Tillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III
|
|
- Simon Lindström
- för 7 år sedan
- Visningar:
Transkript
1 Tillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III Sebastian Andersson Statistiska institutionen Senast uppdaterad: 16 december 2015
2 är en prognosmetod vi kan använda för serier med en konstant nivå, dvs utan trend eller Metoden liknar glidande medelvärden, men vikterna avtar t Med en skonstant w (0 w 1): E t = wy t + (1 w)e t 1 Vi har alltså ett viktat genomsnitt av nuvarande periods observation (y t ) och tidigare periods utjämnade värde (E t 1 )
3 Metodens steg: 1 Bestäm ett värde för skonstanten w, 0 w 1 2 Beräkna den t utjämnade serien E t som följer: E 1 = y 1 E 2 = wy 2 + (1 w)e 1 E 3 = wy 3 + (1 w)e 2. E n = wy n + (1 w)e n 1 3 Prognosen för en framtida observation k steg framåt är F n+k = E n, k = 1,2,...
4 Men varför? De tre första värdena: E 1 = y 1 E 2 = wy 2 + (1 w)e 1 E 3 = wy 3 + (1 w)e 2 Stoppa in E 1 i E 2 och E 2 i E 3 och se att vi får en kvadrat på (1 w): E 3 = wy 3 + (1 w)e 2 E 3 = wy 3 + (1 w)(wy 2 + (1 w)e 1 ) (Byt ut E 2 ) = wy 3 + (1 w)(wy 2 + (1 w)y 1 ) (Byt ut E 1 ) = wy 3 + w(1 w)y 2 + (1 w) 2 y 1 (Multiplicera)
5 Summan av vikterna är 1: w + w(1 w) + (1 w) 2 = 2w w 2 + (1 2w + w 2 ) = 1. Högre värden för vikten w ger större vikt till närliggande observationer, lägre värden tar större hänsyn till äldre observationer Detta betyder att höga värden på w ger en hoppig serie, medan låga värden ger en mer mjuk och utjämnad serie Vad händer i gränsfallen, när w är 0 eller 1?
6 Exempel: BNP-tillväxt i Sverige t Period BNP :3 0, :4 1, :1 0, :2 1,1 Vi väljer w = 0,2 och beräknar den utjämnade serien: E 1 = 0,3 E 2 = 0,2 1,2 + (1 0,2) 0,3 = 0,48 E 3 = 0,2 0,6 + (1 0,2) 0,48 = 0,504 E 4 = 0,2 1,1 + (1 0,2) 0,504 = 0,623 Prognoser för de två återstående kvartalen 2015 ges av: F 5 = E 4 = 0,623 F 6 = E 4 = 0,623.
7 Procent Variable BNP w=0.2 w= Quarter Year Svensk BNP-tillväxt
8 Eftersom prognosen är det senaste utjämnade värdet, kan vi få en mer intuitiv tolkning av vad metoden gör Vi hade att: E n = wy n + (1 w)e n 1 Eftersom prognosen ett steg framåt vid tidpunkt n 1 är det senaste utjämnade värdet, dvs F n = E n 1, kan detta skrivas som E n = wy n + (1 w)f n = F n + w(y n F n ) = Föregående 1-stegsprognos + w Prognosfel Det utjämnade värdet vid tidpunkt n kan alltså ses som en uppdaterad prognos, dvs när vi får en ny observation behåller vi den gamla prognosen (första termen) men reviderar den något (andra termen)
9 är något begränsad, då den förutsätter att vi varken har någon trend eller Med metod utökas den enkla a en till att tillåta enbart trend eller både trend och, där trenden antas vara linjär Vi skriver metoden enligt: E t = wy t + (1 w)(e t 1 + T t 1 ) T t = v(e t E t 1 ) + (1 v)t t 1 där både w och v är mellan 0 och 1. Utjämningen vid tidpunkt t (E t ) bestäms av en vid föregående tidpunkt (E t 1 ) samt en skattning av trendökningen (T t 1 )
10 Metodens steg: 1 Bestäm skonstanterna v och w, där båda är mellan 0 och 1 2 Beräkna s- och trendkomponenterna E t och T t enligt: { y 2, t = 2 E t = wy t + (1 w)(e t 1 + T t 1 ), t > 2 { y 2 y 1, t = 2 T t = v(e t E t 1 ) + (1 v)t t 1, t > 2 3 Prognosen k steg framåt är F n+k = E n + T n k
11 Det enklaste sättet att förstå denna (något komplicerade) metod är att titta på ekvationen för dess prognos: F n+k = E n + T n k Precis som vid enkel använder vi det senaste utjämnade värdet, E n, men nu lägger vi även till en del för att i vår prognos ta hänsyn till trenden Detta uttryck är mycket likt vad vi hade för prognoser med minsta kvadrat-metoden: ŷ t = ˆβ 0 + ˆβ 1 t Skillnaden är alltså att vi uppdaterar interceptet ˆα med vårt senaste utjämnade värde, E n, och lutningskoefficienten ˆβ 1 med vår senaste skattning för trendökningen, T t
12 För en 1-stegsprognos är k = 1, så 1-stegsprognosen vid tidpunkt n 1 är då F n = E n 1 + T n 1 Som i fallet med enkel innebär detta att vi kan se en som en reviderad prognos, eftersom: E n = wy n + (1 w)(e n 1 + T n 1 ) = wy n + (1 w)f n = F n + w(y n F n ) = Föregående 1-stegsprognos + w Prognosfel Ekvationen ovan är exakt samma som för enkel, skillnaden är beräkningen av F n. I det här fallet tillåter vi även en trendökning!
13 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * Vi kan omedelbart beräkna E 2 och T 2 : E 2 = y 2 = 3657 T 2 = y 2 y 1 = = 137
14 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * Vi kan omedelbart beräkna E 2 och T 2 : E 2 = y 2 = 3657 T 2 = y 2 y 1 = = 137
15 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * Därefter beräknar vi E 3 och T 3 : E 3 = 0,3 y 3 + 0,7 (E 2 + T 2 ) = 0, ,7 ( ) = 3761,3 T 3 = 0,3 (E 3 E 2 ) + 0,7 T 2 = 0,3 (3761,3 3657) + 0,7 137 = 127,19
16 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * ,3 127, Därefter beräknar vi E 3 och T 3 : E 3 = 0,3 y 3 + 0,7 (E 2 + T 2 ) = 0, ,7 ( ) = 3761,3 T 3 = 0,3 (E 3 E 2 ) + 0,7 T 2 = 0,3 (3761,3 3657) + 0,7 137 = 127,19
17 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * ,3 127, Vi kan nu beräkna E 4 och T 4 : E 4 = 0,3 y 4 + 0,7 (E 3 + T 3 ) = 0, ,7 (3761, ,19) = 3852,94 T 4 = 0,3 (E 4 E 3 ) + 0,7 T 3 = 0,3 (3852, ,3) + 0,7 127,19 = 116,53
18 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * ,3 127, ,94 116, Vi kan nu beräkna E 4 och T 4 : E 4 = 0,3 y 4 + 0,7 (E 3 + T 3 ) = 0, ,7 (3761, ,19) = 3852,94 T 4 = 0,3 (E 4 E 3 ) + 0,7 T 3 = 0,3 (3852, ,3) + 0,7 127,19 = 116,53
19 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * ,3 127, ,94 116, Slutligen har vi E 5 och T 5 : E 5 = 0,3 y 5 + 0,7 (E 4 + T 4 ) = 0, ,7 (3852, ,53) = 3954,03 T 5 = 0,3 (E 5 E 4 ) + 0,7 T 4 = 0,3 (3954, ,94) + 0,7 116,53 = 111,9
20 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * ,3 127, ,94 116, ,03 111,9 4 Slutligen har vi E 5 och T 5 : E 5 = 0,3 y 5 + 0,7 (E 4 + T 4 ) = 0, ,7 (3852, ,53) = 3954,03 T 5 = 0,3 (E 5 E 4 ) + 0,7 T 4 = 0,3 (3954, ,94) + 0,7 116,53 = 111,9
21 Exempel: Säsongsrensat BNP i löpande priser, miljarder kronor. Vikter: w = 0,3 och v = 0,3. Tid t y t E t T t * * ,3 127, ,94 116, ,03 111,9 4 Prognoser för 2015 och 2016 fås genom: F 6 = E 5 + T 5 = 3954, ,9 = 4065,92 F 7 = E T 5 = 3954, ,9 = 4177,82
22 metod utan kallas ibland dubbel eftersom vi har två serier vi jämnar ut Vi ska nu introducera även i modellen i vad som även kallas trippel Det finns egentligen allsköns kombinationer av additiv och multiplikativ, olika trender, etc i dessa modeller, men vi fokuserar här på multiplikativ med linjär trend Metoden är alltså med både trend och
23 Vi har nu istället tre ekvationer: ( ) yt E t = w + (1 w)(e t 1 + T t 1 ) S t P T t = v(e t E t 1 ) + (1 v)t t 1 ( ) yt S t = u + (1 u)s t P E t där w,v och u är skonstanter (mellan 0 och 1) och P är periodiciteten Jämförelse med utan : 1 E t : istället för y t har vi det sjusterade värdet y t /S t P 2 T t : samma som förut 3 S t : viktat medel av en grov sskattning (y t /E t ) och senaste skattningen för samma period
24 Metodens steg: 1 Bestäm skonstanterna w, v och u (alla mellan 0 och 1) 2 Bestäm periodiciteten P (t ex 4 för kvartalsdata) 3 Beräkna de första värdena: E 2 = y 2 T 2 = y 2 y 1 S 2 = y 2 E 2 4 Beräkna andra delen, för t = 3,..., P + 2: E t = wy t + (1 w)(e t 1 + T t 1 ) T t = v(e t E t 1 ) + (1 v)t t 1 S t = y t E t
25 5 Beräkna den resterande delen, för t = P + 3,..., n: ( ) yt E t = w + (1 w)(e t 1 + T t 1 ) S t P T t = v(e t E t 1 ) + (1 v)t t 1 ( ) yt S t = u + (1 u)s t P E t 6 Prognosen k steg framåt är: F n+k = (E n + kt n )S n+k P
26 Exempel: BNP i 2014 års priser, 2000:1-2015:2 BNP (miljarder kronor) Quarter Year BNP i 2014 års priser, miljarder kronor
27 1 Vi låter w = 0,7,v = u = Eftersom vi har kvartalsdata är periodiciteten P = 4 3 Början av datamängden: Tid t BNP (y t ) E t T t S t 2000: , : , : , : , : , : , : , : ,90
28 3 (forts.) Beräkning av de första värdena: E 2 = y 2 = 767,25 T 2 = y 2 y 1 = 767,25 735,77 = 31,48 S 2 = y 2 = 767,25 E 2 767,25 = 1 Tid t BNP (y t ) E t T t S t 2000: ,77 * * * 2000: ,25 767,25 31, : , : ,26
29 4 Den andra delen med beräkningar sträcker sig från t = 3 till t = P + 2 = 6. Vi får: E 3 = 0,7 y 3 + 0,3 (E 2 + T 2 ) = 0,7 696,25 + 0,3 (767, ,48) = 726,99 T 3 = 0,5 (E 3 E 2 ) + 0,5 T 2 = 0,5 (726,99 767,25) + 0,5 31,48 = 4,39 S 3 = y 3 = 696,25 E 3 726,99 = 0,958 Tid t BNP (y t ) E t T t S t 2000: ,77 * * * 2000: ,25 767,25 31, : ,25 726,99-4,39 0, : ,26
30 4 (forts.) När tabellen är ifylld fram till t = P + 2 = 6 har vi: Tid t BNP (y t ) E t T t S t 2000: ,77 * * * 2000: ,25 767,25 31, : ,25 726,99-4,39 0, : ,26 776,97 22,79 1, : ,16 769,94 7,88 0, : ,41 777,54 7,74 1, : , : ,90
31 5 Vi fyller i tabellen för t = P + 3 = 7 och framåt: ( ) y7 E 7 = 0,7 + 0,3 (E 6 + T 6 ) S ( 3 ) 704,96 = 0,7 + 0,3 (777,54 + 7,74) = 750,84 0,958 T 7 = 0,5 (E 7 E 6 ) + 0,5 T 6 = 0,5 (750,84 777,54) + 0,5 7,74 = 9,48 ( ) y7 S 7 = 0,5 + 0,5 S 3 E ( 7 ) 704,96 = 0,5 + 0,5 0,958 = 0, ,84
32 5 (forts.) Utökad tabell: Tid t BNP (y t ) E t T t S t 2000: ,77 * * * 2000: ,25 767,25 31, : ,25 726,99-4,39 0, : ,26 776,97 22,79 1, : ,16 769,94 7,88 0, : ,41 777,54 7,74 1, : ,96 750,84-9,48 0, : ,90 Genom att fortsätta med liknande beräkningar får vi slutligen de utjämnade serierna ända upp till 2015:2
33 BNP (miljarder kr) Variable BNP E 700 Quarter Year BNP och E t
34 6 Förutom prognoser framåt i tiden (2015:3, 2015:4, etc) kan vi också beräkna löpande 1-stegsprognoser genom att vid varje tidpunkt göra 1-stegsprognoser enligt: F t+1 = (E t + T t )S t+1 P för t = P + 1, P + 2,..., n. De första 1-stegsprognoserna är: F 6 = (E 5 + T 5 )S 2 = (769,94 + 7,88) 1 = 777,83 F 7 = (E 6 + T 6 )S 3 = (777,54 + 7,74) 0,958 = 752,07 F 8 = (E 7 + T 7 )S 4 = (750,84 9,48) 1,030 = 763,59 etc
35 6 (forts.) Början på tabellen inklusive 1-stegsprognoser: Tid t BNP (y t ) E t T t S t F t 2000: ,77 * * * * 2000: ,25 767,25 31,48 1 * 2000: ,25 726,99-4,39 0,958 * 2000: ,26 776,97 22,79 1,030 * 2001: ,16 769,94 7,88 0,983 * 2001: ,41 777,54 7,74 1, , : ,96 750,84-9,48 0, , : ,90 770,79 5,24 1, ,59 Genom att fortsätta med liknande beräkningar får vi slutligen de utjämnade serierna ända upp till 2015:2
36 BNP (miljarder kr) Variable BNP E F 700 Quarter Year BNP, E t och F t
37 6 (forts.) Prognoser framåt i tiden beräknar vi enligt: F n+k = (E n + k T n )S n+k P Botten av tabellen: Tid t BNP (y t ) E t T t S t F t 2014: ,57 989,21 6,44 0, : ,42 997,86 7,55 1, : , ,00 6,35 0, : , ,43 9,89 1,027 För k = 1, 2, 3, 4 får vi: F 63 = (E T 62 )S 59 = (1016, ,89) 0,928 = 952,54 F 64 = (E T 62 )S 60 = (1016, ,89) 1,033 = 1070,54 F 65 = (E T 62 )S 61 = (1016, ,89) 0,985 = 1030,88 F 66 = (E T 62 )S 62 = (1016, ,89) 1,027 = 1084,28
38 BNP (miljarder kr) Variable BNP E F 900 Quarter Year Q Q Q BNP, E t och F t
Räkneövning 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 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 merRäkneövning 4. Om uppgifterna. 1 Uppgift 1. Statistiska institutionen Uppsala universitet. 14 december 2016
Räkneövning 4 Statistiska institutionen Uppsala universitet 14 december 2016 Om uppgifterna Uppgift 2 kan med fördel göras med Minitab. I de fall en gur för tidsserien efterfrågas kan du antingen göra
Läs mer732G71 Statistik B. Föreläsning 9. Bertil Wegmann. December 1, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 9 Bertil Wegmann IDA, Linköpings universitet December 1, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B December 1, 2016 1 / 20 Metoder för att analysera tidsserier Tidsserieregression
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 merSTOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson Skriftlig omtentamen på momentet Statistisk dataanalys III (SDA III, statistiska metoder) 3 högskolepoäng, ingående i kursen Undersökningsmetodik
Läs merTillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I
Tillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I Sebastian Andersson Statistiska institutionen Senast uppdaterad: 15 december 2015 Data kan generellt sett delas in i tre kategorier: 1 Tvärsnittsdata:
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs 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 merTidsserier. Data. Vi har tittat på två typer av data
F9 Tidsserier Data Vi har tittat på två typer av data Tvärsnittsdata: data som härrör från en bestämd tidpunkt eller tidsperiod Tidsseriedata: data som insamlats under en följd av tidpunkter eller tidsperioder
Läs merSTOCKHOLMS UNIVERSITET VT 2009 Statistiska institutionen Jörgen Säve-Söderbergh
1 STOCKHOLMS UNIVERSITET VT 2009 Statistiska institutionen Jörgen Säve-Söderbergh Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik
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 merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik och
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 merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson Skriftlig omtentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik och
Läs merSTOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III, statistiska metoder) 3 högskolepoäng, ingående i kursen Undersökningsmetodik
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 merSTOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Johan Andersson Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik och
Läs merÖVNINGSUPPGIFTER KAPITEL 7
ÖVNINGSUPPGIFTER KAPITEL 7 TIDSSERIEDIAGRAM OCH UTJÄMNING 1. En omdebatterad utveckling under 90-talet gäller den snabba ökningen i VDlöner. Tabellen nedan visar genomsnittlig kompensation för direktörer
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs merSTOCKHOLMS UNIVERSITET VT 2009 Statistiska institutionen Jörgen Säve-Söderbergh
1 STOCKHOLMS UNIVERSITET VT 2009 Statistiska institutionen Jörgen Säve-Söderbergh Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III), 3 högskolepoäng ingående i kursen Undersökningsmetodik
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 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 merSäsongrensning i tidsserier.
Senast ändrad 200-03-23. Säsongrensning i tidsserier. Kompletterande text till kapitel.5 i Tamhane och Dunlop. Inledning. Syftet med säsongrensning är att dela upp en tidsserie i en trend u t, en säsongkomponent
Läs merSTOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III, statistiska metoder) 3 högskolepoäng, ingående i kursen Undersökningsmetodik
Läs merSTOCKHOLMS UNIVERSITET VT 2008 Statistiska institutionen Linda Wänström
1 STOCKHOLMS UNIVERSITET VT 2008 Statistiska institutionen Linda Wänström Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III) 3 högskolepoäng, ingående i kursen Undersökningsmetodik och
Läs merPrognoser. ekonomisk-teoretisk synvinkel. Sunt förnuft i kombination med effektiv matematik ger i regel de bästa prognoserna.
Prognoser Prognoser i tidsserier: Gissa ett framtida värde i tidsserien killnad gentemot prognoser i regression: Det framtida värdet tillhör inte dataområdet. ftet med en prognosmodell är att göra prognos,
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 merTentamensgenomgång och återlämning: Måndagen 24/2 kl16.00 i B497. Därefter kan skrivningarna hämtas på studentexpeditionen, plan 7 i B-huset.
Statistiska institutionen Nicklas Pettersson Skriftlig tentamen i Finansiell Statistik Grundnivå 7.5hp, HT2013 2014-02-07 Skrivtid: 13.00-18.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merTidsserier. Tre modeller för tidsserier är den multiplikativa, additiva och säsongdummymetoden.
Tidsserier Tre modeller för tidsserier är den multiplikativa, additiva och säsongdummymetoden. Den allmänna formeln för den additiva modellen:, och för den multiplikativa modellen:, där T står för trend,
Läs merTentamen för kursen. Linjära statistiska modeller. 16 augusti 2007 9 14
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 16 augusti 2007 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
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 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 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 merTillämpad statistik (A5), HT15 Föreläsning 11: Multipel linjär regression 2
Tillämpad statistik (A5), HT15 Föreläsning 11: Multipel linjär regression 2 Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-23 Faktum är att vi i praktiken nästan alltid har en blandning
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 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 merMetod för beräkning av potentiella variabler
Promemoria 2017-09-20 Finansdepartementet Ekonomiska avdelningen Metod för beräkning av potentiella variabler Potentiell BNP definieras som den produktionsnivå som kan upprätthållas vid ett balanserat
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 9 Statistiska metoder 1 Dagens föreläsning o Regression Regressionsmodell Signifikant lutning? Prognoser Konfidensintervall Prediktionsintervall Tolka Minitab-utskrifter o Sammanfattning Exempel
Läs merJusteringar och tillägg till Svar till numeriska uppgifter i Andersson, Jorner, Ågren: Regressions- och tidsserieanalys, 3:uppl.
LINKÖPINGS UNIVERSITET 73G71 Statistik B, 8 hp Institutionen för datavetenskap Civilekonomprogrammet, t 3 Avdelningen för Statistik/ANd HT 009 Justeringar och tillägg till Svar till numeriska uppgifter
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 3 Statistiska metoder 1 Dagens föreläsning o Samband mellan två kvantitativa variabler Matematiska samband Statistiska samband o Korrelation Svaga och starka samband När beräkna korrelation?
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 merPreliminärt lösningsförslag - omtentamen i Finansiell statistik,
Preliminärt lösningsförslag - omtentamen i Finansiell statistik, 2012-08-22 Uppgift 1a) y x -1 0 1 P(Y = y) -1 1/16 3/16 1/16 5/16 0 3/16 0 3/16 6/16 1 1/16 3/16 1/16 5/16 P(X = y) 5/16 6/16 5/16 1 E[X]
Läs merSTOCKHOLMS UNIVERSITET VT 2007 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET VT 2007 Statistiska institutionen Johan Andersson Skriftlig tentamen på momentet Statistiska metoder SDA III, 2 poäng ingående i kurserna Grundkurs i statistik 20 p samt Undersökningsmetodik
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 merÖvningshäfte till kursen Regressionsanalys och tidsserieanalys
Övningshäfte till kursen Regressionsanalys och tidsserieanalys Linda Wänström April 8, 2011 1 Enkel linjär regressionsanalys (baserad på uppgift 2.3 i Andersson, Jorner, Ågren (2009)) Antag att följande
Läs 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 merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
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 merAvsnitt 2. Modell: intuitiv statistisk
Avsnitt 2. Modell: intuitiv statistisk En prognos är en utsaga om en framtida händelse. Vi kommer mest att syssla med numeriska prognoser. Med det menar vanligen ett tal på en intervallskala. Exempel:
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 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 merModellskattningen har gjorts med hjälp av minsta kvadratmetoden (OLS).
MODELLSKATTNINGAR Modeller med bäst anpassning ger inte alltid de bästa prognoserna. Grundantaganden, till exempel vilka modeller som testas, påverkar i viss grad prognosutfallet. Modellerna har, i de
Läs mer1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att
Läs merHöftledsdysplasi hos dansk-svensk gårdshund
Höftledsdysplasi hos dansk-svensk gårdshund Sjö A Sjö B Förekomst av parasitdrabbad öring i olika sjöar Sjö C Jämföra medelvärden hos kopplade stickprov Tio elitlöpare springer samma sträcka i en för dem
Läs merFöreläsning 3. Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg
Föreläsning 3 Prognostisering: Prognosprocess, efterfrågemodeller, prognosmodeller och prognosverktyg Kursstruktur Innehåll Föreläsning Lektion Laboration Introduktion, produktionsekonomiska Fö 1 grunder,
Läs merkvoten mellan två på varandra följande tal i en talföljd är konstant alltid lika stor.
Turen har kommit till geometriska talföljder och summan av en geometrisk talföljd. Talföljden 1,, 4, 8, 16, 3,... är ett exempel på en geometrisk talföljd. Utmärkande för en geometrisk talföljd är att
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 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 merPlanering av flygplatser
Fö 2: Prognostisering Tobias Andersson Källor Delar av materialet till denna föreläsning är hämtat från: Kap 7 av Airport Planning av Lynn S. Bezilla Edlund, Högberg, Leonardz: Beslutsmodeller redskap
Läs merLogistisk regression och Indexteori. Patrik Zetterberg. 7 januari 2013
Föreläsning 9 Logistisk regression och Indexteori Patrik Zetterberg 7 januari 2013 1 / 33 Logistisk regression I logistisk regression har vi en binär (kategorisk) responsvariabel Y i som vanligen kodas
Läs merVilka indikatorer kan prognostisera BNP?
Konjunkturbarometern april 2016 15 FÖRDJUPNING Vilka indikatorer kan prognostisera BNP? Data från Konjunkturbarometern används ofta som underlag till prognoser för svensk ekonomi. I denna fördjupning redogörs
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-06-07 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs merpå julhandeln 2014 2014-11-28
PostNord tar tempen på julhandeln 2014 2014-11-28 PostNord tar tempen på julhandeln METOD Denna rapport bygger på en undersökning med 2007 respondenter genomförd den 23-25 november 2014 med ett riksrepresentativt
Läs merTentamen Tillämpad statistik A5 (15hp)
Tentamen Tillämpad statistik A5 (15hp) 2016-05-31 Statistiska institutionen, Uppsala universitet Upplysningar 1. Tillåtna hjälpmedel: Miniräknare, A4/A8 Tabell- och formelsamling (alternativ Statistik
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 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 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 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 merLinnéuniversitetet Institutionen för datavetenskap, fysik och matematik Per-Anders Svensson
Linnéuniversitetet Institutionen för datavetenskap, fysik och matematik Per-Anders Svensson Tentamen i Matematikens utveckling, 1MA163, 7,5hp fredagen den 28 maj 2010, klockan 8.00 11.00 Tentamen består
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 merPoissonregression. E(y x1, x2,.xn) = exp( 0 + 1x1 +.+ kxk)
Poissonregression En lämplig utgångspunkt om vi har en beroende variabel som är en count variable, en variabel som antar icke-negativa heltalsvärden med ganska liten variation E(y x1, x2,.xn) = exp( 0
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merSTOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson
1 STOCKHOLMS UNIVERSITET HT 2007 Statistiska institutionen Johan Andersson Skriftlig omtentamen på momentet Statistisk dataanalys III (SDA III, statistiska metoder) 3 högskolepoäng, ingående i kursen Undersökningsmetodik
Läs merNumeriska metoder för ODE: Teori
Numeriska metoder för ODE: Teori Lokalt trunkeringsfel och noggrannhetsordning Definition: Det lokala trunkeringsfelet är det fel man gör med en numerisk metod när man utgår från det exakta värdet vid
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 merLäs noggrant informationen nedan innan du börjar skriva tentamen
Tentamen i Statistik 1: Undersökningsmetodik Ämneskod S0006M Totala antalet uppgifter: Totala antalet poäng Lärare: 5 25 Mykola Shykula, Inge Söderkvist, Ove Edlund, Niklas Grip Tentamensdatum 2014-03-26
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06
Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse
Läs merVerksamhetsutvärdering av Mattecentrum
Verksamhetsutvärdering av Mattecentrum April 2016 www.numbersanalytics.se info@numbersanalytics.se Presskontakt: Oskar Eriksson, 0732 096657 oskar@numbersanalytics.se INNEHÅLLSFÖRTECKNING Inledning...
Läs merSTOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB DATORLABORATION 3: MULTIPEL REGRESSION.
MATEMATISKA INSTITUTIONEN Tillämpad statistisk analys, GN STOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB 2011-04-13 DATORLABORATION 3: MULTIPEL REGRESSION. Under Instruktioner och data på
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 merReducering av svinnet i fa rskvaruhandeln genom fo rba ttrade efterfra geprognoser
Reducering av svinnet i fa rskvaruhandeln genom fo rba ttrade efterfra geprognoser Andreas Hellborg, Martin Mellvé och Martin Strandberg Institutionen för Produktionsekonomi Lunds Tekniska Högskola Bakgrund
Läs merFinansiell statistik
Finansiell statistik Föreläsning 5 Tidsserier 4 maj 2011 14:26 Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs
Läs 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 merRättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller:
Statistik 2 Provmoment: Ladokkod: Tentamen ges för: TentamensKod: Tentamen SST021 ACEKO16h, ACIVE16h 7,5 högskolepoäng Tentamensdatum: 2018-05-31 Tid: 14.00-19.00 Hjälpmedel: Valfri miniräknare Linjal
Läs merUtvärdering av Transportstyrelsens flygtrafiksmodeller
Kandidatuppsats i Statistik Utvärdering av Transportstyrelsens flygtrafiksmodeller Arvid Odencrants & Dennis Dahl Abstract The Swedish Transport Agency has for a long time collected data on a monthly
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 merKapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN
Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN Spridningsdiagrammen nedan representerar samma korrelationskoefficient, r = 0,8. 80 80 60 60 40 40 20 20 0 0 20 40 0 0 20 40 Det finns dock två
Läs mer5 Blandade problem. b(t) = t. b t ln b(t) = e
5 Blandade problem 5.1 Dagens Teori Ett person sätter in 10000 kr på banken vid nyår 2000 till 4% ränta. Teckna en funktion, b(t) för beloppets utveckling. b(t) = 10000 1.04 t Skriv om funktionen med basen
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 merPrognostisering med exponentiell utjämning
Handbok i materialstyrning - Del F Prognostisering F 23 Prognostisering med exponentiell utjämning Det som karakteriserar lagerstyrda verksamheter är att leveranstiden till kund är kortare än leveranstiden
Läs merSänkningen av parasitnivåerna i blodet
4.1 Oberoende (x-axeln) Kön Kön Längd Ålder Dos Dos C max Parasitnivå i blodet Beroende (y-axeln) Längd Vikt Vikt Vikt C max Sänkningen av parasitnivåerna i blodet Sänkningen av parasitnivåerna i blodet
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 merProvet består av Del I, Del II, Del III samt en muntlig del och ger totalt 76 poäng varav 28 E-, 24 C- och 24 A-poäng.
NpMac vt 01 Del I Del II Provtid Hjälpmedel Uppgift 1-10. Endast svar krävs. Uppgift 11-15. Fullständiga lösningar krävs. 10 minuter för del I och del II tillsammans. Formelblad och linjal. Kravgränser
Läs merDEN FRAMTIDA VERKSAMHETSVOLYMEN I RÄTTSKEDJAN - CENTRALA PROGNOSER FÖR PERIODEN : RESULTATBILAGA
DEN FRAMTIDA VERKSAMHETSVOLYMEN I RÄTTSKEDJAN - CENTRALA PROGNOSER FÖR PERIODEN 2016-2019: RESULTATBILAGA I denna bilaga beskrivs de prognosmodeller som ligger till grund för prognoserna. Tanken är att
Läs merStatistiska Institutionen Gebrenegus Ghilagaber (docent)
Statistiska Institutionen Gebrenegus Ghilagaber (docent) Lösningsförslag till skriftlig tentamen i FINANSIELL STATISTIK, grundnivå, 7,5 hp, VT09. Onsdagen 3 juni 2009-1 Sannolkhetslära Mobiltelefoner tillverkas
Läs 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 merFinansiell månadsrapport Micasa Fastigheter i Stockholm AB augusti 2015
Finansiell månadsrapport Micasa Fastigheter i Stockholm AB augusti 2015 Bolagets skuld Skulden uppgick vid slutet av månaden till 6 639 mnkr. Totalt är det är en ökning med 62 mnkr sedan förra månaden,
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 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 mer