För betyget GODKÄND krävs preliminärt minst 28 poäng. För betyget VÄL GOD- KÄND krävs preliminärt minst 44 poäng.
|
|
- Kurt Samuelsson
- för 5 år sedan
- Visningar:
Transkript
1 STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson Skriftlig hemtentamen i Fortsättningskurs i statistik, moment, Statistisk Teori, poäng. Deltentamen 2: Regressionsanalys Torsdagen den 7 mars 0. LÄS DESSA ANVISNINGAR INNAN NI BÖRJAR! Tentamenbeståravfemfrågormeddeluppgifter. Totaltkanmanfå0poäng. Föratt erhålla full utdelning krävs motiverade och fullständigt redovisade lösningar. De som har genomfört och fått godkänt på den frivilliga inlämningsuppgiften får extrapoäng, motsvarande % av maxpoängen. Detta medför att maxpoängen kan bli poäng. För betyget GODKÄND krävs preliminärt minst 28 poäng. För betyget VÄL GOD- KÄND krävs preliminärt minst 44 poäng. Alla hjälpmedel är tillåtna utom att ta hjälp av andra personer, du skall lösa uppgifterna på egen hand. Bifogat finner du en försäkran där du skall intyga att du har löst uppgifterna på egen hand och utan hjälp av andra. Denna skall undertecknas och lämnas in tillsammans med dina lösningar. Redovisa lösningarna till varje uppgift på separata A4-ark. Deluppgifter redovisas dock påsammaark. Behövsfleränettarkförenuppgifthäftasdessaihop. Häftainteihop redovisningarna till flera olika uppgifter! Skriv ditt namn överst på varje ark. SKRIV TYDLIGT OCH LÄSBART! Fyll i dina personuppgifter på det bifogade försättshäftet. Skriv under försäkran och lägg det tillsammans med dina lösningar i försättshäftet. Markera även vilka uppgifter sombehandlats. Detgårbraattläggahelabunteniettkuvert. Tentamen och försäkran skall lämnas in måndagen den 2 mars senast kl 6., hos migihus B,plan7, rum774. Lägginte lösningarnaibrevlådanmitt emothissarna! Återlämning och tentamensgenomgång äger rum onsdagen den mars kl 9.00 i rum B70. Jag är tillgänglig för frågor under fredagen den 8 mars kl 9.-. och kl 2.-6., ihusb,plan7,rum774. Detgårocksåbraattringapåtel ,ellerskicka e-post till Michael.Carlson@stat.su.se. LYCKA TILL!
2 . MantrorattenbramodellförattförklaraY medhjälpavxäriformavenenkellinjär regressionsmodell enligt Y =β 0 +β X+ε Från ett stickprov av storlek n = observeras följande: i x y I de följande deluppgifterna får du använda ett datorprogram men du måste redovisa dina beräkningar för att erhålla full poäng. (a) (4p) Konstruera en resultatutskrift liknade Minitabs med en ANOVA-tablå. Redovisadinaresultatförsigochdinaberäkningarförsig, gärnasomenbilagatill uppgiften. Kom ihåg att kontrollera att dina svar är konsistenta, dvs att du inte har fått motsägelsefulla resultat. Tablån skall innehålla samma uppgifter som i en vanlig Minitab-utskrift, förutom p-värden, dvs Predictor Coef StDev T Constant _ X _ S = R-Sq = R-Sq(adj) = Analysis of Variance Source DF SS MS F Regression Error Total (b) (2p)Konstruera9%-konfidensintervallförβ 0 ochförβ. (c) (2p) Konstruera ett 9%-konfidensintervall för korrelationskoefficienten ρ. (d) (2p) Sammanställ två diagram som kan användas för att analysera residualerna. Kan modellantagandena antas vara uppfyllda? (e) (2p)Beräknaleveragemåttet(h i )förvarochenavdeobservationerna. Beräkna sedancook savståndsmått(d i ). Analyserasedanresultaten. (f) (2p)Angeenpunktskattningförµ Y X samtberäknaett9%konfidensintervallför densamma givet att X = 9. Beräkna sedan ett 9% prediktionsintervall för Y givet att X =. Tolka resultaten kritiskt. (g) (2p) Visa med hjälp av formler ur kurslitteraturen att F-testet och t-testet är ekvivalenta test. 2
3 2. Variationen i bensinförbrukning(mätt som liter/mil och betecknat L/M) mellan olika bilmärken och årsmodeller kan till stor del förklaras med bilarnas olika vikt (mätt i 0kg och betecknat V ikt). Några av dina kollegor anser att regressionsmodellen skulle bli bättre om du inkluderar en kvadratisk term(betecknat V iktˆ2) medans andra tycker att du ska logaritmera repsonsvariablen(betecknat lnl/m). Du vet sedan tidigare att det kan löna sig att centrera prediktorvariablen innan man inför en kvadratisk term så duhargjortdetta(betecknatcviktrespcviktˆ2). Nuharduskattatfyraolikamodeller enligt nedan: Modell: L/M=β 0 +β Vikt+ε Modell2: L/M=β 0 +β Vikt+β 2 Viktˆ2+ε Modell3: L/M=β 0 +β cvikt+β 2 cviktˆ2+ε Modell4: lnl/m =β 0 +β Vikt+ε I bilagan finner du diverse datautskrifter och diagram avseende dessa fyra modeller. Observera att det saknas en del uppgifter i dessa utskrifter. Försök att svara kortfattat, absolut max en handskriven A4 sida per uppgift. (a) (2p) Analysera resultaten från skattningen av Modell med avseende på hur bra anpassningen är. Dvs, är relevanta statistikor signifikanta? Kan man anse att modellantagandena är uppfyllda? Skulle du rekommendera någon modifiering av modellen? (b) (2p) Analysera resultaten från skattningen av Modell 2. Är resultaten bättre jämförtmedmodell? HurjämförsigresultatenochdiagnostikenmedModell? I vilkaavseendenhardenblivitbättreochivilkahardenblivitsämre? (c) (2p) Vilken av Modell 2 och 3 skulle du rekommendera? Vilka är skillnaderna mellan dem? Vad är oförändrat? Kan du förklara detta? (d) (2p) Vilken av Modellerna -4 skulle du rekommendera? Motivera ditt svar. 3. Man har kommit på att ytterligare prediktorvariabler finns tillgängliga som skulle kunna användas för att förbättra modellen i uppgift 2 ovan. Dessa prediktorer är lnhk = motorstyrkan (logaritm av antalet hästkrafter), MaxH = maxhastighet (km/tim) samt Vol = kabinvolym(0 liter). I bilaganfinner du endatorutskrift som erhölls vid en regressionsanalys med Minitab samt en tabell med parvisa korrelationer mellan prediktorerna och repsonsvariabeln. Kommentar: När du redovisar dina svar ska i förekommande fall noll- och mothypotes samt testvariabel och dess fördelning anges. Använd genomgående signifikansnivån α=0.0. IbilaganfinnsävenenutökadtabellmedkritiskavärdenförF-fördelningen. (a) (2p)Testaommodellensomhelhetärsignifikant. Kanmansägaattdetföreligger regression mellan respons och prediktorer? (b) (2p)TestaomlnHKtillförnågottillenmodellenmedendastViktsomprediktor. (c) (2p) Testa om MaxH och Vol tillsammans tillför något till modellen, givet att ViktochlnHK redanärmed. (d) (2p)TestaomViktochVoltillsammanstillförnågottillmodellen,givetattMaxH ochlnhk redanärmed. 3
4 (e) (2p) Testa om Vikt tillför något till modellen, givet att lnhk, MaxH och Vol redan är med. (f) (2p)AntagattViktochlnHK ärensammaprediktorerimodellen. Beräknavariansinflationsfaktorerna(VIF) för dessa två prediktorer. 4. Utgå ifrån en enkel logistisk regressionsmodell enligt samt en observerad 2 2-tabell LogOdds(Y = X=x) = β 0 +β x Y =0 Y = X=0 a b X= c d dära,b,cochdärantaletobserveradeirespektivecell. (a) (3p) Visa att regressionskoefficienterna kan skattas med ˆβ 0 =lnb lna resp ˆβ =lna lnb lnc+lnd Utgå ifrån en multipel logistisk regressionsmodell enligt Logit(Y =) = 2x +3x 2 4x 3 (b) (p) Beräkna sannolikheterna för Y = 0 respektive för Y =, då X = /2, X 2 =2/3ochX 3 =3/4. (c) (2p)BeräknadenrelativaökningenioddsförY =dåx ökarmedenhetoch X 2 minskarmedenhet.. Din uppdragsgivare kan inte mycket om statistik och vill att du ska förklara några olika begrepp. Menhanärenotåligpersonsomharontomtidochvillhasnabbaochkonkreta förklaringar. För var och en av deluppgifterna nedan ska du alltså ge ett kortfattat svar, ingauppsatser. Begränsaertillmax0ordperuppgift(omduskrivermerslutarhan läsa och frågar någon annan). Använd gärna ordbehandlare eller skrivmaskin. Om du behöver skriva formler eller göra enkla illustrationer kan du alltid göra detta för hand. (a) (2p) Samspel och confounding. Förklara begreppen och ange hur man kan undersökaommanbehövertahänsyntilldetta. (b) (2p) Jackknife residualer. Förklara hur de definieras och vad de kan användas till. (c) (2p) En-vägs ANOVA med fixa faktorer(one-way ANOVA with fixed factors). (d) (2p)AntagattviärintresseradeavattskattaväntevärdetförY,dvsµ Y.Förklara hur man kan skatta just denna parameter med bättre precision med hjälp av en bra prediktorvariabel X och en regressionsmodell än vad man annars skulle kunna göra med endast observationer från Y. 4
5 Bilaga till uppgift 2. Modell : Regression Analysis: L/M versus Vikt The regression equation is L/M = Vikt Predictor Coef SE Coef T P Constant Vikt S = R-Sq = 88,% R-Sq(adj) = 88,0% Analysis of Variance Source DF SS MS F P Regression 4,6 4,6 Error 0, Total 80,29 Unusual Observations Obs Vikt M/L Fit SE Fit St Resid,3 0, , ,36R 6,4,3673, ,27R 7,4,38362, ,46R 8,4,40847, ,7R 9 24,9,7893,4636 0,3828 3,87RX 77,9 0, , ,2R Model : Fitted Line Plot L/M = Vikt Model : s Versus Vikt (response is L/M),7 0,3,0 M/L,,00 0,7 0,0 - - Vikt Vikt Model : Histogram of the s (response is L/M) Model : Probability Plot of s Normal 3 99, Mean -2,097E-6 StDev 872 N 8 AD 2,37 P-Value <0 Frequency Percent ,3-0,3 - - RESI 0,3 0,4
6 Modell 2: Regression Analysis: L/M versus Vikt; Vikt^2 The regression equation is L/M = 0, - 33 Vikt Vikt^2 Predictor Coef SE Coef T P VIF Constant 0,0 90 Vikt ,8 Vikt^ ,8 S = 7340 R-Sq = 9,9% R-Sq(adj) = 9,7% Analysis of Variance Source DF SS MS F P Regression 4,78 2,39 Error 0, Total 80,29 Source DF Seq SS Vikt 4,6 Vikt^2 92 Unusual Observations Obs Vikt M/L Fit SE Fit St Resid 7,9 0,3966 0, ,89 X 6 0, , ,08R,3 0, , ,88R 2,4,0274, ,7R 3,4,0274, ,7R 6,4,3673, ,09R 7,4,38362, ,32R 8,4,40847, ,67R 9 24,9,7893, ,9 X Model 2: Fitted Line Plot L/M = 0, Vikt Vikt**2 Model 2: s Versus Vikt (response is L/M),7 M/L,0,,00 0,7 0,0 - - Vikt Vikt Model 2: Histogram of the s (response is L/M) Model 2: Probability Plot of s Normal 3 99, Mean -4,368E-6 StDev 7222 N 8 AD 2,70 P-Value <0 Frequency Percent RESI2
7 Modell 3: Regression Analysis: L/M versus cvikt; cvikt^2 The regression equation is L/M = 0, cvikt cvikt^2 Predictor Coef SE Coef T P VIF Constant 0, cvikt ,3 cvikt^ ,3 S = 7340 R-Sq = 9,9% R-Sq(adj) = 9,7% Analysis of Variance Source DF SS MS F P Regression 4,78 2,39 Error 0, Total 80,29 Source DF Seq SS cvikt 4,6 cvikt^2 92 Unusual Observations Obs cvikt M/L Fit SE Fit St Resid -6, 0,3966 0, ,89 X 6-3,8 0, , ,08R -2,7 0, , ,88R 2 6,4,0274, ,7R 3 6,4,0274, ,7R 6 6,4,3673, ,09R 7 6,4,38362, ,32R 8 6,4,40847, ,67R 9,9,7893, ,9 X Model 3: Fitted Line Plot L/M = 0, cvikt cvikt**2 Model 3: s Versus cvikt (response is L/M),7 M/L,0,,00 0,7 0, ,0-2, 2, cvikt,0 7, 2, -,0-2, 2, cvikt,0 7, 2, Model 3: Histogram of the s (response is L/M) Model 3: Probability Plot of s Normal 3 99, Mean -4,879E-6 StDev 7222 N 8 AD 2,70 P-Value <0 Frequency Percent RESI3
8 Modell 4: Regression Analysis: lnl/m versus Vikt The regression equation is LnL/M = -, Vikt Predictor Coef SE Coef T P Constant -, Vikt S = 978 R-Sq = 9% R-Sq(adj) = 89,9% Analysis of Variance Source DF SS MS F P Regression 6,7366 6,7366 Error 79 0, Total 80 7,483 Unusual Observations Obs Vikt lnm/l Fit SE Fit St Resid 7,9 -,0226-0, ,4R 6-0,92-0,663-0,67-3,R 7-0,880-0, ,R, , , 3,3R 2 2, -0,690-0, ,60R 9 24,9 0,777 0, ,4 X Model 4: Fitted Line Plot lnl/m = -, Vikt Model 4: s Versus Vikt (response is lnl/m) 0,0 0,3 lnm/l ,0 - -0,7 -, ,3 Vikt Vikt Model 4: Histogram of the s (response is lnl/m) Model 4: Probability Plot of s Normal Frequency Percent 99, Mean,049229E- StDev 969 N 8 AD 3,064 P-Value < ,3 - - RESI4 0,3
9 Bilaga till uppgift 3. Regression Analysis: lnl/m versus Vikt; lnhk; MaxH; Vol The regression equation is lnl/m = - 2, Vikt + 0,442 lnhk MaxH + 00 Vol Predictor Coef SE Coef T P Constant -2, ,8 00 Vikt ,83 00 lnhk 0, ,93 04 MaxH ,23 24 Vol ,786 S = 8449 R-Sq = 92,7% R-Sq(adj) = 92,4% Analysis of Variance Source DF SS MS F P Regression Error 0, Total 80 7,483 Source DF Seq SS Vikt 6,7366 lnhk 879 MaxH 47 Vol 00 Correlations: lnl/m; Vikt; lnhk; MaxH; Vol lnl/m Vikt lnhk MaxH Vikt 0, lnhk 0,97 0, MaxH 0,74 0,682 0, Vol 0,337 0, ,739 Cell Contents: Pearson correlation P-Value Tabell. Kritiska gränser för F-fördelningen, α = 0.0 Frihetsgrader täljaren nämnaren , ,864 2,7269 2, , , ,698 2, ,49 2, ,9609 3,37 2, ,4904 2, , ,379 2,7278 2, , ,9689 3,226 2,726 2, , ,9603 3,77 2,7878 2,4888 2,32872
10 STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson, Lösningförslag skriftlig hemtentamen i Fortsättningskurs i statistik, moment, Statistisk Teori, poäng. Deltentamen 2: Regressionsanalys, poäng Onsdagen den 7 mars 0. därkorrelationskoefficientenrerhållsenklastsomrotenurr 2 medsammatecken somˆβ enligt Man får dvs r= ln ±.96 =.438± = (0.784, 2.677) 8 (L z, U z )=(0.784, 2.677). Enekl linjär regression (a) Den skattade regressionsmodellen blir ŷ= x och en resultatutskrift liknade Minitabs med en ANOVA-tablå: Predictor Coef StDev T Constant -8,336 3,033-2,7 X 2,332 0,4364,80 S =,9477 R-Sq = 78,9% R-Sq(adj) = 76,6% Analysis of Variance Source _DF _SS _MS _F Regression 27,8 27,8 33,70 Error 9 34,4 3,79 Total 6,9 Formler etc. se kurslitteraturen. (b) Ett9%-konfidensintervallförβ 0 gesav ˆβ 0 ±t (n 2) 0.0 Sˆβ0 = 8.336± = 8.336±6.86 = (.97,.47) ochförβ gesav ˆβ ±t (n 2) 0.0 Sˆβ = 2.332± = 2.332±0.987 = (.46, 3.) (c) Ett 9%-konfidensintervall för korrelationskoefficienten ρ erhålls med Fisher-transformation enligt 2 ln+r r ± z 0.0 n 3 Transformering tillbaka till r ges av Insättning ger L ρ = e2lz e 2Lz + resp U ρ = e2uz e 2Uz + L ρ = e e = resp U ρ= e e = ochkikanskrivassom (0.67, 0.97) (d) Se kurslitteratur och föreläsningsanteckningar. Endast två diagram efterfrågades och de två första i varje redovisning bedömdes. (e) Leveragemåttet(h i )beräknas(kkmnsid2) h i = n + (x i x) 2 = (n )Sx 2 +(x i 6.888) Cook savståndsmått(d i )beräknas(kkmnsid232) Beräkningar ger d i = e 2 ih i (k+)se 2( h i) 2 = e 2 ih i ( h i ) 2 i h i d i i h i d i Tumregelsomkananvändasärmanskaseuppom h i > 2(k+) n =
11 och/eller om d i > ävenomdensenareärenosäkerregel. Idettamaterialharviatt och bör möjligen undersökas närmare. h 8 =0.664> Däremotverkar det inte vara någotproblem närman studerar Cook s avstånd, inget d i ärstörreänett. Inteensomvijämför (n k ) max i (d i )=9 d 2.6 mottabellvärdet.3motsvarandeα=0.och.24motsvarandeα=0.0(se sid232ochtabella,närmevärdetyvärdenförn=saknas,närmast)ser detutattvaranågraproblem. (f) Enpunktskattningförµ Y X samtberäknaett9%konfidensintervallfördensamma givetattx=9gesav ˆβ 0 +ˆβ 9±t (n 2) 0.0 S e n + (9 x)2 (n )Sx 2 Insättning ger ± (9 6.88)2.992 = 4.46±2.3 = (.93, 6.99) Innebär inte något störreproblem då x = 9 ligger inom det observerade området. Ett9%prediktionsintervallförY givetattx=gesav ˆβ 0 +ˆβ ±t (n 2) 0.0 S e ± = 4.33±4.94 = (.609, 9.27) + n + ( x)2 (n )S 2 x + +( 6.88)2.992 HärskamanvaraförsiktigdådetminstavärdetviharobserveratiXär..Även omdetärettgränsfallsåärdetfrågaomenextrapolering. (g) Viharatt Tobs= ˆβ 2 2 = (n )S2 x S 2ˆβ MSE ˆβ 2 S e MSE ty = = Sˆβ n Sx n Sx 3 (setex. sid4ikleinbaumetal.). Vidareär Detta ger (n )S 2 xˆβ 2 =(n )S 2 y r 2 =SST r 2 ty ˆβ =r S y S x ˆβ 2 = SST S 2ˆβ MSE r2 = SST MSE R2 = SST ( ) SSR MSE SST = SSR MSE = MSR MSE =F obs vsv(ssr = MSR i enkel linjär regression med en frihetsgrad). Alternativt använd att t-testet också kan formuleras i termeravkorrelationskoefficienten enligt vilket ger T obs = r n 2 r 2 Tobs 2 = R2 SSR (n 2) ( R 2 ) = (n 2) SST = = SSR SST SSR/ SSE/(n 2) = MSR MSE =F obs 2. Modeller för att förklara skillnader i bensinförbrukning. SSR (n 2) SST = SSR(n 2) SSE SSE SST (a) Modell.Medledningavdenumeriskaresultatenserdetutsomommodellenär enbramodell. ViharenförklaringsgradsomärR 2 =88.%vilketkanansesvara väldigtbra. EttformellttestgörsenklastmedettF-test(altt-test). Vifår F obs = MSR MSE = =87. och det inses direkt att detta är ett signifikant resultat. Däremot har vi uppenbara problem när vi tittar på residualerna. Det allvarligaste problemet är det uppenbara mönstret i s versus Vikt. Mönstret indikerar attdetfinnsettberoendeochattdetkanskesaknasenkvadratisktermimodellen. Antagandet om normalfördelade slumptermer ser inte heller ut att hålla vilket framgår av histogrammet och prob-plotten. Se även p-värdet för normalfördelningstestet(<0.00). Detta beror förmodligen på ett antal outliers med stora residualer. Ilistanserviattdetfinnsnågramenkomihågattvihar8observationerochatt någrabörvara stora. Däremotserattdetserutattvaraspeciellaproblemmed observation nr 9 som ger en extremt stor residual och har ett stort inflytande. Dettakanberopåattdetsaknasenkvadratisktermimodellenmenävenattdet är den observation som har störst x-värde.. 4
12 (b) Modell2.ResultatenblevbättrejämförtmedModellefterattmanharinförten kvadratisk term. R 2 ökar till 9.9%, en ökning med 3.8 procentenheter. Även Radj 2 ökar. Formellt kan man testa om bidraget från den kvadratiska termen är signifikant med F ( Vikt 2 Vikt ) = MSR(Vikt2 Vikt) MSE(Vikt,Vikt 2 ) = =3.4 och det inses direkt att detta är ett signifikant resultat. diagnostiken ser bättre ut nu med avseende på mönster och homoskedasticitet men något sämre ut med avseende på normalfördelningen; vi har fått tyngre svansar nu jämfört med Modell. Fler observationer markeras som avvikande men problemet med observation nr 9 har delvis försvunnit. Nu har den bara ett sort inflytande men detta är inte oväntat då det är det största observerade x-värdet. Ett annat problem nu är multikollinjäritet med höga V IF-värden,.8(tumregel <.0). För att få en bild av hur detta påverkar skattningarna beräknar vi t-kvoter: T 0 = =4.63 T = = 2,03 T 2= =.98 Riktigt vaddetta säger ärosäkertmenvi observerar att t-kvotenför Vikt är på gränsen till icke-signifikant(p-värde = 4.6%). (c) JämförModell2och3.Viserattdetmestaäroförändrat: sammar 2,sammaFkvot, samma MSE, osv. erna är likaledes oförändrade och de slutsatser somdrogsi(b)gällerävenhär. Multikollinjäriteten försvunnit; vi har låga V IF-värden på.3. Om vi beräknar t-kvoterna får vi nu T 0 = =6.42 T = =23.22 T 2= =.98 ochmanserattdetvåförstaärbetydligtmerstabilare. Attkoefficientenförden kvadratiska termen inte förändras inses om vi skriver Modell 2 som ochmodell3som ochattˆβ 2 =ˆγ 2. Ŷ =ˆβ 0 +ˆβ x+ˆβ 2 x 2 Ŷ = ˆγ 0 +ˆγ (x x)+ˆγ 2 (x x) 2 = ˆγ 0 +ˆγ x ˆγ x+ˆγ 2 x 2 2ˆγ 2 xx+ˆγ 2 x 2 = (ˆγ 0 ˆγ x+ˆγ 2 x 2) 2 +(ˆγ }{{} 2γ 2 x) x+ˆγ }{{} 2 x =ˆβ 0 =ˆβ Slutsats: Modell 3 är att föredra då vi får stabilare skattningar(lägre standardfel). (d) ValavModell-4.OmvikommerframtillattModell3ärattföredraivaletmellan -3,såmåstevijämföradennamedModell4. Modell4ärenenklaremodellmedendastenprediktor. Vinårnästanuppisamma förklaringsgrad,r 2 =90.0%.F-testetgerocksåettsignifikantresultat F obs = MSR MSE = =73.0 MSE är större men dessa går inte riktigt att jämföra mellan modeller eftersom lnl/m ärpåenannanskalaänl/m. Däremotharmanfåttproblemmedresidualerna. Man anar en avtagande varians med ökande värden på x(ej homoskedasticitet). Detta kan bero på att det var få bilar medstor vikt i materialet. Normalfördelningsantagandet ser inte ut att vara uppfyllt här heller. Storleken på de största residualerna är något större här jämfört med tidigare modeller. Observation 9 sticker fortfarande ut som en med stort inflytande. Valavmodellärinteheltenkelt. Viharenbättremodelli3:anmensomkanske inte är enkel att förstå. Finns det stöd i teorin att sambandet ska vara kvadratiskt? Modell 4 beskriver ju ett exponentiellt samband enligt lny =β 0 +β Vikt Y =e β 0 +β Vikt =e β 0 e β Vikt =c 0 c Vikt som möjligen kan ha ett teoretiskt stöd men detta vet vi inget om. Om vi bara ska använda modellen för prediktioner inom det observerade området kan Modell 3 vara att föredra. 3. Multipel regression. (a) Overall-test: Testvariabel H 0 : β =β 2 =β 3 =β 4 =0 H : minstenavβ j 0 F = MSR MSE F(4,76) underh 0.Signifikansnivåα=0.0gerettkritisktvärde2.492ochviförkastarH 0 omf obs ärstörreändettavärde. Viobserverar F obs = / /76 =242.70>2.492 ViförkastaralltsåH 0 ochsägerattdetföreliggerregression. (b) Enkelt partiellt F-test: Testvariabel H 0 : β 2 =0 Vikt H : β 2 0 Vikt F(lnHK Vikt)= SSR(lnHK Vikt)/ SSE(Vikt,lnHK)/78 F(,78) 6
13 underh 0.Signifikansnivåα=0.0gerettkritisktvärde3.963ochviförkastarH 0 omf obs ärstörreändettavärde. Viobserverar F obs = ( )/78 = /78 =26.242>3.963 ViförkastaralltsåH 0 ochsägerattlnhk gerensignifikantökninggivetvikt. (c) Multipelt partiellt F-test: Testvariabel H 0 : β 3 =β 4 =0 Vikt,lnHK H : minstenavβ 3 ochβ 4 0 Vikt,lnHK F(MaxH,Vol Vikt,lnHK)= SSR(MaxH,Vol Vikt,lnHK)/2 MSE(full) F(2,76) underh 0.Signifikansnivåα=0.0gerettkritisktvärde3.7ochviförkastarH 0 omf obs ärstörreändettavärde. Viobserverar F obs = ( )/ = =.070<3.7 VikaninteförkastaH 0 ochkanintepåståattmaxh ochvoltillsammansgerett signifikant tillskott givet V ikt och lnhk. (d) Multipelt partiellt F-test: Testvariabel H 0 : β =β 4 =0 lnhk,maxh H : minstenavβ ochβ 4 0 lnhk,maxh F(Vikt,Vol lnhk,maxh)= SSR(Vikt,Vol lnhk,maxh)/2 MSE(full) F(2,76) Testvariabel F(Vikt lnhk,maxh,vol)= SSR(Vikt lnhk,maxh,vol)/ MSE(full) underh 0 elleralternativt(ochtillgängligtmeddengivnautskriften) ˆβ T = t(76) Sˆβ F(,76) Signifikansnivåα=0.0gerettkritisktvärdeförF-testetpå3.967ochfört-testet på.997(rotenur3.967). ViförkastarH 0 omt obs ärstörreändettavärde. Vi observerar T obs = =4.83>.997 VikanförkastaH 0 ochanseratttillskottetavviktärsignifikantgivetdeövriga. (f) Variansinflationsfaktorn förden j:te prediktorn definieras VIF j = Rj 2 därr 2 j ärförklaringsgradennärdenj:teprediktornförklarasavdeövrigaprediktorerna i en linjär regressionsmodell. I detta fall är det två prediktorer, V ikt och lnhk sånärmanförklarardenenameddenandraienenkellinjärregressionsmodell måste förklaringsgraden bli korrelationen mellan dessa i kvadrat, dvs och VIF värdena beräknas till R 2 Vikt=R 2 lnhk=r 2 Vikt,lnHK= = VIF Vikt =VIF lnhk = =4.8 under H 0. Signifikansnivå α = 0.0 ger ett kritiskt värde 3.7 och vi förkastar H 0 omf obs ärstörre ändettavärde. Vi kandessvärre inte genomföradettatest eftersom vi behöver alternativt SSR(Vikt MaxH,lnHK) SSR(Vol MaxH,lnHK) men dessa finns inte angivna i utskriften. (e) Sist-in-test: H 0 : β =0 lnhk,maxh,vol H : β 0 lnhk,maxh,vol 7 4. Enkel logistisk regressionsmodell: (a) Från modellen har man Odds(Y = X=0) = ˆP(Y = X=0) ˆP(Y =0 X=0) / eˆβ 0 = =eˆβ 0 +eˆβ 0 +eˆβ 0 Man har skattningar av de betingade sannolikheterna, givet X = 0, enligt ˆP(Y = X=0)= b a+b 8 och ˆP(Y =0 X=0)= a a+b
14 Använd sedan ) ( ) (ˆP(Y = X=0) b/(a+b) ˆβ 0 = ln =ln ˆP(Y =0 X=0) a/(a+b) ( ) b = ln =lnb lna a vsv. Använd sedan att Odds(Y = X=) = ˆP(Y = X=) ˆP(Y =0 X=) / eˆβ 0 +ˆβ = =eˆβ 0 +ˆβ +eˆβ 0 +ˆβ +eˆβ 0 +ˆβ och skattningarna av de betingade sannolikheterna, givet X =, enligt och vsv. ˆP(Y = X=)= d c+d och ˆP(Y =0 X=)= c c+d ) ( ) (ˆP(Y = X=) d/(c+d) ˆβ 0 +ˆβ = =ln =ln ˆP(Y =0 X=) c/(c+d) ( ) d = ln =lnd lnc c Multipel logistisk regressionsmodell: (b) Manfår ˆβ = lnd lnc ˆβ 0 = lnd lnc lnb+lna ( Logit Y = X = 2, X 2= 2 3, X 3= 3 ) 4 = = (c) Den relativa ökningen i odds beräknas med oddskvoten enligt OR X ökarmed,x 2 minskarmed = Odds(Y = X +,X 2,X 3,X 4 ) Odds(Y = X,X 2,X 3,X 4 ) = exp( 2(x +)+3(x 2 ) 4x 3 ) exp( 2x +3x 2 4x 3 ) = exp( )= sådetäregentligenfråganomenminskning(or<)medca99.3%(ökningmed 99.3%). Förklara olika begrepp inom regressionsanalysen. (a)-(c) Se kurslitteraturen. (d) Enskattningavµ Y medtexettkigerenuppfattningavprecisionenavskattningen. Med endast y-observationer kan vi som bäst få ȳ ± t (n ) α/2 Sy n därs y ärstandardavvikelsenföryistickprovet. Omvianvänderenregressionsmodellförattskattaµ Y görvidettaenligt ˆµ Y X= x = ˆβ 0 +ˆβ x = ȳ ochettkienligt ȳ ± t (n 2) α/2 S e n + (x x)2 (n )Sx 2 = ȳ ± t (n 2) α/2 Se n Förutsatt att man inte tappar för mycket i antalet frihetsgrader så att t (n 2) α/2 är mycketstörreänt (n ) α/2,dvsharförfåobservationer,kommermanattfåenbättre precisiondåse 2 =SSE/(n 2)typisktärmycketmindreänS y 2 =SST/(n ). vilket ger P(Y = X)= exp( ) +exp( ) = e + e = +e samt P(Y =0 X)= +e = e +e
För betyget GODKÄND krävs preliminärt minst 28 poäng. För betyget VÄL GOD- KÄND krävs preliminärt minst 43 poäng.
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson Skriftlig hemtentamen i Fortsättningskurs i statistik, moment 1, Statistisk Teori, poäng. Deltentamen 2: Regressionsanalys Måndagen den
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 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 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 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 merEnkel linjär regression. Enkel linjär regression. Enkel linjär regression
Enkel linjär regression Exempel.7 i boken (sida 31). Hur mycket dragkraft behövs för att en halvledare skall lossna från sin sockel vid olika längder på halvledarens ben och höjder på sockeln. De halvledare
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 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 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 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 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 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 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 merLUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL. Skrivning i ekonometri onsdagen den 1 juni 2011
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STAB2 Skrivning i ekonometri onsdagen den 1 juni 211 1. Vi vill undersöka hur variationen i försäljningspriset för ett hus (i en liten stad i USA
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 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 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 merTENTAMEN I MATEMATISK STATISTIK
UMEÅ UNIVERSITET Institutionen för matematisk statistik Regressions- och variansanalys, 5 poäng MSTA35 Leif Nilsson TENTAMEN 2003-01-10 TENTAMEN I MATEMATISK STATISTIK Regressions- och variansanalys, 5
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 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 merLÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29
UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för Teknologer, 5 poäng (TNK, ET, BTG) Peter Anton, Per Arnqvist Anton Grafström TENTAMEN 7-8-9 LÖSNINGSFÖRSLAG TILL TENTAMEN
Läs merFlerfaktorförsök. Blockförsök, randomiserade block. Modell: yij i bj eij. Förutsättningar:
Flerfaktorförsök Blockförsök, randomiserade block Modell: yij i bj eij i 1,,, a j 1,,, b y ij vara en observation för den i:te behandlingen och det j:e blocket gemensamma medelvärdet ( grand mean ) effekt
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 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 merTentamen i matematisk statistik
Sid 1 (7) i matematisk statistik Statistik och kvalitetsteknik 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 9.00-12.00 ger maximalt 24 poäng. Betygsgränser:
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 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 merGrundläggande Statistik och Försöksplanering Provmoment: TEN1 & TEN2 Ladokkod: TT2311 Tentamen ges för: Bt2, En2, Bt4, En4.
Grundläggande Statistik och Försöksplanering Provmoment: TEN1 & TEN2 Ladokkod: TT2311 Tentamen ges för: Bt2, En2, Bt4, En4 7,5 högskolepoäng Namn: (Ifylles av student) Personnummer: (Ifylles av student)
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 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 merTentamen i matematisk statistik
Sid (7) i matematisk statistik Statistik och kvalitetsteknik 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 4.00-7.00 ger maximalt 24 poäng. Betygsgränser:
Läs mer7.5 Experiment with a single factor having more than two levels
7.5 Experiment with a single factor having more than two levels Exempel: Antag att vi vill jämföra dragstyrkan i en syntetisk fiber som blandats ut med bomull. Man vet att inblandningen påverkar dragstyrkan
Läs merI vår laboration kom vi fram till att kroppstemperaturen påverkar hjärtfrekvensen enligt
Introduktion Vi har fått ta del av 13 mätningar av kroppstemperatur och hjärtfrekvens, varav på hälften män, hälften kvinnor, samt en studie på 77 olika flingsorters hyllplaceringar och sockerhalter. Vi
Läs merTentamen i matematisk statistik
Sid (5) i matematisk statistik Statistisk processtyrning 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 9.00-3.00 ger maximalt 2 poäng. För godkänt krävs
Läs merFöljande resultat erhålls (enhet: 1000psi):
Variansanalys Exempel Aluminiumstavar utsätts för uppvärmningsbehandlingar enligt fyra olika standardmetoder. Efter behandlingen uppmäts dragstyrkan hos varje stav. Fem upprepningar görs för varje behandling.
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 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 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 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 merExaminationsuppgifter del 2
UMEÅ UNIVERSITET Institutionen för Matematik och Matematisk statistisk Statistik för ingenjörer, poäng, Anders Lundquist 7-- Examinationsuppgifter del Redovisas muntligt den / (Ö-vik) samt / (Lycksele).
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 I REGRESSIONSANALYS OCH TIDSSERIEANALYS
STOCKHOLMS UNIVERSITET Statistiska institutionen Marcus Berg VT2014 TENTAMEN I REGRESSIONSANALYS OCH TIDSSERIEANALYS Fredag 23 maj 2014 kl. 12-17 Skrivtid: 5 timmar Godkända hjälpmedel: Kalkylator utan
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 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 merLö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp
Sid (7) Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Uppgift Nedanstående beräkningar från Minitab är gjorda för en Poissonfördelning med väntevärde λ = 4.
Läs merTentamen Tillämpad statistik A5 (15hp)
Uppsala universitet Statistiska institutionen A5 2015-01-13 Tentamen Tillämpad statistik A5 (15hp) 2015-01-13 UPPLYSNINGAR A. Tillåtna hjälpmedel: Miniräknare Formelsamlingar: A4/A8 Tabell- och formelsamling
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 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 merInstruktioner till Inlämningsuppgift 1 och Datorövning 1
STOCKHOLMS UNIVERSITET HT 2005 Statistiska institutionen 2005-10-14 MC Instruktioner till Inlämningsuppgift 1 och Datorövning 1 Kurs i Ekonometri, 5 poäng. Uppgiften ingår i examinationen för kursen och
Läs merValfri räknedosa, kursbok (Kutner m fl) utan anteckningar. Tentamen omfattar totalt 20p. Godkänt från 12p.
Tentamen Linköpings Universitet, Institutionen för datavetenskap, Statistik Kurskod och namn: Datum och tid: Jourhavande lärare: Tillåtna hjälpmedel: Betygsgränser: 732G21 Sambandsmodeller 2009-01-14,
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 merTentamen Tillämpad statistik A5 (15hp)
Uppsala universitet Statistiska institutionen A5 2015-08-25 Tentamen Tillämpad statistik A5 (15hp) 2015-08-25 UPPLYSNINGAR A. Tillåtna hjälpmedel: Miniräknare Formelsamlingar: A4/A8 Tabell- och formelsamling
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 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 merMiniräknare. Betygsgränser: Maximal poäng är 24. För betyget godkänd krävs 12 poäng och för betyget väl godkänd krävs 18 poäng.
UMEÅ UNIVERSITET Institutionen för matematisk statistisk Statistiska metoder, poäng TENTAMEN -8 Per Arnqvist TENTAMEN I MATEMATISK STATISTIK Statistiska metoder, poäng Tillåtna hjälpmedel: Kursboken med
Läs merInstruktioner till Frivillig Inlämningsuppgift 2 och Datorövning 3-4. Fortsättningskurs i statistik, moment 1, Statistisk Teori, 10 poäng.
STOCKHOLMS UNIVERSITET HT 2005 Statistiska institutionen 2005-10-12 MC Instruktioner till Frivillig Inlämningsuppgift 2 och Datorövning 3-4 Fortsättningskurs i statistik, moment 1, Statistisk Teori, 10
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2013-10-29 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Mykola
Läs merRäkneövning 3 Variansanalys
Räkneövning 3 Variansanalys Uppgift 1 Fyra sorter av majshybrider har utvecklats för att bli resistenta mot en svampinfektion. Nu vill man också studera deras produktionsegenskaper. Varje hybrid planteras
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 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 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 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 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 mer732G71 Statistik B. Föreläsning 6. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 15
732G71 Statistik B Föreläsning 6 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 15 Efterfrågeanalys Metoder för att studera sambandet mellan efterfrågan på
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 mertentaplugg.nu av studenter för studenter
tentaplugg.nu av studenter för studenter Kurskod Kursnamn SM Matematisk statistik Datum LP - Material Laboration Kursexaminator Adam Betygsgränser Tentamenspoäng Övrig kommentar Försättsblad inlämningsuppgift
Läs merTentamen i matematisk statistik
Sid 1 (7) i matematisk statistik Statistik och kvalitetsteknik 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 9.00-12.00 ger maximalt 24 poäng. Betygsgränser:
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 merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2014-01-17 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 15.00 20.00 Lärare: Adam Jonsson, Mykola
Läs merStatistik för ekonomer, Statistik A1, Statistik A (Moment 2) : (7.5 hp) Personnr:..
TENTAMEN Tentamensdatum 8-3-7 Statistik för ekonomer, Statistik A, Statistik A (Moment ) : (7.5 hp) Namn:.. Personnr:.. Tentakod: A3 Var noga med att fylla i din kod samt uppgiftsnummer på alla lösningsblad
Läs merFöreläsning 4 Kap 3.5, 3.8 Material om index. 732G71 Statistik B
Föreläsning 4 Kap 3.5, 3.8 Material om index 732G71 Statistik B Skötsel (y) Transformationer Ett av kraven för regressionsmodellens giltighet är att residualernas varians är konstant. Vad gör vi om så
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 merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2013-08-27 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson och
Läs merKroppstemperaturen hos människa anses i regel vara 37,0 C/ 98,6 F. För att beräkna och rita grafer har programmet Minitab använts.
Syfte: Bestämma normal kroppstemperatur med tillgång till data från försök. Avgöra eventuell skillnad mellan män och kvinnor. Utforska ett eventuellt samband mellan kroppstemperatur och hjärtfrekvens.
Läs merTentamen i matematisk statistik
Sid 1 (9) i matematisk statistik Statistik och kvalitetsteknik 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 9.00-12.00 ger maximalt 24 poäng. Betygsgränser:
Läs mer7,5 högskolepoäng. Statistisk försöksplanering och kvalitetsstyrning. TentamensKod: Tentamensdatum: 28 oktober 2016 Tid: 9.
Statistisk försöksplanering och kvalitetsstyrning Provmoment: Ladokkod: Tentamen ges för: TentamensKod: Tentamen 4I2B KINAF4, KINAR4, KINLO4, KMASK4 7,5 högskolepoäng Tentamensdatum: 28 oktober 206 Tid:
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 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 merExempel 1 på multipelregression
Exempel på multipelregression Hastighet = högsta hastighet som uppnåtts fram till givna år (årtal) Årtal Hastighet 8 (tåg) 95 (tåg) 9 (flyg) 97 7 (flyg) 95 5 (flyg) 99 5 (raket) Regression Plot Hastighet
Läs mer1. Lära sig plotta en beroende variabel mot en oberoende variabel. 2. Lära sig skatta en enkel linjär regressionsmodell
Datorövning 1 Regressions- och tidsserieanalys Syfte 1. Lära sig plotta en beroende variabel mot en oberoende variabel 2. Lära sig skatta en enkel linjär regressionsmodell 3. Lära sig beräkna en skattning
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod SM Poäng totalt för del : 5 (9 uppgifter) Tentamensdatum -3-3 Poäng totalt för del : 3 (3 uppgifter) Skrivtid 9. 4. Lärare: Adam Jonsson och Inge Söderkvist Jourhavande
Läs merLö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp
Sid 1 (9) Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Uppgift 1 a) Nämn en kontinuerlig och en diskret fördelning. Exempelvis normalfördelningen respektive
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 merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2013-03-28 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs mer2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna. 4. Lära sig skatta en linjär regressionsmodell med interaktionstermer
Datorövning 2 Regressions- och tidsserieanalys Syfte 1. Lära sig skapa en korrelationsmatris 2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna mot varandra 3. Lära sig beräkna
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2015-01-16 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: A. Jonsson, M. Shykula,
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 merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2014-06-05 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Jesper
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (8 uppgifter) Tentamensdatum 2011-03-25 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Erland
Läs merTENTAMEN. HiG sal 51:525A B eller annan ort. Lärare: Tommy Waller ( tel: eller )
TENTMEN Kurs: Plats: Dataanalys och statistik 2 distans 7,5 hp HiG sal 5:525 B eller annan ort Datum: 2 6 9 Tid: 9: 4: Lärare: Tommy Waller ( tel: 26-64 89 65 eller 74 3 86 3 ) Hjälpmedel: Miniräknare
Läs mer732G71 Statistik B. Föreläsning 2. Bertil Wegmann. November 13, 2015. IDA, Linköpings universitet
732G71 Statistik B Föreläsning 2 Bertil Wegmann IDA, Linköpings universitet November 13, 2015 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 13, 2015 1 / 26 Kap. 4.1-4.5, multipel linjär regressionsanalys
Läs merLABORATION 3 - Regressionsanalys
Institutionen för teknikvetenskap och matematik S0001M Matematisk statistik, LP1, HT 2015, Adam Jonsson LABORATION 3 - Regressionsanalys I denna laboration ska du lösa ett antal uppgifter i enkel regressionsanalys
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 merStockholms Universitet Statistiska institutionen Patrik Zetterberg
Stockholms Universitet Statistiska institutionen Patrik Zetterberg Skriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, VT2012 2012-05-31 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan
Läs merTill ampad statistik (A5) Förläsning 13: Logistisk regression
Till ampad statistik (A5) Förläsning 13: Logistisk regression Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2016-03-08 Exempel 1: NTU2015 Exempel 2: En jobbannons Exempel 3 1 1 Klofstad, C.
Läs merKursboken Vännman: Matematisk statistik Kompletterande kursmaterial till kursen Matematisk statistik (formelblad och kompendiet Regressionsanalys.
Tentamen i Matematisk statistik Ämneskod-linje S0001M Poäng totalt för del 1 5 (8 uppgifter) Poäng totalt för del 0 ( uppgifter) Tentamensdatum 009-10-6 Adam Jonsson Lärare: Lennart Karlberg Robert Lundqvist
Läs merLÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK
UMEÅ UNIVERSITET Institutionen för matematisk statistik MSTA16, Statistik för tekniska fysiker A Peter Anton TENTAMEN 2004-08-23 LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK Statistik för tekniska
Läs merSTOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson,
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson, 5--9 Lösningförslag skriftlig hemtentamen i Fortsättningskurs i statistik, moment, Statistisk Teori, poäng. Deltentamen : Sannolikhetsteori
Läs mer