Data på individ/hushålls/företags/organisationsnivå. Idag större datamänger än tidigare
|
|
- Vilhelm Larsson
- för 6 år sedan
- Visningar:
Transkript
1 MIKROEKONOMETRI Data på individ/hushålls/företags/organisationsnivå Tvärsnittsdata och/eller longitudinella data o paneldata Idag större datamänger än tidigare Tekniska framsteg erbjuder möjligheter till förbättrade och förenklade insamlingsmetoder Mer specifika exempel; scanners i varuhus biljettbokning via nätet elektroniska avläsare inom kollektivtrafiken. men också ökade möjligheter till analys av komplexa datamängder Vi ser nu också mer av data från sociala/ekonomiska experiment 1
2 Ökat informationsinnehåll och stora stickprov men också ökade krav på modellformulering och metodval! Inferens baseras på, ofta mer komplicerad, asymptotisk teori och ofta krav på icke-linjär estimation Antaganden om bakomliggande sannolikhetsfördelning central och betydligt viktigare än vid användande av linjära metoder Kan formulera detaljerade modeller (modeller med många parametrar) men då ofta också modeller som är svåra att skatta vanligare att minimera komplexiteten och basera inferens på formulering av modeller där Var( i ) är robust vad gäller olika komplikationer 2
3 Ekonomisk analys handlar oftast om att härleda samband vilket också kräver att man använder metoder som kan urskilja och fånga upp dessa samband instrumentvariabler, simultana ekvationsmodeller, error correction models, fixed effects, differences - in differences etc Ofta komplexa undersökningsmetoder, inte alltid slumpmässiga urval, mätfel, ofullständig information i materialet och/eller bortfall etc 3
4 Eftersom mikrodata vanligen uppvisar en låg aggregeringsnivå måste man också kunna hantera problem med heterogenitet hos individer, företag etc. Den (beroende)variabeln har även i många fall starkt begränsat utfallsrum, man talar om limited dependent variables (LDV). I praktiken kan mikrodata också uppvisa mycket brus. Oförutsedda och oväntade beteenden spelar en större roll osv lägre R 2 -värden etc i regressioner baserade på mikrodata. 4
5 Den ekonomiska teorins roll kan variera vid formulerandet av ekonometriska modeller. Målet med analysen dock i ett första steg att identifiera och skatta fundamentala parametrar, ibland kallade djupa parametrar, som fångar upp preferenser och/eller tekniska samband en strukturell approach Man förlitar sig på ekonomisk teori och önskar analysera kausala samband. Strukturella modeller kan ofta kräva mer precisa specifikationer av exempelvis kostnads- och produktionsfunktioner och/eller av fördelningsfunktioner för modellernas slumptermer. 5
6 Ett annat mål med analysen kan vara att modellera samband mellan beroendevariabeln och variabler som tas för givna eller som anses som exogena modeller i reducerad form En modellform som inte alltid beaktar alla kausala beroenden mellan de olika ingående variablerna (behövs ju inte om variablerna verkligen är exogena). 6
7 Disaggregerade data och heterogenitet Ju mindre aggregerade data desto högre grad av heterogenitet mellan observationerna. Heterogenitet i form av kön, sociala och demografiska faktor, utbildning etc är möjlig att observera och kan därför också beaktas i modellerna. Heterogenitet i form av förmåga och motivation osv däremot svårare att observera och därmed mäta. Att inte beakta denna typ av skillnader mellan individer ger problem med confounding. Både utbildning och förmåga kan antas påverka en individs lön men om vi bara kan observera och mäta utbildning kommer denna variabels betydelse för lönebildningen att överskattas confounding bias (bias p g a att relevanta variabler uteslutits från modellen och ersatts med proxyvariabler istället) 7
8 Hur hanterar man heterogenitetsproblemet i praktiken? Ignorerar alla icke observerbara skillnader mellan individer. Om dessa egenskaper är okorrelerade med de skillnader mellan individer som man observerar och beaktar och om de icke observerade skillnaderna inte heller ger en påverkan på observerbara egenskaper över tiden (om paneldata) finns inget problem med specifikationsbias. Beaktar de icke observerbara skillnaderna m hj av individsspecifika dummyvariabler; D1 = 1 om individ 1, 0 annars osv fixed effect ansatsen. Innebär dock att för varje ny individ som tillkommer kommer en ytterligare parameter att införlivas i ekvationen. Men om paneldata med T observationer för varje individ i kan denna ansats fungera Möjligt att antingen estimera eller genom differentiering) eliminera denna effekt.(gäller då linjära modeller) Använder sig av random effect ansatsen. E g beaktar heterogeniteten genom formulering av särskilt schema för slumptermen. 8
9 Olika typer av mikrodata Traditionellt insamlade, intervjuundersökningar, frågeformulär om faktiska förhållanden, gjorda val mm Experimentella data, sociala experiment, för att avgöra effekter av en behandling, utvärdera en potentiell reform eller policy Sociala experiment kan kontrolleras, specialdesignas och övervakas möjligt att jämföra en kontrollgrupp med en grupp utsatt för behandling, lottdragning kan avgöra om behandling eller inte underlättar identifikation och ger möjlighet att isolera effekter av olika behandlingar Experimentella data har sedan länge använts inom medicinsk forskning, relativt nytt inom ekonomisk 9
10 Vissa begräsningar finns; höga kostnader för datainsamling inte alltid försöken är helt slumpmässiga problem om individer i kontrollgruppen söker alternativ behandling individer följer inte anvisningar problem om individer i kontrollgruppen avbryter för tidigt och dessa individer har särskilda egenskaper som kan påverka utfallet Hawthorne effekten individer beter sig annorlunda i experimentsituationen 10
11 Data från naturliga experiment Om en delmängd av populationen är exponerade för en exogen händelse samtidigt som miljön, situationen, för den andra gruppen är oförändrad får vi en datamängd liknande den vid experimentella data. Vi får möjlighet att jämföra effekter av händelsen på en behandlad och en obehandlad grupp. Alternativt ex En grupp, två perioder; före och efter införande av en åtgärd y it = + D t + it, i = 1,., N, t = 0,1 D t = 1 period 1 (efter händelsen) D t = 0 period 0 (före händelsen), En regression skattad baserad på poolade data ger betydelsen av händelsen genom parametern. 11
12 Givet modellformuleringen ovan antar vi dock att gruppen i övrigt uppvisar samma egenskaper period 1 som period 0, annars skulle inte kunna identifieras som effekten av händelsen Om vi istället inkluderar en obehandlad grupp för vilken vi också har tillgång till data från båda perioderna och givet antagandet att E[( 1 i1 1 i0) ( 0 i1 0 i0)] = 0 kan vi få en unbiased skattning av genom stickprovsmedelvärdet för (y 1 i1 y 1 i0) (y 0 i1 y 0 i0) differences in differences. (Mer om detta senare när paneldata behandlas.) 12
13 Revealed Preference Data; Avser faktiska observationer och utfall av dessa. Nackdelen att vi oftast inte vet priser etc för de alternativ som individen övervägde Stated Preference Data; Svar på hypotetiska frågeställningar där man kan lista samtliga möjliga alternativ. Kan dock finnas problem med mått på exempelvis betalningsvilja, lätt att överdriva eller hålla igen beroende på frågans art. 13
Paneldata och instrumentvariabler/2sls
Extra anteckningar om paneldata; Paneldata och instrumentvariabler/2sls Oavsett REM, FEM eller poolad OLS så görs antagandet att Corr(x,u) = 0, dvs att vi har svagt exogena regressorer. Om detta inte gäller
Läs merPoolade data över tiden och över tvärsnittet. Oberoende poolade tvärsnittsdatamängder från olika tidpunkter.
PANELDATA Poolade data över tiden och över tvärsnittet Alternativ 1: Oberoende poolade tvärsnittsdatamängder från olika tidpunkter. Oberoende stickprov dragna från stora populationer vid olika tidpunkter.
Läs merVid formulering av den linjära regressionsmodellen utgår man ifrån att; Sambandet mellan Y-variabel och X-variabel är linjärt m a p parametrar
ICKE-LINJÄRA MODELLER Vid formulering av den linjära regressionsmodellen utgår man ifrån att; Y i = 1 + 2 X 2i + u i Sambandet mellan Y-variabel och X-variabel är linjärt m a p parametrar cov(x i,u i )
Läs merFör logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))
Logitmodellen För logitmodellen ges G (=F) av den logistiska funktionen: F(z) = e z /(1 + e z ) (= exp(z)/(1+ exp(z)) Funktionen motsvarar den kumulativa fördelningsfunktionen för en standardiserad logistiskt
Läs merFör logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))
Logitmodellen För logitmodellen ges G (=F) av den logistiska funktionen: F(z) = e z /(1 + e z ) (= exp(z)/(1+ exp(z)) Funktionen motsvarar den kumulativa fördelningsfunktionen för en standardiserad logistiskt
Läs merModeller för fler än två valmöjligheter. Förekommer både som logit- och som probitmodeller.
Multinominella modeller Modeller för fler än två valmöjligheter. Förekommer både som logit- och som probitmodeller. Möjligt att, genom olika modellformuleringar, beakta att vissa regressorer varierar mellan
Läs merHur skriver man statistikavsnittet i en ansökan?
Hur skriver man statistikavsnittet i en ansökan? Val av metod och stickprovsdimensionering Registercentrum Norr http://www.registercentrumnorr.vll.se/ statistik.rcnorr@vll.se 11 Oktober, 2018 1 / 52 Det
Läs merMendelsk randomisering
Mendelsk randomisering 1 Föredraget en bild: Mendelsk randomisering = instrumentalvariabelanalys med gener som instrument 2 Översikt Kausalitet Instrumentalvariabler Mendelsk randomisering 3 Vad är kausalitet?
Läs merF1 Introduktion. Statistisk undersökning. Vad är statistik? Vad är en statistisk undersökning? Klassificering efter mål eller syfte med undersökningen
F1 Introduktion. Statistisk undersökning. Leif Ruckman och Christina Andersson Avdelningen för Nationalekonomi och Statistik Karlstads universitet Vad är statistik? 1. Statistiska uppgifter. T ex som underlag
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merBeteendevetenskaplig metod. Metodansats. För och nackdelar med de olika metoderna. Fyra huvudkrav på forskningen Forskningsetiska principer
Beteendevetenskaplig metod Ann Lantz alz@nada.kth.se Introduktion till beteendevetenskaplig metod och dess grundtekniker Experiment Fältexperiment Fältstudier - Ex post facto - Intervju Frågeformulär Fyra
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merEn rät linje ett enkelt samband. En rät linje + slumpbrus. Observationspar (X i,y i ) MSG Staffan Nilsson, Chalmers 1.
En rät linje ett enkelt samband Y β 1 Lutning (slope) β 0 Skärning (intercept) 1 Y= β 0 + β 1 X X En rät linje + slumpbrus Y Y= β 0 + β 1 X + brus brus ~ N(0,σ) X Observationspar (X i,y i ) Y Ökar/minskar
Läs merUpprepade mätningar och tidsberoende analyser. Stefan Franzén Statistiker Registercentrum Västra Götaland
Upprepade mätningar och tidsberoende analyser Stefan Franzén Statistiker Registercentrum Västra Götaland Innehåll Stort område Simpsons paradox En mätning per individ Flera mätningar per individ Flera
Läs merMetod1. Intervjuer och observationer. Ex post facto, laboratorie -, fältexperiment samt fältstudier. forskningsetik
Metod1 Intervjuer och observationer Ex post facto, laboratorie -, fältexperiment samt fältstudier forskningsetik 1 variabelbegreppet oberoende variabel beroende variabel kontroll variabel validitet Centrala
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merForskningsprocessens olika faser
Forskningsprocessens olika faser JOSEFINE NYBY JOSEFINE.NYBY@ABO.FI Steg i en undersökning 1. Problemformulering 2. Planering 3. Datainsamling 4. Analys 5. Rapportering 1. Problemformulering: intresseområde
Läs merSTATISTISK ANALYS AV KOMPLEXA DATA
STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 12 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 12 December 1 / 12 Explorativ Faktoranalys
Läs merMetodologier Forskningsdesign
Metodologier Forskningsdesign 1 Vetenskapsideal Paradigm Ansats Forskningsperspek6v Metodologi Metodik, även metod används Creswell Worldviews Postposi'vist Construc'vist Transforma've Pragma'c Research
Läs merPoissonregression. E(y x1, x2,.xn) = exp( 0 + 1x1 +.+ kxk)
Poissonregression En lämplig utgångspunkt om vi har en beroende variabel som är en count variable, en variabel som antar icke-negativa heltalsvärden med ganska liten variation E(y x1, x2,.xn) = exp( 0
Läs merMVE051/MSG Föreläsning 14
MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska
Läs merSTATISTISK ANALYS AV KOMPLEXA DATA
STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 9 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 9 December 1 / 43 Longitudinella data
Läs merIntroduktion till kausala effekter
Introduktion till kausala effekter Ronnie Pingel Institutionen f or folkh also- och v ardvetenskap och Statistiska institutionen 2016-09-03 Utgångspunkten Introduktion Vanligt mål i empirisk forskning
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merStudietyper, inferens och konfidensintervall
Studietyper, inferens och konfidensintervall Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Studietyper Experimentella studier Innebär
Läs merSTATISTISK POWER OCH STICKPROVSDIMENSIONERING
STATISTISK POWER OCH STICKPROVSDIMENSIONERING Teori UPPLÄGG Gemensam diskussion Individuella frågor Efter detta pass hoppas jag att: ni ska veta vad man ska tänka på vilka verktyg som finns vilket stöd
Läs merRepetitionsföreläsning
Population / Urval / Inferens Repetitionsföreläsning Ett företag som tillverkar byxor gör ett experiment för att kontrollera kvalitén. Man väljer slumpmässigt ut 100 par som man utsätter för hård nötning
Läs merSamplingfördelningar 1
Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi
Läs merDekomponering av löneskillnader
Lönebildningsrapporten 2013 133 FÖRDJUPNING Dekomponering av löneskillnader Den här fördjupningen ger en detaljerad beskrivning av dekomponeringen av skillnader i genomsnittlig lön. Först beskrivs metoden
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 14 maj 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 14-15 PASSNING AV FÖRDELNING: χ 2 -METODER. Tatjana Pavlenko 14 maj 2018 PLAN FÖR DAGENS FÖRELÄSNING Icke-parametriska metoder. (Kap. 13.10) Det
Läs merNågra extra övningsuppgifter i Statistisk teori
Statistiska institutionen Några extra övningsuppgifter i Statistisk teori 23 JANUARI 2009 2 Sannolikhetsteorins grunder 1. Tre vanliga symmetriska tärningar kastas. Om inte alla tre tärningarna visar sexa,
Läs merFöreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 1 Statistik; teori och tillämpning i biologi 1 Kursens uppbyggnad 9 föreläsningar Föreläsningsunderlag läggs ut på kurshemsidan 5 lektioner Uppgifter från kursboken enligt planering 5 laborationer
Läs merÖvningshäfte till kursen Regressionsanalys och tidsserieanalys
Övningshäfte till kursen Regressionsanalys och tidsserieanalys Linda Wänström October 31, 2010 1 Enkel linjär regressionsanalys (baserad på uppgift 2.3 i Andersson, Jorner, Ågren (2009)) Antag att följande
Läs merFöreläsning 6 (kap 6.1, 6.3, ): Punktskattningar
Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs mer1989, Statistiska centralbyrån ISSN Printed in Sweden Garnisonstryckeriet, Stockholm 1989
Från trycket April 1989 Producent Statistiska centralbyrån, Utvecklingsavdelningen Ansvarig utgivare Staffan Wahlström Förfrågningar Lennart Nordberg, tel. 019-17 60 12 1989, Statistiska centralbyrån ISSN
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 merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Hypotesprövning Innehåll Hypotesprövning 1 Hypotesprövning Inledande exempel Hypotesprövning Exempel. Vi är intresserade av en variabel X om vilken vi kan anta att den är (approximativt) normalfördelad
Läs merOlika datainsamlingsmetoder
Olika datainsamlingsmetoder F6 Datainsamlingsmetoder för primärdata, datorstöd (kap 2.2, 3, 7.2) Ursprung: Linda Wänström Definition: Respondent = person (eller dylikt) som ska besvara en enkät/intervju/observeras
Läs merSkattning av kausala effekter vid effektmodifiering genom matchning på funktioner av prognostic scores
Skattning av kausala effekter vid effektmodifiering genom matchning på funktioner av prognostic scores Elin Moritz Student VT 2011 Examensarbete, 15 hp Statistik C, 30 hp Handledare: Ingeborg Waernbaum
Läs merLogistisk regression och Indexteori. Patrik Zetterberg. 7 januari 2013
Föreläsning 9 Logistisk regression och Indexteori Patrik Zetterberg 7 januari 2013 1 / 33 Logistisk regression I logistisk regression har vi en binär (kategorisk) responsvariabel Y i som vanligen kodas
Läs 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 merEtt exempel från fysikalisk kemi. Föreläsning 13: Multipel Regression. Enkel linjär regression. Mätningar från laborationer 2014
Ett exempel från fysikalisk kemi Föreläsning 3: Multipel Regression Matematisk statistik Chalmers University of Technology Oktober 5, 28 Hastigheten för en kemisk reaktion ökar ofta då temperaturen höjs.
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 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 merPropensity Scores. Bodil Svennblad UCR 16 september 2014
Propensity Scores Bodil Svennblad UCR 16 september 2014 Jämföra två behandlingar Randomiserad studie A B Inte alltid etiskt försvarbart Dyrt Restriktioner på studiepopulationen (generaliserbart?) Real
Läs merUrvalsmetoder: Stratifierat urval (kap 9.5)
F4 Urvalsmetoder: Stratifierat urval (kap 9.5) Tidigare exempel Vi undersökte tidigare medellönen i ett företag med N = 500 anställda. Vi fick ett konfidensintervall: Vi vet att några förklaringsvariabler
Läs merAtt utvärdera offentlig politik med registerdata
Att utvärdera offentlig politik med registerdata Anders Forslund anders.forslund@ifau.uu.se IFAU och Nationalekonomiska institutionen, Uppsala universitet 22 mars 2013 Anders Forslund (IFAU) Utvärdering
Läs merMULTIPEL IMPUTATION - Ett sätt att hantera problemet med missing data
MULTIPEL IMPUTATION - Ett sätt att hantera problemet med missing data Pär-Ola Bendahl IKVL, Avdelningen för Onkologi Lunds Universitet Par-Ola.Bendahl@med.lu.se Översikt Introduktion till problemet Enkla
Läs merStatistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU
Statistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU KURSENS INNEHÅLL Statistiken ger en empirisk grund för ekonomin. I denna kurs betonas statistikens idémässiga bakgrund och
Läs merOptimering och simulering: Hur fungerar det och vad är skillnaden?
Optimering och simulering: Hur fungerar det och vad är skillnaden? Anders Peterson, Linköpings universitet Andreas Tapani, VTI med inspel från Sara Gestrelius, RIS-SIS n titt i KAJTs verktygslåda Agenda
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merMetoder för att mäta effekter av arbetsmarknadspolitiska program WORKING PAPER 2012:2
Metoder för att mäta effekter av arbetsmarknadspolitiska program WORKING PAPER 22:2 AV: MARIE GARTELL, CHRISTER GERDES OCH PETRA NILSSON. Sammanfattning De arbetsmarknadspolitiska programmen är en viktig
Läs merTillämpad statistik (A5), HT15 Föreläsning 10: Multipel linjär regression 1
Tillämpad statistik (A5), HT15 Föreläsning 10: Multipel linjär regression 1 Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-19 Motivering Vi motiverade enkel linjär regression som ett
Läs merOBS! Vi har nya rutiner.
KOD: Kurskod: PM2315 Kursnamn: Metoder för psykologisk forskning (15 hp) Ansvarig lärare: Leif Strömwall Tentamensdatum: 2012-04-28 Tillåtna hjälpmedel: Miniräknare samt bifogad formel- och tabellsamling
Läs merSannolikheter och kombinatorik
Sannolikheter och kombinatorik En sannolikhet är ett tal mellan 0 och 1 som anger hur frekvent en händelse sker, där 0 betyder att det aldrig sker och 1 att det alltid sker. När vi talar om sannolikheter
Läs merStatistiska Institutionen Gebrenegus Ghilagaber (docent)
Statistiska Institutionen Gebrenegus Ghilagaber (docent) Lösningsförslag till skriftlig tentamen i FINANSIELL STATISTIK, grundnivå, 7,5 hp, VT09. Onsdagen 3 juni 2009-1 Sannolkhetslära Mobiltelefoner tillverkas
Läs 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 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 merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merTillvägaghångssätt för skattning av körkortsmodell
Siamak Baradaran sia@kth.se Tillvägaghångssätt för skattning av körkortsmodell 1 Syfte med modellen Syftet med denna forskning har varit att utveckla en beskrivande modell som kan hjälpa oss att förstå
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 merSahlgrenska akademin VID GÖTEBORGS UNIVERSITET Avdelningen för samhällsmedicin och folkhälsa / Allmänmedicin vid institutionen för Medicin
Sahlgrenska akademin VID GÖTEBORGS UNIVERSITET Avdelningen för samhällsmedicin och folkhälsa / Allmänmedicin vid institutionen för Medicin Forskningsmetodik- en introduktion 8 hp (kurskod MFM330) Projektledare
Läs merRestid och resebeteende
Lunds universitet Ht 2010 Nationalekonomiska institutionen Handledare: Jerker Holm Restid och resebeteende - Hur en minskning av tågets restid kan få flygresenärer att övergå till tåget. Författare: Max
Läs merPsykologi som vetenskap
Psykologi som vetenskap Begrepp och metoder Forskningsetik Av Jenny Wikström, KI till Psykologprogrammet HT10 Kurslitteratur: Myers Psychology, Kap.1 Kurs: Introduktion till psykologi 7,5 hp Psykologi
Läs merFöreläsning 4. Kapitel 5, sid Stickprovsteori
Föreläsning 4 Kapitel 5, sid 127-152 Stickprovsteori 2 Agenda Stickprovsteori Väntevärdesriktiga skattningar Samplingfördelningar Stora talens lag, Centrala gränsvärdessatsen 3 Statistisk inferens Population:
Läs merForskningsläget betr värdet av restidsvinster för privatresor i Sverige
Lars Hultkrantz 1998-12-30 Forskningsläget betr värdet av restidsvinster för privatresor i Sverige Inledning Nuvarande tidsvärden för restidsförändringar för resenärer som betalar sina resa med egna medel
Läs merLMA201/LMA521: Faktorförsök
Föreläsning 1 Innehåll Försöksplanering Faktorförsök med två nivåer Skattning av eekterna. Diagram för huvudeekter Diagram för samspelseekter Paretodiagram Den här veckan kommer tillägnas faktorförsök.
Läs merTentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle
Tentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle Lärare: Mikael Elenius, 2006-08-25, kl:9-14 Betygsgränser: 65 poäng Väl Godkänt, 50 poäng
Läs merDataanalys kopplat till undersökningar
Dataanalys kopplat till undersökningar Seminarium om undersökningsmetoder för förorenade områden, Malmö 6-7 maj Jenny Norrman, SGI, Chalmers FRIST På säker grund för hållbar utveckling Innehåll Inledning
Läs merUrval. Varje element i populationen skall ha en känd sannolikhet (chans) som är större än 0 att bli utvald
F11 Repetition Undersökningar Olika slag av undersökningar Syftet Beskrivande Förklarande/utredande Framåtblickande Undersökningsplanering Vem ska undersökas? Målpopulation Rampopulation Vad ska undersökas?
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 merÖVNINGSUPPGIFTER KAPITEL 9
ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar
Läs merSF1901: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 12 oktober 2015
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 14 PASSNING AV FÖRDELNING: χ 2 -METODER. Tatjana Pavlenko 12 oktober 2015 PLAN FÖR DAGENS FÖRELÄSNING Icke-parametsriska metoder. (Kap. 13.10) Det grundläggande
Läs merNågra begrepp. Vad är statistik? Data. Grundläggande begrepp Olika slag av undersökningar
Några begrepp F1 Grundläggande begrepp Olika slag av undersökningar Element, enhet, individ, unit, object, individual, subject Människor, bilar, företag, olika händelser, Population En mängd av enheter
Läs merKvantitativa metoder en introduktion. Mikael Nygård, Åbo Akademi, vt 2018
Kvantitativa metoder en introduktion Mikael Nygård, Åbo Akademi, vt 2018 Vad är kvantitativ metod? Kvantitativa (siffermässiga) analyser av verkligheten: beskrivning och förklaringar av fenomen i fokus!
Läs merUndersökningsplanering Datakällor: officiell statistik, olika databaser, registerstatistik
F2 Undersökningsplanering Datakällor: officiell statistik, olika databaser, registerstatistik Planeringen av en statistisk undersökning Tre huvudfrågor: Vem ska undersökas? Vad ska undersökas? Hur ska
Läs merEx post facto forskning Systematisk, empirisk undersökning. om rökning så cancer?
Metod2 Experimentell och icke experimentell forskning Ex post facto forskning Laboratorie - och fältexperiment Fältstudier Etnografiska studier Forskningsetiska aspekter 1 Ex post facto forskning Systematisk,
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
Läs merIntroduktion Kritiskt förhållningssätt Olika typer av undersökningar
F1 Introduktion Kritiskt förhållningssätt Olika typer av undersökningar Kursupplägg 12 föreläsningar 7 seminarieövningar (Ö1 och Ö7 är obligatoriska) 1 inlämningsuppgift (i grupp) Del 1: tillämpa stickprovsteori
Läs merSpridningsdiagram (scatterplot) Fler exempel. Korrelation (forts.) Korrelation. Enkel linjär regression. Enkel linjär regression (forts.
Spridningsdiagram (scatterplot) En scatterplot som visar par av observationer: reklamkostnader på -aeln and försäljning på -aeln ScatterplotofAdvertising Ependitures ()andsales () 4 Fler eempel Notera:
Läs merStandardfel (Standard error, SE) SD eller SE. Intervallskattning MSG Staffan Nilsson, Chalmers 1
Standardfel (Standard error, SE) Anta vi har ett stickprov X 1,,X n där varje X i has medel = µ och std.dev = σ. Då är Det sista kalls standardfel (eng:standard error of mean (SEM) eller (SE) och skattas
Läs merVad beror skillnaden på? Systematiska och slumpmässiga fel
Vad beror skillnaden på? Systematiska och slumpmässiga fel Typer av fel och rätt Verklig skillnad Stort slumpfel! En studie genomförs Vi observerar en skillnad! Vi observerar ingen skillnad Slumpfel Systematiska
Läs mer1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala
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 merTentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.
Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tid: Måndagen den 2015-06-01, 8.30-12.30. Examinator och Jour: Olle Nerman, tel. 7723565, rum 3056, MV, Chalmers. Hjälpmedel: Valfri
Läs merIntroduktion till statistik för statsvetare
och enkäter "Det finns inget så praktiskt som en bra teori" September 2011 och enkäter Inledning Inledning Om vi vill mäta en egenskap hos en population individer (individer kan vara personer, företag
Läs merSTATISTISK ANALYS AV KOMPLEXA DATA
STATISTISK ANALYS AV KOMPLEXA DATA HIERARKISKA DATA Linda Wänström Linköpings universitet 25 November Wänström (Linköpings universitet) HIERARKISKA DATA 25 November 1 / 53 Regressionsmodell för icke-hierarkiska
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 merF22, Icke-parametriska metoder.
Icke-parametriska metoder F22, Icke-parametriska metoder. Christian Tallberg Statistiska institutionen Stockholms universitet Tidigare när vi utfört inferens, dvs utifrån stickprov gjort konfidensintervall
Läs merBygga linjära modeller! Didrik Vanhoenacker 2007
Bygga linjära modeller! Didrik Vanhoenacker 2007 1 Bygga enkla modeller Tänk att vi ska försöka förstå vad som styr hur många blommor korsblommiga växter har. T ex hos Lomme och Penningört. Hittills har
Läs merAtt välja statistisk metod
Att välja statistisk metod en översikt anpassad till kursen: Statistik och kvantitativa undersökningar 15 HP Vårterminen 2018 Lars Bohlin Innehåll Val av statistisk metod.... 2 1. Undersökning av en variabel...
Läs merF10. Ytterligare urvalsmetoder och skattningsmetoder (kap 9.8, 9.9) Flerstegsurval
F10 Ytterligare urvalsmetoder och skattningsmetoder (kap 9.8, 9.9) Flerstegsurval Anta att man vill göra ett urval som täcker ett stort geografiskt område vill använda besöksintervju som insamlingsmetod
Läs merKausalitet 2012-03-26. Kausalitet. Vad är kausal inferens? Seminariets agenda. P(Y a=1 =1) P(Y a=0 =1) Kausal effekt för en individ i:
Seminariets agenda Vad är kausal inferens? nna Ekman rbets- och miljömedicin Kausalitet Statistiska samband kontra kausalitet Konfounding DG ett grafiskt stöd Inverse propability weights Kausalitet ounterfactual
Läs merMissing data och imputation eller Får man hitta på data? Lars Lindhagen, UCR 2014-05-21
Missing data och imputation eller Får man hitta på data? Lars Lindhagen, UCR 2014-05-21 Inledning Saknat data finns alltid, åtminstone i stora registerstudier. Ett problem som måste hanteras på något sätt.
Läs merBortfallsproblematik ur ett metodperspektiv
Bortfallsproblematik ur ett metodperspektiv Daniel Thorburn Surveyföreningen 2011-05-27 Olika metodaspekter Bortfall versus andra fel Psykologi varför svarar man? (inte?) Åtgärder vid insamling (förebygg!)
Läs merFöreläsning G70 Statistik A
Föreläsning 2 732G70 Statistik A Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde (mellan
Läs mer