KRITERIA PENGAMBILAN SAMPEL PENELITIAN
|
|
|
- Θάλεια Ακρίδας
- 6 χρόνια πριν
- Προβολές:
Transcript
1 LAMPIRAN 103
2 104 LAMPIRAN 1 No Kode Saham Nama Perusahaan KRITERIA PENGAMBILAN SAMPEL PENELITIAN Tanggal IPO Kriteria Sampel a b c a b c A b c a b c 1 AGRO Bank Rakyat Indonesia Agro Niaga Tbk 08 Agustus AGRS Bak Agris Tbk 22 Desember ARTOS Bank Artos Indonesia Tbk 12 Januari BABP PT Bank MNC Internasional Tbk 15 Juli BACA Bank Capital Indonesia Tbk 08 Oktober BBCA Bank Central Asia Tbk 31 Mei BBHI Bank Harda Internasioal Tbk 12 Agustus BBKP Bank Bukopin Tbk 10 Juli BBMD Bank Mestika Dharma Tbk 08 Juli BBNI Bank Negara Indonesia (Persero)Tbk 25-Nov BBNP Bank Nusantara Parahyangan Tbk 10 Januari BBRI Bank Rakyat Indonesia (Persero)Tbk 10-Nov BBTN Bank Tabungan Negara (Persero) Tbk 17 Desember BBYB PT Bank Yudha Bakti Tbk 13 Januari BCIC Bank Mutiara Tbk 25 Juni BDMN Bank Danamon Tbk 06 Desember BEKS Bank Pundi Indonesia Tbk 13 Juli BINA Bank Ina Perdana Tbk 16 Januari BJBR Bank Jabar Banten Tbk 08 Juli Sampel
3 20 BJTM Bank Pemda Jawa Timur Tbk 12 Juli BKSW Bank Kesawan / QNB Indonesia Tbk 21-Nov BMAS Bank Maspion Indonesia Tbk 11 Juli BMRI Bank Mandiri (Persero) Tbk 14 Juli BNBA Bank Bumi Arta Tbk 31 Desember BNGA Bank CIMB Niaga Tbk 29-Nov BNII Bank Maybank Indonesia / Internasional 21-Nov-89 4 Indonesia Tbk 27 BNLI Bank Permata Tbk 15 Januari BSIM Bank Sinar Mas Tbk 13 Desember BSWD Bank of India Indonesia / Swadesi Tbk 01 Mei BTPN Bank Tabungan Pensiunan Nasional Tbk 12 Maret BVIC Bank Victoria International Tbk 30 Juni DNAR Bank Dinar Indonesia TBK 11 Juli INPC Bank Artha Graha International Tbk 29 Agustus MAYA Bank Mayapada International Tbk 29 Agustus MCOR Bank Windu Kentjana International Tbk 03 Juli MEGA Bank Mega Tbk 17-Apr NAGA Bank Mitraniaga Tbk 09 Juli NISP Bank NISP OCBC Tbk 20 Oktober NOBU Bank Nationalnobu Tbk 20 Mei PNBN Bank Pan Indonesia Tbk 29 Desember PNBS Bank Panin Syariah Tbk 15 Januari SDRA Bank Himpunan Saudara 1906 Tbk 15 Desember JUMLAH SAMPEL PENELITIAN 112 Sumber : 14 Maret - 9 Mei 2016
4 LAMPIRAN 2 DATA INFLASI Inflasi (perubahan tahunan dalam %) Sumber : Bank Indonesia, 9 September 2016.
5 LAMPIRAN 3 DATA SUKU BUNGA Bank Indonesia Rate (perubahan tahunan dalam %) Sumber : Bank Indonesia, 9 September 2016.
6 LAMPIRAN 4 PERHITUNGAN DATA DEBT TO EQUITY RATIO No Kode Saham 1 AGRO 2 BABP 3 BACA 4 BBCA 5 BBKP 6 BBNI 7 BBRI 8 BBTN 9 BDMN Debt to Equity Ratio (DER) Tahun Dalam Total Liability (Rp) Total Equity (Rp) DER % ,668,215,679, ,924,556, ,295,923,828, ,906,513, ,493,624,199, ,021,593, ,012,090,138,000 1,352,412,425, ,719,963,000, ,839,761, ,397,212,000, ,877,334, ,197,501,000,000 1,234,569,000, ,428,800,000,000 1,708,204,000, ,008,389,000, ,788,000, ,233,092,000, ,390,000, ,280,861,000, ,193,000, ,105,781,000,000 1,053,416,000, ,067,244,000,000 4,996,742,000, ,337,895,000,000 63,966,678,000, ,550,777,000,000 77,920,617,000, ,584,494,000,000 89,624,940,000, ,693,088,000,000 4,996,742,000, ,244,294,000,000 6,213,369,000, ,229,788,000,000 6,821,480,000, ,831,000,000,000 7,535,179,000, ,778,000,000 66,126,000, ,972,000,000 47,683,505,000, ,552,000,000 61,021,308,000, ,157,000,000 73,450,230,000, ,455,011,000,000 64,881,779,000, ,855,504,000,000 79,327,442,000, ,217,592,000,000 97,737,429,000, ,113,317,000, ,127,179,000, ,469,722,000,000 10,278,871,000, ,612,977,000,000 11,556,753,000, ,329,000,000,000 12,253,000,000, ,947,000,000,000 1,386,000,000, ,282,171,000,000 28,733,311,000, ,684,365,000,000 31,552,983,000, ,691,069,000,000 33,017,524,000,
7 10 BEKS 11 BJBR 12 BKSW 13 BMRI 14 BNBA 15 BNGA 16 BNII 17 BNLI 18 BSIM 19 BSWD ,842,563,000,000 34,214,849,000, ,028,754,000, ,184,000, ,285,208,000, ,916,000, ,407,900,000, ,146,000, ,656,516,000, ,670,000, ,764,614,000,000 6,008,840,000, ,896,825,000,000 6,718,265,000, ,911,402,000,000 7,081,703,000, ,068,471,000,000 7,757,218,000, ,781,586,000, ,068,000, ,534,587,000,000 1,513,028,000, ,558,094,000,000 2,280,924,000, ,333,465,000,000 2,424,184,000, ,085,843,000,000 76,532,865,000, ,309,166,000,000 88,790,596,000, ,195,111,000, ,844,562,000, ,844,597,000, ,491,841,000, ,961,011,000, ,505,346, ,481,270,000, ,402,771, ,553,283,000, ,139,607, ,434,623,000,000 1,233,868,290, ,760,569,000,000 22,651,912,000, ,979,722,000,000 25,886,687,000, ,714,729,000,000 28,447,694,000, ,169,865,000,000 28,678,599,000, ,105,415,000,000 9,667,493,000, ,138,350,000,000 12,408,401,000, ,668,415,000,000 14,650,051,000, ,875,745,000,000 15,119,208,000, ,303,061,000,000 12,495,534,000, ,707,278,000,000 14,126,644,000, ,255,325,000,000 17,094,536,000, ,876,507,000,000 18,812,844,000, ,326,284,000,000 1,825,608,000, ,693,195,000,000 2,754,260,000, ,099,067,000,000 3,160,482,000, ,956,048,000,000 3,669,611,000, ,166,972,000, ,769,087, ,146,474,000, ,861,542, ,638,597,000, ,587,547, ,972,594,728,047 1,114,888,052,
8 20 BTPN 21 BVIC 22 INPC 23 MAYA 24 MCOR 25 MEGA 26 NISP 27 PNBN 28 SDRA ,356,205,000,000 7,733,927,000, ,757,008,000,000 9,907,865,000, ,749,900,000,000 12,060,534,000, ,115,804,000,000 13,923,859,000, ,883,648,000,000 1,469,192,278, ,526,576,000,000 1,644,776,036, ,434,623,000,000 1,759,828,875, ,031,590,000,000 2,113,673,981, ,621,443,000,000 1,937,327,000, ,576,759,000,000 2,611,823,000, ,734,071,000,000 2,719,276,000, ,353,479,000,000 2,765,770,000, ,320,813,000,000 1,845,739,034, ,603,247,000,000 2,412,324,121, ,321,357,000,000 2,852,233,795, ,718,881,000,000 4,587,072,652, ,739,581,000, ,665,000, ,881,835,000,000 1,035,379,000, ,549,452,000,000 1,220,139,000, ,675,389,000,000 1,413,732,000, ,956,287,000,000 6,262,821,000, ,357,193,000,000 6,118,505,000, ,691,216,000,000 6,956,675,000, ,406,207,000,000 11,517,195,000, ,190,261,000,000 8,951,476,000, ,027,985,000,000 13,496,552,000, ,216,003,000,000 14,907,176,000, ,069,055,000,000 16,411,347,000, ,144,850,000,000 17,647,765,000, ,097,145,000,000 19,958,433,000, ,352,964,000,000 23,228,703,000, ,314,331,000,000 30,806,209,000, ,083,402,000, ,907,000, ,653,022,000, ,820,000, ,528,511,000,000 3,904,265,000, ,883,592,000,000 4,135,931,000, Sumber : Data sekunder yang diolah, 2016.
9 LAMPIRAN 5 No Kode Saham Tahun 1 AGRO 2 BABP 3 BACA 4 BBCA 5 BBKP PERHITUNGAN DATA PRICE TO BOOK VALUE (PBV) Total Equity (Rp) Price to Book Value (PBV) Nilai Buku (Rp) Jumlah Saham (Lembar) Harga Saham Penutupan (Rp) PBV Dalam % ,924,556,000 3,618,095, ,906,513,000 7,450,781, ,021,593,000 7,450,781, ,352,412,425,000 11,479,715, ,839,761,000 2,928,288, ,877,334, ,769,500 1, ,234,569,000,000 1,096,984,300 1, ,708,204,000,000 19,129,563, ,788,000,000 4,550,852, ,390,000,000 6,397,416, ,193,000,000 6,397,416, ,053,416,000,000 6,404,528, ,996,742,000,000 24,456,229, , ,966,678,000,000 24,655,010,000 2,594 9, ,920,617,000,000 24,655,010,000 3,160 13, ,624,940,000,000 24,655,010,000 3,635 13, ,996,742,000,000 7,970,061, ,213,369,000,000 8,500,678, ,821,480,000,000 9,086,620,
10 6 BBNI 7 BBRI 8 BBTN 9 BDMN 10 BEKS 11 BJBR ,535,179,000,000 9,086,620, ,525,291,000,000 18,648,660,000 2,334 3, ,683,505,000,000 18,648,656,458 2,557 3, ,021,308,000,000 18,648,656,458 3,272 6, ,450,230,000,000 18,648,656,458 3,939 4, ,881,779,000,000 24,669,162,000 2,630 6, ,327,442,000,000 24,669,162,000 3,216 7, ,737,429,000,000 24,669,162,000 3,962 11, ,127,179,000,000 24,422,470,380 4,632 11, ,278,871,000, , ,556,753,000, , ,253,000,000,000 10,567,696,000 1,159 1, ,386,000,000,000 10,582,345, , ,733,311,000,000 9,562,243,365 3,005 5, ,552,983,000,000 9,562,243,365 3,300 3, ,017,524,000,000 9,562,243,365 3,453 4, ,214,849,000,000 9,562,243,365 3,578 4, ,184,000,000 10,755,117, ,916,000,000 10,755,117, ,146,000,000 10,755,117, ,670,000,000 10,755,117, ,008,840,000,000 9,696,291, ,718,265,000,000 9,696,291, ,081,703,000,000 9,696,291, ,757,218,000,000 9,696,291,
11 ,068,000,000 4,188,311, BKSW ,513,028,000,000 9,720,118, ,280,924,000,000 8,757,145, ,424,184,000,000 8,757,145, ,532,865,000,000 23,333,333,333 3,280 8, BMRI ,790,596,000,000 23,333,333,333 3,805 7, ,844,562,000,000 23,333,333,333 4,493 10, ,491,841,000,000 23,333,333,333 5,121 9, ,505,346,903 2,310,000, BNBA ,402,771,361 2,310,000, ,139,607,690 2,310,000, ,233,868,290,690 2,310,000, ,651,912,000,000 25,059,752, , BNGA ,886,687,000,000 71,853,936, ,447,694,000,000 50,814,606, ,678,599,000, , ,667,493,000,000 56,281,990, BNII ,408,401,000,000 60,972,156, ,650,051,000,000 58,467,494, ,119,208,000,000 67,746,840, ,495,534,000,000 10,676,128,167 1,170 1, BNLI ,126,644,000,000 10,676,128,167 1,323 1, ,094,536,000,000 11,883,834,973 1,438 1, ,812,844,000,000 11,856,954,739 1, BSIM ,825,608,000,000 10,283,836,
12 19 BSWD 20 BTPN 21 BVIC 22 INPC 23 MAYA 24 MCOR ,754,260,000,000 12,981,631, ,160,482,000,000 13,895,104, ,669,611,000,000 14,151,999, ,769,087, ,000, , ,861,542, ,000, ,587,547,047 3,450,000, , ,114,888,052,692 3,450,000, , ,733,927,000,000 5,840,287,257 1,324 5, ,907,865,000,000 5,840,287,257 1,696 4, ,060,534,000,000 5,840,287,257 2,065 3, ,923,859,000,000 5,840,287,257 2,384 2, ,469,192,278,000 6,604,344, ,644,776,036,000 6,630,268, ,759,828,875,000 7,139,166, ,113,673,981,000 7,139,167, ,937,327,000,000 8,575,076, ,611,823,000,000 13,088,274, ,719,276,000,000 13,088,274, ,765,770,000,000 13,088,274, ,845,739,034,000 3,091,838, , ,412,324,121,000 3,478,318, , ,852,233,795,000 3,443,535, , ,587,072,652,000 4,304,418,773 1,066 1, ,665,000,000 4,240,010, ,035,379,000,000 5,851,221,
13 25 MEGA 26 NISP 27 PNBN 28 SDRA ,220,139,000,000 5,910,894, ,413,732,000,000 6,536,286, ,262,821,000,000 3,646,000,000 1,718 3, ,118,505,000,000 3,646,000,000 1,678 2, ,956,675,000,000 3,646,000,000 1,908 2, ,517,195,000,000 6,964,000,000 1,654 3, ,951,476,000,000 8,548,918,395 1,047 1, ,496,552,000,000 11,472,648,486 1,176 1, ,907,176,000,000 11,472,648,486 1,299 1, ,411,347,000,000 11,472,648,486 1,430 1, ,647,765,000,000 24,087,645, ,958,433,000,000 24,087,645, ,228,703,000,000 24,087,645, , ,806,209,000,000 24,087,645,998 1, ,907,000,000 2,316,673, ,820,000,000 2,316,673, ,904,265,000,000 5,211,329, , ,135,931,000,000 5,211,339, , Sumber : data sekunder yang diolah, 2016
14 LAMPIRAN 6 PERHITUNGAN DATA EXPECTED RETURN SAHAM No Kode Saham 1 AGRO 2 BABP 3 BACA 4 BBCA 5 BBKP 6 BBNI 7 BBRI 8 BBTN 9 BDMN Tahun Expected Return Saham / E (Ri) Dalam % Rf Rm β E (Ri)
15 BEKS BJBR BKSW BMRI BNBA BNGA BNII BNLI BSIM BSWD BTPN
16 21 BVIC 22 INPC 23 MAYA 24 MCOR 25 MEGA 26 NISP 27 PNBN 28 SDRA Sumber : Data sekunder yang diolah, 2016.
17 LAMPIRAN 7 PERHITUNGAN Rf (RISK FREE RATE) Rf = Rate SBI Bulanan januari januari januari januari februari februari februari februari maret maret maret maret Apr Apr Apr Apr Mei Mei mei mei juni juni juni juni juli juli juli juli agustus agustus agustus agustus Sep agustus Sep Sep oktober Sep oktober oktober Nov oktober Nov Nov desember Nov Nov des des des 7.75 Rata-rata Sumber : Data Sekunder Diolah, 2016
18 LAMPIRAN 8 PERHITUNGAN Rm (MARKET RETURN / RETURN PASAR) Rm = IHSGt IHSGt-1 IHSGt-1 IHSG = harga saham penutupan akhir tahunt harga saham penutupan akhir tahunt-1 No Kode Saham Total Harga Saham Penutupan IHSG Rm (X) AGRO BABP BACA BBCA 24,550 30,300 32,300 41,000 47,800 53, BBKP 2,465 2,510 2,600 8,520 8,205 2, BBNI 16,500 15,375 15,450 16,425 21,350 21, BBRI 19,125 24,850 90,250 31,000 41,975 43, BBTN BDMN 20,750 18,925 22,250 20,050 16,925 15, BEKS BJBR BKSW 2,250 3,240 2,860 2,335 1,723 1, BMRI 25,050 27,050 30,350 34,800 39,350 39, BNBA BNGA BNII 1,705 2,020 1,690 1,395 1,
19 17 BNLI 6,355 5,836 12,990 17,930 16,690 5, BSIM 1,050 1, ,925 3,307 1, BSWD 2,750 2,400 6,140 14,280 9,160 14, BTPN 22,750 23,450 18,900 17,725 17,090 12, BVIC INPC MAYA 5,500 5,300 10,500 22,500 20,650 6, MCOR , MEGA 13,250 13,625 13,350 10,475 8,130 11, NISP 5,640 4,847 5,620 5,170 5,140 5, PNBN 3,600 3,500 2,940 2,810 3,790 4, SDRA 1, ,802 1,802 4,273 4, Sumber : Data Sekunder Diolah, 2016
20 LAMPIRAN 9 PERHITUNGAN BETA SAHAM (β) β = N XY ( X) ( Y) N X 2 ( X) 2 N = jumlah data X = return pasar (Rm) Y = return saham (Ri) No. Kode Saham 1 AGRO 2 BABP 3 BACA 4 BBCA Tahun Jumlah Data (N) β (Beta Saham 4 Tahun) Ri (Y) Rm (X) X Y (X2) ( X)2 XY β
21 BBKP BBNI BBRI BBTN BDMN BEKS BJBR
22 12 BKSW 13 BMRI 14 BNBA 15 BNGA 16 BNII 17 BNLI
23 18 BSIM 19 BSWD 20 BTPN 21 BVIC 22 INPC 23 MAYA 24 MCOR
24 25 MEGA 26 NISP 27 PNBN 28 SDRA Sumber : Data Sekunder Diolah, 2016
25 LAMPIRAN 10 PERHITUNGAN RETURN SAHAM / Ri (Y) Ri = Pt Pt-1 Pt-1 Pt = harga saham penutupan tahun sekarang Pt-1 = harga saham penutupan tahun sebelumnya Harga saham yang digunakan adalah harga saham penutupan akhir tahun. No Kode Harga Saham Penutupan (Rp) Y / Return Saham Saham AGRO BABP BACA BBCA 8,000 9,100 9,600 13,125 13, BBKP BBNI 3,800 3,700 3,950 6,100 4, BBRI 6,750 6,950 7,250 11,650 11, BBTN 1,210 1, ,205 1, BDMN 4,100 5,650 3,775 4,525 3, BEKS
26 11 BJBR BKSW BMRI 6,750 8,100 7,850 10,100 9, BNBA BNGA 1,220 1, BNII BNLI 1,360 1,440 1,380 1, BSIM BSWD 600 1, ,100 3, BTPN 3,400 5,250 4,300 3,950 2, BVIC INPC MAYA 1,430 3,400 2,750 1,880 1, MCOR MEGA 3,500 3,350 2,050 2,000 3, NISP 1,080 1,530 1,230 1,360 1, PNBN , SDRA ,150 1, Sumber : Data sekunder Diolah, 2016.
27 Output SPSS 129
28 130 Statistik Deskriftif DESCRIPTIVES VARIABLES=x1 x2 x3 x4 Y /STATISTICS=MEAN STDDEV MIN MAX. Descriptives [DataSet2] F:\Untitled1.sav Descriptive Statistics N Minimum Maximum Mean Std. Deviation Inflasi suku bunga DER nilai perusahaan expected return Valid N (listwise) 81
29 dimension0 1 dimension Uji Normalitas REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Y /METHOD=ENTER x1 x2 x3 x4 /SAVE RESID. Regression [DataSet0] Variables Entered/Removed b Model Variables Entered Variables Removed Method nilai perusahaan, inflasi, DER, suku bunga a. Enter a. All requested variables entered. b. Dependent Variable: expected return Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate.215 a a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: expected return ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: expected return
30 132 Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. 1 (Constant) Inflasi suku bunga DER nilai perusahaan a. Dependent Variable: expected return Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value Residual Std. Predicted Value Std. Residual a. Dependent Variable: expected return NPAR TESTS /K-S(NORMAL)=RES_1 /MISSING ANALYSIS. NPar Tests [DataSet0] One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 81 Normal Parameters a,b Mean Std. Deviation Most Extreme Differences Absolute.140 Positive.140 Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed).085 a. Test distribution is Normal. b. Calculated from data.
31 dimension0 1 dimension Uji Multikoliniearitas REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Y /METHOD=ENTER x1 x2 x3 x4 /RESIDUALS DURBIN. Regression [DataSet0] Variables Entered/Removed b Model Variables Entered Variables Removed Method nilai perusahaan, inflasi, DER, suku bunga a. Enter a. All requested variables entered. b. Dependent Variable: expected return Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate.215 a a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: expected return ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: expected return
32 dimension0 dimension1 134 Coefficients a Model Unstandardized Standardized Collinearity Coefficients Coefficients Statistics B Std. Error Beta t Sig. Tolerance VIF 1 (Constant) Inflasi suku bunga DER nilai perusahaan a. Dependent Variable: expected return Collinearity Diagnostics a Model Dimension Variance Proportions Condition suku nilai Eigenvalue Index (Constant) inflasi bunga DER perusahaan a. Dependent Variable: expected return Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value Residual Std. Predicted Value Std. Residual a. Dependent Variable: expected return
33 dimension0 1 dimension Uji Autokorelasi REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Y /METHOD=ENTER x1 x2 x3 x4 /RESIDUALS DURBIN. Regression [DataSet0] Variables Entered/Removed b Model Variables Entered Variables Removed Method nilai perusahaan, inflasi, DER, suku bunga a. Enter a. All requested variables entered. b. Dependent Variable: expected return Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson.215 a a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: expected return ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: expected return
34 136 Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. 1 (Constant) Inflasi suku bunga DER nilai perusahaan a. Dependent Variable: expected return Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value Residual Std. Predicted Value Std. Residual a. Dependent Variable: expected return
35 dimension0 1 dimension Penyembuhan Problem Autokorelasi COMPUTE Lag_Y=LAG(Y). EXECUTE. REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Lag_Y /METHOD=ENTER x1 x2 x3 x4 /RESIDUALS DURBIN. Regression [DataSet2] F:\Untitled1.sav Variables Entered/Removed b Model Variables Entered Variables Removed Method nilai perusahaan, inflasi, DER, suku bunga a. Enter a. All requested variables entered. b. Dependent Variable: Lag_Y Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson.301 a a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: Lag_Y ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: Lag_Y
36 138 Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta T Sig. 1 (Constant) Inflasi suku bunga DER nilai perusahaan a. Dependent Variable: Lag_Y Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value Residual Std. Predicted Value Std. Residual a. Dependent Variable: Lag_Y
37 dimension0 1 dimension Uji Heteroskedastisitas REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Lag_Y /METHOD=ENTER x1 x2 x3 x4 /SAVE RESID. Regression [DataSet2] F:\Untitled1.sav Variables Entered/Removed b Model Variables Entered Variables Removed Method nilai perusahaan, inflasi, DER, suku bunga a. Enter a. All requested variables entered. b. Dependent Variable: Lag_Y Model Summary b Model R R Square Adjusted R Square Std. Error of the Estimate.301 a a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: Lag_Y ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: Lag_Y
38 dimension Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. 1 (Constant) Inflasi suku bunga DER nilai perusahaan a. Dependent Variable: Lag_Y Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value Residual Std. Predicted Value Std. Residual a. Dependent Variable: Lag_Y COMPUTE absresid=abs(res_1). EXECUTE. REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT absresid /METHOD=ENTER x1 x2 x3 x4. Regression [DataSet2] F:\Untitled1.sav Variables Entered/Removed b Model Variables Entered Variables Removed Method nilai perusahaan, inflasi, DER, suku bunga a. Enter a. All requested variables entered. b. Dependent Variable: absresid
39 dimension Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate.184 a a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: absresid Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. 1 (Constant) Inflasi suku bunga DER nilai perusahaan a. Dependent Variable: absresid
40 dimension0 1 dimension Analisis Regresi Linier Berganda REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Lag_Y /METHOD=ENTER x1 x2 x3 x4. Regression [DataSet2] F:\Untitled1.sav Variables Entered/Removed b Model Variables Entered Variables Removed Method nilai perusahaan, inflasi, DER, suku bunga a. Enter a. All requested variables entered. b. Dependent Variable: Lag_Y Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate.301 a a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), nilai perusahaan, inflasi, DER, suku bunga b. Dependent Variable: Lag_Y
41 143 Coefficients a Model Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. 1 (Constant) Inflasi suku bunga DER nilai perusahaan a. Dependent Variable: Lag_Y
42 144
43 145
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
ΔPersediaan = Persediaan t+1 - Persediaan t
Lampiran 4 Data Perhitungan Perubahan Persediaan ΔPersediaan = Persediaan t+1 - Persediaan t No Kode Perusahaan 2011 Persediaan t+1 (2012) Persediaan t (2011) ΔPersediaan a b a-b 1 ADES 74.592.000.000
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
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
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
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
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
+ 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
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
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
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
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
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
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
1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά
1. Ιστόγραμμα Δεδομένα από το αρχείο Data_for_SPSS.xls Αλλαγή σε Variable View (Κάτω αριστερά) και μετονομασία της μεταβλητής σε NormData, Type: numeric και Measure: scale Αλλαγή πάλι σε Data View. Graphs
Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.
ΣΤ. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (ANALYSIS OF VARIANCE - ANOVA) ΣΤ 1. Ανάλυση ιασποράς κατά µία κατεύθυνση. Όπως έχουµε δει στη παράγραφο Β 2, όταν θέλουµε να ελέγξουµε, αν η µέση τιµή µιας ποσοτικής µεταβλητής διαφέρει
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),
Απλή Ευθύγραµµη Συµµεταβολή
Απλή Ευθύγραµµη Συµµεταβολή Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Εισαγωγή Ανάλυση Παλινδρόµησης και Συσχέτιση Απλή
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
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test) Σε ορισμένες περιπτώσεις απαιτείται ο έλεγχος της ύπαρξης στατιστικά
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.,,,.
ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ 1 Παλινδρόµηση Έλεγχοι Υποθέσεων ΙI ΕΠΙΜΕΛΕΙΑ ΣΗΜEΙΩΣΕΩΝ: ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ ΗΜΗΤΡΙΟΥ ΒΑΣΙΛΕΙΟΣ
Η βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων. Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή
Η βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή Δεκέμβριος 2011 Στόχος Έρευνας H βιτρίνα των καταστημάτων αποτελεί
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
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
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
ΕΙ Η ΠΑΛΙΝ ΡΟΜΗΣΗΣ. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΛΙΝ ΡΟΜΗΣΗ (Simple Linear Regression) ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ (Regression) ΠΑΛΙΝ ΡΟΜΗΣΗ.
ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΛΙΝ ΡΟΜΗΣΗ (Smple Lear Regresso) Να κατανοηθεί η έννοια της παλινδρόµησης Ποιες οι προϋποθέσεις για να εφαρµοσθεί η γραµµική παλινδρόµηση; Τι είναι το γραµµικό µοντέλο και πως εκτιµούνται
Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.
A. ΈΛΕΓΧΟΣ ΚΑΝΟΝΙΚΟΤΗΤΑΣ A 1. Έλεγχος κανονικότητας Kolmogorov-Smirnov. Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov. Μηδενική υπόθεση:
Περιγραφή των εργαλείων ρουτινών του στατιστικού
Κεφάλαιο 5 ο Περιγραφή των εργαλείων ρουτινών του στατιστικού πακέτου SPSS που χρησιµοποιήθηκαν. 5.1 Γενικά Το στατιστικό πακέτο SPSS είναι ένα λογισµικό που χρησιµοποιείται ευρέως ανά τον κόσµο από επιχειρήσεις
Α. Μπατσίδης Πρόχειρες βοηθητικές διδακτικές σημειώσεις
Α. Μπατσίδης Πρόχειρες βοηθητικές διδακτικές σημειώσεις Οι παρούσες σημειώσεις επιχειρούν να αποτελέσουν μια βοήθεια τόσο στην παρακολούθηση της διάλεξης όσο και στη μελέτη κάποιων εκ των θεμάτων της Γραμμικής
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
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
ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. ΜΑΘΗΜΑ 11 Συµπερασµατολογία για την επίδραση πολλών µεταβλητών σε µια ποσοτική (Πολλαπλή Παλινδρόµηση)
Ενότητα ιαφάνειες Μαθήµατος: - Ενότητα ιαφάνειες Μαθήµατος: - ΠΜΣ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΥΓΕΙΑ, ΙΑΧΕΙΡΙΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΑΠΟΤΙΜΗΣΗ ΑΚ. ΕΤΟΣ 006-007, 3ο εξάµηνο.. Γενίκευση του µοντέλου ΜΑΘΗΜΑ
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 10 ο 10.1 Πολλαπλή Γραµµική Παλινδρόµηση 10.2 Η εφαρµογή της Πολλαπλής Γραµµικής Παλινδρόµησης 10.3 Παράδειγµα
Εισαγωγή στην Ανάλυση Διακύμανσης
Εισαγωγή στην Ανάλυση Διακύμανσης 1 Η Ανάλυση Διακύμανσης Από τα πιο συχνά χρησιμοποιούμενα στατιστικά κριτήρια στην κοινωνική έρευνα Γιατί; 1. Ενώ αναφέρεται σε διαφορές μέσων όρων, όπως και το κριτήριο
ΠΡΟΒΛΗΜΑ ΑΥΤΟΣΥΣΧΕΤΙΣΤΩΝ ΣΦΑΛΜΑΤΩΝ
ΠΡΟΒΛΗΜΑ ΑΥΤΟΣΥΣΧΕΤΙΣΤΩΝ ΣΦΑΛΜΑΤΩΝ ΤΡΟΠΟΙ ΕΛΕΓΧΟΥ ΔΙΟΡΘΩΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΣΥΝΕΠΕΙΕΣ ΠΡΟΒΛΗΜΑΤΟΣ ΠΑΡΑΔΕΙΓΜΑΤΑ 1 ΤΡΟΠΟΙ ΕΛΕΓΧΟΥ Γραφική παράσταση των υπολοίπων (ή των μαθητικοποιημένων υπολοίπων) ως προς την
ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Περιεχόμενα 1. Συσχέτιση μεταξύ δύο ποσοτικών
Appendix A Critical Values of F. (Source: Levine, 2004)
REFERENCES Brealey, Richard A., Myers, Stewart C., Allen, Franklin, 2006, Corporate Finance 8 th Edition, New York: The McGraw-Hill Company Budiman, Trimulyati, Private Interview by Aryo Fajar Syaifulloh,
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.
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
ΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ. ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ.
ΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ. Κανονική Κατανομή Τυπική Απόκλιση Διακύμανση z τιμές Περιεχόμενα 6 ου μαθήματος Έλεγχος κανονικής
Πρακτικές Θετικής Οργανωσιακής Αλλαγής και οι στάσεις των εργαζομένων απέναντι στην αλλαγή
Πρακτικές Θετικής Οργανωσιακής Αλλαγής και οι στάσεις των εργαζομένων απέναντι στην αλλαγή Ονοματεπώνυμο : Ευανθία Καρακατσάνη Σειρά: 9 Επιβλέπων Καθηγητής: Ο. Κυριακίδου Δεκέμβριος 2012 ΣΤΟΧΟΣ/ ΣΚΟΠΟΣ
ΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ SPSS
ΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ SPSS ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ Κωνσταντίνος Ζαφειρόπουλος Τμήμα Διεθνών και Ευρωπαϊκών Σπουδών Ανοικτά Ακαδημαϊκά Μαθήματα στο Πανεπιστήμιο Μακεδονίας Άδειες Χρήσης Το παρόν
Δείγμα (μεγάλο) από οποιαδήποτε κατανομή
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 4ο Κατανομές Στατιστικών Συναρτήσεων Δείγμα από κανονική κατανομή Έστω Χ= Χ Χ Χ τ.δ. από Ν µσ τότε ( 1,,..., n) (, ) Τ Χ Χ Ν Τ Χ σ σ Χ Τ Χ n Χ S µ S µ 1( ) = (0,1), ( ) = ( n 1)
Ασκήσεις Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη. Διοίκηση των Επιχειρήσεων
Ασκήσεις Εξετάσεων Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων ΑΣΚΗΣΗ 1: Έλεγχος για τη μέση τιμή ενός πληθυσμού Η αντικαπνιστική νομοθεσία υποχρεώνει τους καπνιστές που εργάζονται σε
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
ΤΕΙ ΗΠΕΙΡΟΥ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΛΟΓΟΘΕΡΑΠΕΙΑΣ. Μεγγίσογλου Ευθυμία Ξενογιώργη Αικατερίνη Σβολιανίτη Χριστίνα
ΤΕΙ ΗΠΕΙΡΟΥ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΛΟΓΟΘΕΡΑΠΕΙΑΣ Σπουδάστριες Γιαννιού Λαμπρινή Μεγγίσογλου Ευθυμία Ξενογιώργη Αικατερίνη Σβολιανίτη Χριστίνα Εισηγητής Ταφιάδης Χρ.Διονύσης «Η γλώσσα
Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.
Σημειώσεις για το μάθημα Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S. Παπάνα Αγγελική E mail: papanagel@yahoo.gr, agpapana@gen.auth.gr Α.Τ.Ε.Ι. Θεσσαλονίκης ΠΑΡΑΡΤΗΜΑ ΚΑΤΕΡΙΝΗΣ Τμήμα Τυποποίησης και
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
ΕΡΕΥΝΑ ΑΓΟΡΑΣ ΣΕ ΞΕΝΟΔΟΧΕΙΑ ΤΗΣ ΚΡΗΤΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΠΌ ΣΑΛΟΥΣΤΡΟΥ ΑΝΤΙΓΟΝΗ ΣΥΓΛΕΤΟΥ ΕΛΕΝΗ
ΕΡΕΥΝΑ ΑΓΟΡΑΣ ΣΕ ΞΕΝΟΔΟΧΕΙΑ ΤΗΣ ΚΡΗΤΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΠΌ ΣΑΛΟΥΣΤΡΟΥ ΑΝΤΙΓΟΝΗ ΣΥΓΛΕΤΟΥ ΕΛΕΝΗ ΑΝΑΓΚΗ ΔΗΜΙΟΥΡΓΙΑΣ ΤΗΣ ΕΡΕΥΝΑΣ Μελέτη ποιοτικών χαρακτηριστικών ξενοδοχείων Συμβουλευτικές υπηρεσίες από εσωτερικούς
τατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Λφση επαναληπτικής άσκησης Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ Περιεχόμενα 1. ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ...
Μοντέλα Πολλαπλής Παλινδρόμησης
Μοντέλα Πολλαπλής Παλινδρόμησης Πέτρος Ρούσσος Πρόγραμμα Ψυχολογίας, ΦΠΨ, ΕΚΠΑ ΕΙΣΑΓΩΓΙΚΑ 1 Ορολογία Προβλεπτικές μεταβλητές ή παράγοντες (predictors) Μεταβλητή κριτήριο (criterion) Απλή και πολλαπλή παλινδρόμηση
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 )
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)
ΚΕΦΑΛΑΙΟ 11 ο. Minerals (select) ----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ Human Apple Mango Orange Water-
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 11 ο 11.1 Παράθυρο εισαγωγής εντολών (SYNTAX) 11.2 Script γλώσσα προγραµµατισµού στο SPSS 11.3 Λήψη και εισαγωγή
Lampiran 1. Sampel dan Populasi
Lampiran 1 Sampel dan Populasi NO NAMA KRITERIA PERUSAHAAN 1 2 3 4 SAMPLE 1 ADES 1 2 ADMG 2 3 AFLI 3 4 AISA X X X X 5 AKKU 4 6 ALDO 5 7 ALKA 6 8 ALMI 7 9 ALTO X X X X 10 AMFG 8 11 ARGO 9 12 ARNA X X X
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........................................
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
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
ΠΑΝΕΠΙΣΤΗΜΙΟ+ΠΑΤΡΩΝ+ Τμήμα+Διοίκησης+Επιχειρήσεων+
ΠΑΝΕΠΙΣΤΗΜΙΟ+ΠΑΤΡΩΝ+ Τμήμα+Διοίκησης+Επιχειρήσεων+ «Η# δράση# των# επιχειρήσεων# στα# κοινωνικά# δίκτυα# (social# media)# στο# διαδίκτυο# και# η# επίδραση#στην#απόδοση#των#επιχειρήσεων)#»# Δρ.#Δέσποινα#Καραγιάννη,#Αθηνά#Ντάβαρη#(ΜΒΑ)
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
ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. ΜΑΘΗΜΑ 12 Συµπερασµατολογία για την επίδραση πολλών µεταβλητών σε µια ποσοτική (Πολλαπλή Παλινδρόµηση) [µέρος 2ο]
![ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. ΜΑΘΗΜΑ 12 Συµπερασµατολογία για την επίδραση πολλών µεταβλητών σε µια ποσοτική (Πολλαπλή Παλινδρόµηση) [µέρος 2ο]](/thumbs/24/3563086.jpg "ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. ΜΑΘΗΜΑ 12 Συµπερασµατολογία για την επίδραση πολλών µεταβλητών σε µια ποσοτική (Πολλαπλή Παλινδρόµηση) [µέρος 2ο]")
Ενότητα 2 ιαφάνειες Μαθήµατος: 2- Ενότητα 2 ιαφάνειες Μαθήµατος: 2-2 ΠΜΣ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΥΓΕΙΑ, ΙΑΧΕΙΡΙΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΑΠΟΤΙΜΗΣΗ ΑΚ. ΕΤΟΣ 2006-2007, 3ο εξάµηνο.6. είκτες µερικής συσχέτισης
Akaike Information Criteria. Best Linear Unbiased Estimator. Census and Economic Information Centre. Durbin Watson statistics
DAFTAR ISTILAH ADF AIC BLUE BOP CAD CEIC CF DW EO FDI FEDV FPE GDP HQ IED IFS IHSG IOR IRF IRP IRU LM LR NFDI Augmented Dicky Fuller Statistic Akaike Information Criteria Best Linear Unbiased Estimator
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο ανεξάρτητων δειγμάτων, που διαχωρίζονται βάσει ενός ανεξάρτητου παράγοντα (Ανάλυση διακύμανσης για ανεξάρτητα δείγματα ως προς
$ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η.
η &, 7!# v # $ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η. - ι% ιι* ι' F ι ι ι% MS F MS between within MS MS
Allied signal) (Jack Welch) % ػبذ الرحوي السؼذ هجلت ػالن السؼىد ت ق اش األداء الوؤسس و ه هج ت األداء الوتىازى ص 63
Résumé, : La matrice de la Six Sigma est un système de gestion et de suivi de la performance, ce qui est une démarche globale et intégrée de la méthodologie de tous les aspects de l'activité de l'institution
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Όταν ανοίγουµε µία βάση στο SPSS η πρώτη εικόνα που
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
Σύγκριση Συνδυασµένων Παραγόντων
Σύγκριση Συνδυασµένων Παραγόντων Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Παραγοντικά Πειράµατα (Factorial Experiments)
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
ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ 2 (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., 04-05) (Επιµέλεια: Ελευθεράκη Αναστασία)
ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., -) (Επιµέλεια: Ελευθεράκη Αναστασία) Άσκηση (Εργαστήριο #) Στις εξετάσεις Φεβρουαρίου του µαθήµατος
Εισαγωγή στη Στατιστική Επεξεργασία Δεδομένων με το SPSS for Windows
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Τμήμα Φιλοσοφίας, Παιδαγωγικής και Ψυχολογίας Τομέας Ψυχολογίας Εισαγωγή στη Στατιστική Επεξεργασία Δεδομένων με το SPSS for Windows Επιμέλεια: Λέκτορας Βασίλης
ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ Στόχοι: (a) να δοθεί µια εισαγωγή στη θεωρία της στατιστικής συµπερασµατολογίας ελέγχων υποθέσεων, (b) να παρουσιάσει τις βασικές εφαρµογές αυτών των ελέγχων: µέσης τιµής, ποσοστού
Βοήθημα Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων
Βοήθημα Εξετάσεων Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων 2 1. Περιγραφική Στατιστική Θα δίνονται το ιστόγραμμα των σχετικών συχνοτήτων και τα στατιστικά. 1. Να μπορείτε να εξάγετε
Ύλη 1 ης Εβδομάδας. Σχέσεις Μεταβλητών ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ. Σχέση μεταξύ Μεταβλητών Παραδείγματα. 2 η Διάλεξη
ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ 2 η Διάλεξη Ελένη Κανδηλώρου (Αναπλ. Καθηγήτρια) Οικονομικό Πανεπιστήμιο Αθηνών Τμήμα Στατιστικής Ύλη 1 ης Εβδομάδας Γραμμική Παλινδρόμηση-Έννοια Παλινδρόμισης 1. Σχέση μεταξύ μεταβλητών
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
Μεθοδολογία έρευνας και συγγραφής διπλωματικών εργασιών ΔΡ. ΟΔΥΣΣΕΑΣ ΠΑΥΛΑΤΟΣ ΑΠΡΙΛΙΟΣ 2016
Μεθοδολογία έρευνας και συγγραφής διπλωματικών εργασιών ΔΡ. ΟΔΥΣΣΕΑΣ ΠΑΥΛΑΤΟΣ ΑΠΡΙΛΙΟΣ 2016 Πρακτικές για την επιλογή θέματος Διαλέξετε ένα θέμα το οποίο σας κέντρισε το ενδιαφέρον κατά την διάρκεια είτε
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 Άσκηση 1 η Ένας παραγωγός σταφυλιών ισχυρίζεται ότι τα κιβώτια σταφυλιών που συσκευάζει
Supplementary Appendix
Supplementary Appendix Measuring crisis risk using conditional copulas: An empirical analysis of the 2008 shipping crisis Sebastian Opitz, Henry Seidel and Alexander Szimayer Model specification Table
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) Έλεγχος Υποθέσεων για τους Μέσους - Εξαρτημένα Δείγματα (Paired samples t-test) Το κριτήριο Paired samples t-test χρησιμοποιείται όταν θέλουμε να συγκρίνουμε
1991 US Social Survey.sav
Παραδείγµατα στατιστικής συµπερασµατολογίας µε ένα δείγµα Στα παραδείγµατα χρησιµοποιείται απλό τυχαίο δείγµα µεγέθους 1 από το αρχείο δεδοµένων 1991 US Social Survey.sav Το δείγµα λαµβάνεται µε την διαδικασία
τατιςτική ςτην Εκπαίδευςη II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιςτική ςτην Εκπαίδευςη II Αρχείο αποτελεςμάτων Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
/
: 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,
Μεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι
Μεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι Εργαστήριο 9 1. Να χρησιμοποιηθεί το αρχείο data_kids. Τα δεδομένα του προέρχονται από την έρευνα των Chase και Dummer (1992), μελέτησαν τον ρόλο των
«ΘΥΜΑΤΟΠΟΙΗΣΗ ΚΑΙ ΦΟΒΟΣ ΤΟΥ ΕΓΚΛΗΜΑΤΟΣ ΣΤΟ ΔΙΑΔΙΚΤΥΟ»
Ελληνική Εταιρεία Μελέτης της Διαταραχής Εθισμού στο Διαδίκτυο 3ο Πανελλήνιο Διεπιστημονικό Συνέδριο E-LIFE 2013 Κινηματογράφος ΔΑΝΑΟΣ - Αθήνα, 1-2 Νοεμβρίου 2013 «ΘΥΜΑΤΟΠΟΙΗΣΗ ΚΑΙ ΦΟΒΟΣ ΤΟΥ ΕΓΚΛΗΜΑΤΟΣ
Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων
Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων Ενότητα: Γραμμική παλινδρόμηση Διδάσκων: Επίκ. Καθ. Απόστολος Μπατσίδης Τμήμα: Μαθηματικών ΚΕΦΑΛΑΙΟ ΟΓΔΟΟ Γραμμική παλινδρόμηση Σε προηγούμενο κεφάλαιο είδαμε
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)
Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων
Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων 1 Μονοπαραγοντική Ανάλυση Διακύμανσης Παραμετρικό στατιστικό κριτήριο για τη μελέτη της επίδρασης μιας ανεξάρτητης μεταβλητής στην εξαρτημένη Λογική
ΣΤΟΧΟΙ ΤΗΣ ΕΝΟΤΗΤΑΣ ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΜΗ ΠΑΡΑΜΕΤΡΙΚΩΝ ΕΛΕΓΧΩΝ
ΣΤΟΧΟΙ ΤΗΣ ΕΝΟΤΗΤΑΣ Να δοθούν οι βασικές αρχές των µη παραµετρικών ελέγχων (non-parametric tests). Να παρουσιασθούν και να αναλυθούν οι γνωστότεροι µη παραµετρικοί έλεγχοι Να αναπτυχθεί η µεθοδολογία των
Lampiran 1. Urutan basa dari 4 primer SSR. Nama Primer Sekuen (5 3 )
45 Lampiran 1. Urutan basa dari 4 primer SSR Nama Primer Sekuen (5 3 ) 1 FR 0783 2 FR 0779 3 FR 3663 4 FR 3745 F: 5 - GAATGTGGCTGTAAATGCTGAGTG -3 R: 5 - AAGCCGCATGGACAACTCTAGTAA -3 F: 5 - AATGCAGACCAAGCTAATCATATAC
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών
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
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
ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ
ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ΠΟΤΕ ΚΑΙ ΓΙΑΤΙ ΧΡΗΣΙΜΟΠΟΙΕΙΤΑΙ ΜΟΝΤΕΛΟ ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΕΡΜΗΝΕΙΑ ΤΩΝ ΕΚΤΙΜΗΤΩΝ ΤΩΝ ΠΑΡΑΜΕΤΡΩΝ ΤΩΝ ΣΥΝΤΕΛΕΣΤΩΝ ΠΑΛΙΝ ΡΟΜΗΣΗΣ ΥΠΟΘΕΣΕΙΣ ΠΙΝΑΚΑΣ ΑΝΑ ΙΑ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ ΓΙΑ ΤΙΣ ΠΑΡΑΜΕΤΡΟΥΣ
LAMPIRAN. Fixed-effects (within) regression Number of obs = 364 Group variable (i): kode Number of groups = 26
LAMPIRAN Lampiran 1 Uji Chow Test Model Pertama Hipotesis: Ho: Pooled Least Square Ha: Fixed Effect Method Decision Rule: Tolak Ho apabila P-value < α Fixed-effects (within) regression Number of obs =
ΑΣΚΗΣΗ 7 (ΛΥΣΗ) Στο αρχείο του SPSS θα υπάρχουν οι µεταβλητές,
ΑΣΚΗΣΗ 7 (ΛΥΣΗ) Στο αρχείο του SPSS θα υπάρχουν οι µεταβλητές, Time: η ώρα γέννησης (4 ψηφία, τα δύο πρώτα είναι ώρες και τα άλλα δυο λεπτά), Sex: το φύλο (:κορίτσι, :αγόρι), Weight: το βάρος του νεογέννητου
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
Appendix A. Final IPO sample Date Stock Offering Price Closing Change Berry Index Ad Hoc-Berry index Indutrade AB 65 73,25 12,69% 0,8392
Appendix A. Final IPO sample Date Stock Offering Price Closing Change Berry Index Ad Hoc-Berry index 2005-10-05 Indutrade AB 65 73,25 12,69% 0,8392 0,775887574 2005-10-06 Hemtex AB 56 61 8,93% 0 0 2005-11-08
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR
TNR 1 space 1.15 LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL III TNR 1 Space.0 STATISTIK