Tillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I
|
|
- Oskar Lindgren
- för 7 år sedan
- Visningar:
Transkript
1 Tillämpad statistik (A5), HT15 Föreläsning 22: Tidsserieanalys I Sebastian Andersson Statistiska institutionen Senast uppdaterad: 15 december 2015
2 Data kan generellt sett delas in i tre kategorier: 1 Tvärsnittsdata: en observation per individ med flera individer. Individer kan vara personer, hushåll, städer, länder, etc. 2 Tidsseriedata: flera observationer för enbart en individ. 3 Paneldata: data i båda dimensioner, dvs vi har flera observationer för flera individer. Exempel: 1 Antal invånare i Sveriges kommuner år 2015 (tvärsnitt) 2 Antal invånare i Uppsala år 1968 t o m 2015 (tidsserie) 3 Antal invånare i Sveriges kommuner år 1968 t o m 2015 (panel)
3 En tidsserie är en serie ordnade observationer över tid. Vi använder i regel index t istället för i som är vanligt vid tvärsnittsdata: y t ; där n är tidsseriens slutpunkt. t = 1, 2, 3,..., n Notera att 1 Med tvärssnittsdata spelar ordningen ingen roll. Om Uppsala är vår första eller vår hundrade observation är för oss ointressant. Med tidsseriedata spelar ordningen roll, eftersom 2014 ju kommer före Vi använder även här n för att ange antal observationer, men det är vanligt att använda T för att tydliggöra att det är en tidsserie.
4 I regel har perioderna vid vilka vi har observationer jämna mellanrum: årsvis, halvårsvis, kvartalsvis, månadsvis, etc. Indexet kan då vara: t = 1968, 1969,..., 2014 t = 1968:1, 1968:2, 1969:1, 1969:2,..., 2014:2 (Årsdata) (Halvårsdata) t = 1968:1, 1968:2, 1968:3, 1968:4, 1969:1,..., 2014:4 (Kvartalsdata) I dessa fall är antalet observationer n = 47 (årsdata), n = 94 (halvårsdata) och n = 188 kvartalsdata. Ibland utelämnar man de specifika datumen i indexeringen och låter helt enkelt t = 1, 2,..., n. I fallet med kvartalsdata motsvarar då t = :1, t = :2, etc.
5 220 Antal invånare (tusental) År Uppsalas befolkningsmängd,
6 Något grovt skulle man kunna se tidsserieanalysen som bestående av tre huvudsakliga områden: Strukturell analys. Ex: hur påverkas fastighetspriser av reporäntan? baserade enbart på tidsseriens egna historiska utveckling. Ex: givet utvecklingen av fastighetspriser hittills, hur förväntas de utvecklas? baserade på den historiska utvecklingen av serien själv samt andra förklarande variabler. Ex: givet låg inflation, låg ränta och blygsam tillväxt, hur förväntas fastighetspriserna utvecklas?
7 En tidsserie kan delas upp i. Vi antar att den kan bestå av fyra olika delar: trend (T ), säsongsvariation (S), cyklisk variation (C) och slumpeffekt (R). Vi kommer under föreläsningarna att diskutera två olika sammansättningar av dessa fyra : y t = T t + S t + C t + R t y t = T t S t C t R t (Additiv modell) (Multiplikativ modell) För det mesta kommer vi att behandla den cykliska komponenten som en del av trenden.
8 Trend (T ): Trenden beskriver den långsiktiga utvecklingen. Den innehåller alltså inga kortsiktiga förändringar. Säsong (S): Säsongsvariation är regelbunden och kortsiktig variation. Cykel (C): Cyklisk variation är långsiktig variation som inte är del av varken trend eller säsong. T ex konjunkturen. Slump (R): Icke-systematiska effekter, t ex slumpmässiga mätfel eller andra kortsiktiga störningar.
9 Trend Säsong Cykel Slumpeffekt Komponenter av en tidsserie
10 T T + S T + S + C T + S + C + R Komponenter av en tidsserie
11 T T + S T + S + C T + S + C + R Komponenter av en tidsserie
12 För en multiplikativ serie har vi samma typ av, men sammansättningen är annorlunda: y t = T t + S t + C t + R t y t = T t S t C t R t (Additiv modell) (Multiplikativ modell) För att underlätta illustrationen på nästa sida utelämnar vi den cykliska komponenten Jämför figurerna för trend och säsong, de ökande svängningarna i den multiplikativa modellen är ett typiskt tecken på att modellen inte är linjär
13 T T S T S R T, T S,T S R Komponenter av en tidsserie
14 Ofta är det centrala syftet med en tidsseriemodell att göra prognoser 1 Hur många varor kommer ett företag att sälja nästa år? 2 Hur många turister kommer att besöka Uppsala nästa sommar? 3 Hur stort är statens budgetutrymme de nästkommande fyra åren? 4 Hur många nya användare kommer Netflix att få under nuvarande år? En prognos är alltså ett uttalande om vad som förväntas hända i framtiden. Ofta är prognoserna underlag till beslut av varierande vikt: 1 Hur många varor ska företaget producera? 2 Hur många hotellrum, restauranger, campingplatser, etc behöver Uppsala? 3 Hur stora reformer är möjliga att genomföra? 4 Hur behöver Netflix utöka sin serverkapacitet och sitt utbud?
15 I praktiken är prognoser alltid fel, frågan är bara hur fel. Man kan också fråga sig om prognoserna är systematiskt felaktiga på något sätt. Exempel: är regeringens prognoser för optimistiska? Det är därför viktigt att utvärdera sina prognoser för att veta hur stor tillförlitlighet man kan ha till dem. Det finns en mängd olika s k utvärderingsmått för just detta syfte.
16 Vi säger att vi gör en prognos vid tidpunkt n för y k perioder framåt. Detta skrivs som: ŷ n+k eller ŷ n (k) där k ofta kallas prognoslängd (k = 1, 2, 3,... ) och n + k är tidpunkten vi gör prognos för. Exempel: Datatyp n k n + k Prognos År ŷ 2016 Kvartal 2015: :3 ŷ 2016:3 Månad 2015: :12 ŷ 2016:12
17 Några vanliga prognosutvärderingsmått: (yi ŷ i ) Medelfel (ME) = m (yi ŷ i ) 2 Medelkvadratfel (MSE) = m (yi ŷ i ) Rotmedelkvadratfel (RMSE) = 2 m yi ŷ i Medelabsolutfel (MAD) = m Medelabsolutprocentfel (MAPE) = 1 y i ŷ i m y i där m = antal prognoser Av dessa är enbart MAPE lämpligt för jämförelse mellan olika tidsserier
18 Är regeringens prognoser för optimistiska? SvD, 27 mars 2013:
19 Om vi tittar i Konjunkturinstitutets rapport ing av prognoserna för 2012 samt Konjunkturbarometern (mars 2013): Tabell 54 Medelfel för prognoser för 2012 publicerade under 2011 och 2012 Procentenheter BNP Sysssättn. Arb.- löshet Timlön KPI KPIF Off. fin. spar. ESV 0,5 0,2 0,2 0,0 0,6 0,1 0,8 Reg 1,0 0,2 0,3 0,0 0,5 0,0 1,0 HUI 0,7 0,4 0,8 KI 0,7 0,1 0,2-0,1 0,6 0,2 0,6 LO 0,4 0,1 0,1-0,1 0,7 0,3 0,4 NO 0,2 0,4 0,2 0,2 0,8 0,4 0,8 RB 0,6 0,1 0,4-0,1 0,8 0,3 1,2 SEB 0,5 0,0 0,5 0,5 0,7 0,3 0,8 SHB 0,6 0,3 0,1 0,0 0,4 0,1 0,7 SN 0,1 0,1 0,0 0,7 0,5 SB 0,5 0,1 0,2 0,0 1,0 0,4 0,9 Medelvärde 0,5 0,2 0,2 0,1 0,7 0,3 0,8 Anm. Prognosinstituten är Ekonomistyrningsverket (ESV), regeringen (Reg), Handelns utredningsinstitut (HUI), Konjunkturinstitutet (KI), Landsorganisationen
20 Men om vi istället utvärderar över en längre period: Ko Tabell 57 Medelfel, medelabsolutfel och rotmedelkvadratfel för prognoser för Procentenheter BNP Arbetslöshet KPI MF MAF RMKF MF MAF RMKF MF MAF RMKF Reg 0,3 1,2 1,9 0,1 0,5 0,8 0,1 0,5 0,8 HUI 0,2 1,1 1,8 0,0 0,5 0,7 0,2 0,5 0,8 KI 0,4 1,1 1,9 0,1 0,5 0,8 0,1 0,5 0,8 LO 0,3 1,3 1,9 0,0 0,6 0,8 0,0 0,5 0,8 NO 0,3 1,1 1,7 0,1 0,5 0,7 0,2 0,6 0,9 RB 0,3 1,1 1,8 0,0 0,5 0,8 0,2 0,5 0,9 SEB 0,2 1,1 1,7 0,1 0,4 0,6 0,3 0,5 0,8 SHB 0,4 1,2 1,9 0,0 0,5 0,8 0,3 0,6 0,9 SN 0,1 1,3 1,9 0,1 0,5 0,8 0,2 0,6 0,8 SB 0,1 1,6 2,2 0,2 0,6 0,9 0,1 0,6 0,8 Medelvärde 0,2 1,2 1,9 0,0 0,5 0,8 0,2 0,5 0,8 Anm. MF = medelfel, MAF = medelabsolutfel, RMKF = rotmedelkvadratfel. Prognosinstituten är regeringen (Reg), Handelns utredningsinstitut (HUI), Konjunkturinstitutet (KI), Landsorganisationen (LO), Nordea (NO) Riksbanken (RB), SEB, Handelsbanken (SHB), Svenskt näringsliv (SN), Swedbank (SB).
21 Vi kommer nu att börja med skattning av trendkomponenten. Antag tills vidare att tidsserien består enbart av trend och slump, dvs y t = T t + R t eller y t = T t R t Vi kommer att använda två metoder för skattning av trenden T t : 1 Regressionsanalys 2 Glidande medelvärden Med den skattade trenden kan vi: 1 Trendrensa serien 2 Göra prognoser (extrapolering)
22 Vid användning av regressionsanalys kan vi modellera många olika slags trender med hjälp av lämpligt valda matematiska funktioner. Det som krävs är att modellen är linjär eller kan bli linjär genom transformation (t ex logaritmering). Några exempel på möjliga trendfunktioner: T t = β 0 + β 1 t T t = β 0 + β 1 t + β 2 t β q t q T t = β 0 + β 1 ln t T t = β 0 β1 t ln T t = ln β 0 + t ln β 1 (Linjär trend) (Polynom av q:te graden) (Logaritmisk trend) (Exponentiell trend)
23 t 200t t ln(t) (1.02) t Exempel på olika trendfunktioner
24 Antagandena för multipel linjär regression bör fortfarande vara uppfyllda: 1 Modellen är korrekt specificerad (den sanna modellen är linjär) 2 Låg multikollinearitet Om perfekt modellen går ej att skatta Om hög medelfelen är ofta för stora 3 Feltermerna är oberoende (ingen autokorrelation) Om det bryts medelfel, t- och F -test är missvisande 4 Feltermerna har konstant varians (homoskedasticitet) Om det bryts medelfel, t- och F -test är missvisande 5 Feltermerna är normalfördelade (eller stort stickprov)
25 Tolkningen av riktningskoefficienterna varierar: Linjär trend: den absoluta trendmässiga förändringstakten är konstant. När t ökar med en enhet förändras trenden T t med β enheter Polynom av q:te graden: ingen enskild tolkning. Trendförändringen beror på t (se figuren!) Logaritmisk trend: trendförändringen beror på t och avtar med tiden Exponentialfunktionen: lämplig i de fall då den procentuella förändringstakten i trenden är konstant. Då t förändras en enhet förändras T t med 100(β 1)%.
26 Några exempel på tidsserier med trend och slumpeffekter: y t = T t + R t = β 0 + β 1 t + β 2 t β q t q + ɛ }{{}}{{} t T t R t (additiv) y t = T t + R t = β 0 + β 1 ln t + ɛ }{{} t (additiv) }{{} T t R t (multiplikativ) y t = T t R t = β 0 β1 t }{{} T t e ɛt }{{} R t
27 Eftersom den multiplikativa modellen inte är linjär kan vi inte skatta den med minsta i modellens nuvarande form. Logaritmera serien: Nu har vi: y t = β 0 β t 1e ɛt ln y t = ln β 0 + (ln β 1 )t + ɛ t. där y t = β 0 + β 1t + ɛ t y t = ln y t, β 0 = ln β 0, β 1 = ln β 1. Den transformerade modellen kan vi enkelt skatta med minsta och få skattningarna ˆβ 0, ˆβ 1. Genom att transformera tillbaka får vi skattningar för den multiplikativa modellen: ˆβ 0 = e ˆβ 0, ˆβ1 = e ˆβ 1.
28 Exempel på linjär trend y t = β 0 + β 1 t + ɛ t Antal personer, tusental Quarter Q1 Year 1997 Q Q Sysselsättningen i Sverige, 1997:1-2014:4. Skattad modell: y t = 3986,9 + 8,7t varje kvartal förväntas sysselsättningen öka med 8700 personer
29 Är linjär trend ett rimligt antagande? Antal personer, tusental Variable Syssels Syssels Trend 3800 Quarter Q1 Year 1976 Q Q Q Q Q Q Sysselsättningen i Sverige, 1976:1-2014:4.
30 Exempel på exponentiell trend y t = β 0 β1e t ɛt skatta ln y t = ln β 0 + t ln β 1 + ɛ t Tusentals kronor År Medelpris för bostadsrätter i Uppsala län, Skattad modell: y t = 405,5 1,10 t varje år förväntas medelpriset på bostadsrätter i Uppsala län öka med ca 10 %
31 Precis som i regressionsanalys med tvärsnittsdata kan vi beskriva osäkerheten i våra prognoser med prediktionsintervall. Se avsnitt 3.9 för detta.
32 Skörd av höstvete, kg per hektar,
33 Utvecklingen ser inte ut att vara särskilt linjär (med avseende på tiden), utan avtar med t. Därför anpassar vi följande två modeller för att skatta trenden: Modell 1 Andragradspolynom: ŷ t = ˆβ 0 + ˆβ 1 t + ˆβ 2 t 2 Modell 2 Logaritmisk trend: ŷ t = ˆβ 0 + ˆβ 1 ln t
34 Vi skattar modell 1 med Minitab och får: Ekvation: ŷ t = ,5t 1,094t 2 Koefficienterna är signifikanta (t-test: p-värden 0,000 och 0,003) Modellen är signifikant (F -test: p-värde 0,000) Förklaringsgraden är R 2 = 78%
35 Skörd av höstvete, data och trend
36 Residualanalys, är våra antaganden uppfyllda? Residualanalys, kvadratisk trend
37 Om vi vill se hur utvecklingen ser ut om vi bortser från trenden kan vi trendrensa serien, vilket vi gör genom att subtrahera trenden: y t ˆT t = y t ( ˆβ 0 + ˆβ 1 t + ˆβ 2 t 2 )
38 Trendrensad skörd av höstvete, kvadratisk trend
39 Modell 2 i Minitab ger: Ekvation: ŷ t = ,7 ln t Koefficienten är signifikant (t-test: p-värde 0,000) Modellen är signifikant (F -test: p-värde 0,000) Förklaringsgraden är R 2 = 72%
40 Residualanalys, logaritmisk trend
41 Trendrensningen är nu istället: y t ˆT t = y t ( ˆβ 0 + ˆβ 1 ln t)
42 Trendrensad skörd av höstvete, logaritmisk trend
43 Skörd av höstvete och trendskattningar
44 Några saker att se upp med vid regression på tidsseriedata: Inspektera residualerna. Det är vanligt med korrelerade residualer, vilket betyder att medelfelen är felaktiga. Detta påverkar test och intervall. Punktskattningarna är fortfarande väntevärdesriktiga och således även prognoserna. Men korrelationen är information som kan användas och det finns därför andra metoder som är bättre och mer effektiva. Dessutom: om vi har två serier som båda uppvisar trend kan man ofta få höga förklaringsvärden även om serierna är helt oberoende. Därför bör man inte övertolka ett högt förklaringsvärde.
45 Exempel: förväntad livslängd i Afghanistan och Uppsalas befolkningsmängd Förv. livslängd (antal år) År Antal inv. (1000-tals personer) Variable Afgh Uppsala Förväntad livslängd i Afghanistan (vänster) och Uppsalas befolkningsmängd (höger). I regressionen Afgh t = β 0 + β 1 Uppsala t + ɛ t är R 2 = 0,9903 och p-värdet för t-test 0,000
Räkneövning 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 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 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 merTillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III
Tillämpad statistik (A5), HT15 Föreläsning 24: Tidsserieanalys III Sebastian Andersson Statistiska institutionen Senast uppdaterad: 16 december 2015 är en prognosmetod vi kan använda för serier med en
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 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 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 merUtvärdering av prognoserna för 2013 samt 1997 2013
99 Utvärdering av prognoserna för samt 1997 Konjunkturinstitutets prognosprecision för var i linje med den genomsnittliga precisionen för tio andra prognosinstitut i Sverige. precisionen var för totalt
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 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 merSpecialstudier. Nr 44. April Utvärdering av makroekonomiska prognoser
Specialstudier Nr 44. April 2015 Utvärdering av makroekonomiska prognoser Utvärdering av makroekonomiska prognoser SPECIALSTUDIE NR 44, APRIL 2015 UTGIVEN AV KONJUNKTURINSTITUTET Konjunkturinstitutet
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 merSpecialstudier. Nr 48. April Utvärdering av makroekonomiska prognoser
Specialstudier Nr 48. April 2016 Utvärdering av makroekonomiska prognoser Utvärdering av makroekonomiska prognoser SPECIALSTUDIE NR 48, APRIL 2016 UTGIVEN AV KONJUNKTURINSTITUTET Konjunkturinstitutet
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 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 merPromemoria Finansdepartementet. Ekonomiska avdelningen. Utvärdering av makroekonomiska prognoser Inledning
Promemoria 2016-04-11 Finansdepartementet Ekonomiska avdelningen Utvärdering av makroekonomiska prognoser 2016 Inledning Regeringens makroekonomiska prognoser utgör underlag för statens budget och för
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 merUtvärdering av regeringens prognoser
Rapport till Finanspolitiska rådet 2017/3 Utvärdering av regeringens prognoser Pär Stockhammar Konjunkturinstitutet De åsikter som uttrycks i denna rapport är författar[ens/nas] egna och speglar inte nödvändigtvis
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 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 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 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 merDiagram 1.1. Inflationsutvecklingen Årlig procentuell förändring. Anm. KPIF är KPI med fast bostadsränta.
Diagram 1.1. Inflationsutvecklingen Årlig procentuell förändring Anm. KPIF är KPI med fast bostadsränta. Källa: SCB Diagram 1.2. Inflationsförväntningar, penningmarknadens aktörer Procent Källa: TNS Sifo
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 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 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 mern Ekonomiska kommentarer
n Ekonomiska kommentarer Riksbankens KPIprognoser har rankats bland de sämsta i utvärderingar som avser en längre period och detta har gjort att Riksbankens prognosförmåga ifrågasatts. I denna Ekonomiska
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 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 merRedogörelse för penningpolitiken 2012
Redogörelse för penningpolitiken Diagram.. Inflationsutvecklingen - Årlig procentuell förändring, månadsdata KPIF KPI - - - 6 8 - Anm. KPIF är KPI med fast bostadsränta. Källa: SCB Diagram.. BNP-tillväxt,
Läs merKapitel 17: HETEROSKEDASTICITET, ROBUSTA STANDARDFEL OCH VIKTNING
Kapitel 17: HETEROSKEDASTICITET, ROBUSTA STANDARDFEL OCH VIKTNING När vi gör en regressionsanalys så bygger denna på vissa antaganden: Vi antar att vi dragit ett slumpmässigt sampel från en population
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 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 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 merF19, (Multipel linjär regression forts) och F20, Chi-två test.
Partiella t-test F19, (Multipel linjär regression forts) och F20, Chi-två test. Christian Tallberg Statistiska institutionen Stockholms universitet Då man testar om en enskild variabel X i skall vara med
Läs merFöreläsning 9. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs merFöreläsning 9. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs 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 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 merDen Moderna Centralbankens Prognosmetod. Statistikfrämjandets årsmöte
Den Moderna Centralbankens Prognosmetod Statistikfrämjandets årsmöte Den moderna centralbanken Prognoser Prognosmetoder Prognosutvärderingar Den moderna centralbanken Fast Växelkurs Inflationsmål Flexibelt
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 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 merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
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 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 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 merPromemoria. Utvärdering av makroekonomiska prognoser 2015
Promemoria Utvärdering av makroekonomiska prognoser 2015 Promemoria Utvärdering av makroekonomiska prognoser 2015 Innehållsförteckning 1 Inledning... 7 Val av precisionsmått... 7 Antaganden och prognoshorisont...
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 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 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 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 merFMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 9,
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 9, 8-5-4 EXEMPEL: Hur mycket kunder förlorar vi om vi höjer biljettpriset?
Läs 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 merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
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 merRedogörelse för penningpolitiken 2013
Redogörelse för penningpolitiken Diagram.. Inflationsutvecklingen Årlig procentuell förändring 5 KPIF exklusive energi KPIF KPI 5 - - - 6 8 - Anm. KPIF är KPI med fast bostadsränta. Källa: SCB Diagram..
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merBayesiansk statistik, 732g43, 7.5 hp
Bayesiansk statistik, 732g43, 7.5 hp Moment 2 - Linjär regressionsanalys Bertil Wegmann STIMA, IDA, Linköpings universitet Bertil Wegmann (STIMA, LiU) Bayesiansk statistik 1 / 29 Översikt moment 2: linjär
Läs merF12 Regression. Måns Thulin. Uppsala universitet Statistik för ingenjörer 28/ /24
1/24 F12 Regression Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 28/2 2013 2/24 Dagens föreläsning Linjära regressionsmodeller Stokastisk modell Linjeanpassning och skattningar
Läs merFöreläsning 12: Linjär regression
Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera
Läs merModell för löneökningar
Lönebildningsrapporten 13 35 FÖRDJUPNING Modell för löneökningar I denna fördjupning redovisas och analyseras en modell för löneökningar. De centralt avtalade löneökningarna förklarar en stor del av den
Läs merMedicinsk statistik II
Medicinsk statistik II Läkarprogrammet termin 5 VT 2013 Susanna Lövdahl, Msc, doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Dagens föreläsning Fördjupning
Läs merTentamen för kursen. Linjära statistiska modeller. 22 februari
STOCKHOLMS UIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 februari 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs 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 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 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 merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 15 Johan Lindström 4 december 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F15 1/28 Repetition Linjär regression Modell Parameterskattningar
Läs 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 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 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 merRedogörelse för penningpolitiken 2017
Redogörelse för penningpolitiken 217 Diagram 1.1. KPIF, KPIF exklusive energi och KPI Årlig procentuell förändring Källa: SCB och Riksbanken Diagram 1.2. Inflationsförväntningar bland samtliga tillfrågade
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 11 & 12 Johan Lindström 2 & 9 oktober 217 Johan Lindström - johanl@maths.lth.se FMSF7/MSB2 F11 1/32 Repetition Multipel linjär regression
Läs merUtvärdering av Konjunkturinstitutets prognoser
Utvärdering av Konjunkturinstitutets prognoser Anders Bergvall Specialstudie Nr 5, mars 5 Utgiven av Konjunkturinstitutet Stockholm 5 Konjunkturinstitutet (KI) gör analyser och prognoser över den svenska
Läs merMatematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10. Laboration. Regressionsanalys (Sambandsanalys)
Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10 Laboration Regressionsanalys (Sambandsanalys) Grupp A: 2010-11-24, 13.15 15.00 Grupp B: 2010-11-24, 15.15 17.00 Grupp C: 2010-11-25,
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 9 Joakim Lübeck (Johan Lindström 25 september 217 Johan Lindström - johanl@maths.lth.se FMSF7/MASB2 F9 1/23 Repetition Inferens för diskret
Läs 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 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 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 merFöreläsning 10, del 1: Icke-linjära samband och outliers
Föreläsning 10, del 1: och outliers Pär Nyman par.nyman@statsvet.uu.se 19 september 2014-1 - Sammanfattning av tidigare kursvärderingar: - 2 - Sammanfattning av tidigare kursvärderingar: Kursen är för
Läs merInledning om penningpolitiken
Inledning om penningpolitiken Riksdagens finansutskott 7 november 13 Riksbankschef Stefan Ingves Dagens presentation Läget i svensk ekonomi och den aktuella penningpolitiken Utmaningar på arbetsmarknaden
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 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 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 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 merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 10 Johan Lindström 27 september 2017 Johan Lindström - johanl@maths.lth.se FMSF70/MASB02 F10 1/26 Repetition Linjär regression Modell Parameterskattningar
Läs merUtvärdering av makroekonomiska prognoser
Finansdepartementet Utvärdering av makroekonomiska prognoser April 2018 Utvärdering av makroekonomiska prognoser april 2018 Innehållsförteckning 1. Inledning... 2 2. Metod och data... 3 2.1 Val av precisionsmått...
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med det i praktiken kanske viktigaste området inom kursen nämligen
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 6 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 6: Regression Syftet med den här laborationen är att du skall bli
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 merRegressionsanalys av lägenhetspriser i Spånga
Regressionsanalys av lägenhetspriser i Spånga Mahamed Saeid Ali Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics Kandidatuppsats 2016:11 Matematisk statistik Juni 2016
Läs 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 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 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 merMatematisk statistik 9 hp, HT-16 Föreläsning 15: Multipel linjär regression
Matematisk statistik 9 hp, HT-16 Föreläsning 15: Multipel linjär regression Anna Lindgren 28+29 november, 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F15: multipel regression 1/22 Linjär regression
Läs merPrognos Statens budget och de offentliga finanserna. April 2016
Prognos Statens budget och de offentliga finanserna April 216 Sammanfattning Finansiellt sparande väsentligt bättre än i december Statens lånebehov kraftigt nedreviderat 216 Utgiftstaket klaras men utrymmet
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 merMatematisk statistik, Föreläsning 5
Matematisk statistik, Föreläsning 5 Ove Edlund LTU 2011-12-09 Ove Edlund (LTU) Matematisk statistik, Föreläsning 5 2011-12-09 1 / 25 Laboration 4 Jobba i grupper med storlek 2 Ove Edlund (LTU) Matematisk
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merMin penningpolitiska bedömning
Min penningpolitiska bedömning Riksdagens finansutskott 2 september 213 Vice riksbankschef Cecilia Skingsley Min penningpolitiska bedömning Det finns skäl för ännu lägre ränta Tillväxten är svag och resursutnyttjandet
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 mer