 3 JUNI 010 KL 14.00 19.00 Examinator : Gunnar Englund, tel. 790 7416, epost: gunnare@math.kth.se Tillåtna hjälpmedel: Formel-
Läs merförstå modellen enkel linjär regression och de antaganden man gör i den Laborationen är dessutom en direkt förberedelse inför Miniprojekt II.
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF25: MATEMATISK STATISTIK KOMPLETTERANDE PROJEKT DATORLABORATION 2, 6 DECEMBER 2017 Syfte Syftet med den här laborationen är att du ska
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 merF18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT
Stat. teori gk, ht 006, JW F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT 1.1, 13.1-13.6, 13.8-13.9) Modell för multipel linjär regression Modellantaganden: 1) x-värdena är fixa. ) Varje y i (i = 1,, n) är
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 merFORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD 208-08-26 Sannolikhetsteori Följande gäller för sannolikheter: 0 P(A P(Ω = P(A
Läs merGRUNDLÄGGANDE REGRESSIONSANALYS Problemsamling
GRUNDLÄGGANDE REGRESSIONSANALYS Problemsamling Martin Singull Kapitel 1 GR-1.1. Uppgift 1. i Grundläggande Regressionsanalys. GR-1.2. Uppgift 2. i Grundläggande Regressionsanalys. GR-1.3. Uppgift 3. i
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 merFORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02 Sannolikhetsteori Följande gäller för sannolikheter:
Läs merF13 Regression och problemlösning
1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell
Läs merRegressions- och Tidsserieanalys - F3
Regressions- och Tidsserieanalys - F3 Multipel regressionsanalys kap 4.8-4.10 Linda Wänström Linköpings universitet 7 maj Wänström (Linköpings universitet) F3 7 maj 1 / 26 Lite som vi inte hann med när
Läs merKorrelation kausalitet. ˆ Y =bx +a KAPITEL 6: LINEAR REGRESSION: PREDICTION
KAPITEL 6: LINEAR REGRESSION: PREDICTION Prediktion att estimera "poäng" på en variabel (Y), kriteriet, på basis av kunskap om "poäng" på en annan variabel (X), prediktorn. Prediktion heter med ett annat
Läs merMatematisk statistik, Föreläsning 5
Matematisk statistik, Föreläsning 5 Ove Edlund LTU 2011-12-09 Ove Edlund (LTU) Matematisk statistik, Föreläsning 5 2011-12-09 1 / 25 Laboration 4 Jobba i grupper med storlek 2 Ove Edlund (LTU) Matematisk
Läs mer10.1 Enkel linjär regression
Exempel: Hur mycket dragkraft behövs för att en halvledare skall lossna från sin sockel vid olika längder på halvledarens ben. De halvledare vi betraktar är av samma storlek (bortsett benlängden). 70 Scatterplot
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för
Läs merMatematisk statistik kompletterande projekt, FMSF25 Övning om regression
Lunds tekniska högskola, Matematikcentrum, Matematisk statistik Matematisk statistik kompletterande projekt, FMSF Övning om regression Denna övningslapp behandlar regression och är tänkt som förberedelse
Läs merTAMS79 / TAMS65 - vt TAMS79 / TAMS65 - vt Formel- och tabellsamling i matematisk statistik. TAMS79 / TAMS65 - vt 2013.
Formel- och tabellsamling i matematisk statistik c Martin Singull 2 Innehåll 3.3 Tukey s metod för parvisa jämförelser.................... 14 1 Sannolikhetslära 5 1.1 Några diskreta fördelningar.........................
Läs merFöreläsning 13, Matematisk statistik 7.5 hp för E, HT-15 Multipel linjär regression
Föreläsning 13, Matematisk statistik 7.5 hp för E, HT-15 Multipel linjär regression Anna Lindgren 14 december, 2015 Anna Lindgren anna@maths.lth.se FMSF20 F13 1/22 Linjär regression Vi har n st par av
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 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 merAMatematiska institutionen avd matematisk statistik
Kungl Tekniska Högskolan AMatematiska institutionen avd matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR B OCH K FREDAGEN DEN 11 JANUARI 2002 KL 14.00 19.00. Examinator: Gunnar
Läs merSF1901: SANNOLIKHETSTEORI OCH HYPOTESPRÖVNING. STATISTIK. Tatjana Pavlenko. 4 oktober 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 12 HYPOTESPRÖVNING. Tatjana Pavlenko 4 oktober 2016 PLAN FÖR DAGENS FÖRELÄSNING Intervallskattning med normalfördelade data: två stickprov (rep.) Intervallskattning
Läs merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
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 merLÖSNINGAR TILL P(A) = P(B) = P(C) = 1 3. (a) Satsen om total sannolikhet ger P(A M) 3. (b) Bayes formel ger
LÖSNINGAR TILL Matematisk statistik Tentamen: 2015 08 18 kl 8 00 13 00 Matematikcentrum FMS 086 Matematisk statistik för B, K, N och BME, 7.5 hp Lunds tekniska högskola MASB02 Matematisk statistik för
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 10 Johan Lindström 27 september 2017 Johan Lindström - johanl@maths.lth.se FMSF70/MASB02 F10 1/26 Repetition Linjär regression Modell Parameterskattningar
Läs merTENTAMEN I SF2950 (F D 5B1550) TILLÄMPAD MATEMATISK STATISTIK, ONSDAGEN DEN 17 MARS 2010 KL
TENTAMEN I SF2950 (F D 5B1550 TILLÄMPAD MATEMATISK STATISTIK, ONSDAGEN DEN 17 MARS 2010 KL 14.00 19.00 Examinator : Gunnar Englund, tel. 790 7416, epost: gunnare@math.kth.se Tillåtna hjälpmedel: Formel-
Läs merLösningar till tentamensskrivning för kursen Linjära statistiska modeller. 14 januari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Lösningar till tentamensskrivning för kursen Linjära statistiska modeller 14 januari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se
Läs merTAMS 28 DATORÖVNING 2
TAMS 28 DATORÖVNING 2 Datorövningen behandlar enkel och multipel linjär regression. Du kommer att använda filerna syra.mpj, fosfat.mpj, smog.mpj och mogel.mpj. Om regressionskommandot: Det underlättar
Läs merTentamen för kursen. Linjära statistiska modeller. 17 februari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 17 februari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312,
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 merTentamen för kursen. Linjära statistiska modeller. 14 januari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 14 januari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Sal 22, hus
Läs merGör uppgift 6.10 i arbetsmaterialet (ingår på övningen 16 maj). För 10 torskar har vi värden på variablerna Längd (cm) och Ålder (år).
Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 4, 21 MAJ 2018 REGRESSION OCH FORTSÄTTNING PÅ MINIPROJEKT II Syfte Syftet med dagens laboration är att du ska bekanta
Läs merFöreläsning 8: Linjär regression del I
Föreläsning 8: Linjär regression del I Johan Thim (johanthim@liuse) 29 september 2018 Your suffering will be legendar, even in hell Pinhead Vi återgår nu till ett exempel vi stött på redan vid ett flertal
Läs merTentamen för kursen. Linjära statistiska modeller. 22 augusti
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
Läs merMatematiska Institutionen Silvelyn Zwanzig 13 mar, 2006
UPPSALA UNIVERSITET Sannolikhetslära och Statistik Matematiska Institutionen F Silvelyn Zwanzig 3 mar, 006 Tillåtna hjälpmedel: Miniräknare, Formel- och Tabellsamling med egna handskrivna tillägg Skrivtid:5-0.
Läs merTenta i Statistisk analys, 15 december 2004
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, ML 15 december 004 Lösningar Tenta i Statistisk analys, 15 december 004 Uppgift 1 Vi har två stickprov med n = 5 st.
Läs merTAMS65 - Föreläsning 12 Test av fördelning
TAMS65 - Föreläsning 12 Test av fördelning Martin Singull Matematisk statistik Matematiska institutionen Innehåll Grundläggande χ 2 -test Test av given fördelning Homogenitetstest TAMS65 - Fö12 1/37 Det
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 merTAMS65 - Föreläsning 2 Parameterskattningar - olika metoder
TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 Punktskattningar Egenskaper Väntevärdesriktig Effektiv Konsistent
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 merTentamen för kursen. Linjära statistiska modeller. 27 oktober
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 27 oktober 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs merMultipel linjär regression
Multipel linjär regression Motiverande exempel: effekt av sjukhusstorlek Multipel kausalitet En aktuell fråga: Svårare fall av urinblåsecancer behandlas ofta med cystektomi, det vill säga att man opererar
Läs merRegressions- och Tidsserieanalys - F3
Regressions- och Tidsserieanalys - F3 Multipel regressionsanalys kap 4.8-4.10 Linda Wänström Linköpings universitet November 6, 2013 Wänström (Linköpings universitet) F3 November 6, 2013 1 / 22 Interaktion
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 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 merFöreläsning 4. Kap 5,1-5,3
Föreläsning 4 Kap 5,1-5,3 Multikolinjäritetsproblem De förklarande variablerna kan vara oberoende (korrelerade) av varann men det är inte så vanligt. Ofta är de korrelerade, och det är helt ok men beroendet
Läs mer3 Maximum Likelihoodestimering
Lund Universitet med Lund Tekniska Högskola Finansiell Statistik Matematikcentrum, Matematisk Statistik VT 2006 Parameterestimation och linjär tidsserieanalys Denna laborationen ger en introduktion till
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 merTentamen för kursen. Linjära statistiska modeller. 13 januari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 13 januari 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merEn scatterplot gjordes, och linjär regression utfördes därefter med följande hypoteser:
1 Uppgiftsbeskrivning Syftet med denna laboration var att utifrån uppmätt data avgöra: (i) Om något samband finnes mellan kroppstemperatur och hjärtfrekvens. (ii) Om någon signifikant skillnad i sockerhalt
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 merAnalytisk statistik. Mattias Nilsson Benfatto, PhD.
Analytisk statistik Mattias Nilsson Benfatto, PhD Mattias.nilsson@ki.se Beskrivande statistik kort repetition Centralmått Spridningsmått Normalfördelning Konfidensintervall Korrelation Analytisk statistik
Läs merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
Läs merHypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University
Hypotesprövning Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Liksom konfidensintervall ett hjälpmedel för att
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 merRegressionsanalys av lägenhetspriser i Spånga
Regressionsanalys av lägenhetspriser i Spånga Mahamed Saeid Ali Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics Kandidatuppsats 2016:11 Matematisk statistik Juni 2016
Läs merFacit till Extra övningsuppgifter
LINKÖPINGS UNIVERSITET Institutionen för datavetenskap Statistik, ANd 732G71 STATISTIK B, 8hp Civilekonomprogrammet, t3, Ht 09 Extra övningsuppgifter Facit till Extra övningsuppgifter 1. Modellen är en
Läs merEnkel linjär regression
Enkel linjär regression Fäders och söners längder Om man anpassar en linje y=α+βx, så passar y = 86.07+0.51x bäst. Uppenbart räcker inte linjen som förklaring. Det finns slumpmässig variation, som gör
Läs mer732G71 Statistik B. Föreläsning 3. Bertil Wegmann. November 4, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 3 Bertil Wegmann IDA, Linköpings universitet November 4, 2015 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 4, 2015 1 / 22 Kap. 4.8, interaktionsvariabler Ibland
Läs merExempel på tentamensuppgifter
STOCKHOLMS UNIVERSITET 4 mars 2010 Matematiska institutionen Avd. för matematisk statistik Mikael Andersson Exempel på tentamensuppgifter Uppgift 1 Betrakta en allmän I J-tabell enligt 1 2 3 J Σ 1 n 11
Läs merBild 1. Bild 2 Sammanfattning Statistik I. Bild 3 Hypotesprövning. Medicinsk statistik II
Bild 1 Medicinsk statistik II Läkarprogrammet T5 HT 2014 Anna Jöud Arbets- och miljömedicin, Lunds universitet ERC Syd, Skånes Universitetssjukhus anna.joud@med.lu.se Bild 2 Sammanfattning Statistik I
Läs merF23 forts Logistisk regression + Envägs-ANOVA
F23 forts Logistisk regression + Envägs-ANOVA Repetition Detta går inteattbeskriva på någotrimligtsättmed en linjär funktion PY Xx) β 0 +β x Den skattade linjen går utanför intervallet0, ): Y ärenbinärvariabel0-,dikotom)manvillmodellera,
Läs mer