Tidsserieanalys. Vad karaktäriserar data? Exempel:
|
|
- Ellen Isaksson
- för 7 år sedan
- Visningar:
Transkript
1 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
2 Exempel på idsseriedaa Olika yper av ekonomiska daa: Arbeslöshessiffror Försäljningsvärden Konsumenprisindex och andra index Expor- och impormängder Miljömädaa: Fosforhal i havsvaenbassänger Ozonhal i lufrumme över en sorsad
3
4 Modeller för idsseriedaa Tidsserieregression: Daa y Daa y där ec. = TR med endas linjär rend : = β + β Daa y 0 = TR + ε = 1 med kvadraisk rend : 0 = TR + ε = = β + β + ε = 1om iden s.k."säsongdummies" med linjär rend och säsongsvariaion : 0 i, 1 + SN = β + β x 1 + β + β 2 + ε = s1 2 x + ε 1, + β s2 x 2, är i säsong i β och = TR sår här för rendfunkionen i modellen s11 x 11, 0 annars, + ε
5 Skapande av säsongdummies x 1, x 2,, x 11 : sold ime monh x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 10 x
6 Sa Regression Fied Line plo
7 Regression Analysis: sold versus ime The regression equaion is sold = 5,78 + 0,0430 ime Predicor Coef SDev T P Consan 5,7761 0,9429 6,13 0,000 ime 0, , ,26 0,215 S = 3,181 R-Sq = 3,4% R-Sq(adj) = 1,2% Analysis of Variance Source DF SS MS F P Regression 1 16,00 16,00 1,58 0,215 Residual Error ,27 10,12 Toal ,28
8 Sa Regression Regression
9 Regression Analysis: sold versus ime, x1,... The regression equaion is sold = 3,65 + 0,0285 ime - 1,69 x1-0,47 x2 + 2,75 x3 + 1,22 x4 + 6,20 x5 + 2,42 x6 + 8,14 x7 + 6,36 x8 + 0,58 x9 + 2,55 x10 + 1,02 x11 Predicor Coef SDev T P Consan 3,6491 0,8526 4,28 0,000 ime 0, , ,92 0,063 x1-1,691 1,028-1,65 0,109 x2-0,469 1,027-0,46 0,651 x3 2,752 1,026 2,68 0,011 x4 1,224 1,026 1,19 0,241 x5 6,195 1,025 6,04 0,000 x6 2,417 1,025 2,36 0,024 x7 8,138 1,025 7,94 0,000 x8 6,360 1,026 6,20 0,000 x9 0,581 1,026 0,57 0,575 x10 2,553 1,027 2,49 0,018 x11 1,024 1,028 1,00 0,326 S = 1,342 R-Sq = 87,0% R-Sq(adj) = 82,4% Analysis of Variance Source DF SS MS F P Regression ,031 34,169 18,97 0,000 Residual Error 34 61,246 1,801 Toal ,277
10 Fungerar saisisk som vanlig regression Tolkning av paramerar: Predicor Coef SDev T P Consan 3,6491 0,8526 4,28 0,000 ime 0, , ,92 0,063 x1-1,691 1,028-1,65 0,109 x2-0,469 1,027-0,46 0,651 x3 2,752 1,026 2,68 0,011 x4 1,224 1,026 1,19 0,241 x5 6,195 1,025 6,04 0,000 x6 2,417 1,025 2,36 0,024 x7 8,138 1,025 7,94 0,000 x8 6,360 1,026 6,20 0,000 x9 0,581 1,026 0,57 0,575 x10 2,553 1,027 2,49 0,018 x11 1,024 1,028 1,00 0,326 Give a vi håller oss inom en månad ökar sales med i genomsni 0,0285 enheer per idsenhe I januari sjunker sales med i genomsni 1.69 enheer, i mars ökar sales med i genomsni 2.75 enheer ec. Residualanalys bör göras för a konrollera om villkoren för regression är uppfyll: Oberoende residualer Normalfördelade residualer (för a kunna lia på esen) Residualer med konsan varians (inga srumönser)
11 Vanligvis är ine oberoendeanagande uppfyll. Följs residualerna å eller är de mer sammanhängande här?
12 Tes av oberoende (Durbin-Wason) d n ( e = 2 = n = 1 e e 2 ) 2 1
13 Durbin-Wason s es bedömer om s k ensegs auokorrelaion eller seriell korrelaion förekommer bland residualerna: Corr(e,e -1 ) Posiiv auokorrelaion innebär a värdena följs å: en posiiv residual åföljs ofas av en annan posiiv residual, en negaiv residual åföljs ofas av en annan negaiv residual. Negaiv auokorrelaion innebär a en posiiv residual ofas åföljs av en negaiv residual och vice versa.
14 MTB > regress sold' 1 'ime'; SUBC> DW. Regression Analysis: Sold versus ime The regression equaion is sold = ime Predicor Coef SE Coef T P Consan ime S = R-Sq = 3.4% R-Sq(adj) = 1.2% Analysis of Variance Source DF SS MS F P Regression Residual Error Toal Unusual Observaions Obs ime Sold Fi SE Fi Residual S Resid R R R denoes an observaion wih a large sandardized residual Durbin-Wason saisic = 1.51 d
15 Bedömningen av d görs enlig följande approximaiva umregler (abeller för mer ordenlig bedömning finns men ine i den akuella kursboken) Om d är nära 2Ł Ingen signifikan auokorrelaion Om d är < 1 Ł Signifikan posiiv auokorrelaion Om d är > 3 Ł Signifikan negaiv auokorrelaion 1.51 i vår analys är varken lägre än 1 eller högre än 3Ł Ingen auokorrelaion kan påvisas.
16 Vissa idsserier har s k exponeniell rend: y = β0 β1 δ Modell: y β β = 0 1 δ där β 0 och β 1 är konsaner och δ är en muliplikaiv felerm med vänevärde 1. Modellen logarimeras och analyseras sedan med regression som vanlig. Jämför avsnie om exponeniella modeller.
17 Klassisk komponenuppdelning En idsserie kan änkas beså av e anal komponener: 1) Trend, som beskriver en långsikig ökning (eller minskning) i nivån hos värdena. '!(! Vid idpunken beecknas denna komponen TR "$! 2) Säsong(svariaion) som beskriver förändringsmönsre inom vanligvis e år (förändring från kvaral ill kvaral, från månad ill månad ec.) Vid idpunken beecknas denna komponen SN '!( )* "$! 3) Cyklisk variaion, som beskriver långsikiga svängningar i nivån hos värdena (konjunkurvariaioner, meeorologisk variaion) '!( +,-- Vid idpunken beecknas denna komponen CL "$! 4) Oregelbunden variaion: Sådan som ej kan förklaras, beecknas IR
18 "$! '!(! Trenden är som regel ganska målig, men givevis dominerande för exponeniell växande idsserier. Trenden kan annars vara linjär (som kanske här) eller kvadraisk '!( )* Säsongsvariaion brukar vara den mes dominerande och som ger idsserien dess sändig svängande mönser "$! '!( +,-- Den cykliska variaion är för kora serier närmas obefinlig och syns bäs i långa idsserier av speciell naionalekonomisk karakär "$! Vanlig är (som i AJÅ) a rend och cyklisk komponen hålls ihop ill en, ofas beecknad TC. Orsaken är a vissa analyiker ine vill ala om för långsikiga render uan menar a den cykliska variaionen ingår i de man avser med rend
19 Modeller för klassisk komponenuppdelning: Denna beskrivning överenssämmer ine hel med AJÅ, men är mer fullsändig Som idigare beecknar vi idsseriens värde vid idpunken med y Muliplikaiv modell: y = TR SN CL IR Karakäriseras av a säsongseffeker och cykliska mönser verkar muliplikaiv på nivån hos idsserien. Ju högre nivå deso sörre säsongsvariaion. Passar bra för ekonomiska daa som ofa har den karakären Addiiv modell: y = TR + SN + CL + IR Denna modell passar bäre för idsserier där säsongsvariaionen ine har särskil mycke med nivån a göra (ofas där mänskliga fakorn ine är lika dominan) Passar bra för naurveenskapliga daa (variaion i vaenflöden, naurlig nedbryning av näringsämnen i mark, nederbörd mm.)
20 1. Säsongrensning: Skaning av komponener, arbesgång Säsongkomponenen är den komponen som varierar mes och med dea överskuggar de övriga komponenerna. Serien rensas från säsongkomponenen genom beräkning av s k cenrerade och vikade glidande medelvärden (cenered moving avereages): CMA = y ( L / 2) + y ( L / 2 1) y y+ ( L / 2 1) 2 + y+ ( L / 2) L 2 där L=Anal säsonger i serien (L=2 för halvårsdaa, 4 för kvaralsdaa och 12 för månadsdaa)
21 Exempel (sales daa från idigare) "$! & & & &
22 Sold Tim Mon CMA e () h * * * * * * CMA 7 =( )/24 = CMA 8 =( )/24 = CMA 9 =( )/24 =
23 Trend och cyklisk komponen (TC ) skaas illfällig (grov) av CMA.!" '!(."/ "$! & & & &
24 Grova säsongkomponener erhålls genom y /CMA i en muliplikaiv modell y CMA i en addiiv modell Medelvärden av dessa bildas över alla säsonger, ex vid månadsdaa bildas medelvärden av alla grova säsongkomponener för januari, för februari, ec. Ł Toal L medelvärden. Medelvärdena juseras så a de vid muliplikaiv modell får medelvärde 1, dvs. summan av alla juserade säsongmedelvärden skall bli L (4 för kvaralsdaa, 12 för månadsdaa). vid addiiv modell får medelvärde 0, dvs. summan av alla juserade säsongmedelvärden skall bli 0. Slulig skaade säsongkomponener blir dessa juserade medelvärden och beecknas sn 1, sn 2,, sn L
25 Exempel, fors Med muliplikaiv modell får vi Tid Mån. Sold CMA Grova säs.kom. Tid Mån. Sold CMA Grova säs.kom * * * * * * * * * * * * * * * * * * * * * * * * * *
26 Medelvärden av grova säsongkomponener: Juli: ( )/ Aug: ( )/ Sep: ( )/ Ok: ( )/ Nov: ( )/ Dec: ( )/ Jan: ( )/ Feb: ( )/ Mar: ( )/ Apr: ( )/ Maj: ( )/ Juni: ( )/ Obs! Bara vå värden här! och här!
27 Summan av de beräknade medelvärdena: ) Summan skall bli L=12 För a få den ill 12 mulipliceras samliga medelvärden med 12/ Alernaiv kan samliga medelvärden divideras med medelvärde av dem, dvs. divideras med /12, vilke ju blir samma sak.
28 Slulig skaade säsongkomponener: Jan: sn 1 = Feb: sn 2 = Mar: sn 3 = Apr: sn 4 = Maj: sn 5 = Juni: sn 6 = Juli: sn 7 = Aug: sn 8 = Sep: sn 9 = Ok: sn 10 = Nov: sn 11 = Dec: sn 12 =
29 Obs! Värdena hos denna komponen varierar run 1 vid muliplikaiv modell och run 0 vid addiiv modell "$! & & & & Ł Ingen sörre mening a ploa denna komponen illsammans med y
30 Tidsserien säsongrensas genom y y / * = vid muliplikaiv modell sn y * = y vid addiiv modell sn sn där är någo av värdena sn,, sn 1 L beroende på vilken av säsongerna som mosvarar.
31 Exempel, fors Tid Mån. Sold y sn y * Tid Mån. Sold y sn y *
32 $ '!(,0 "$! & & & &
33 2. De säsongrensade värdena används för a skaa rendkomponen Tillämpa regressionsanalys på de säsongrensade värdena. Skaa en linjär eller kvadraisk rend TR. Ł r $ '!(,0! "$! & & & &
34 3. Cyklisk och oregelbunden komponen: Om cyklisk komponen ej finns med: Residualerna från regressionsanalysen ugör skaning av ermen IR i den klassiska modellen.ł ir Om cyklisk komponen finns med: Skaa cyklisk och oregelbunden komponen ihop (dvs. sära ej på dem) med ( cl ir) ( cl + ir) = = r y y sn ( r + vid muliplikaiv modell sn ) vid addiiv modell
35 Även värdena hos denna komponen varierar run 1 vid muliplikaiv modell och run 0 vid addiiv modell % % "$! & & & & Ł Ingen sörre mening här heller a ploa denna komponen illsammans med y
36 Den cykliska komponenen skaas nu genom e cenrera ovika glidande medelvärde: cl = ( cl ir) vid muliplikaiv modell cl = ( cl + ir) m m vid addiiv modell + ( cl ir) + ( cl + ir) ( m 1) ( m 1) ( cl ir) 2 m ( cl 2 m ir) + ( cl ir) + ( cl ir) ( cl ir) + ( cl + m + ir) + m och den oregelbundna komponenen skaas sluligen som ir ir ( cl ir) = cl = ( cl + ir) cl vid muliplikaiv modell vid addiiv modell
37 2m+1 väljs i regel ill någo av värdena 3, 5, 7, 9, 11, 13 Hur m skall väljas besäms genom a ia på den sluliga skaningen av IR m väljs så a auokorrelaionen och variansen för dessa värden blir så låg som möjlig. 2m+1 kallas anal punker i de glidande medelvärde
38 Exempel, fors Glidande medelvärde med 2m + 1 = 5 (dvs. m = 3) &'()* +1! + "$!
39 Miniab kan användas för komponenuppdelning med Sa Time series Decomposiion Muliplikaiv modell är dock någo annorlunda i Miniab: y = TR SN + IR Val av modellyp Möjlighe a välja komponener, men dock begränsa
40 Säsongrensade daa Tidsskalan säs någo annorlunda här
41 Time Series Decomposiion for sold Muliplicaive Model Daa sold Lengh 47 NMissing 0 De här är r men anges någo missvisande som Y Fied Trend Equaion Y = * Seasonal Indices Period Index Dessa blir någo annorlunda jämför med handräkningen idigare p g a a modellen är någo annorlunda Accuracy Measures MAPE MAD MSD
42 Vad sår måen MAPE, MAD och MSD för? Alla re är må på anpassning och kan delvis jämföras med MSE i den mulipla regressionen: MSD = 1 n n ( y yˆ ) = 1 2 Mean Square Deviaion Denna är den som är mes lik MSE. Noera dock a vi dividerar med n och ine med n k 1. Orsaken är a vi här ine har någon regressionsmodell med paramerar, yp σ 2 som skall skaas vänevärdesrikig. MSD är bara e må på anpassning som kan jämföras mellan olika modeller. Sorleksmässig kan dock MSD jämföras med MSE från idsserieregressionen och är skillnaden markan kan vi också se vilken av modellerna som får bäs anpassning.
43 MAD = 1 n n = 1 y y Mean Absolue Deviaion MAD mäer direk anpassning som MSD men skillnaden är a här ar vi absoluavvikelser isälle för kvadraiska avvikelser. De blir allså sor skillnad på värdena mellan MAD och MSD och de skall ine jämföras inom en modell. MAD är mindre känslig för avvikande värden och blir mer användbar när vi har någo ensaka värde som uppräder konsig, ex a campinginäkerna en viss sommar är exrem låg p g a a de har regna hela juli. Yerligare en fördel med MAD är a dess värde är i samma skala som y - observaionerna själva, vilke gör de läare a olka
44 MAPE = = 1 y y n 1 Mean Absolue Percenage Error n yˆ Måe går också på absolua avvikelser, men mäer dem relaiv nivån hos y. Vi får allså relaiva (procenuella) avvikelser isälle för absolua avvikelser. Måe är prakisk för muliplikaiva modeller där den oregelbundna komponenen (IR ) är ganska beydande, efersom avvikelserna då blir sora när vi har sora värden på y och vice versa. Gemensam för alla re må är a de skall vara så små som möjlig. Vid val mellan ex addiiv modell och muliplikaiv modell kan de hända a någo av måen är högre för den ena modellen mellan e anna må är lägre. De gäller allså a olka måen med viss förnuf.
45 Till analysen följer auomaisk (men kan väljas bor) re diagram: ( "&7+8" '!( /+& 5 6! /++&!+,"&! "/23 "/4 "4 +%
46 (" "&7+8" +% +% ", -",-- +% +%
47 " "&7+8" +
48 Skaade rend- och säsongkomponener har lagras i kolumnerna TREN1 resp. SEAS1 Beräkning av (cl ir ) kan göras genom a dividera originaldaa med produken av dessa vå CLIR1=Sold/(TREN1 SEAS1) Den cykliska komponenen skall nu skaas genom beräkning av glidande medelvärden på CLIR1
49 Sa Time Series Moving Average Anal punker i de glidande medelvärde
50 Sparar de glidande medelvärdena, dvs. den skaade cykliska komponenen i en ny kolumn, som får namne AVER1 Vi vill se de glidande medelvärdena och ine hur de kan användas för a beräkna esegsprognoser
51 !" '!( /+& $ "8*/ 8!* 9*$ /++&!+,"&! "/ 23 "/4 "4 "$!
52 Den oregelbundna komponenen (IR) skaas sluligen genom a dividera CLIR1 med AVER1 De resulerade värdena suderas sedan med avseende på spridning, s och seriell korrelaion, Corr ( ir, ir -1 ) 2m+1 s Corr(ir,ir -1 )
53 !" '!( /+& $ "8*/8!* 9*$ /++&!+,"&! "/ 23 "/4 "4 "$!
54 Seriella korrelaioner kan enkel beräknas med Sa Time series Lag och sedan Sa Basic saisics Correlaion eller manuell i Session window: MTB > lag IR6 c125 MTB > corr IR6 c125
55 Analys med addiiv modell:
56 Time Series Decomposiion for sold Addiive Model Daa sold Lengh 47 NMissing 0 Fied Trend Equaion Y = * Inga sörre skillnader i skaad rend Seasonal Indices Period Index Accuracy Measures MAPE MAD MSD Dessa blir hel annorlunda jämför med muliplikaiv modell (summerar ill 0 isälle för ill 1) Dessa blir alla någo lägre än vid muliplikaiv modell vilke indikerar a den addiiva modellen är någo bäre
57 ( /8" '!( /+& 5 6! /++&!+,"&! "/23 "/4 "4 addiiv muliplikaiv "$! ( "&7+8" '!( /+& 5 6! /++&!+,"&! "/23 "/4 "4 +%
58 muliplikaiv! "$! "$! "$! "$ (" /8" ", -",-- +% +% +% +% (" "&7+8" ", -",-- muliplikaiv " /8" + " "&7+8" +
Föreläsning 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 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 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 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 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 merFöreläsning 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 merRegressions- och Tidsserieanalys - F8
Regressions- och Tidsserieanalys - F8 Klassisk komponentuppdelning, kap 7.1.-7.2. Linda Wänström Linköpings universitet November 26 Wänström (Linköpings universitet) F8 November 26 1 / 23 Klassisk komponentuppdelning
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 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 mer732G71 Statistik B. Föreläsning 8. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23
732G71 Statistik B Föreläsning 8 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23 Klassisk komponentuppdelning Klassisk komponentuppdelning bygger på en intuitiv
Läs merEtt A4-blad med egna handskrivna anteckningar (båda sidor) samt räknedosa.
Tentamen Linköpings universitet, Institutionen för datavetenskap, Statistik Kurskod och namn: Datum och tid: Jourhavande lärare: Tillåtna hjälpmedel: 732G71 Statistik B 2017-12-08, 8-12 Bertil Wegmann
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 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 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 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 merTENTAMEN I STATISTIK B,
732G7 Tentamen. hp TENTAMEN I STATISTIK B, 24-2- Skrivtid: kl: -2 Tillåtna hjälpmedel: Ett A4-blad med egna handskrivna anteckningar samt räknedosa Jourhavande lärare: Lotta Hallberg Betygsgränser: Tentamen
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 merEtt A4-blad med egna handskrivna anteckningar (båda sidor) samt räknedosa.
Tentamen Linköpings Universitet, Institutionen för datavetenskap, Statistik Kurskod och namn: Datum och tid: Jourhavande lärare: Tillåtna hjälpmedel: 732G71 Statistik B 2015-02-06, 8-12 Bertil Wegmann
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 mer1. Man tror sig veta att en viss variabel, y, i genomsnitt beror av en annan variabel, x, enligt sambandet:
LINKÖPINGS UNIVERSITET Institutionen för datavetenskap Statistik, ANd 732G71 STATISTIK B, 8hp Civilekonomprogrammet, t3, Ht 09 Extra övningsuppgifter Extra övningsuppgifter 1. Man tror sig veta att en
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 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 merEtt A4-blad med egna handskrivna anteckningar (båda sidor) samt räknedosa.
Tentamen Linköpings Universitet, Institutionen för datavetenskap, Statistik Kurskod och namn: Datum och tid: Jourhavande lärare: Tillåtna hjälpmedel: 732G71 Statistik B 2015-12-09, 8-12 Bertil Wegmann
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 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 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 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 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 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 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 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 merARMA-, ARIMA, (S)ARIMA Modernare metoder för tidsserieanalys och prognoser. Något om val mellan olika metoder
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
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 merTidsserier, forts från F16 F17. Tidsserier Säsongrensning
Tidsserier Säsongrensning F7 Tidsserier forts från F6 Vi har en variabel som varierar över tiden Ex folkmängd omsättning antal anställda (beroende variabeln/undersökningsvariabeln) Vi studerar den varje
Läs merLite grundläggande läkemedelskinetik
Lie grundläggande läkemedelskineik Maemaisk Modellering med Saisiska Tillämpningar (FMAF25) Anders Källén Inrodukion Farmakokineik eller mer svensk läkemedelskineik är en vikig disiplin vid uveklande av
Läs merEtt A4-blad med egna handskrivna anteckningar (båda sidor) samt räknedosa.
Tentamen Linköpings universitet, Institutionen för datavetenskap, Statistik Kurskod och namn: Datum och tid: Jourhavande lärare: Tillåtna hjälpmedel: 732G71 Statistik B 2016-12-13, 8-12 Bertil Wegmann
Läs merRegressions- och Tidsserieanalys - F3
Regressions- och Tidsserieanalys - F3 Multipel regressionsanalys kap 4.8-4.10 Linda Wänström Linköpings universitet Wänström (Linköpings universitet) F3 1 / 21 Interaktion Ibland ser sambandet mellan en
Läs merSTOCKHOLMS UNIVERSITET VT 2007 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET VT 2007 Statistiska institutionen Johan Andersson Skriftlig omtentamen på momentet Statistiska metoder SDA III, 2 poäng ingående i kurserna Grundkurs i statistik 20 p samt Undersökningsmetodik
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 merF16 MULTIPEL LINJÄR REGRESSION (NCT , 13.9) Anpassning av linjär funktion till givna data
Stat. teori gk, ht 006, JW F16 MULTIPEL LINJÄR REGRESSION (NCT 13.1-13.3, 13.9) Anpassning av linjär funktion till givna data Data med en beroende variabel (y) och K stycken (potentiellt) förklarande variabler
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 merSkrivning i ekonometri lördagen den 15 januari 2005
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STA102:3 Skrivning i ekonometri lördagen den 15 januari 5 1. Vi vill undersöka hur variationen i försäljningspris = price för hus i en liten stad
Läs merF7 Polynomregression och Dummyvariabler
F7 Polnomregression och Dummvariabler Antag att man börjar med enkel linjär regression. Kap Polnomregression Emellanåt upptäcker man samband som är kvadratiska, kubiska osv. Allmänt: polnom av k:te ordningen
Läs merSäsongrensning av Nationalräkenskaperna -Översikt- Sven Öhlén
1(63) Säsongrensning av Naionalräkenskaperna -Översik- Sven Öhlén 2003-03-18 Bruonaionalproduken (BNP) Förändring från föregående kvaral, uppräkna ill årsak, %. Säsongrensade värden och rend 7 6 5 4 3
Läs merAtt studera eller inte studera. Vad påverkar efterfrågan av högskole- och universitetsutbildningar i Sverige?
NATIONALEKONOMISKA INSTITUTIONEN Uppsala universie Examensarbee C Förfaare: Ameli Frenne Handledare: Björn Öcker Termin och år: VT 2009 A sudera eller ine sudera. Vad påverkar eferfrågan av högskole- och
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 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 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 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 merSkrivning i ekonometri lördagen den 29 mars 2008
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STAB, Ekonometri Skrivning i ekonometri lördagen den 9 mars 8.Vi vill undersöka hur variationen i antal arbetande timmar för gifta kvinnor i Michigan
Läs mer2003:11. Säsongrensning av Nationalräkenskaperna Översikt
2003:11 Säsongrensning av Naionalräkenskaperna Översik Bruonaionalproduken (BNP) Förändring från föregående kvaral, uppräkna ill årsak, procen. Säsongrensade värden och rend 7 6 5 4 3 2 1 0 1993 1994 1995
Läs merDet svenska konsumtionsbeteendet
NATIONALEKONOMISKA INSTITUTIONEN Kandidauppsas i makroekonomi, 2008 De svenska konsumionsbeeende En ekonomerisk analys av den permanena inkomshypoesen Handledare : Fredrik NG Andersson Förfaare: Ida Hedlund
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 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 merHedgefonder och aktiefonder - En studie av riskexponering och market-timing på den svenska marknaden
Magiseruppsas i finansiering Föreagsekonomiska insiuionen FEK 591 Lunds Universie Hedgefonder och akiefonder - En sudie av riskexponering och marke-iming på den svenska marknaden Handledare Hossein Asgharian
Läs merTjänsteprisindex för detektiv- och bevakningstjänster; säkerhetstjänster
Tjänseprisindex för deekiv- och bevakningsjänser; säkerhesjänser Branschbeskrivning för SNI-grupp 74.60 TPI- rappor nr 17 Camilla Andersson/Kamala Krishnan Tjänseprisindex, Prisprogramme, Ekonomisk saisik,
Läs merTentamen Tillämpad statistik A5 (15hp)
Uppsala universitet Statistiska institutionen A5 2014-08-26 Tentamen Tillämpad statistik A5 (15hp) 2014-08-26 UPPLYSNINGAR A. Tillåtna hjälpmedel: Miniräknare Formelsamlingar: A4/A8 Tabell- och formelsamling
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 merLaboration D158. Sekvenskretsar. Namn: Datum: Kurs:
UMEÅ UNIVERSITET Tillämpad fysik och elekronik Digialeknik Lars Wållberg/Håkan Joëlson 2001-02-28 v 3.1 ELEKTRONIK Digialeknik Laboraion D158 Sekvenskresar Namn: Daum: Eposadr: Kurs: Sudieprogram: Innehåll
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 merInflation och relativa prisförändringar i den svenska ekonomin
Inflaion och relaiva prisförändringar i den svenska ekonomin AV BENGT ASSARSSON Beng Assarsson är verksam på avdelningen för penningpoliik vid Sveriges riksbank och vid Naionalekonomiska insiuionen vid
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 merKan förekomsten av en riskpremie förklara avvikelsen från öppen ränteparitet?
NATIONALEKONOMISKA INSTITUTIONEN Uppsala universie Examensarbee D Förfaare: Joakim Lannergård Handledare: Annika Alexius VT 2006 Kan förekomsen av en riskpremie förklara avvikelsen från öppen räneparie?
Läs merRegressions- och Tidsserieanalys - F5
Regressions- och Tidsserieanalys - F5 Linda Wänström Linköpings universitet November 20 Wänström (Linköpings universitet) F5 November 20 1 / 24 Modellbygge - vilka oberoende variabler ska vara med i modellen?
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 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 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 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 merD. Samtliga beräknade mått skall följas av en verbal slutsats för full poäng.
1 Att tänka på (obligatorisk läsning) A. Redovisa Dina lösningar i en form som gör det lätt att följa Din tankegång. (Rättaren förutsätter att det dunkelt skrivna är dunkelt tänkt.). Motivera alla väsentliga
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 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 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 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 merFramtidsförväntningsundersökningars förmåga att förklara och prognostisera hushållens inköp av varaktiga varor.
Naionalekonomiska insiuionen Uppsala universie C-uppsas Förfaare: Johan Löfqvis, Michael Wiberg Handledare: Beng Assarsson Vårerminen 2007 Venileringsdaum 07-06-04 Framidsförvänningsundersökningars förmåga
Läs merRäkneövning 5. Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari För Uppgift 2 kan man med fördel ta hjälp av Minitab.
Räkneövning 5 Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari 016 1 Om uppgifterna För Uppgift kan man med fördel ta hjälp av Minitab. I de fall en figur för tidsserien efterfrågas
Läs merJobbflöden i svensk industri 1972-1996
Jobbflöden i svensk induri 1972-1996 av Fredrik Andersson 1999-10-12 Bilaga ill Projeke arbeslöshesförsäkring vid Näringsdeparemene Sammanfaning Denna udie dokumenerar heerogenieen i induriella arbesällens
Läs merDIGITALTEKNIK. Laboration D171. Grindar och vippor
UMEÅ UNIVERSITET Tillämpad fysik och elekronik Digialeknik Håkan Joëlson 2006-01-19 v 1.3 DIGITALTEKNIK Laboraion D171 Grindar och vippor Innehåll Uppgif 1...Grundläggande logiska grindar Uppgif 2...NAND-grindens
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 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 merSkrivning i ekonometri lördagen den 25 augusti 2007
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STA10:3 Skrivning i ekonometri lördagen den 5 augusti 007 1. Vi vill undersöka hur variationen i ölförsäljningen i ett bryggeri i en stad i USA
Läs merExempel 1 på multipelregression
Exempel på multipelregression Hastighet = högsta hastighet som uppnåtts fram till givna år (årtal) Årtal Hastighet 83 3 (tåg) 9 3 (tåg) 93 (flyg) 97 7 (flyg) 9 (flyg) 99 (raket) Fitted Line Plot Hastighet
Läs mer