Skrivning i ekonometri lördagen den 15 januari 2005
|
|
- Lisa Sundqvist
- för 7 år sedan
- Visningar:
Transkript
1 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 i Virginia, USA (i dollars), förklaras av variationen i assess = av mäklare uppskattat pris. Därför bestämdes regressionen av price på assess för dessa hus. En Fitted Line Plot finns i Bilaga 1, medan den skattade enkla linjära regressionen av price på assess finns i Bilaga 2. plotter för denna regression finns i Bilaga 3 och normal probability plott för de skattade residualerna i Bilaga 4. a) Bedöm om villkoren för enkel linjär regression tycks vara uppfyllda! b) Tolka intercept och regressionkoefficient! 2. Fortsättning av uppgift 1: Vi vill nu i stället försöka förklara variationen i det logaritmerade huspriset = lprice med hjälp av variationen i det logaritmerade uppskattade huspriset = lassess. En Fitted Line Plot finns i Bilaga 5, medan den skattade enkla linjära regressionen av lprice på lassess finns i Bilaga 6. plotter för denna regression finns i Bilaga 7 och normal probability plott för de skattade residualerna i Bilaga 8. a)fås en bättre anpassning än i uppgift 1.? b) Tolka intercept och regressionkoefficient! 3. Fortsättning av uppgift 2: För att få en bättre anpassning för regressionen av lprice på lassess införs ytterligare två förklaringsvariabler, nämligen den loggade bostadsytan (i kvadratfot) = lsqrt och den loggade tomtytan = llotsize (i kvadratfot). Resultatet av den multipla regressionen av lprice på lassess, lsqrt och llotsize finns i bilaga 9. Pröva på 1%-nivån om denna modell är överlägsen den enkla modellen i uppgift 2!
2 4. Fortsättning av uppgift 3: För att få en ytterligare bättre anpassning för regressionen av lprice på lassess, lsqrt och llotsize införs ytterligare en förklaringsvariabel, antalet badrum i huset = bdrms. Resultatet av den multipla regressionen av lprice på lassess, lsqrt, llotsize och bdrms finns i bilaga 10. Är denna modell överlägsen modellen i uppgift 2 respektive modellen i uppgift 3 på 1%-nivån? 5. a) Undersök om modellerna i uppgifterna 3 och 4 uppvisar multikollinjäritet! Korrelationsmatrisen för inf, unem, inf_1 och unem_1 finns i Bilaga 11. b) Redogör kortfattat för konsekvenserna av eventuell multikollinjäritet! 6. Vi använder nu bästa delmängdsregression för att bestämma lämpliga förklaringsvariabler, då lprice är beroende variabel och lassess, lsqrt, llotsize och bdrms är tänkbara förklaringsvariabler. Resultatet av denna körning finns i bilaga 12. a) Vilken modell verkar vara bäst? b) Jämför med tidigare resultat samt med stegvis regression, vilkas resultat finns i bilaga 13 och 14! 7. Fortsättning av uppgift 2: Husen i den lilla staden är av två slag, dels vanliga hus och dels hus i kolonial stil. För att undersöka om dummyvariabeln colonial påverkar regressionen av lprice på lassess bestäms regressionen av lprice på lassess, colonial och colass (produkten av lassess och colonial). Resultaten finns i bilaga 15. Använd α = 1%. a) Är regressionskoefficienten samma för de två husslagen? b) Är regressionen densamma för de två husslagen? 8.a) Redogör kortfattat för problemen med OLS vid ett simultant ekvationssystem! b) Redogör kortfattat för tvåstegsminstakvadratmetoden!
3 Bilaga 1 price = - 14,47 + 0,9756 assess Regression 95% CI 95% PI S 43,8873 R-Sq 82,0% R-Sq(adj) 81,7% price assess BILAGA 2 Regression Analysis: price versus assess The regression equation is price = - 14,5 + 0,976 assess Predictor Coef SE Coef T P Constant -14,47 16,27-0,89 0,376 assess 0, , ,76 0,000 S = 43,8873 R-Sq = 82,0% R-Sq(adj) = 81,7% PRESS = R-Sq(pred) = 80,60% Analysis of Variance Source DF SS MS F P Regression ,54 0,000 Error Total No replicates. Cannot do pure error test.
4 Unusual Observations Obs assess price Fit SE Fit St Resid ,00 391,85 6,83-91,85-2,12R ,50 624,91 17,41 88,59 2,20RX ,00 515,84 12,18-20,84-0,49 X ,00 488,04 10,90-108,04-2,54R ,00 411,85 7,60-86,85-2,01R ,00 676,81 19,95 48,19 1,23 X ,00 231,86 5,62 193,14 4,44R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 1,92516 Possible lack of fit at outer X-values (P-Value = 0,009) Overall lack of fit test is significant at P = 0,009 Bilaga 3 99,9 99 Normal Probability Plot of the s s Versus the Fitted Values Percent , Fitted Value Histogram of the s s Versus the Order of the Data Frequency Observation Order 70 80
5 Bilaga 4 Normal Percent 99, Mean -1,86356E-13 StDev 43,63 N 88 AD 0,938 P-Value 0, , RESI ,0 6,5 Bilaga 5 lprice = - 0, ,013 lassess Regression 95% CI 95% PI S 0, R-Sq 76,6% R-Sq(adj) 76,3% lprice 6,0 5,5 5,0 5,2 5,4 5,6 5,8 6,0 lassess 6,2 6,4 6,6
6 BILAGA 6 Regression Analysis: lprice versus lassess The regression equation is lprice = - 0, ,01 lassess Predictor Coef SE Coef T P Constant -0,1615 0,3461-0,47 0,642 lassess 1, , ,76 0,000 S = 0, R-Sq = 76,6% R-Sq(adj) = 76,3% PRESS = 1,98075 R-Sq(pred) = 75,29% Analysis of Variance Source DF SS MS F P Regression 1 6,1385 6, ,94 0,000 Error 86 1,8791 0,0218 Total 87 8,0176 No replicates. Cannot do pure error test. Unusual Observations Obs lassess lprice Fit SE Fit St Resid 42 6,49 6,5702 6,4107 0,0490 0,1595 1,14 X 73 6,56 6,5862 6,4898 0,0535 0,0964 0,70 X 76 5,53 6,0521 5,4441 0,0194 0,6080 4,15R 81 5,31 4,7095 5,2 0,0293-0,5104-3,52R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 1,96852 Possible lack of fit at outer X-values (P-Value = 0,030) Overall lack of fit test is significant at P = 0,030
7 Bilaga 7 Normal Probability Plot of the s s Versus the Fitted Values 99,9 99 0,50 Percent ,25 0,00-0,25 1 0,1-0,50-0,25 0,00 0,25 0,50-0,50 5,5 6,0 Fitted Value 6,5 Histogram of the s s Versus the Order of the Data 30 0,50 Frequency ,25 0,00-0,25 0-0,4-0,2 0,0 0,2 0,4 0,6-0, Observation Order Bilaga 8 Normal Percent 99, Mean -1,77636E-15 StDev 0,1470 N 88 AD 0,708 P-Value 0, ,1-0,50-0,25 0,00 RESI2 0,25 0,50 0,75
8 BILAGA 9 Regression Analysis: lprice versus lassess; llotsize; lsqrft The regression equation is lprice = - 0, ,05 lassess + 0,0072 llotsize - 0,050 lsqrft Predictor Coef SE Coef T P VIF Constant -0,0431 0,5375-0,08 0,936 lassess 1,0478 0,1526 6,87 0,000 6,2 llotsize 0, , ,18 0,854 1,7 lsqrft -0,0500 0,1351-0,37 0,712 4,8 S = 0, R-Sq = 76,6% R-Sq(adj) = 75,8% PRESS = 2,07153 R-Sq(pred) = 74,16% Analysis of Variance Source DF SS MS F P Regression 3 6,1446 2, ,86 0,000 Error 84 1,8730 0,0223 Total 87 8,0176 No replicates. Cannot do pure error test. Source DF Seq SS lassess 1 6,1385 llotsize 1 0,0030 lsqrft 1 0,0031 Unusual Observations Obs lassess lprice Fit SE Fit St Resid 47 5,78 5,7462 5,6670 0,0756 0,0792 0,62 X 73 6,56 6,5862 6,4975 0,0566 0,0887 0,64 X 76 5,53 6,0521 5,4485 0,0245 0,6036 4,10R 77 5,69 5,7621 5,6263 0,0960 0,1357 1,19 X 81 5,31 4,7095 5,2139 0,0328-0,5044-3,46R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 1,97689 No evidence of lack of fit (P >= 0,1).
9 BILAGA 10 Regression Analysis: lprice versus lassess; llotsize; lsqrft; bdrms The regression equation is lprice = 0, ,04 lassess + 0,0074 llotsize - 0,103 lsqrft + 0,0338 bdrms Predictor Coef SE Coef T P VIF Constant 0,2637 0,5697 0,46 0,645 lassess 1,0431 0,1514 6,89 0,000 6,2 llotsize 0, , ,19 0,848 1,7 lsqrft -0,1032 0,1384-0,75 0,458 5,1 bdrms 0, , ,53 0,129 1,4 S = 0, R-Sq = 77,3% R-Sq(adj) = 76,2% PRESS = 2,06074 R-Sq(pred) = 74,30% Analysis of Variance Source DF SS MS F P Regression 4 6,1961 1, ,58 0,000 Error 83 1,8215 0,0219 Total 87 8,0176 No replicates. Cannot do pure error test. Source DF Seq SS lassess 1 6,1385 llotsize 1 0,0030 lsqrft 1 0,0031 bdrms 1 0,0515 Unusual Observations Obs lassess lprice Fit SE Fit St Resid 29 6,17 6,1686 6,1600 0,0675 0,0085 0,06 X 47 5,78 5,7462 5,6281 0,0791 0,1181 0,94 X 63 5,54 5,7366 5,5579 0,0737 0,1786 1,39 X 76 5,53 6,0521 5,4438 0,0245 0,6083 4,16R 77 5,69 5,7621 5,6491 0,0964 0,1130 1,00 X 81 5,31 4,7095 5,2429 0,0377-0,5334-3,72R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 2,04850 No evidence of lack of fit (P >= 0,1).
10 BILAGA 11 Correlations: lprice; lassess; llotsize; lsqrft; bdrms lprice lassess llotsize lsqrft lassess 0,875 llotsize 0,504 0,558 lsqrft 0,744 0,865 0,311 bdrms 0,463 0,459 0,169 0,520 BILAGA 12 Best Subsets Regression: lprice versus lassess; llotsize; lsqrft; bdrms Response is lprice l l l a o l s t s b s s q d e i r r Mallows s z f m Vars R-Sq R-Sq(adj) C-p S s e t s 1 76,6 76,3 1,6 0,14782 X 1 55,3 54,8 79,3 0,20414 X 2 77,1 76,5 1,8 0,14713 X X 2 76,6 76,1 3,4 0,14847 X X 3 77,3 76,5 3,0 0,14729 X X X 3 77,1 76,3 3,6 0,14775 X X X 4 77,3 76,2 5,0 0,14814 X X X X BILAGA 13 Stepwise Regression: lprice versus lassess; llotsize; lsqrft; bdrms Backward elimination. Alpha-to-Remove: 0,1 Response is lprice on 4 predictors, with N = 88 Step Constant 0, , , ,16147
11 lassess 1,043 1,061 0,972 1,013 T-Value 6,89 8,84 14,35 16,76 P-Value 0,000 0,000 0,000 0,000 llotsize 0,007 T-Value 0,19 P-Value 0,848 lsqrft -0,10-0,11 T-Value -0,75-0,90 P-Value 0,458 0,371 bdrms 0,034 0,034 0,028 T-Value 1,53 1,54 1,34 P-Value 0,129 0,128 0,182 S 0,148 0,147 0,147 0,148 R-Sq 77,28 77,27 77,05 76,56 R-Sq(adj) 76,19 76,46 76,51 76,29 Mallows C-p 5,0 3,0 1,8 1,6 PRESS 2, , , ,98075 R-Sq(pred) 74,30 74,93 75,14 75,29 BILAGA 14 Stepwise Regression: lprice versus lassess; llotsize; lsqrft; bdrms Alpha-to-Enter: 0,15 Alpha-to-Remove: 0,15 Response is lprice on 4 predictors, with N = 88 Step 1 Constant -0,1615 lassess 1,013 T-Value 16,76 P-Value 0,000 S 0,148 R-Sq 76,56 R-Sq(adj) 76,29 Mallows C-p 1,6 PRESS 1,98075 R-Sq(pred) 75,29
12 BILAGA 15 Regression Analysis: lprice versus lassess; colonial; colass The regression equation is lprice = 0, ,968 lassess - 0,239 colonial + 0,052 colass Predictor Coef SE Coef T P VIF Constant 0,0576 0,5945 0,10 0,923 lassess 0,9681 0,1046 9,25 0,000 3,0 colonial -0,2393 0,7315-0,33 0, ,8 colass 0,0518 0,1283 0,40 0, ,5 S = 0, R-Sq = 77,3% R-Sq(adj) = 76,5% PRESS = 2,07227 R-Sq(pred) = 74,15% Analysis of Variance Source DF SS MS F P Regression 3 6,1997 2, ,49 0,000 Error 84 1,8179 0,0216 Total 87 8,0176 No replicates. Cannot do pure error test. Source DF Seq SS lassess 1 6,1385 colonial 1 0,0577 colass 1 0,0035 Unusual Observations Obs lassess lprice Fit SE Fit St Resid 42 6,49 6,5702 6,4325 0,0586 0,1377 1,02 X 48 6,16 6,0343 6,0251 0,0585 0,0092 0,07 X 73 6,56 6,5862 6,4113 0,0972 0,1749 1,58 X 76 5,53 6,0521 5,4124 0,0320 0,6397 4,46R 81 5,31 4,7095 5,2341 0,0369-0,5246-3,68R R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 1,97587 No evidence of lack of fit (P >= 0,1).
13 Svar till skrivning i ekonometri.den 15 januari 5: 1) a) Regressionen är klart signifikant (P=0.000) med stort R 2 =81.7% och R 2 (pred)=80.6%. En stor outlier, som också syns i plotten. Dåligt P-värde i linjaritetstestet, P= Tvärsnittsdata, så ingen autokorrelation. Dålig nf residual (P=0.017), kanske p. g. a. outliern. plotten indikerar ingen tydlig heteroskedasticitet, bortsett från outliern. b) Regr.-koeff. är 0.98, dvs. att om uppskattat pris ökar med 1$, så ökar i medel priset 0.98$. Interceptet är = genomsnittligt pris då uppskattat pris = 0, vilket varken är tolkbart och dessutom extrapolation! 2) Stort R 2 =76.6 % och R 2 (pred)=75.29 % och regr.-koeff. är klart signifikant (P=0.000). Två stora outliers, som också syns i plotten. Bättre P-värde i linjaritetstestet, P= Bättre nf residual (P=0.062). plotten indikerar ingen större heteroskedasticitet, utom outliers. 3) H 0 : β 3 = β 4 =0 prövas med F-test. Vi ser att ΔR 2 = 0.0 och ΔR 2 (pred)< 0. ( RSSU RSS R ) / 2 ( ) / 2 Observarat F= = = 0.14<1 MSEU med k.o.:f>f 0.01 (2,84)= , så denna modell är inte bättre än den i uppg. 2. 4) a) H 0 : β 5 =0 ger P=0.129 (med t=1.53), så denna modell är inte bättre än den i uppg. 3. b) H 0 : β 3 = β 4 =β 5 =0 prövas med F-test. Vi ser att ökningarna i R 2 och R 2 (pred) är små. ( RSSU RSS R ) / 3 ( ) / 3 Observarat F= = = 0.88<1 MSEU med k.o.:f>f 0.01 (3,83)= , så denna modell är inte bättre än den i uppg. 2. 5) a) VIF är ej stora(<10), korr. mellan ober. var. är inte stora (max ). Däremot finns flera icke-sign. t-test, men det verkar som ej väsentlig mc. b) se läroboken! 6) a) Bäst justerad förklaringsgrad 76.5 % för lassess och bdrms med bra Cp=3.0. b) Stegvis regr. och stegvis regr.(bakåt) ger endast lassess med störst R 2 (pred)= Detta är som väntat då vi såg från tidigare att llotsize och lsqrft inte gav någon ökning i R 2 och bdrms var icke-signifikant.
14 7) a ) H 0 : β 4 =0 ger P=0.687 (med t=0.40), så regr.-koeff. kan inte påvisas vara olika. b) H 0 : β 3 = β 4 =0 prövas med F-test. ( RSSU RSS R ) / 2 ( ) / 2 Observerat F= = = 1.42 MSEU med k.o.:f>f 0.01 (2,84)= , så regr. kan inte påvisas vara olika. (0.0577) /1 (Alt.: H 0 : β 3 =0/β 4 =0 ger F= = 2.69 med k.o.:f>f 0.01 (1,85)= , så regr kan inte påvisas vara olika.) 8) se läroboken!
a) 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 mer8.1 General factorial experiments
Exempel: Vid ett tillfälle ville man på ett laboratorium jämföra fyra olika metoder att bestämma kopparhalten i malmprover. Man är även intresserad av hur laboratoriets tre laboranter genomför sina uppgifter.
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 merFör 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 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 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 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 merFöreläsning 3 Kap 3.4, 3.6, 4.2. 732G71 Statistik B
Föreläsning 3 Kap 3.4, 3.6, 4.2 732G71 Statistik B Exempel 150 slumpmässigt utvalda fastigheter till salu i USA Pris (y) Bostadsyta Tomtyta Antal rum Antal badrum 179000 3060 0.75 8 2 285000 2516 8.1 7
Läs merTENTAMEN I REGRESSIONS- OCH TIDSSERIEANALYS,
TENTAMEN I REGRESSIONS- OCH TIDSSERIEANALYS, 204-0-3 Skrivtid: kl 8-2 Hjälpmedel: Räknedosa. Bowerman, B.J., O'Connell, R, Koehler, A.: Forecasting, Time Series and Regression. 4th ed. Duxbury, 2005 som
Läs 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 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 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 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 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 mer1. Man tror sig veta att en viss variabel, y, i genomsnitt beror av en annan variabel, x, enligt sambandet:
LINKÖPINGS UNIVERSITET Institutionen för datavetenskap Statistik, ANd 732G71 STATISTIK B, 8hp Civilekonomprogrammet, t3, Ht 09 Extra övningsuppgifter Extra övningsuppgifter 1. Man tror sig veta att en
Läs 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 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 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 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 merMultipel linjär regression. Geometrisk tolkning. Tolkning av β k MSG Staffan Nilsson, Chalmers 1
Multipel linjär regression l: Y= β 0 + β X + β 2 X 2 + + β p X p + ε Välj β 0,β,β 2,, β p så att de minimerar summan av residualkvadraterna (Y i -β 0 -β X i - -β p X pi ) 2 Geometrisk tolkning Med Y=β
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 merFör betyget GODKÄND krävs preliminärt minst 28 poäng. För betyget VÄL GOD- KÄND krävs preliminärt minst 44 poäng.
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson Skriftlig hemtentamen i Fortsättningskurs i statistik, moment, Statistisk Teori, poäng. Deltentamen 2: Regressionsanalys Torsdagen den 7
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 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 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 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 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 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 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 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 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 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 mertentaplugg.nu av studenter för studenter
tentaplugg.nu av studenter för studenter Kurskod Kursnamn SM Matematisk statistik Datum LP - Material Laboration 4 Kursexaminator Adam Betygsgränser Tentamenspoäng Övrig kommentar Försättsblad inlämningsuppgift
Läs merKvadratisk regression, forts.
Kvadratisk regression, forts. Vi fortsätter med materialet om fastigheter. Tidigare föreslog vi som en tänkbar modell y 0 + 3 x 3 + 5 x 3 2 + Vari ligger tanken att just använda en kvadratisk term? Det
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 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 merBetrakta åter datamaterialet med kostnader för produktion av korrugerat papper.
Multikolinjäritet: Betrakta åter datamaterialet med kostnader för produktion av korrugerat papper. Trots att COST verkade ha ett tydligt positivt samband med var och en av variablerna PAPER, MACHINE, OVERHEAD
Läs merLö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp
Sid 1 (10) Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Uppgift 1 Betrakta nedanstående täthetsfunktion för en normalfördelad slumpvariabel X med väntevärde
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 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 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 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 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 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 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 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 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 merTentamen Tillämpad statistik A5 (15hp)
Tentamen Tillämpad statistik A5 (15hp) 2016-02-13 Statistiska institutionen, Uppsala universitet Upplysningar 1. Tillåtna hjälpmedel: Miniräknare, A4/A8 Tabell- och formelsamling (alternativ Statistik
Läs merRegressionsanalys. - en fråga om balans. Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet
Regressionsanalys - en fråga om balans Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Innehåll: 1. Enkel reg.analys 1.1. Data 1.2. Reg.linjen 1.3. Beta (β) 1.4. Signifikansprövning 1.5. Reg.
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 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 merVid mer än 30 frihetsgrader approximeras t-fördelningen med N(0; 1). Konfidensintervallet blir då
Stat. teori gk, ht 006, JW F7 ENKEL LINJÄR REGRESSION, FORTS. (NCT.5-.7) Statistisk iferes rörade β Vi vet reda att b är e vätevärdesriktig skattig av modellparameter β. Vi vet också att skattige b har
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 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 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 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 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 merStatistik för teknologer, 5 poäng Skrivtid:
UMEÅ UNIVERSITET Institutionen för matematisk statistik Statistik för teknologer, MSTA33, p Statistik för kemister, MSTA19, p TENTAMEN 2004-06-03 TENTAMEN I MATEMATISK STATISTIK Statistik för teknologer,
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2018-01-12 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Mykola Shykula, Niklas
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 merTentamen Tillämpad statistik A5 (15hp)
Uppsala universitet Statistiska institutionen A5 2013-01-14 Tentamen Tillämpad statistik A5 (15hp) 2013-01-14 UPPLYSNINGAR A. Tillåtna hjälpmedel: Miniräknare Formelsamlingar: A4/A8 Tabell- och formelsamling
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 merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2012-10-30 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson och
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 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 merLABORATION 3 - Regressionsanalys
Institutionen för teknikvetenskap och matematik S0001M Matematisk statistik LABORATION 3 - Regressionsanalys I denna laboration ska du lösa ett antal uppgifter i regressionsanalys med hjälp av statistik-programmet
Läs mer