Formelsamling. Enkel linjär regressionsananalys: Modell: y i = β 0 + β 1 x i + ε i. Anpassad regressionslinje: ŷ = b 0 + b 1 x. (x i x) (y i ȳ) ( x)2

Relevanta dokument
STATISTIK B, 8 HP TENTAMEN FREDAGEN DEN 4 DECEMBER

732G71 STATISTIK B, 8 HP Civilekonomprogrammet, år 2 Tentamen

HSTA72 REGRESSIONS- OCH TIDSSERIEANALYS, 5p Ekonomprogrammet, t2, Vt 06 Tentamen

Vid mer än 30 frihetsgrader approximeras t-fördelningen med N(0; 1). Konfidensintervallet blir då

Facit till Extra övningsuppgifter

Formelsamling Tillämpad statistik, A5

Höftledsdysplasi hos dansk-svensk gårdshund - Exempel på tavlan

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:

P (A) = k A P (A ) = 1 P (A) P (A B) P (B) P (M i ) = 1 P (A) P (X = k) = p X (k) p X (k) = 1 P (A B) p X (k)

Viktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

Uppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik

F19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden

Tentamentsskrivning: Tillämpad Statistik 1MS026 1

Lycka till! I(X i t) 1 om A 0 annars I(A) =

732G71 Statistik B. Föreläsning 7. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 29

Rättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller:

θx θ 1 om 0 x 1 f(x) = 0 annars

732G71 Statistik B. Föreläsning 6. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 15

F4 Enkel linjär regression.

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00. Kap 2: Sannolikhetsteorins grunder

Linjär regression - kalibrering av en våg

Matematisk statistik för D, I, Π och Fysiker

Regressions- och Tidsserieanalys - F1

2. Konfidensintervall för skillnaden mellan två proportioner.

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007

Regressions- och Tidsserieanalys - F1

F11. Kvantitativa prognostekniker

F3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

732G71 Statistik B. Föreläsning 1, kap Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20

Regressions- och Tidsserieanalys - F3

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

Residualanalys. Finansiell statistik, vt-05. Normalfördelade? Normalfördelade? För modellen

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel etc., del II

S0005M V18, Föreläsning 10

Regressions- och Tidsserieanalys - F7

Föreläsning G70 Statistik A

Formelblad Sannolikhetsteori 1

Föreläsning 2: Punktskattningar

Multipel Regressionsmodellen

Matematisk statistik TMS063 Tentamen

1. Test av anpassning.

TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK

a) Beräkna E (W ). (2 p)

F10 ESTIMATION (NCT )

Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00

TAMS65 - Seminarium 4 Regressionsanalys

Korrelation och autokorrelation

Ett A4-blad med egna handskrivna anteckningar (båda sidor) samt räknedosa.

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

FORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.

Föreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3

Finansiell statistik. Multipel regression. 4 maj 2011

Föreläsningsanteckningar till Linjär Regression

STATISTIK FÖR LÄKARSTUDENTER

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08

Lycka till!

732G71 Statistik B. Föreläsning 3. Bertil Wegmann. November 4, IDA, Linköpings universitet

FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)

Introduktion till statistik för statsvetare

Ett A4-blad med egna handskrivna anteckningar (båda sidor) samt räknedosa.

Statistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten

Regressions- och Tidsserieanalys - F3

Föreläsning 13: Multipel Regression

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

Föreläsning 15: Faktorförsök

Statistik för bioteknik SF1911 // KTH Matematisk statistik // Formler och tabeller. 1 Numeriska sammanfattningar (statistikor)

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Föreläsning G04: Surveymetodik

Regressions- och Tidsserieanalys - F3

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel etc., del II

Autokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012

STOCKHOLMS UNIVERSITET HT 2008 Statistiska institutionen Linda Wänström. Omtentamen i Regressionsanalys

Stockholms Universitet Statistiska institutionen Patrik Zetterberg

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

Regressions- och Tidsserieanalys - F5

Grundläggande matematisk statistik

Formelsamling för Finansiell Statistik

Digital signalbehandling Fönsterfunktioner

KOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!!

F6 Uppskattning. Statistikens grunder 2 dagtid. Beteckningar, symboler, notation. Grekiskt-romerskt

Föreläsning 12: Linjär regression

Matematisk statistik för B, K, N, BME och Kemister

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)

Sannolikhetslära statistisk inferens F10 ESTIMATION (NCT )

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x

Formler och tabeller till kursen MSG830

Transkript:

LINKÖPINGS UNIVERSITET Matematiska istitutioe Statistik, ANd Formelsamlig Ekel lijär regressiosaaalys: Modell: y i β 0 + β x i + ε i ε N(0,σ. Apassad regressioslije: ŷ b 0 + b x b (x i x (y i ȳ (x i x 2 x i y i x ȳ xi 2 ( x2 x i y i ( x i ( y i xi 2 ( x i 2 b 0 ȳ b x Kvadratsummor: x i y i ( x i ( y i x 2 i ( x i 2 Total: SST (y i ȳ 2 y 2 i (ȳ2 y 2 i ( y i 2 Residual: SSE (y i ŷ i 2 (y i ȳ 2 b (x i x (y i ȳ y 2 i b 0 y i b x i y i Regressio: SSR (ŷ i ȳ 2 SST SSE Förekligsformler: Se ova för (y i ȳ 2 och samma ka avädas på (x i x 2 (x i x (y i ȳ x i y i x ȳ x i y i ( x i ( y i Obs!! (x i x (y i ȳ x i y i ( x i ( y i Dea variat aväds bara i uttryck för b och r då motsvarade variat aväds i ämare! Variasskattig σ 2 s 2 MSE SSE 2 s MSE SSE 2 Förklarigsgrad: r 2 SST SSR Korrelatioskoefficiet: r r 2 (x i x (y i ȳ (xi x 2 (y i ȳ 2 x i y i x ȳ ( xi 2 ( x2 ( y 2 i (ȳ2 Kofidesitervall, progositervall och hypotesprövig Stickprovsfördeligar: ( b N β, σ (xi x 2 ( b 0 N β 0,σ b 0 + b x 0 N + ( x2 (x i x 2 ( β 0 + β x 0,σ + (x 0 x 2 (x i x 2

Kofidesitervall för β : b ±t ( 2 s (xi x 2 Kofidesitervall för β 0 : ( + b 0 ±t ( 2 s ( x2 (x i x 2 Kofidesitervall för µ y0 x 0 β 0 + β x 0 : ( b 0 + b x 0 ±t ( 2 s + (x 0 x 2 (x i x 2 Progositervall för y 0 β 0 + β x 0 + ε 0 : ( b 0 + b x 0 ±t ( 2 s + + (x 0 x 2 (x i x 2 Formellt t-test av H 0 : β 0 0: Testfuktio: t b 0 s b0 Jämför med ±t ( 2 b 0 s ( + Formellt t-test av H 0 : β 0: Testfuktio: t b s b Jämför med ±t ( 2 b s (x i x 2 ( x2 (x i x 2 Formellt t-test av H 0 : β B ( B är ågot aat ä 0: Testfuktio: t b B s b b B s Jämför med ±t ( 2 (x i x 2 Vid ekelsidiga mothypotseser jämförs t med t ( 2 Formellt F-test av H 0 : β 0: Testfuktio: F MSE MSR SSR/ SSE/( 2 Jämför med F (, 2 Multipel lijär regressiosaaalys: Modell: y i β 0 + β x i + β 2 x i2 +... + β k x ik + ε i ε i N(0,σ. Apassad modell: ŷ b 0 + b x + b 2 x 2 +...b k x k (eller med -t ( 2 beroede på mothypoteses riktig.

Kvadratsummor: SSTSSE+SSR Total: SST (y i ȳ 2 y 2 i (ȳ2 y 2 i ( y i 2 Residual: SSE (y i ŷ i 2 Regressio: SSR (ŷ i ȳ 2 SST SSE SSE har k frihetsgrader, SSR har k frihetsgrader. Variasskattig: σ 2 s 2 MSE Förklarigsgrad: SSE k R 2 SSR SST Justerad förklarigsgrad: R 2 adj R2 SSE/( k SST/( Kofidesitervall och hypotesprövig Stickprovsfördeligar: b j N(β j,σ b j Formellt F-test av H 0 : β β 2... β k 0: Testfuktio: F MSE MSR SSR/k SSE/( k Jämför med F (k, k Kofidesitervall för β j : b j ±t ( k s b j s b j hämtas frå datorutskrift. Formellt t-test av H 0 : β j 0: Testfuktio: t b j s b j Jämför med t ( k Kofidesitervall för µ y0 x 0,...,x 0k : ŷ 0 ±t ( k s Distace value s MSE och Distace value (eller s Distace value bestäms frå datorutskrift. Progositervall för y 0 : ŷ 0 ±t ( k s + Distace value s MSE och Distace value (eller s + Distace value bestäms frå datorutskrift.

Partiellt F-test av H 0 : β g+... β k 0: Testfuktio: F (SSE R SSE C /(k g (SSR C SSR R /(k g SSE C /( k SSE C /( k SSE R Residualkvadratsumma i de midre (reducerade modelle och SSE C Residualkvadratsumma i de större (kompletta modelle. Jämför med F (k g, k. Variace Iflatio Factor (VIF: VIF R 2 j R 2 j Förklarigsgrade i modell x j är y-variabel och övriga x-variabler är förklarigsvariabler. Sekvetiella kvadratsummor: SSR SSR(x + SSR(x 2 x +... + SSR(x k x,...,x k SSR(x j x,...,x j är tillskottet till SSR då variabel x j läggs till e modell med variablera x,x 2,...,x j. Ett partiellt F-test av H 0 : β g+... β k 0 ka då göras med testfuktioe F (SSR(x g+ x,...,x g + SSR(x g+2 x,...,x g+ +... + SSR(x k x,...,x k /(k g MSE, Jämför med F (k g, k förutsatt att variablera matas i i ordige x,x 2,...,x k i modelle. Expoetiella sambad och elasticitetsmodeller: Expoetiell modell: y β 0 (β x δ logδ N(0,σ logy logβ 0 + (logβ x + logδ Apassad modell: ŷ b 0 (b x logb (x i x (logy i logy (x i x 2 x i logy i x logy xi 2 ( x2 x i logy i ( x i ( logy i xi 2 ( x x [ i logy i ( x i ( logy i i 2 x 2 i ( x i 2 logy ] logy i och logb 0 logy (logb x Kvadratsummor, variasskattig och test: SST (logy i logy 2 (logy i 2 (logy 2 SSE SST (logb (x i x (logy i logy SST (logb ( x i logy i x logy (logy i 2 (logb 0 logy i (logb x i logy i σ 2 SSE 2 Test av H 0 : β dvs iget sambad mella y och x logβ 0: SSE/( 2 (x i x 2 Testfuktio t logb, jämför med t ( 2

Elasticitetsmodeller: Q A (P EP δ, Q α (I EI δ Q A (P EP (I EI δ logq loga + E P logp + logδ logq loga + E I logi + logδ logq loga + E P logp + E I logi + logδ logδ N(0,σ Exempel på apassad modell: Q a (PÊP, Ê P (logp i logp (logq i logq (logp i logp 2 (logp i (logq i logp logq (logp i 2 (logp 2 och [ loga logq Ê P logp logp logp i och logq logq ] i Kvadratsummor, variasskattig och test: SST (logq i logq 2 (logq i 2 (logq 2 SSE SST Ê P (logp i logp (logq i logq SST Ê P [ (logp i (logq i logp logq ] (logq i 2 (loga logq i Ê P (logp i (logq i σ 2 SSE 2 Test av H 0 : E P B B är ett ifrågasatt värde på E P : Testfuktio t Idex Ê P B Sammasatta fastbasidex:, jämför med t SSE/( 2 (logp i logp 2 I t i,t w + i 2,t w 2 +... + i,t w ( 2 och vid ekelsidig mothypotes med t ( 2 eller t ( 2. är atalet igåede varor/tjäster, i,t,...,i,t är ekla prisidex för igåede varor, alla med basår t 0 och w,...,w väljs eligt ett viktsystem: Laspeyre: w i p i,t 0 q i,t0 j p j,t0 q j,t0 Paasche: w i p i,t 0 q i,t j p j,t0 q j,t Kedjeprisidex: I t L 0, L,2... L t,t 00 L t,t i p i,t p i,t w i,t,t är årsläke frå år t till t för igåede varor/tjäster. w i,t,t väljs eligt ett viktsystem: Laspeyre: w L Försäljigsvärdet för vara i år t i,t,t Totala försäljigsvärdet år t Paasche: w P i,t,t Försäljigsvärdet för vara i år t i priser för år t Totala försäljigsvärdet år t i priser för år t Med represetatvaror byts Försäljigsvärdet för vara i mot Försäljigsvärdet för varugrupp i i viktera.

Implicitprisidex: I t Försäljigsvärdet av vara/tjäste/gruppe år t i löpade priser Försäljigsvärdet av vara/tj aste/gruppe år t i basårets priser 00 Relativprisidex: It R Iv t It 0 00 It v Prisidex för aktuell vara/tjäst/grupp och It 0 Prisidex för de större jämförelsegruppe, t ex KPI. Tidsserieaalys Tidsserieregressio: Modell: y t TR t + SN t + ε t TR t β 0 + β t eller TR t β 0 + β t + β 2 t 2 och SN t L i β si x si,t med L Atal säsoger och x si,t om t tillhör säsog i och 0 aars. Durbi-Watso s test: Test av H 0 : Residualera är okorrelerade. Testfuktio d t2 (e t e t 2 t e2 t e t y t ŷ t. Jämförelser: Om d < d L,α/2 eller (4 d < d L,α/2 Förkasta H 0 Om d > d U,α/2 och (4 d > d U,α/2 Förkasta ej H 0 Om d L,α/2 d d U,α/2 och d L,α/2 (4 d d U,α/2 Iget uttalade ka ges Kompoetuppdelig: Modeller: Multiplikativ modell: y t TR t SN t CL t IR t Additiv modell: y t TR t + SN t + CL t + IR t Ekel expoetiell utjämig: Modell: y t β 0 + ε t Uppdaterigsschema för skattig av β 0 : l T α y T + ( α l T 0 < α < Progos: ŷ T +τ (T l T Progositervall: l t ± z s + α 2 z.96 för 95% itervall, 2.576 för 99% itervall och s T T t (y t ȳ 2