1.1 t Rikon * --- Signif. codes: 0 *** ** 0.01 *

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "1.1 t Rikon * --- Signif. codes: 0 *** ** 0.01 *"

Transcript

1 Copyright (c) 004,005 Hidetoshi Shimodaira t :4:14 shimo Rikon * --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 37 degrees of freedom Multiple R-Squared: 0.964,Adjusted R-squared: F-statistic: on 9 and 37 DF, p-value: <.e-16 p = 9 t- p β3 Tomo p =0.33. β7 Ktan p =0.55 t- βi = 0 xi > dat <- read.table("dat000.txt") > dim(dat) [1] > names(dat) [1] "Zouka" "Ninzu" "Kaku" "Tomo" "Tandoku" "X65Sai" "Kfufu" [8] "Ktan" "Konin" "Rikon" > fit <- lm(zouka~.,dat) > summary(fit) Call: lm(formula = Zouka ~., data = dat) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-07 *** Ninzu e-10 *** Kaku * Tomo Tandoku e-05 *** X65Sai * Kfufu ** Ktan Konin *** 1 7 x7 Ktan x3 Tomo lm() update() > fit1 <- update(fit,~.- Ktan) # x3 (beta3=0 ) > summary(fit1) Call: lm(formula = Zouka ~ Ninzu + Kaku + Tomo + Tandoku + X65Sai + Kfufu + Konin + Rikon, data = dat) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-10 *** Ninzu e-11 *** Kaku ** Tomo Tandoku e-07 *** X65Sai *** Kfufu ** Konin *** Rikon * --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 38 degrees of freedom Multiple R-Squared: ,Adjusted R-squared: F-statistic: 16 on 8 and 38 DF, p-value: <.e-16 > fit <- update(fit1,~.- Tomo) # x7 beta7=0 > summary(fit) Call: lm(formula = Zouka ~ Ninzu + Kaku + Tandoku + X65Sai + Kfufu + Konin + Rikon, data = dat) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-10 *** Ninzu e-11 *** Kaku ** Tandoku e-07 *** X65Sai *** Kfufu ** Konin e-05 *** Rikon * --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 39 degrees of freedom Multiple R-Squared: 0.968,Adjusted R-squared: F-statistic: on 7 and 39 DF, p-value: <.e p y = β0 + β1x1 + + βpxp + ɛ S {1,..., p S y = β0 + βixi + ɛ i S S βi = 0, i {1,..., p \ S S {1,..., p p = 5 S = {1, 3 {1,..., 5 y = β0 + β1x1 + βx + β3x3 + β4x4 + β5x5 + ɛ {1, 3 y = β0 + β1x1 + β3x3 + ɛ β = β4 = β5 = 0 S S subset selection S 1. S p p = = 104 S S =. (stepwise ) S 3. =0, 1,..., p p S S S 1. (t- F - ). i {1,..., p 3 4

2 1.3 AIC AIC AIC=Akaike Information Criterion step() > dat <- read.table("dat000.txt") > fit <- lm(zouka~.,dat) > fitstep <- step(fit) Start: AIC= Zouka ~ Ninzu + Kaku + Tomo + Tandoku + X65Sai + Kfufu + Ktan + Konin + Rikon Df Sum of Sq RSS AIC - Ktan Tomo <none> X65Sai Rikon Kaku Kfufu Konin Tandoku Ninzu Step: AIC= Zouka ~ Ninzu + Kaku + Tomo + Tandoku + X65Sai + Kfufu + Konin + Rikon Df Sum of Sq RSS AIC - Tomo <none> Rikon Kfufu Kaku X65Sai Konin Tandoku Ninzu Step: AIC= Zouka ~ Ninzu + Kaku + Tandoku + X65Sai + Kfufu + Konin + Rikon Df Sum of Sq RSS AIC <none> Rikon Kaku Kfufu X65Sai Konin Tandoku Ninzu > extractaic(fit) [1] > n <- 47; p <- 10 > n*log(sum(resid(fit)^)/n) + *p # stepaic() AIC [1] > extractaic(fitstep) [1] > extractaic(fitstep) - extractaic(fit) # AIC [1] > AIC(fit) [1] > n*(1+log(*pi*sum(resid(fit)^)/n)) + *(p+1) # AIC() AIC [1] > AIC(fitstep) [1] > AIC(fitstep) - AIC(fit) # AIC [1] x7 Ktan x3(tomo) t- θ dim θ l(θ) AIC = l(ˆθ) + dim θ AIC l(ˆθ) AIC AIC AIC 6 θ = (β0, β1,..., βp, σ), dim θ = p + 1 l(ˆθ) = n { 1 + log(πˆσ ) n ˆσ i=1 = e i n AIC = n { 1 + log(πˆσ ) + (p + 1) AIC AIC() step() extractaic() AIC extractaic() n log(ˆσ ) + p AIC n (1 + log π) AIC() extractaic() S AIC 1.4 AIC # run008.r # AIC func008a <- function(p) { # p m <- ^p # wh <- matrix(logical(m*p),m) for(i in 1:p) { k <- ^(i-1) wh[,i] <- c(rep(f,k),rep(t,k)) na <- apply(wh,1,function(v) paste((1:p)[v],collapse="")) # na <- paste("(",na,")",sep="") dimnames(wh) <- list(na,1:p) wh func008b <- function(x,y,wh) { # x= y= x <- as.matrix(x); y <- as.vector(y) x <- cbind(1,x) # = X ( 1 ) wh <- cbind(t,wh) # = (beta0 ) 7 xx <- t(x) %*% x # = X X xy <- t(x) %*% y # = X y m <- nrow(wh) # aics <- rep(0,m) # AIC names(aics) <- rownames(wh) # n <- nrow(x) # for(i in 1:m) { w <- wh[i,] # pw <- sum(w) - 1 # xxw <- xx[w,w,drop=f]; xyw <- xy[w,drop=f] # bew <- solve(xxw) %*% xyw # predw <- as.vector(x[,w] %*% bew) # residw <- y - predw # rssw <- sum(residw^) # RSS aicw <- n*(1+log(*pi*rssw/n)) + *(pw+) # AIC aics[i] <- aicw # aics > source("run008.r") > dat <- read.table("dat000.txt") > x <- dat[,-1]; y <- dat[,1] # y=zouka x= > wh <- func008a(p) # 51 > dim(wh) [1] 51 9 > wh[1:10,] # () FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE (1) TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE () FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE (1) TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE (3) FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE (13) TRUE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE (3) FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE (13) TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE (4) FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE (14) TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE > aics <- func008b(x,y,wh) # AIC > sort(aics)[1:10] # AIC (145689) ( ) ( ) ( ) (14568) (134568)

3 (145678) ( ) (146789) ( ) > order(aics)[1:10] # [1] > wh[order(aics)[1:10],] # (145689) TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE ( ) TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE ( ) TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE ( ) TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE (14568) TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE FALSE (134568) TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE FALSE (145678) TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE FALSE ( ) TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE TRUE (146789) TRUE TRUE FALSE TRUE FALSE TRUE TRUE TRUE TRUE ( ) TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE x3(tomo) x7 Ktan t- 1.5 AIC p p AIC AIC library(leaps) regsubsets() > library(leaps) # > dat <- read.table("dat000.txt") > rg <- regsubsets(zouka~.,dat,nvmax=100) # nvmax > srg <- summary(rg) # > srg # =1,...,9 (Intercept) 1 TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE TRUE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE 3 TRUE TRUE FALSE FALSE FALSE TRUE FALSE TRUE FALSE FALSE 4 TRUE TRUE TRUE FALSE TRUE FALSE FALSE FALSE TRUE FALSE 5 TRUE TRUE TRUE FALSE TRUE TRUE FALSE FALSE TRUE FALSE 6 TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE FALSE 7 TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE 8 TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE 9 TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE > srg$rss # RSS [1] [8] > n <- nrow(dat) > p <- nrow(srg) > aicrg <- *(n/)*(1+log(*pi*srg$rss/n)) + *( + (1:p)) # AIC > aicrg # =1,...,9 AIC [1] [8] > order(aicrg) # AIC [1] > srg[7,] # AIC (Intercept) Ninzu Kaku Tomo Tandoku X65Sai TRUE TRUE TRUE FALSE TRUE TRUE Kfufu Ktan Konin Rikon TRUE FALSE TRUE TRUE > aicrg[7] # AIC [1] AIC 1. (stepwise). 3. # run0083.r # AIC,, # x= y= func0083a <- function(x,y) { # dat <- data.frame(x,y) # 9 10 fit <- lm(y~.,dat) # na0 <- names(coef(fit)) # fitstep <- step(fit,trace=f) # na1 <- names(coef(fitstep)) # wh <- na0 %in% na1 # na0 na1 names(wh) <- na0 # wh <- wh[-1] # (Intercept) list(which=wh,aic=aic(fitstep)) source("run008.r") func0083b <- function(x,y) { # whs <- func008a(ncol(x)) # colnames(whs) <- colnames(x) # aics <- func008b(x,y,whs) # AIC i <- order(aics)[1] # list(which=whs[i,],aic=aics[i]) library(leaps) func0083c <- function(x,y) { # dat <- data.frame(x,y) # rg <- regsubsets(y~.,dat,nvmax=100) # nvmax srg <- summary(rg) # n <- nrow(x); p <- nrow(srg) # wh0 <- srg[1,]; wh0[-1] <- F # y~1 srg <- rbind(wh0,srg) # y~1 srg$rss <- c(sum((y-mean(y))^),srg$rss) # y~1 aicrg <- *(n/)*(1+log(*pi*srg$rss/n)) + *( + (0:p)) # AIC i <- order(aicrg)[1] # list(which=srg[i,-1],aic=aicrg[i]) func0083 <- function(x,y,iss=1:3) { # nas <- c(" "," "," ")[iss]; funcs <- c(func0083a,func0083b,func0083c)[iss]; ans <- list(); # showpat <- function(v) # paste(sapply(v,function(x) if(x) "+" else "-"),collapse="") showline <- function(ra=null) # if(is.null(ra)) # cat(sprintf("# %8s %8s %16s %8s\n"," "," "," ","AIC")) else # cat(sprintf("# %8s %8g %16s %8g\n", ra$name,ra$time,showpat(ra),round(ra,))) 11 showline(); # for(i in 1:length(funcs)) { # ti <- system.time(ans[[i]] <- funcs[[i]](x,y)); # ans[[i]]$name <- nas[i]; ans[[i]]$time <- ti[1]; showline(ans[[i]]); # which <- t(sapply(ans,function(a) a)) # aic <- sapply(ans,function(a) a) # AIC time <- sapply(ans,function(a) a$time) # rownames(which) <- names(aic) <- names(time) <- nas list(which=which,aic=aic,time=time) > source("run0083.r") > dat <- read.table("dat000.txt") > x <- dat[,-1]; y <- dat[,1] > func0083a(x,y) TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE [1] > func0083b(x,y) TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE (145689) > func0083c(x,y) TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE [1] > func0083(x,y) 1

4 # # # TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE $time AIC X000 p =,..., 13 p = 14,..., 7 # run0084.r # AIC source("run0083.r") # source("run0066.r") # X000 cat("## X000 \n") code <- c("a0501","a0610","a060","f01503","a0605", "A06301","A0630","A06304","A06601","A0660") name <- c("zouka","ninzu","kaku","tomo","tandoku", "65Sai","Kfufu","Ktan","Konin","Rikon") code3 <- c(paste("a0410",3:8,sep=""),"a04307","a04405","a04406") name3 <- c(paste("mik",seq(0,45,by=5),sep=""),"shb60","rik40","rik50") code3 <- c(paste(code3,"01",sep=""),paste(code3,"0",sep="")) name3 <- c(paste(name3,"m",sep=""),paste(name3,"f",sep="")) dat <- mygetdat(c(code,code3),c(name,name3)) x <- dat[,-1]; y <- dat[,1] 13 cat("## (-13)\n") for(p in :13) { cat("## =",p,"\n") a <- func0083(x[,1:p],y) cat("## (14-7)\n") for(p in 14:7) { cat("## =",p,"\n") a <- func0083(x[,1:p],y,c(1,3)) > source("run0084.r") ### X000 # = 47 * 8 # Zouka Ninzu Kaku Tomo Tandoku 65Sai Kfufu Ktan Konin Rikon Mik0M Hokkaido Aomori Iwate Mik5M Mik30M Mik35M Mik40M Mik45M Shb60M Rik40M Rik50M Mik0F Mik5F Hokkaido Aomori Iwate Mik30F Mik35F Mik40F Mik45F Shb60F Rik40F Rik50F Hokkaido Aomori Iwate # code Imi Tani Zouka A0501 ( ) Ninzu A0610 ( :person) Kaku A060 ( ) Tomo F01503 ( ) Tandoku A0605 ( ) 65Sai A ( ) Kfufu A0630 ( ) Ktan A06304 ( ) Konin A06601 Rikon A0660 Mik0M A ( ) Mik5M A ( ) 14 Mik30M A ( ) Mik35M A ( ) Mik40M A ( ) Mik45M A ( ) Shb60M A ( ) Rik40M A ( ) Rik50M A ( ) Mik0F A ( ) Mik5F A ( ) Mik30F A ( ) Mik35F A ( ) Mik40F A ( ) Mik45F A ( ) Shb60F A ( ) Rik40F A ( ) Rik50F A ( ) ## (-13) ## = # # # ## = 3 # # # ## = 4 # # # ## = 5 # # # ## = 6 # # # ## = 7 # # # ## = 8 # # # ## = 9 # # # ## = 10 # # # ## = 11 # # # ## = 1 # # # ## = 13 # # # ## (14-7) ## = 14 # # ## = 15 16

5 # # ## = 16 # # ## = 17 # # ## = 18 # # ## = 19 # # ## = 0 # # ## = 1 # # ## = # # ## = 3 # # ## = 4 # # ## = 5 # # ## = 6 # # ## = 7 # # p step()) library(leaps) 1.8 AIC # run0086.r # AIC source("run0083.r") # cat("### \n") n <- 100; pm <- 40 # x <- matrix(runif(n*pm,-1,1),n) # x [-1,1] x <- x + runif(n,-0.5,0.5) # cat("# n=",n,", p=",pm,"\n") be <- c(rep(1,5),rep(0.,5),rep(0,pm-10)) # y <- x %*% be + 1*rnorm(n) # y cat("# beta\n") print(be) cat("# x \n") print(round(cor(x,x),3)[1:10,1:10]) cat("# x y \n") print(round(cor(y,x),3)) ans <- list() # for(p in c(:pm)) { cat("## =",p,"\n") ans[[as.character(p)]] <- func0083(x[,1:p],y,c(1,3)) kekka <- list(aic = sapply(ans,function(v) v), time = sapply(ans,function(v) v$time)) kekka$p <- as.numeric(dimnames(kekka$time)[[]]) cat("## \n") 18 print(kekka) matplot(kekka$p,t(kekka$time),log="y",type="b",xlab="p",ylab="time(sec)") legend(min(kekka$p),max(kekka$time)*0.9, c("1. step",". leaps"),lty=1:,col=1:,bty="n") dev.copyeps(file="run0086-t.eps") > source("run0086.r") ### # n= 100, p= 40 # beta [1] [0] [39] # x [,1] [,] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [1,] [,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [10,] # x y [,1] [,] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,1] [1,] [,13] [,14] [,15] [,16] [,17] [,18] [,19] [,0] [,1] [,] [,3] [,4] [1,] [,5] [,6] [,7] [,8] [,9] [,30] [,31] [,3] [,33] [,34] [,35] [,36] [1,] [,37] [,38] [,39] [,40] [1,] ## = # # ## = 3 # # ## = 4 # # ## = 5 # # ## = 6 # # ## = 7 # # ## = 8 # # ## = 9 # # ## = 10 # # ## = 11 # # ## = 1 # # ## = 13 # # ## = 14 0

6 # # ## = 15 # # ## = 16 # # ## = 17 # # ## = 18 # # ## = 19 # # ## = 0 # # ## = 1 # # ## = # # ## = 3 # # ## = 4 # # ## = 5 # # ## = 6 # # ## = 7 # # ## = 8 # # ## = 9 # # ## = 30 # # ## = 31 # # ## = 3 # # ## = 33 # # ## = 34 # # ## = 35 # # ## = 36 # # ## = 37 # # ## = 38 # # ## = 39 # # ## = 40 # # ## $time $p [1] [6] time(sec) step. leaps p run0086-t step() library(leaps) 1.9 4

7 # run0085.r # AIC source("run0083.r") # b func0085a <- function(x,y,b,func=func0083c,...) { ans <- list(); n <- nrow(x) for(j in 1:b) { i <- sample(1:n,replace=t) # ans[[j]] <- func(x[i,],y[i],...) # func ans # func0085b <- function(ans) { whs <- t(sapply(ans,function(v) v)) # "which" b pattern <- whpa(whs) # b tab <- rev(sort(table(pattern))) # tab # AIC func0085c <- function(x,y,tab,aic.dif=t,wh0=null,func=func0083c) { calcaic <- function(wh,x,y) AIC(lm(y~.,data.frame(x[,wh],y))) whs <- pawh(names(tab),colnames(x)) # "which" aic <- apply(whs,1,calcaic,x,y) # AIC if(aic.dif&&is.null(wh0)) wh0 <- func(x,y) # AIC if(!is.null(wh0)) aic <- aic - calcaic(wh0,x,y) # wh0 list(pattern=names(tab),frequency=as.numeric(tab), which=whs,aic=aic) # func0085d <- function(a) { cat("# \n") print(apply(a * a$frequency,,sum)) cat("# AIC \n") out <- data.frame(a$pattern,a$frequency,a) names(out) <- c(" "," ","AIC") print(out) 5 # "which"( ) ( ) whpa <- function(whs) { whpa1 <- function(wh) # "which" paste(sapply(wh,function(x) if(x) "+" else "-"),collapse="") if(is.matrix(whs)) apply(whs,1,whpa1) # "which" else whpa1(whs) # ( ) "which"( ) pawh <- function(pa,col.names=null) { pawh1 <- function(ch) { # p <- length(ch); wh <- logical(p) for(i in 1:p) wh[i] <- ch[i] == "+" wh chs <- strsplit(pa,"") # whs <- t(sapply(chs,pawh1)) # "which" dimnames(whs)[[]] <- col.names whs > source("run0085.r") > dat <- read.table("dat000.txt") > x <- dat[,-1]; y <- dat[,1] > system.time(ans <- func0085a(x,y,1000)) [1] > length(ans) [1] 1000 > ans[[1]] TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE [1] > ans[[]] TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE 6 [1] > tab <- func0085b(ans) > length(tab) [1] 47 > tab[1] > tab[] > a <- func0085c(x,y,tab) > a $pattern [1] " " " " " " " " " " " " [7] " " " " " " " " " " " " [13] " " " " " " " " " " " " [19] " " " " " " " " " " " " [5] " " " " " " " " " " " " [31] " " " " " " " " " " " " [37] " " " " " " " " " " " " [43] " " " " " " " " " " $frequency [1] [0] [39] [1,] TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE [,] TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE [3,] TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE FALSE [4,] TRUE TRUE FALSE TRUE FALSE TRUE TRUE TRUE TRUE [5,] TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE [6,] TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE FALSE [7,] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE [8,] TRUE FALSE FALSE TRUE TRUE TRUE FALSE TRUE TRUE [9,] TRUE FALSE FALSE TRUE TRUE TRUE FALSE TRUE FALSE [10,] TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE FALSE [11,] TRUE FALSE TRUE TRUE TRUE TRUE FALSE TRUE TRUE [1,] TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE 7 [13,] TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE FALSE [14,] TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE TRUE [15,] TRUE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE [16,] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE [17,] TRUE FALSE TRUE TRUE TRUE TRUE FALSE TRUE FALSE [18,] TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE [19,] TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE [0,] TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE FALSE [1,] TRUE TRUE FALSE TRUE TRUE FALSE FALSE TRUE FALSE [,] TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE [3,] TRUE TRUE FALSE TRUE FALSE FALSE TRUE TRUE FALSE [4,] TRUE TRUE TRUE TRUE FALSE FALSE FALSE TRUE FALSE [5,] TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE FALSE [6,] TRUE TRUE FALSE TRUE FALSE FALSE FALSE TRUE FALSE [7,] TRUE TRUE FALSE TRUE FALSE FALSE FALSE TRUE TRUE [8,] TRUE FALSE FALSE FALSE TRUE TRUE TRUE TRUE FALSE [9,] TRUE FALSE TRUE FALSE TRUE TRUE TRUE TRUE FALSE [30,] TRUE TRUE FALSE FALSE TRUE TRUE FALSE TRUE TRUE [31,] TRUE TRUE FALSE TRUE FALSE TRUE TRUE TRUE FALSE [3,] TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE FALSE [33,] TRUE TRUE TRUE TRUE TRUE FALSE FALSE TRUE FALSE [34,] TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE FALSE [35,] TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE TRUE [36,] TRUE FALSE FALSE FALSE TRUE FALSE TRUE TRUE FALSE [37,] TRUE FALSE TRUE FALSE TRUE FALSE TRUE TRUE TRUE [38,] TRUE FALSE TRUE TRUE TRUE TRUE TRUE FALSE TRUE [39,] TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE [40,] TRUE TRUE FALSE TRUE FALSE FALSE TRUE TRUE TRUE [41,] TRUE TRUE FALSE TRUE TRUE TRUE FALSE FALSE TRUE [4,] TRUE TRUE FALSE TRUE TRUE TRUE TRUE FALSE TRUE [43,] TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE FALSE [44,] TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE [45,] TRUE TRUE TRUE TRUE FALSE TRUE FALSE TRUE FALSE [46,] TRUE TRUE TRUE TRUE FALSE TRUE FALSE TRUE TRUE [47,] TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE [1] [7] [13] [19] [5]

8 [31] [37] [43] > func0085d(a) # # AIC AIC Tomo Ktan 37% 30% AIC AIC AIC AIC 3% % 4.9% X000 japan.pref t- ( 5%) AIC AIC t p- AIC x, y, pm p=1,,...,pm p ˆβ0,..., ˆβp ˆβp t- p- p 1 p RSS F - p- p- AIC

η π 2 /3 χ 2 χ 2 t k Y 0/0, 0/1,..., 3/3 π 1, π 2,..., π k k k 1 β ij Y I i = 1,..., I p (X i = x i1,..., x ip ) Y i J (j = 1,..., J) x i Y i = j π j (x i ) x i π j (x i ) x (n 1 (x),..., n J (x))

Διαβάστε περισσότερα

ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ: ΑΣΚΗΣΕΙΣ

ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ: ΑΣΚΗΣΕΙΣ ΜΕΜ264: Εφαρμοσμένη Στατιστική 1 ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ: ΑΣΚΗΣΕΙΣ 1. Σε μελέτη της επίδρασης γεωργικών χημικών στην προσρόφηση ιζημάτων και εδάφους, δίνονται στον πιο κάτω πίνακα 13 δεδομένα για το δείκτη

Διαβάστε περισσότερα

Γραµµική Παλινδρόµηση

Γραµµική Παλινδρόµηση Κεφάλαιο 8 Γραµµική Παλινδρόµηση Η γραµµική παλινδρόµηση είναι ένα από τα πιο σηµαντικά ϑέµατα της Στατιστική ϑεωρείας. Στη συνέχεια αυτή η πολύ γνωστή µεθοδολογία ϑα αναπτυχθεί στην R µέσω των τύπων για

Διαβάστε περισσότερα

Wan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1

Wan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1 Poisson Regression A Short Course on Data Analysis Using R Software (2017) Wan Nor Arifin (wnarifin@usm.my), Universiti Sains Malaysia Website: sites.google.com/site/wnarifin Wan Nor Arifin under the Creative

Διαβάστε περισσότερα

Wan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1

Wan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1 Linear Regression A Short Course on Data Analysis Using R Software (2017) Wan Nor Arifin (wnarifin@usm.my), Universiti Sains Malaysia Website: sites.google.com/site/wnarifin Wan Nor Arifin under the Creative

Διαβάστε περισσότερα

Λογιστική Παλινδρόµηση

Λογιστική Παλινδρόµηση Κεφάλαιο 10 Λογιστική Παλινδρόµηση Στο κεφάλαιο αυτό ϑα δούµε την µέθοδο της λογιστικής παλινδρόµησης η οποία χρησιµεύει στο να αναπτύξουµε σχέση µίας δίτιµης ανεξάρτητης τυχαίας µετα- ϐλητής και συνεχών

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 28 Μαρτίου /36

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 28 Μαρτίου /36 Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 28 Μαρτίου 2017 1/36 Πολλαπλή Γραμμική Παλινδρόμηση. Σε αρκετά προβλήματα η μεταβλητή απόκρισης

Διαβάστε περισσότερα

5.1 logistic regresssion Chris Parrish July 3, 2016

5.1 logistic regresssion Chris Parrish July 3, 2016 5.1 logistic regresssion Chris Parrish July 3, 2016 Contents logistic regression model 1 1992 vote 1 data..................................................... 1 model....................................................

Διαβάστε περισσότερα

Funktionsdauer von Batterien in Abhängigkeit des verwendeten Materials und der Umgebungstemperatur

Funktionsdauer von Batterien in Abhängigkeit des verwendeten Materials und der Umgebungstemperatur Beispiel: Funktionsdauer von Batterien in Abhängigkeit des verwendeten aterials und der Umgebungstemperatur emp. = 15 emp. = 70 emp. = 125 130 155 34 40 20 70 aterial 1 74 180 80 75 82 58 150 188 136 122

Διαβάστε περισσότερα

519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008

519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008 .. ( ) 2008 519.22(07.07) 78 : ( ) /.. ;. : -, 2008. 38 c. ( ) STATISTICA.,. STATISTICA.,. 519.22(07.07),.., 2008.., 2008., 2008 2 ... 4 1...5...5 2...14...14 3...27...27 3 ,, -. " ", :,,,... STATISTICA.,,,.

Διαβάστε περισσότερα

Γραμμική. Παλινδρόμηση. με την R

Γραμμική. Παλινδρόμηση. με την R Γραμμική Παλινδρόμηση με την R Δεδομένα των Sams και Shadman (1986) Για τη μελέτη απόδοσης σε φυσικό αέριο κοιτασμάτων άνθρακα έγινε ένα πείραμα στο οποίο μετρήθηκε η απόδοση (y) σε σχέση με την περιεκτικότητα

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Αναπληρωτής Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Εφαρμογών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή

Διαβάστε περισσότερα

1. Εισαγωγή...σελ Δεδομένα της εργασίας...σελ Μεθοδολογία...σελ Ανάλυση των δεδομένων.σελ Συγκριτικά αποτελέσματα..σελ.

1. Εισαγωγή...σελ Δεδομένα της εργασίας...σελ Μεθοδολογία...σελ Ανάλυση των δεδομένων.σελ Συγκριτικά αποτελέσματα..σελ. Περιεχόμενα 1. Εισαγωγή...σελ. 2 2. Δεδομένα της εργασίας......σελ. 3 3. Μεθοδολογία......σελ. 6 4. Ανάλυση των δεδομένων.σελ.13 5. Συγκριτικά αποτελέσματα..σελ.20 6. Συμπεράσματα.....σελ.20 7. Παράρτημα

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Εφαρμογών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στη

Διαβάστε περισσότερα

Ανάλυση της ιακύµανσης

Ανάλυση της ιακύµανσης Κεφάλαιο 9 Ανάλυση της ιακύµανσης Η ανάλυση της διακύµανσης είναι µια από τις πλέον σηµαντικές µεθόδους για ανάλυση δεδοµένων. Η µέθοδος αυτή αναφέρετε στη διαµέριση του συνολικού αθροίσµατος τετραγώνων

Διαβάστε περισσότερα

Table 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed

Table 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed Tables: Military Service Table 1: Military Service: Models Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed mili 0.489-0.014-0.044-0.044-1.469-2.026-2.026

Διαβάστε περισσότερα

Biostatistics for Health Sciences Review Sheet

Biostatistics for Health Sciences Review Sheet Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 30 Μαρτίου /32

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 30 Μαρτίου /32 Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 30 Μαρτίου 2017 1/32 Ανάλυση Παλινδρόμησης: Γενικά. Με την ανάλυση παλινδρόμησης εξετάζουμε

Διαβάστε περισσότερα

DirichletReg: Dirichlet Regression for Compositional Data in R

DirichletReg: Dirichlet Regression for Compositional Data in R DirichletReg: Dirichlet Regression for Compositional Data in R Marco J. Maier Wirtschaftsuniversität Wien Abstract Full R Code for Maier, M. J. (2014). DirichletReg: Dirichlet Regression for Compositional

Διαβάστε περισσότερα

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο Παράδειγμα 1 Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος Υ (σε κιλά) από το delicatessen μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος (σε ευρώ ανά κιλό) για μια ορισμένη χρονική

Διαβάστε περισσότερα

Generalized additive models in R

Generalized additive models in R www.nr.no Generalized additive models in R Magne Aldrin, Norwegian Computing Center and the University of Oslo Sharp workshop, Copenhagen, October 2012 Generalized Linear Models - GLM y Distributed with

Διαβάστε περισσότερα

SECTION II: PROBABILITY MODELS

SECTION II: PROBABILITY MODELS SECTION II: PROBABILITY MODELS 1 SECTION II: Aggregate Data. Fraction of births with low birth weight per province. Model A: OLS, using observations 1 260 Heteroskedasticity-robust standard errors, variant

Διαβάστε περισσότερα

Εκτίµηση Μη-Γραµµικών Μοντέλων

Εκτίµηση Μη-Γραµµικών Μοντέλων Κεφάλαιο 16 Εκτίµηση Μη-Γραµµικών Μοντέλων 16.1 Περιγραφή των εδοµένων Τα δεδοµένα που ϑα χρησιµοποιηθούν στο κεφάλαιο αυτό λήφθηκαν από µια δοκιµή µε δέκτη-ορµονών σχετικά µε τον όγκο στο στήθος στους

Διαβάστε περισσότερα

FORMULAS FOR STATISTICS 1

FORMULAS FOR STATISTICS 1 FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Συσχέτιση επιδόσεων οδικής ασφάλειας με δείκτες υγείας και οικονομίας στην Ευρωπαϊκή Ένωση της Μυρτώς Δαμιανού Αθήνα,

Διαβάστε περισσότερα

Queensland University of Technology Transport Data Analysis and Modeling Methodologies

Queensland University of Technology Transport Data Analysis and Modeling Methodologies Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206

Διαβάστε περισσότερα

Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Γραμμική Παλινδρόμηση Διάλεξη 10

Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Γραμμική Παλινδρόμηση Διάλεξη 10 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Γραμμική Παλινδρόμηση Διάλεξη 10 Απλή Γραμμική Παλινδρόμηση

Διαβάστε περισσότερα

Modern Regression HW #8 Solutions

Modern Regression HW #8 Solutions 36-40 Modern Regression HW #8 Solutions Problem [25 points] (a) DUE: /0/207 at 3PM This is still a linear regression model the simplest possible one. That being the case, the solution we derived before

Διαβάστε περισσότερα

Εργασία. στα. Γενικευμένα Γραμμικά Μοντέλα

Εργασία. στα. Γενικευμένα Γραμμικά Μοντέλα Εργασία στα Γενικευμένα Γραμμικά Μοντέλα Μ. Παρζακώνης ΜΕΣ/ 06015 Ο παρακάτω πίνακας δίνει τα αποτελέσματα 800 αιτήσεων για δάνειο σε μία τράπεζα. Ο πίνακας παρουσιάζει τον αριθμό των δανείων που εγκρίθηκαν,

Διαβάστε περισσότερα

3 Regressionsmodelle für Zähldaten

3 Regressionsmodelle für Zähldaten Übung zur Vorlesung Kategoriale Daten Blatt 6 Gerhard Tutz, Moritz Berger WiSe 15/16 3 Regressionsmodelle für Zähldaten Aufgabe 21 Analyse des Datensatz bike bike

Διαβάστε περισσότερα

Μάθηµα εύτερο-τρίτο- Βασικά Ζητήµατα στο Απλό Γραµµικό Υπόδειγµα Ακαδηµαϊκό Έτος

Μάθηµα εύτερο-τρίτο- Βασικά Ζητήµατα στο Απλό Γραµµικό Υπόδειγµα Ακαδηµαϊκό Έτος ΤΜΜΑ ΕΠΙΧΕΙΡΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΜΑΤΩΝ Μάθηµα εύτερο-τρίτο- Βασικά Ζητήµατα στο Απλό Γραµµικό Υπόδειγµα Ακαδηµαϊκό Έτος - Στο παρόν µάθηµα δίνεται µε κάποια απλά παραδείγµατα-ασκήσεις

Διαβάστε περισσότερα

Lampiran 1 Output SPSS MODEL I

Lampiran 1 Output SPSS MODEL I 67 Variables Entered/Removed(b) Lampiran 1 Output SPSS MODEL I Model Variables Entered Variables Removed Method 1 CFO, ACCOTHER, ACCPAID, ACCDEPAMOR,. Enter ACCREC, ACCINV(a) a All requested variables

Διαβάστε περισσότερα

waffle Chris Parrish June 18, 2016

waffle Chris Parrish June 18, 2016 waffle Chris Parrish June 18, 2016 Contents Waffle House 1 data..................................................... 2 exploratory data analysis......................................... 2 Waffle Houses.............................................

Διαβάστε περισσότερα

Γενικευµένα Γραµµικά Μοντέλα

Γενικευµένα Γραµµικά Μοντέλα Σηµειώσεις για το εργαστήριο υπολογιστών για το µάθηµα Γενικευµένα Γραµµικά Μοντέλα. Μέρος δεύτερο: Γενικευµένα Γραµµικά Μοντέλα στην SPLUS Οι σηµειώσεις γράφτηκαν από το Γιώργο Τζουγά, υποψήφιο διδάκτορα

Διαβάστε περισσότερα

ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο

ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ Παιεάο Δπζηξάηηνο ΑΘΗΝΑ 2014 1 ΠΔΡΙΔΥΟΜΔΝΑ 1) Δηζαγσγή 2) Πεξηγξαθηθή Αλάιπζε 3) ρέζεηο Μεηαβιεηώλ αλά 2 4) Πξνβιεπηηθά / Δξκελεπηηθά Μνληέια

Διαβάστε περισσότερα

Interpretation of linear, logistic and Poisson regression models with transformed variables and its implementation in the R package tlm

Interpretation of linear, logistic and Poisson regression models with transformed variables and its implementation in the R package tlm Interpretation of linear, logistic and Poisson regression models with transformed variables and its implementation in the R package tlm Jose Barrera-Gómez a jbarrera@creal.cat a Centre for Research in

Διαβάστε περισσότερα

Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata

Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata One-way ANOVA µε το SPSS Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata To call in a statistician after the experiment is

Διαβάστε περισσότερα

TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics

TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Exploring Data: Distributions Look for overall pattern (shape, center, spread) and deviations (outliers). Mean (use a calculator): x = x 1 + x

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ

ΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ ΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ Ενότητα 5: ΠΡΟΥΠΟΛΟΓΙΣΜΟΙ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ ΠΩΛΗΣΕΩΝ ΚΥΡΙΑΖΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ Τμήμα ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται

Διαβάστε περισσότερα

Άσκηση 2. i β. 1 ου έτους (Υ i )

Άσκηση 2. i β. 1 ου έτους (Υ i ) Άσκηση Ο επόμενος πίνακας δίνει τους βαθμούς φοιτητών (Χ i ) στις εισαγωγικές εξετάσεις ενός κολεγίου και τους αντίστοιχους βαθμούς τους (Υ i ) στο τέλος της πρώτης χρονιάς φοίτησης στο συγκεκριμένο κολέγιο.

Διαβάστε περισσότερα

ΜΑΘΗΜΑ 3ο. Υποδείγματα μιας εξίσωσης

ΜΑΘΗΜΑ 3ο. Υποδείγματα μιας εξίσωσης ΜΑΘΗΜΑ 3ο Υποδείγματα μιας εξίσωσης Οι βασικές υποθέσεις 1. Ο διαταρακτικός όρος u t είναι μια τυχαία μεταβλητή με μέσο το μηδέν. Eu t = 0 για t = 1,2,3..n 2. Η διακύμανση της τυχαίας μεταβλητής u t είναι

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 7. Παλινδρόµηση

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 7. Παλινδρόµηση ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 7. Παλινδρόµηση Γενικά Επέκταση της έννοιας της συσχέτισης: Πώς µπορούµε να προβλέπουµε τη µια µεταβλητή από την άλλη; Απλή παλινδρόµηση (simple regression): Κατασκευή µοντέλου πρόβλεψης

Διαβάστε περισσότερα

R 28 February 2014

R 28 February 2014 R (minato-nakazawa@umin.net) 28 February 2014 2011 http://minato.sip21c.org/swtips/factor-in-r.pdf 1 Timothy Bates *1 *2 2 *3 3 300 2:1 10:1 1.0 (1) *4 (2) *1 http://www.psy.ed.ac.uk/people/tbates/lectures/methodology/

Διαβάστε περισσότερα

Modeling heteroskedasticity: GARCH modeling Hedibert Freitas Lopes 5/28/2018

Modeling heteroskedasticity: GARCH modeling Hedibert Freitas Lopes 5/28/2018 Modeling heteroskedasticity: GARCH modeling Hedibert Freitas Lopes 5/28/2018 Glossary of ARCH models Bollerslev wrote the article Glossary to ARCH (2010) which lists several families of ARCH models. You

Διαβάστε περισσότερα

Προβλέψεις ισοτιμιών στο EViews

Προβλέψεις ισοτιμιών στο EViews Προβλέψεις ισοτιμιών στο EViews Θεωρητικό πλαίσιο προβλέψεων σημείου Σημαντικές επιλογές πλαισίου: Τί θα κάνουμε με την πρόβλεψη; Θα την μοιραστούμε με πολλούς πελάτες, που θα την χρησιμοποιήσουν με διαφορετικό

Διαβάστε περισσότερα

Нелинеарни регресиони модели и линеаризациjа

Нелинеарни регресиони модели и линеаризациjа Нелинеарни регресиони модели и линеаризациjа 3.час 15. март 2016. Боjана Тодић Статистички софтвер 4 15. март 2016. 1 / 23 Регресионa анализа Регресиона анализа jе скуп статистичких метода коjима се открива

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών

ΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών ΟΙΚΟΝΟΜΕΤΡΙΑ Βιολέττα Δάλλα Τµήµα Οικονοµικών Επιστηµών Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών 1 Εισαγωγή Οικονοµετρία (Econometrics) είναι ο τοµέας της Οικονοµικής επιστήµης που περιγράφει και αναλύει

Διαβάστε περισσότερα

ΧΡΟΝΟΣΕΙΡΕΣ & ΠΡΟΒΛΕΨΕΙΣ-ΜΕΡΟΣ 7 ΕΛΕΓΧΟΙ. (TEST: Unit Root-Cointegration )

ΧΡΟΝΟΣΕΙΡΕΣ & ΠΡΟΒΛΕΨΕΙΣ-ΜΕΡΟΣ 7 ΕΛΕΓΧΟΙ. (TEST: Unit Root-Cointegration ) ΧΡΟΝΟΣΕΙΡΕΣ & ΠΡΟΒΛΕΨΕΙΣ-ΜΕΡΟΣ 7 ΕΛΕΓΧΟΙ (TEST: Unit Root-Cointegration ) ΦΑΙΝΟΜΕΝΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η στασιμότητα των δεδομένων (χρονοσειρών) είναι θεωρητική προϋπόθεση για την παλινδρόμηση, δηλ. την εκτίμηση

Διαβάστε περισσότερα

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις: Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5

Διαβάστε περισσότερα

PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI

PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI 155 Lampiran 6 Yayan Sumaryana, 2014 PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI Universitas Pendidikan Indonesia

Διαβάστε περισσότερα

Statistics 104: Quantitative Methods for Economics Formula and Theorem Review

Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample

Διαβάστε περισσότερα

Deming regression. MethComp package May

Deming regression. MethComp package May Deming regression MethComp package May 2007 Anders Christian Jensen Steno Diabetes Center, Gentofte, Denmark acjs@steno.dk Contents 1 Introduction 1 2 Deming regression 1 3 The likelihood function 1 4

Διαβάστε περισσότερα

Λυμένες Ασκήσεις για το μάθημα:

Λυμένες Ασκήσεις για το μάθημα: Λυμένες Ασκήσεις για το μάθημα: ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ ΚΩΝΣΤΑΝΤΙΝΟΣ ΖΑΦΕΙΡΟΠΟΥΛΟΣ Τμήμα: ΔΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΣΠΟΥΔΩΝ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative

Διαβάστε περισσότερα

+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα:

+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα: ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, 6-5-0 Άσκηση 8. Δίνονται οι παρακάτω 0 παρατηρήσεις (πίνακας Α) με βάση τις οποίες θέλουμε να δημιουργήσουμε ένα γραμμικό μοντέλο για την πρόβλεψη της Υ μέσω των ανεξάρτητων μεταβλητών

Διαβάστε περισσότερα

Άσκηση 1. Πληθυσμός (Χ i1 )

Άσκηση 1. Πληθυσμός (Χ i1 ) Άσκηση Μία αντιπροσωπεία πωλήσεως αυτοκινήτων διαθέτει καταστήματα σε 5 διαφορετικές πόλεις. Ο επόμενος πίνακας δίνει τις πωλήσεις Υ i του τελευταίου μήνα καθώς επίσης και τον πληθυσμό Χ i και το οικογενειακό

Διαβάστε περισσότερα

Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS

Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS Ο παρακάτω πίνακας παρουσιάζει θανάτους από καρδιακή ανεπάρκεια ανάμεσα σε άνδρες γιατρούς οι οποίοι έχουν κατηγοριοποιηθεί κατά ηλικία

Διαβάστε περισσότερα

Ανάλυςη Συνδιακφμανςησ (Analysis of covariance) Κατςιλζροσ Αναςτάςιοσ

Ανάλυςη Συνδιακφμανςησ (Analysis of covariance) Κατςιλζροσ Αναςτάςιοσ Ανάλυςη Συνδιακφμανςησ (Alysis of covrice Κατςιλζροσ Αναςτάςιοσ 08 Ανάλυςη Συνδιακφμανςησ Σε πολλζσ περιπτϊςεισ δεν είναι δυνατόν ο ζλεγχόσ μιασ εξωγενοφσ πθγισ παραλλακτικότθτασ παρά τθν ομαδοποίθςθ.

Διαβάστε περισσότερα

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο Κατανομές Στατιστικών Συναρτήσεων Δύο ανεξάρτητα δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,..., Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ )

Διαβάστε περισσότερα

Szabolcs Sofalvi, M.S., D-ABFT-FT Cleveland, Ohio

Szabolcs Sofalvi, M.S., D-ABFT-FT Cleveland, Ohio Statistical Tools for SWGTOX Method Validation of 11 Benzodiazepines in Whole Blood by SPE and GC/MS Szabolcs Sofalvi, M.S., D-ABFT-FT Cleveland, Ohio Disclaimer Neither I nor any member of my immediate

Διαβάστε περισσότερα

η πιθανότητα επιτυχίας. Επομένως, η συνάρτηση πιθανοφάνειας είναι ίση με: ( ) 32 = p 18 1 p

η πιθανότητα επιτυχίας. Επομένως, η συνάρτηση πιθανοφάνειας είναι ίση με: ( ) 32 = p 18 1 p ΑΣΚΗΣΗ 1 ΣΕΜΦΕ 14-15 i. Έστω yi ο αριθμός των προσπαθειών κάθε μαθητή μέχρι να πετύχει τρίποντο. Ο αριθμός των προσπαθειών πριν ο μαθητής να πετύχει τρίποντο θα είναι xi = yi - 1, i = 1,,18. 2 2 3 2 1

Διαβάστε περισσότερα

ΗΛΙΑΣΚΟΣ ΦΡΟΝΤΙΣΤΗΡΙΑ. Τεχνολογικής Κατεύθυνσης Προγραμματισμός Γ Λυκείου Μέρος 2 ο ΥΠΗΡΕΣΙΕΣ ΠΑΙΔΕΙΑΣ ΥΨΗΛΟΥ ΕΠΙΠΕΔΟΥ ΣΤΕΦΑΝΟΣ ΗΛΙΑΣΚΟΣ

ΗΛΙΑΣΚΟΣ ΦΡΟΝΤΙΣΤΗΡΙΑ. Τεχνολογικής Κατεύθυνσης Προγραμματισμός Γ Λυκείου Μέρος 2 ο ΥΠΗΡΕΣΙΕΣ ΠΑΙΔΕΙΑΣ ΥΨΗΛΟΥ ΕΠΙΠΕΔΟΥ ΣΤΕΦΑΝΟΣ ΗΛΙΑΣΚΟΣ ΗΛΙΑΣΚΟΣ ΦΡΟΝΤΙΣΤΗΡΙΑ ΥΠΗΡΕΣΙΕΣ ΠΑΙΔΕΙΑΣ ΥΨΗΛΟΥ ΕΠΙΠΕΔΟΥ Τεχνολογικής Κατεύθυνσης Προγραμματισμός Γ Λυκείου Μέρος 2 ο ΣΤΕΦΑΝΟΣ ΗΛΙΑΣΚΟΣ e-mail: info@iliaskos.gr www.iliaskos.gr 4 - - 75 - true true - false

Διαβάστε περισσότερα

Optimizing Microwave-assisted Extraction Process for Paprika Red Pigments Using Response Surface Methodology

Optimizing Microwave-assisted Extraction Process for Paprika Red Pigments Using Response Surface Methodology 2012 34 2 382-387 http / /xuebao. jxau. edu. cn Acta Agriculturae Universitatis Jiangxiensis E - mail ndxb7775@ sina. com 212018 105 W 42 2 min 0. 631 TS202. 3 A 1000-2286 2012 02-0382 - 06 Optimizing

Διαβάστε περισσότερα

Last Lecture. Biostatistics Statistical Inference Lecture 19 Likelihood Ratio Test. Example of Hypothesis Testing.

Last Lecture. Biostatistics Statistical Inference Lecture 19 Likelihood Ratio Test. Example of Hypothesis Testing. Last Lecture Biostatistics 602 - Statistical Iferece Lecture 19 Likelihood Ratio Test Hyu Mi Kag March 26th, 2013 Describe the followig cocepts i your ow words Hypothesis Null Hypothesis Alterative Hypothesis

Διαβάστε περισσότερα

/

/ : 2014 2010 2015/2014 : 2014 2010 2015/2014 I II الملخص The aim of this study is to know the effect of the number of the financial indicators on the prices of organizations shares in Dubai s stock exchange,

Διαβάστε περισσότερα

Το στατιστικό κριτήριο που μας επιτρέπει να. μιας ή πολλών άλλων γνωστών μεταβλητών. Η σχέση ανάμεσα στις μεταβλητές που μελετώνται

Το στατιστικό κριτήριο που μας επιτρέπει να. μιας ή πολλών άλλων γνωστών μεταβλητών. Η σχέση ανάμεσα στις μεταβλητές που μελετώνται Κεφάλαιο 10 Η Ανάλυση Παλινδρόμησης Η Ανάλυση Παλινδρόμησης Το στατιστικό κριτήριο που μας επιτρέπει να προβλέψουμε τις τιμές μιας μεταβλητής από τις τιμές μιας ή πολλών άλλων γνωστών μεταβλητών Η σχέση

Διαβάστε περισσότερα

ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Επίλυση: Oneway Anova Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

LAMPIRAN. Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan. 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk.

LAMPIRAN. Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan. 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk. LAMPIRAN Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk. 2. BACA PT Bank Capital Indonesia Tbk. 3. BABP PT Bank MNC Internasional Tbk. 4. BBCA

Διαβάστε περισσότερα

Ερωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις)

Ερωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις) Ερωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις) 1. Έχοντας στη διάθεσή μας ένα δείγμα, προκύπτει ότι το 95% διάστημα εμπιστοσύνης για το μέσο μ ενός κανονικού

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 3: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana

Διαβάστε περισσότερα

ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 2342 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: Οικονομετρικά. Εργαστήριο 15/05/11

ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 2342 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: Οικονομετρικά. Εργαστήριο 15/05/11 ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 34 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: 17 Οικονομετρικά Εργαστήριο 15/5/11 ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΜΑΘΗΜΑ 7 ΕΡΓΑΣΤΗΡΙΟ ΜΗ ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ Σκοπός του παρόντος µαθήµατος είναι η

Διαβάστε περισσότερα

Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL

Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL3 1 5 5 4 4 4 3 4 3 4 3 4 5 2 4 4 3 5 4 4 4 4 5 4 3 4 3 2 2 3 2 3 3 3 3 4 2 3 2 4 4 4 5 3 4 4 4 3 4 4 5 4 5 5 5 4 2 3 3 3 4 3

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Πολλαπλή Παλινδρόμηση Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια

Διαβάστε περισσότερα

8. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Ι

8. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Ι 8. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Ι Απλή γραμμική παλινδρόμηση είναι μία στατιστική μέθοδος που χρησιμοποιείται για τη μελέτη της σχέσης μεταξύ δύο ποσοτικών μεταβλητών εκ των οποίων μία είναι η ανεξάρτητη

Διαβάστε περισσότερα

ο),,),--,ο< $ι ιι!η ι ηι ι ιι ιι t (t-test): ι ι η ι ι. $ι ι η ι ι ι 2 x s ι ι η η ιη ι η η SE x

ο),,),--,ο< $ι ιι!η ι ηι ι ιι ιι t (t-test): ι ι η ι ι. $ι ι η ι ι ι 2 x s ι ι η η ιη ι η η SE x η &, ε ε 007!# # # ι, ι, η ιι ι ι ι ι η (.. ι, η ι η, ι & ι!ι η 50, ι ηιη 000 ι, ι, ',!,! )!η. (, ηι, ι ι ι ι "!η. #, ι "ι!η ι, ηι, ι ι ι η. ι, ι ι, ' ι ι ι η ι ι ι ι # ι ι ι ι ι 7. ο),,),--,ο< $ι ιι!η

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Περιεχόμενα Εισαγωγή Το πρόβλημα - Συντελεστής συσχέτισης Μοντέλο απλής γραμμικής παλινδρόμησης

Διαβάστε περισσότερα

Καμπύλη Phillips (10.1, 11.5, 12.1, 12.5, 18.3, 18.8, 18.10)

Καμπύλη Phillips (10.1, 11.5, 12.1, 12.5, 18.3, 18.8, 18.10) Καμπύλη Phillips (10.1, 11.5, 12.1, 12.5, 18.3, 18.8, 18.10) 1 2 y t = β 0 + β 1 x t + u t y t = Πληθωρισμός x t = Ανεργία 3 Dependent Variable: INFLATION Method: Least Squares Sample: 1948-1996 (49) C

Διαβάστε περισσότερα

Μαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο

Μαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο Κατανομές Στατιστικών Συναρτήσεων Δύο δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,...,Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ ) S σ Τ ( Χ,Y)

Διαβάστε περισσότερα

NI it (dalam jutaan rupiah)

NI it (dalam jutaan rupiah) NI it (dalam jutaan rupiah) No Kode Emiten 2009 2010 1 AISA 34.763 75.235 2 ARNA 63.888 79.039 3 ASII 10.040 14.366 4 AUTO 768.265 1.141.179 5 BATA 52.980 60.975 6 BRNA 20.260 34.760 7 BTON 9.388 8.393

Διαβάστε περισσότερα

t ts P ALEPlot t t P rt P ts r P ts t r P ts

t ts P ALEPlot t t P rt P ts r P ts t r P ts t ts P ALEPlot 2 2 2 t t P rt P ts r P ts t r P ts t t r 1 t2 1 s r s r s r 1 1 tr s r t r s s rt t r s 2 s t t r r r t s s r t r t 2 t t r r t t2 t s s t t t s t t st 2 t t r t r t r s s t t r t s r t

Διαβάστε περισσότερα

1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]

1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4] 212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis

Διαβάστε περισσότερα

Overview. Transition Semantics. Configurations and the transition relation. Executions and computation

Overview. Transition Semantics. Configurations and the transition relation. Executions and computation Overview Transition Semantics Configurations and the transition relation Executions and computation Inference rules for small-step structural operational semantics for the simple imperative language Transition

Διαβάστε περισσότερα

Προϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία.

Προϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία. . ΣΤΑΤΙΣΤΙΚΗ ΣΥΣΧΕΤΙΣΗ. Υπολογισµός συντελεστών συσχέτισης Προκειµένου να ελέγξουµε την ύπαρξη γραµµικής σχέσης µεταξύ δύο ποσοτικών µεταβλητών, χρησιµοποιούµε συνήθως τον παραµετρικό συντελεστή συσχέτισης

Διαβάστε περισσότερα

! : ;, - "9 <5 =*<

! : ;, - 9 <5 =*< ITU-R M.473- (00/0)! (TDMA/FDMA) ""# $ %!& ' " ( ) 34 --./ 0, (MSS) * * )! +, 56 78 89 : ;, - "9

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις περιόδου στο μάθημα ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις περιόδου στο μάθημα ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις περιόδου στο μάθημα ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ Ονοματεπώνυμο: Όνομα Πατρός:... Σ ΑΜ:. Ημερομηνία: Παρακαλώ μη γράφετε στα παρακάτω

Διαβάστε περισσότερα

MIDWEEK CYBET REGULAR COUPON

MIDWEEK CYBET REGULAR COUPON MIDWEEK CYBET REGULAR COUPON BOTH TEAMS INFORMATION RESULTS HOME TEAM 3 - WAY ODDS (1X2) AWAY TEAM DOUBLE CHANCE TOTALS2.5 1ST HALF - 3 WAY HALFTIME/FULLTIME TO SCORE GAME CODE 1 / 2 1/ 12 /2 2.5-2.5+

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ,

ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, -- Άσκηση. Δίνονται τα παρακάτω δεδομένα 5 7 8 9 5 X 8 5 5 5 9 7 Y. 5.. 7..7.7.9.. 5.... 8.. α) Να γίνει το διάγραμμα διασποράς β) εξετάστε τα μοντέλα Υ = β + β Χ + ε, (linear),

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΣΠΟΥ ΩΝ

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΣΠΟΥ ΩΝ ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΣΠΟΥ ΩΝ Μάθηµα: Εφαρµοσµένη Οικονοµετρία (Aκαδηµαϊκό έτος: 2008-2009) Σπύρος Σκούρας Ονοµατεπώνυµο: ΘΕΜΑΤΑ ΕΞΕΤΑΣΕΩΝ ΙΟΥΛΙΟΥ 2009

Διαβάστε περισσότερα

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ Επιστήμη του Διαδικτύου «Web Science»

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ Επιστήμη του Διαδικτύου «Web Science» ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ Επιστήμη του Διαδικτύου «Web Science» ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Βιοστατιστική: Η περίπτωση της χρήσης της

Διαβάστε περισσότερα

Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού

Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας Viola adorata Σκηνή Πρώτη Ερωτήσεις Σωστού-Λάθους (µέρος Ι). Ο µέσος όρος

Διαβάστε περισσότερα

1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm

1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm HASIL PENELITIAN 1. Hasil Pengukuran Kadar TNF-α DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm NO KADAR ( pg/ml) ABSORBANSI 1. 0 0.055 2. 15.6 0.207 3. 31.5 0.368 4. 62.5 0.624

Διαβάστε περισσότερα

SMD Power Inductor. - SPRH127 Series. Marking. 1 Marking Outline: 1 Appearance and dimensions (mm)

SMD Power Inductor. - SPRH127 Series. Marking. 1 Marking Outline: 1 Appearance and dimensions (mm) Marking Outline: Low DCR, high rated current. Magnetic shielded structure Lead free product, RoHS compliant. RoHS Carrier tape packing, suitable for SMT process. SMT Widely used in buck converter, laptop,

Διαβάστε περισσότερα

Εισαγωγή στη Fortran. Μάθημα 3 ο. Ελευθερία Λιούκα

Εισαγωγή στη Fortran. Μάθημα 3 ο. Ελευθερία Λιούκα Εισαγωγή στη Fortran Μάθημα 3 ο Ελευθερία Λιούκα liouka.eleftheria@gmail.com Περιεχόμενα Loops External Functions Subroutines Arrays Common mistakes Loops Ανάγκη να εκτελέσουμε τις ίδιες εντολές πολλές

Διαβάστε περισσότερα

Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ

Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ5 1 4 3 3 4 4 5 4 5 4 2 5 5 4 5 4 4 3 5 4 3 2 1 3 2 3 3 4 3 3 4 2 3 3 2 4 4 4 3 4 5 2 3 2 2 3 3 3 3 3 6 3 3 3 3 4 4 4 5 4 7 4 3 3 4 3 3

Διαβάστε περισσότερα

Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F

Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F Άσκηση 0, σελ. 9 από το βιβλίο «Μοντέλα Αξιοπιστίας και Επιβίωσης» της Χ. Καρώνη (i) Αρχικά, εισάγουμε τα δεδομένα στο minitab δημιουργώντας δύο μεταβλητές: τη x για τον άτυπο όγκο και την y για τον τυπικό

Διαβάστε περισσότερα

2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ

2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS Το SPSS είναι ένα στατιστικό πρόγραμμα γενικής στατιστικής ανάλυσης αρκετά εύκολο στη λειτουργία του. Για να πραγματοποιηθεί ανάλυση χρονοσειρών με τη βοήθεια του SPSS θα πρέπει απαραίτητα

Διαβάστε περισσότερα

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΜΑΘΗΜΑ ΤΕΤΑΡΤΟ-ΠΕΜΠΤΟ ΘΕΩΡΙΑΣ- ΠΟΛΛΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Σηµειώσεις: Θωµόπουλος Γιώργος Ρογκάκος Γιώργος Καθηγητής: Κουνετάς

Διαβάστε περισσότερα

Supplementary figures

Supplementary figures A Supplementary figures a) DMT.BG2 0.87 0.87 0.72 20 40 60 80 100 DMT.EG2 0.93 0.85 20 40 60 80 EMT.MG3 0.85 0 20 40 60 80 20 40 60 80 100 20 40 60 80 100 20 40 60 80 EMT.G6 DMT/EMT b) EG2 0.92 0.85 5

Διαβάστε περισσότερα

ΧΡΟΝΟΣΕΙΡΕΣ TUTORIAL 3 ΣΤΑΣΘΜΟΤΗΤΑ ΔΘΑΔΘΚΑΣΘΕΣ ΜΟΝΑΔΘΑΣ ΡΘΖΑΣ ΣΥΝΟΛΟΚΛΗΡΩΣΗ

ΧΡΟΝΟΣΕΙΡΕΣ TUTORIAL 3 ΣΤΑΣΘΜΟΤΗΤΑ ΔΘΑΔΘΚΑΣΘΕΣ ΜΟΝΑΔΘΑΣ ΡΘΖΑΣ ΣΥΝΟΛΟΚΛΗΡΩΣΗ ΦΡΟΝΤΙΣΤΗΡΙΟ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΙΙ 7-6-1012 Landis Conrad ΧΡΟΝΟΣΕΙΡΕΣ TUTORIAL 3 ΣΤΑΣΘΜΟΤΗΤΑ ΔΘΑΔΘΚΑΣΘΕΣ ΜΟΝΑΔΘΑΣ ΡΘΖΑΣ ΣΥΝΟΛΟΚΛΗΡΩΣΗ Για τθν άςκθςθ χρθςιμοποιοφμε τισ παρακάτω μεταβλθτζσ, ςε θμεριςια κλίμακα,

Διαβάστε περισσότερα