SIV 1102-6: Regresjon Kapittel 13 17/01/2019 Fred Wenstøp.

Slides:



Advertisements
Liknende presentasjoner
1 Sannsynlighetsregning Gjenfinningssystemer og verktøy II Jon Anjer.
Advertisements

Kapittel 4 - Regresjonsanslyse
Statistikk på 50 5 minutter
Kap 12 Korrelasjon / Regresjon
Enhalet og tohalet hypotesetest
Kap 5 - Prediksjonsmodeller
Matematisk finans Fred Espen Benth Matematisk institutt, UiO
Uni-, bi- og multivariate analyser
SAMMENHENGER MELLOM VARIABLER
Statistiske egenskaper ved målesystemer
Regresjonsanalyse Del 2
Regresjon Gjennom punktsvermer (scatter plots) kan en ofte (men ikke alltid) med rimelighet trekke en rett linje. En slik linje heter en regresjonslinje.
Bayesiansk statistikk Petter Mostad Overblikk Tilbakeblikk på sannsynlighetsbegrepet Hvordan gjøre Bayesianske analyser Analyser ved hjelp.
Hypotesetesting, og kontinuerlige stokastiske variable
Usikkerheter og sannsynligheter Petter Mostad
Regresjon Petter Mostad
Mål for timene Forstå hvordan vi ved hjelp av et variogram kan uttrykke den romlige variasjonen til en tilfeldig variabel.
 Vi ønsker å tilpasse en rett linje gjennom dataskyen  Denne linjen skal ha den beste tilpasningen (minst feil) til data.
Operasjonsanalytiske emner
Prosjektanalyse Øyvind Bøhren og Per Ivar Gjærum
Matematikk 1 årskurs 26. oktober 2009
Forelesning Valg av tillitsvalgt Forventningskontrakt
Operasjonsanalytiske emner Prognosemodeller basert på Tidsserieanalyse Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 23Forecasting 1 - Mønster.
Operasjonsanalytiske emner
Operasjonsanalytiske emner
Funksjoner med digitale hjelpemidler- GeoGebra Høyskolen i Oslo og Akershus Mandag Trine Foyn.
Kapittel 6 Følsomhet. Læringsmål Etter å ha jobbet med lærebok og hjemmeside til kapittel 6 skal du kunne: 1.Beregne nullpunkt og kritisk verdi 2.lage.
1 SKOLELABORATORIET Nils Kr. Rossing En praktisk introduksjon til differensialligninger av Nils Kr. Rossing Skolelaboratoriet ved NTNU.
Samfunnsvitenskapelig metode – innføring Forelesning 4/
MAT0100V Sannsynlighetsregning og kombinatorikk
Funksjoner Kapittel 2.
Prosjekttittel Ditt navn | Lærerens navn | Skolen din
Samfunnsvitenskapelig metode – innføring
Kurvetilpasning - filtere
Regresjonsforutsetninger i STATA
MET 2211 Statistikk og dataanalyse
Kapittel 13: Multippel regresjon Modelldiagnostikk
Figur 5.1 Måling av tilfredshet på ordinalt målenivå.
Kapittel 14: Multippel regresjon
MET 2211 Statistikk og dataanalyse
Forelesning nr. 2 Kapittel 3: Å generalisere fra en stikkprøve
MET 2211 Statistikk og dataanalyse
SIV : Repetisjon Kapittel /12/2018 Fred Wenstøp.
SIV : Ett gjennomsnitt Kapittel /12/2018 Fred Wenstøp.
SIV : Kategoriske variabler og normaltilnærmelsen
MET 2211 Statistikk og dataanalyse
Kapittel 15: Valg av metode Kapittel 16: Stokastiske variabler
Tester med SPSS prosedyrer og utskrifter
MET 8006 Statistikk Kapittel 13: Regresjon.
MET 2211 Statistikk og dataanalyse
MET 8006 Statistikk Kapittel 13: Regresjon.
MET 2211 Statistikk og dataanalyse
To relaterte stikkprøver
SIV : Metodevalg Stokastiske variabler
MET 2211 Statistikk og dataanalyse
Relaterte stikkprøver Uavhengige stikkprøver
SIV : Kapittel 9 Normalfordelingen 17/01/2019 Fred Wenstøp.
MET 2211 Statistikk og dataanalyse
SIV : t-testen for to stikkprøver
SIV : Variansanalyse Kapittel 14 17/02/2019 Fred Wenstøp.
SIV : Kapittel 4 Statistisk metode 18/02/2019 Fred Wenstøp.
MET 2211 Statistikk og dataanalyse
Å beskrive og generalisere fra en stikkprøve
MET 2211 Statistikk og dataanalyse
Kapittel 12: Korrelasjon
Kapittel 10 Inferens om gjennomsnitt
Økonomistyring KRV-analyser
Dybdelæring – regneark B – Samarbeid
Oppsummering fra forrige gang
I dag Konfidensintervall og hypotesetesting – ukjent standardavvik (kap. 7.1) t-fordelingen.
Utskrift av presentasjonen:

SIV 1102-6: Regresjon Kapittel 13 17/01/2019 Fred Wenstøp

Oppgave 12-4 Porteføljesammensetning 17/01/2019 Fred Wenstøp

Lineær modell Simulering med regneark la e være en tilfeldig normalfordelt variabel (0,se) lag 100 uavhengige e-er i et regneark med formelen =se*normsinv(rand()) For hver e, og x-er fra 1 til 100, beregn y = a + bx + e med a = 5 og b = 2 Fremstill resultatet i et (x,y)-diagram Spørsmålet er nå: når alt du kjenner er de 100 (x,y)-punktene, hvordan ble de laget? 17/01/2019 Fred Wenstøp

Minste kvadraters metode Spørsmålet ka ikke besvares uten å gjøre antagelser Vi antar at punktene ble produsert av en lineær prosess Det som da er ukjent er a, b og se Disse kan estimeres ved hjelp av MKM Estimatene kalles 17/01/2019 Fred Wenstøp

Matematikk 17/01/2019 Fred Wenstøp

Inferens 17/01/2019 Fred Wenstøp

Inferens Estimatene a, b og se er usikre kjennskap til hvor usikre de er er avgjørende for hvilke slutninger vi kan trekke a og b viser seg å være studentfordelte med n = n-2 fr.h.gr. b angir hvilken sammenheng det er mellom x og y hvis b = 0, er det ingen sammenheng Dette kan testes på tradisjonell måte bruk formlene på side 303 Vi kan også lage prediksjonsintervall for nye observasjoner 17/01/2019 Fred Wenstøp

Modellkontroll Når metoden anvendes på virkelige data, er det viktig å foreta en rimelighetskontroll på forutsetningene Vi vet at forutsetningene aldri er nøyaktig oppfylt! Ser observasjonene ut til å kunne stamme fra en underliggende rett linje? det må ikke være en underliggende krum sammenheng Er avvikene uavhengige av hverandre? det må ikke være punktserier snart på den ene, snart på den andre siden av den underliggende regresjonslinjen Er avvikenes størrelse uavhengige av x? de må for eksempel ikke vokse når x vokser 17/01/2019 Fred Wenstøp

Praktisk regresjonsanalyse Underliggende krumme sammenhenger kan avbøtes med logaritmiske transformasjoner, etc. Mye brukt til å estimere risiko til aksjer og derved et selskaps kapitalkostnad Man kan ikke bruke regresjonsanalyse til å bestemme eventuell årsakssammenheng mellom x og y 17/01/2019 Fred Wenstøp