Primer 1: V vzorec smo izbrali 32 evropskih držav in za leto 2003 pridobili naslednje podatke (datoteka zdravstvo.dta):
|
|
|
- Ἀβειρὼν Λαμπρόπουλος
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Primer 1: V vzorec smo izbrali 32 evropskih držav in za leto 2003 pridobili naslednje podatke (datoteka zdravstvo.dta): pričakovana življenjska doba (PZD; v letih); izdatki za zdravstvo na prebivalca (IZDATKI; v ameriških dolarjih); odstotek kadilcev med odraslimi prebivalci (TOBAK); poraba čistega alkohola na prebivalca (ALKO; v litrih upoštevane žgane pijače). a) Ocenite linearni regresijski model: PZDi = β1+ β2izdatkii + β3tobaki + ui in preverite predpostavko, da se slučajna spremenljivka u porazdeljuje normalno. Izpis rezultatov obdelav v programskem paketu Stata:. regress pzd izdatki tobak F( 2, 29) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzd Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak _cons predict epzd, resid. predict epzdstd, rstandard. histogram epzd, normal (bin=5, start= , width= ). histogram epzdstd, normal (bin=5, start= , width= ) Density Residuals Density Standardized residuals 1
2 . kdensity epzd, normal (n() set to 32) Kernel density estimate Density Residuals kernel = epanechnikov, bandwidth = Kernel density estimate Normal density. swilk epzd Shapiro-Wilk W test for normal data Variable Obs W V z Prob>z epzd sktest epzd Skewness/Kurtosis tests for Normality joint Variable Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi epzd sum epzd, detail Residuals Percentiles Smallest 1% % % Obs 32 25% Sum of Wgt % Mean 1.28e-08 Largest Std. Dev % % Variance % Skewness % Kurtosis return list scalars: r(n) = 32 r(sum_w) = 32 r(mean) = e-08 2
3 r(var) = r(sd) = r(skewness) = r(kurtosis) = scalar opaz=r(n). scalar s=r(skewness). scalar k=r(kurtosis).... scalar jb=opaz*(s^2/6 + (k-3)^2/24). display jb display chi2tail(2,jb) jb6 epzd Jarque-Bera normality test:.2621 Chi(2).8772 Jarque-Bera test for Ho: normality: (epzd) b) Ocenite linearni regresijski model: PZDi = β1+ β2izdatkii + β3tobaki + β4alkoi + ui in analizirajte morebitno prisotnost multikolinearnosti. Izpis rezultatov obdelav v programskem paketu Stata:. regress pzd izdatki tobak alko F( 3, 28) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzd Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak alko _cons pwcorr izdatki tobak alko, sig izdatki tobak alko izdatki tobak alko
4 . regress izdatki tobak alko F( 2, 29) = 7.08 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = izdatki Coef. Std. Err. t P> t [95% Conf. Interval] tobak alko _cons scalar R2izdatki=e(r2). scalar Fizdatki=(R2izdatki/(4-2))/((1-R2izdatki)/(32-4+1)). scalar pfizdatki=ftail(4-2,32-4+1,fizdatki). scalar vifizdatki=1/(1-r2izdatki). scalar toleranceizdatki=1/vifizdatki. display Fizdatki, pfizdatki, vifizdatki, toleranceizdatki regress tobak izdatki alko F( 2, 29) = 1.76 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = tobak Coef. Std. Err. t P> t [95% Conf. Interval] izdatki alko _cons scalar R2tobak=e(r2). scalar Ftobak=(R2tobak/(4-2))/((1-R2tobak)/(32-4+1)). scalar pftobak=ftail(4-2,32-4+1,ftobak). scalar viftobak=1/(1-r2tobak). scalar tolerancetobak=1/viftobak. display Ftobak, pftobak, viftobak, tolerancetobak regress alko izdatki tobak F( 2, 29) = 6.72 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE =
5 alko Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak _cons scalar R2alko=e(r2). scalar Falko=(R2alko/(4-2))/((1-R2alko)/(32-4+1)). scalar pfalko=ftail(4-2,32-4+1,falko). scalar vifalko=1/(1-r2alko). scalar tolerancealko=1/vifalko. display Falko, pfalko, vifalko, tolerancealko qui regress pzd izdatki tobak alko. estat vif Variable VIF 1/VIF izdatki alko tobak Mean VIF collin izdatki tobak alko, corr rinv (obs=32) Collinearity Diagnostics SQRT R- Variable VIF VIF Tolerance Squared izdatki tobak alko Mean VIF 1.36 Cond Eigenval Index Condition Number Eigenvalues & Cond Index computed from deviation sscp (no intercept) Det(correlation matrix) Inverse of correlation matrix izdatki tobak alko izdatki tobak alko
6 c) Ocenite linearni regresijski model: PZDi = β1+ β2izdatkii + β3tobaki + β4alkoi + ui in analizirajte morebitno prisotnost heteroskedastičnosti. Izpis rezultatov obdelav v programskem paketu Stata:. regress pzd izdatki tobak alko F( 3, 28) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzd Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak alko _cons predict epzd, resid. gen epzd2=epzd^2. predict pzdfit, xb. scatter epzd pzdfit, yline(0) // Graficna metoda //. rvfplot, yline(0) Residuals Fitted values. scatter epzd2 pzdfit. scatter epzd2 izdatki. scatter epzd2 tobak. scatter epzd2 alko 6
7 epzd epzd Linear prediction Izdatki za zdravstvo na prebivalca v USD epzd epzd Odstotek kadilcev med odraslimi prebivalci Poraba cistega alkohola na prebivalca v litrih. gen lepzd2=log(epzd2) // Parkov test //. gen ltobak=log(tobak). regress lepzd2 ltobak F( 1, 30) = 2.41 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lepzd2 Coef. Std. Err. t P> t [95% Conf. Interval] ltobak _cons matrix b=e(b). scalar gama=b[1,1]. display gama gen td=tobak^(gama/2). gen pzdt=pzd/td. gen izdatkit=izdatki/td. gen tobakt=tobak/td. gen alkot=alko/td. gen kt=1/td 7
8 . regress pzdt izdatkit tobakt alkot kt, nocons F( 4, 28) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzdt Coef. Std. Err. t P> t [95% Conf. Interval] izdatkit tobakt alkot kt gen pzdtfit=_b[izdatkit]*izdatki+_b[tobakt]*tobak+_b[alkot]*alko+_b[kt]. correlate pzd pzdtfit (obs=32) pzd pzdtfit pzd pzdtfit scalar r2p=r(rho)^2. display r2p gen epzdabs=abs(epzd) // Glejserjev test, tip 1 //. regress epzdabs tobak F( 1, 30) = 5.37 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = epzdabs Coef. Std. Err. t P> t [95% Conf. Interval] tobak _cons drop td pzdt izdatkit tobakt alkot kt. gen td=tobak. gen pzdt=pzd/td. gen izdatkit=izdatki/td. gen tobakt=tobak/td. gen alkot=alko/td. gen kt=1/td 8
9 . regress pzdt izdatkit tobakt alkot kt, nocons F( 4, 28) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzdt Coef. Std. Err. t P> t [95% Conf. Interval] izdatkit tobakt alkot kt gen pzdtfit=_b[izdatkit]*izdatki+_b[tobakt]*tobak+_b[alkot]*alko+_b[kt]. correlate pzd pzdtfit (obs=32) pzd pzdtfit pzd pzdtfit scalar r2p=r(rho)^2. display r2p sort tobak // Goldfeld-Quandtov test //. regress pzd izdatki tobak alko if _n<12 Source SS df MS Number of obs = F( 3, 7) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzd Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak alko _cons regress pzd izdatki tobak alko if _n>21 Source SS df MS Number of obs = F( 3, 7) = 7.38 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE =
10 pzd Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak alko _cons display invftail(11-4,11-4,0.05) display Ftail(11-4,11-4,15.84) sum epzd2 // Breusch-Paganov test // Variable Obs Mean Std. Dev. Min Max epzd regress epzd2 izdatki tobak alko F( 3, 28) = 2.23 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = epzd2 Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak alko _cons display invchi2tail(3,0.05) display chi2tail(3,6.1816) qui regress pzd izdatki tobak alko. estat hettest Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of pzd chi2(1) = 2.38 Prob > chi2 = estat hettest izdatki tobak alko Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: izdatki tobak alko chi2(3) = 6.18 Prob > chi2 =
11 . drop td pzdt izdatkit tobakt alkot kt. qui regress epzd2 izdatki tobak alko. predict sigma2fit, xb // Ali imamo negativne vrednosti? //. inspect sigma2fit sigma2fit: Linear prediction Number of Observations Total Integers Nonintegers # Negative 2-2 # Zero # # Positive # # # # # # Total # # # # # Missing (32 unique values). gen lepzd2=log(epzd2). qui regress lepzd2 izdatki tobak alko. predict lsigma2fit, xb. gen td=sqrt(exp(lsigma2fit)) // Drugace bi imeli: td=sqrt(sigma2fit) //. gen pzdt=pzd/td. gen izdatkit=izdatki/td. gen tobakt=tobak/td. gen alkot=alko/td. gen kt=1/td. regress pzdt izdatkit tobakt alkot kt, nocons F( 4, 28) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzdt Coef. Std. Err. t P> t [95% Conf. Interval] izdatkit tobakt alkot kt gen pzdtfit=_b[izdatkit]*izdatki+_b[tobakt]*tobak+_b[alkot]*alko+_b[kt]. correlate pzd pzdtfit (obs=32) pzd pzdtfit pzd pzdtfit scalar r2p=r(rho)^2. display r2p
12 . gen izdatki2=izdatki^2 // Whiteov test //. gen tobak2=tobak^2. gen alko2=alko^2. gen izdatkitobak=izdatki*tobak. gen izdatkialko=izdatki*alko. gen tobakalko=tobak*alko. regress epzd2 izdatki tobak alko izdatki2 tobak2 alko2 izdatkitobak izdatkialko tobakalko F( 9, 22) = 1.04 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = epzd2 Coef. Std. Err. t P> t [95% Conf. Interval] izdatki tobak alko izdatki2-8.67e e e e-06 tobak alko izdatkitobak izdatkialko tobakalko _cons scalar theta=e(n)*e(r2). display theta, invchi2tail(e(rank)-1,0.05), chi2tail(e(rank)-1,theta) qui regress pzd izdatki tobak alko. estat imtest, white White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(9) = 9.53 Prob > chi2 = Cameron & Trivedi's decomposition of IM-test Source chi2 df p Heteroskedasticity Skewness Kurtosis Total drop td pzdt izdatkit tobakt alkot kt pzdtfit. qui regress epzd2 izdatki tobak alko izdatki2 tobak2 alko2 izdatkitobak izdatkialko tobakalko. predict sigma2fit, xb 12
13 . inspect sigma2fit sigma2fit: Linear prediction Number of Observations Total Integers Nonintegers # Negative 2-2 # Zero # Positive # # # # # Total # # # # # Missing (32 unique values). gen lepzd2=log(epzd2). qui regress lepzd2 izdatki tobak alko izdatki2 tobak2 alko2 izdatkitobak izdatkialko tobakalko. predict lsigma2fit, xb. gen td=sqrt(exp(lsigma2fit)). gen pzdt=pzd/td. gen izdatkit=izdatki/td. gen tobakt=tobak/td. gen alkot=alko/td. gen kt=1/td. regress pzdt izdatkit tobakt alkot kt, nocons F( 4, 28) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pzdt Coef. Std. Err. t P> t [95% Conf. Interval] izdatkit tobakt alkot kt gen pzdtfit=_b[izdatkit]*izdatki+_b[tobakt]*tobak+_b[alkot]*alko+_b[kt]. correlate pzd pzdtfit (obs=32) pzd pzdtfit pzd pzdtfit scalar r2p=r(rho)^2. display r2p
14 Primer 2: Analiziramo produkcijske funkcije za podjetja industrijske dejavnosti v RS v podskupini DL Proizvodnja računalnikov in druge opreme za obdelavo podatkov na podlagi podatkov iz zaključnih računov za leto 1998 (datoteka proizvod.dta). a) S pomočjo Jarque Berra testa proučite predpostavko o normalnosti porazdelitve slučajne spremenljivke za linearno in Cobb-Douglasovo produkcijsko funkcijo. b) Analizirajte še prisotnost multikolinearnosti v modelu linearne in Cobb-Douglasove produkcijske funkcije. a) Preverjanje predpostavke o normalnosti porazdelitve slučajne spremenljivke:. regress q l k Source SS df MS Number of obs = F( 2, 78) = Model e e+12 Prob > F = Residual e e+10 R-squared = Adj R-squared = Total e e+11 Root MSE = 2.6e+05 q Coef. Std. Err. t P> t [95% Conf. Interval] l k _cons predict eq, resid. sum eq, detail Residuals Percentiles Smallest 1% % % Obs 81 25% Sum of Wgt % Mean Largest Std. Dev % % Variance 6.39e+10 95% Skewness % Kurtosis scalar opaz=r(n). scalar slin=r(skewness). scalar klin=r(kurtosis). scalar jblin=opaz*(slin^2/6 + (klin-3)^2/24). display jblin display chi2tail(2,jblin) 4.16e-113. jb6 eq Jarque-Bera normality test: Chi(2) 4.e-113 Jarque-Bera test for Ho: normality: (eq) 14
15 . gen lq=log(q). gen ll=log(l). gen lk=log(k). regress lq ll lk Source SS df MS Number of obs = F( 2, 78) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lq Coef. Std. Err. t P> t [95% Conf. Interval] ll lk _cons predict elq, resid. sum elq, detail Residuals Percentiles Smallest 1% % % Obs 81 25% Sum of Wgt % Mean -1.24e-09 Largest Std. Dev % % Variance % Skewness % Kurtosis scalar opaz=r(n). scalar slog=r(skewness). scalar klog=r(kurtosis). scalar jb=opaz*(slog^2/6 + (klog-3)^2/24). display jblog display chi2tail(2,jblog) jb6 elq Jarque-Bera normality test: Chi(2).2271 Jarque-Bera test for Ho: normality: (elq) 15
16 b) Analiza prisotnosti multikolinearnosti:. collin l k, corr (obs=81) Collinearity Diagnostics SQRT R- Variable VIF VIF Tolerance Squared l k Mean VIF 3.55 Cond Eigenval Index Condition Number Eigenvalues & Cond Index computed from deviation sscp (no intercept) Det(correlation matrix) collin ll lk, corr (obs=81) Collinearity Diagnostics SQRT R- Variable VIF VIF Tolerance Squared ll lk Mean VIF 3.45 Cond Eigenval Index Condition Number Eigenvalues & Cond Index computed from deviation sscp (no intercept) Det(correlation matrix) Primer 3: Za ZDA imamo v datoteki novogradnje.dta zbrane naslednje podatke za obdobje : STAN: število novogradenj (v 1.000); BNPP: realni bruto nacionalni proizvod na prebivalca (v USD); OM: hipotekarna obrestna mera (v %). 16
17 Ocenite linearni regresijski model: STAN = β + β BNPP + β OM + u t 1 2 t 3 t t in na različne načine analizirajte prisotnost avtokorelacije. Morebitno prisotnost avtokorelacije skušajte tudi odpraviti. Izpis rezultatov obdelav v programskem paketu Stata:. tsset year time variable: year, 1963 to 1985 delta: 1 unit. regress stan bnpp om Source SS df MS Number of obs = F( 2, 20) = 7.05 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = stan Coef. Std. Err. t P> t [95% Conf. Interval] bnpp om _cons predict estan, resid. * Analiza prisotnosti avtokorelacije - Graficna metoda. rvfplot, yline(0). twoway connected estan year, yline(0) Residuals Residuals Fitted values Leto opazovanja. gen estan1=estan[_n-1] (1 missing value generated) 17
18 . scatter estan estan1. scatter estan l.estan Residuals Residuals, L. * Analiza prisotnosti avtokorelacije - Ocenjevanje koeficienta AK 1. reda. gen eestantt1=estan*estan1 (1 missing value generated). qui sum eestantt1, detail. scalar rhostevec=r(n)*r(mean). gen estan2=estan^2. qui sum estan2, detail. scalar rhoimenovalec1=r(n)*r(mean). scalar rhoapprox1=rhostevec/rhoimenovalec1. display rhostevec, rhoimenovalec1, rhoapprox corrgram estan LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor] gen estan12=estan1^2 (1 missing value generated). qui sum estan12, detail. scalar rhoimenovalec2=r(n)*r(mean). scalar rhoapprox2=rhostevec/rhoimenovalec2. display rhostevec, rhoimenovalec2, rhoapprox
19 . regress estan estan1, nocons Source SS df MS Number of obs = F( 1, 21) = 9.68 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = estan Coef. Std. Err. t P> t [95% Conf. Interval] estan scalar rho=_b[estan1]. display rho * Analiza prisotnosti avtokorelacije - Durbin-Watsonov d-test. gen estantt12=(estan-estan1)^2 (1 missing value generated). qui sum estantt12, detail. scalar dwstevec=r(n)*r(mean). qui sum estan2, detail. scalar dwimenovalec=r(n)*r(mean). scalar dw=dwstevec/dwimenovalec. display dwstevec, dwimenovalec, dw scalar dwapprox1=2*(1-rhoapprox1). scalar dwapprox2=2*(1-rhoapprox2). display dwapprox1, dwapprox qui regress stan bnpp om. estat dwatson Durbin-Watson d-statistic( 3, 23 ) = * Analiza prisotnosti avtokorelacije - Breusch-Godfreyev test (LM-test). regress estan bnpp om estan1 Source SS df MS Number of obs = F( 3, 18) = 2.90 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = estan Coef. Std. Err. t P> t [95% Conf. Interval] bnpp om estan _cons
20 . scalar lm=e(n)*e(r2). display lm, invchi2tail(1,0.05), chi2tail(1,lm) qui regress stan. estat bgodfrey bnpp om Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation. estat bgodfrey, lags( estat bgodfrey, lags(1/12) ) Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation. * Odpravljanje avtokorelacije 1. reda - Cenilka PNK-PDE. gen stant=stan-rho*stan[_n-1] (1 missing value generated). gen bnppt=bnpp-rho*bnpp[_n-1] (1 missing value generated). gen omt=om-rho*om[_n-1] (1 missing value generated). regress stant bnppt omt Source SS df MS Number of obs = F( 2, 19) = 8.70 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = stant Coef. Std. Err. t P> t [95% Conf. Interval] bnppt omt _cons
21 . scalar b1=_b[_cons]/(1-rho). display b gen stantfit=b1+_b[bnppt]*bnpp+_b[omt]*om. correlate stan stantfit (obs=23) stan stantfit stan stantfit scalar r2p=r(rho)^2. display r2p * Newey-Westova metoda korekcije MNKVD standardnih napak. regress stan bnpp om Source SS df MS Number of obs = F( 2, 20) = 7.05 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = stan Coef. Std. Err. t P> t [95% Conf. Interval] bnpp om _cons newey stan bnpp om, lag(9) Regression with Newey-West standard errors Number of obs = 23 maximum lag: 9 F( 2, 20) = Prob > F = Newey-West stan Coef. Std. Err. t P> t [95% Conf. Interval] bnpp om _cons Primer 4: Datoteka denar_povprasevanje1.dta vsebuje za slovensko gospodarstvo mesečne podatke o naslednjih spremenljivkah (obdobje 1999m1 2006m12): HM1: harmonizirana količina denarja v obtoku (v mio EUR); PPR: prejemki prebivalstva (v mio EUR); PGO: prejemki gospodarstva (v mio EUR); 21
22 PDR: prejemki države (v mio EUR); RVP: obrestna mera za vpogledne vloge (na letni ravni); RVV: obrestna mera za vezane vloge (do 90 dni, na letni ravni); CZP: indeks cen življenjskih potrebščin (2000 = 100). Ocenite linearni regresijski model: HM1t = β1+ β2pprt + β3rvpt + β4rvvt + β5czpt + ut in nato opravite naslednje diagnostične procedure. a) Preverite predpostavko o normalnosti porazdelitve slučajne spremenljivke. b) Preverite predpostavko o odsotnosti multikolinearnosti. c) Preverite predpostavko o homoskedastičnosti. V kolikor v modelu odkrijete prisotnost heteroskedastičnosti, s pomočjo Huber/White robustne cenilke variance izračunajte nepristranske standardne napake ocen parametrov. Katero predpostavko klasičnega linearnega regresijskega modela ste pri tem sprostili in kako? d) Preverite predpostavko o odsotnosti avtokorelacije. V kolikor v modelu odkrijete prisotnost avtokorelacije, s pomočjo Newey Westove robustne cenilke variance izračunajte nepristranske standardne napake ocen parametrov. Katero predpostavko klasičnega linearnega regresijskega modela ste pri tem sprostili? Izpis rezultatov obdelav v programskem paketu Stata:. tsset time time variable: time, 1999m1 to 2006m12 delta: 1 month. regress hm1 ppr rvp rvv czp Source SS df MS Number of obs = F( 4, 91) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = hm1 Coef. Std. Err. t P> t [95% Conf. Interval] ppr rvp rvv czp _cons predict res, resid. jb6 res Jarque-Bera normality test:.2311 Chi(2) Jarque-Bera test for Ho: normality: (res)
23 . collin ppr rvp rvv czp, corr rinv (obs=96) Collinearity Diagnostics SQRT R- Variable VIF VIF Tolerance Squared ppr rvp rvv czp Mean VIF 6.08 Cond Eigenval Index Condition Number Eigenvalues & Cond Index computed from deviation sscp (no intercept) Det(correlation matrix) Inverse of correlation matrix ppr rvp rvv czp ppr rvp rvv czp qui regress hm1 ppr rvp rvv czp. estat imtest, white White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(14) = Prob > chi2 = Cameron & Trivedi's decomposition of IM-test Source chi2 df p Heteroskedasticity Skewness Kurtosis Total regress hm1 ppr rvp rvv czp, robust Linear regression Number of obs = 96 F( 4, 91) = Prob > F = R-squared = Root MSE =
24 Robust hm1 Coef. Std. Err. t P> t [95% Conf. Interval] ppr rvp rvv czp _cons qui regress hm1 ppr rvp rvv czp. estat bgodfrey, lags(1/12) Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation. estat bgodfrey, lags(1/90) Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi
25 H0: no serial correlation. newey hm1 ppr rvp rvv czp, lag(78) Regression with Newey-West standard errors Number of obs = 96 maximum lag: 78 F( 4, 91) = Prob > F = Newey-West hm1 Coef. Std. Err. t P> t [95% Conf. Interval] ppr rvp rvv czp _cons
Ekonometrija 1. Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija.
Ekonometrija 1 Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija. Na dvanajstih vajah bomo nadaljevali z obravnavo in preverjanjem predpostavke o odsotnosti avtokorelacije
6. Preverjanje predpostavk klasičnega regresijskega modela
6. Preverjanje predpostavk klasičnega regresijskega modela doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 Motivacija 1/93 Preverjanje predpostavke
ΟΙΚΟΝΟΜΕΤΡΙΑ 2 ΦΡΟΝΤΙΣΤΗΡΙΟ 2 BASICS OF IV ESTIMATION USING STATA
ΟΙΚΟΝΟΜΕΤΡΙΑ 2 ΦΡΟΝΤΙΣΤΗΡΙΟ 2 BASICS OF IV ESTIMATION USING STATA Στις ασκήσεις που ακολουθούν χρησιμοποιούμε δεδομένα για 3010 εργαζόμενους άνδρες ηλικίας 24 έως 34 από έρευνα που πραγματοποιήθηκε το
Lecture 8: Serial Correlation. Prof. Sharyn O Halloran Sustainable Development U9611 Econometrics II
Lecture 8: Serial Correlation Prof. Sharyn O Halloran Sustainable Development U9611 Econometrics II Midterm Review Most people did very well Good use of graphics Good writeups of results A few technical
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
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
!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', & - #% '##' #( &2(!%#(345#" 6##7
!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', '##' '# '## & - #% '##'.//0 #( 111111111111111111111111111111111111111111111111111 &2(!%#(345#" 6##7 11111111111111111111111111111111111111111111111111 11111111111111111111111111111111111111111111111111
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
Π.Μ.Σ. ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ ΚΑΙ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΕΛΙΚΟ ΔΙΑΓΩΝΙΣΜΑ 27/6/2016
Π.Μ.Σ. ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ ΚΑΙ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΕΛΙΚΟ ΔΙΑΓΩΝΙΣΜΑ 27/6/2016 Πρόβλημα 1. Σε μια μελέτη συγκεντρώθηκαν δεδομένα σχετικά με το μέγεθος του πληθυσμού (σε ζεύγη πτηνών) ενός είδους
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 =
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
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
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
MATHACHij = γ00 + u0j + rij
Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed
/
: 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,
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
ΤΕΛΙΚΗ ΕΞΕΤΑΣΗ ΔΕΙΓΜΑ ΟΙΚΟΝΟΜΕΤΡΙΑ Ι (3ο Εξάμηνο) Όνομα εξεταζόμενου: Α.Α. Οικονομικό Πανεπιστήμιο Αθήνας -- Τμήμα ΔΕΟΣ Καθηγητής: Γιάννης Μπίλιας
ΤΕΛΙΚΗ ΕΞΕΤΑΣΗ ΔΕΙΓΜΑ ΟΙΚΟΝΟΜΕΤΡΙΑ Ι (3ο Εξάμηνο) Όνομα εξεταζόμενου: Α.Α. Οικονομικό Πανεπιστήμιο Αθήνας -- Τμήμα ΔΕΟΣ Καθηγητής: Γιάννης Μπίλιας ΟΔΗΓΙΕΣ: Απαντήστε σε όλα τα θέματα. Απαντήστε με ακρίβεια
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
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
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
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.,,,.
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
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
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
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)
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 4: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (3 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
5. Partial Autocorrelation Function of MA(1) Process:
54 5. Partial Autocorrelation Function of MA() Process: φ, = ρ() = θ + θ 2 0 ( ρ() ) ( φ2, ) ( φ() ) = ρ() φ 2,2 φ(2) ρ() ρ() ρ(2) = φ 2,2 = ρ() = ρ() ρ() ρ() 0 ρ() ρ() = ρ()2 ρ() 2 = θ 2 + θ 2 + θ4 0
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
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
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
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........................................
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
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
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)
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
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
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
Stata Session 3. Tarjei Havnes. University of Oslo. Statistics Norway. ECON 4136, UiO, 2012
Stata Session 3 Tarjei Havnes 1 ESOP and Department of Economics University of Oslo 2 Research department Statistics Norway ECON 4136, UiO, 2012 Tarjei Havnes (University of Oslo) Stata Session 3 ECON
[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation
![[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation](/thumbs/74/71129035.jpg "[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation")
References [1] B.V.R. Punyawardena and Don Kulasiri, Stochastic Simulation of Solar Radiation from Sunshine Duration in Srilanka [2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar
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
Παραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model)
ΜΑΘΗΜΑ 4 ο 1 Παραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model) Αυτοσυσχέτιση (Serial Correlation) Lagrange multiplier test of residual
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
Political Science 552. Qualitative Variables. Dichotomous Predictor. Dummy Variables-Gender. Qualitative Variables March 3, 2004
Qualtatve Varables Marh, Poltal See 55 Qualtatve Varables Dhotomous Predtor Y PID Geder ( male, female) Y ( ) Y Y Y Y Dummy Varables-Geder. FT-BUSH PID GENDER. ge geder(v9). regress v6 v5 geder v6 Coef.
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
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
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
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
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
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
3 ο Φυλλάδιο Ασκήσεων. Εφαρμογές
ο Φυλλάδιο Ασκήσεων Εφαρμογές 2 ο Φυλλάδιο Ασκήσεων Εφαρμογή 1 ΣΥΓΚΡΙΣΗ ΤΗΣ ΗΛΙΚΙΑΣ ΤΩΝ ΕΡΓΑΖΟΜΕΝΩΝ ΣΕ ΔΥΟ ΕΠΙΧΕΙΡΗΣΕΙΣ Παρακάτω βλέπουμε τα ιστογράμματα και τα πολύγωνα των σχετικών (%) και σχετικών αθροιστικών
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
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
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),
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
Νίκος Πανταζής Βιοστατιστικός, PhD ΕΔΙΠ Ιατρικής Σχολής ΕΚΠΑ Εργαστήριο Υγιεινής, Επιδημιολογίας & Ιατρικής Στατιστικής
Νίκος Πανταζής Βιοστατιστικός, PhD ΕΔΙΠ Ιατρικής Σχολής ΕΚΠΑ Εργαστήριο Υγιεινής, Επιδημιολογίας & Ιατρικής Στατιστικής Η έννοια της στατιστικής για τον απλό άνθρωπο: Πολιτικές δημοσκοπήσεις (π.χ. το Χ
Želim Vam obilo uspeha pri reševanju! Predmet / Course: EKONOMETRIJA 1 (pisni izpit / final exam) Ime in priimek / First and last name: Datum / Date:
Predmet / Course: EKONOMETRIJA 1 (pisni izpit / final exam) Datum / Date: Ime in priimek / First and last name: Čas trajanja izpita / Exam duration: 180 minut Dovoljeni pripomočki / Aids permitted: navadni
Why Stata. Statacorp.
Εισαγωγή στη Stata Ευτυχία Σολέα Κέντρο Διδασκαλίας και Μάθησης (ΚΕ.ΔΙ.ΜΑ) Πανεπιστήμιο Κύπρου Ιανουάριος 24, 2018 1/60 Outline Εισαγωγή 1 Εισαγωγή 2 3 4 5 6 2/60 Outline Εισαγωγή 1 Εισαγωγή 2 3 4 5 6
Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση
Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση Γενική μορφή g( E[ Y X ]) Xb Κατανομή της Υ στην εκθετική οικογένεια Ανεξάρτητες παρατηρήσεις Ενας όρος για το σφάλμα g(.) Συνδετική συνάρτηση (link function)
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
ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Εισήγηση 4Β: Έλεγχοι Κανονικότητας Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ: ΟΙΚΟΝΟΜΕΤΡΙΑ Οι παραβιάσεις των σημαντικότερων υποθέσεων των γραμμικών υποδειγμάτων
Εισαγωγή στην Ανάλυση Συνδιακύμανσης (Analysis of Covariance, ANCOVA)
Εισαγωγή στην Ανάλυση Συνδιακύμανσης (nalysis of Covariance, NCOV) Βασίλης Παυλόπουλος Λέκτορας Διαπολιτισμικής Ψυχολογίας Τομέας Ψυχολογίας, Πανεπιστήμιο Αθηνών vpavlop@psych.uoa.gr http://www.psych.uoa.gr/~vpavlop
ΜΑΘΗΜΑ 4 ο. Μοναδιαία ρίζα
ΜΑΘΗΜΑ 4 ο Μοναδιαία ρίζα Είδαμε προηγουμένως πως ο έλεγχος της στασιμότητας μιας χρονικής σειράς μπορεί να γίνει με τη συνάρτηση αυτοσυσχέτισης. Ένας άλλος τρόπος που χρησιμοποιείται ευρύτατα στην ανάλυση
$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
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΣΤΡΑΤΗΓΙΚΗ Η ΟΙΚΟΝΟΜΙΚΗ ΚΡΙΣΗ ΚΑΙ ΟΙ ΕΠΙΠΤΩΣΗΣ ΤΗΣ ΣΤΑ ΣΥΣΤΗΜΑΤΑ ΥΓΕΙΟΝΟΜΙΚΗΣ ΠΕΡΙΘΑΛΨΗΣ
1 1 1 2 1 2 2 1 43 123 5 122 3 1 312 1 1 122 1 1 1 1 6 1 7 1 6 1 7 1 3 4 2 312 43 4 3 3 1 1 4 1 1 52 122 54 124 8 1 3 1 1 1 1 1 152 1 1 1 1 1 1 152 1 5 1 152 152 1 1 3 9 1 159 9 13 4 5 1 122 1 4 122 5
Διερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis
Διερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis Περιλαμβάνει ένα σύνολο αριθμητικών και γραφικών μεθόδων, που μας επιτρέπουν να αποκτήσουμε μια πρώτη εικόνα για την κατανομή των τιμών της μεταβλητής
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
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
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
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)
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...
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,
Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis
Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis Xue Han, MPH and Matt Shotwell, PhD Department of Biostatistics Vanderbilt University School of Medicine March 14, 2014
Διερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis
Διερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis Περιλαμβάνει ένα σύνολο αριθμητικών και γραφικών μεθόδων, που μας επιτρέπουν να αποκτήσουμε μια πρώτη εικόνα για την κατανομή των τιμών της μεταβλητής
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
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Μαθηματική Προτυποποίηση στις Σύγχρονες Τεχνολογίες και την Οικονομία» ΔΙΠΛΩΜΑΤΙΚΗ
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
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]](/thumbs/91/106768733.jpg "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
OLS. University of New South Wales, Australia
1997 2007 5 OLS Abstract An understanding of the macro-level relationship between fertility and female employment is relevant and important to current policy-making. The objective of this study is to empirically
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
ΣΥΣΧΕΤΙΣΗ & ΠΑΛΙΝΔΡΟΜΗΣΗ
ΣΥΣΧΕΤΙΣΗ & ΠΑΛΙΝΔΡΟΜΗΣΗ Για να προσδιορίσουμε την ύπαρξη σχέσης μεταξύ μεταβλητών, χρησιμοποιούμε την ανάλυση συσχέτισης. Για να προβλέψουμε την τιμή μιας μεταβλητής (εξαρτημένη μεταβλητή) με τη βοήθεια
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
NOB= Dickey=Fuller Engle-Granger., P. ( ). NVAR=Engle-Granger/Dickey-Fuller. 1( ), 6. CONSTANT/NOCONST (C) Dickey-Fuller. NOCONST NVAR=1. TREND/NOTREN
CDF(BIVNORM or CHISQ or DICKEYF or F or NORMAL or T or WTDCHI, DF=CHISQ T, DF1=F, DF2=F, NLAGS= Dickey-Fuller, NOB=, NVAR=, RHO=BIVNORM, EIGVAL=WTDCHI, LOWTAIL or UPTAIL or TWOTAIL, CONSTANT, TREND, TSQ,
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δειγμάτων, που διαχωρίζονται βάσει ενός επαναλαμβανόμενου και ενός ανεξάρτητου παράγοντα (Ανάλυση διακύμανσης για εξαρτημένα δείγματα ως προς δύο παράγοντες,
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
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
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΤΡΑΠΕΖΙΚΗ Θεματική Ενότητα: ΤΡΑ-61 Στρατηγική Τραπεζών Ακαδημαϊκό Έτος: 2013-2014
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΤΡΑΠΕΖΙΚΗ Θεματική Ενότητα: ΤΡΑ-61 Στρατηγική Τραπεζών Ακαδημαϊκό Έτος: 2013-2014 Γενικές οδηγίες για την εργασία Τέταρτη Γραπτή Εργασία Όλες οι ερωτήσεις
ΕΝΑ ΜΟΝΤΕΛΟ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΝΕΡΓΙΑΣ, ΤΩΝ ΜΙΣΘΩΝ ΚΑΙ ΤΟΥ ΠΛΗΘΩΡΙΣΜΟΥ ΣΕ ΧΩΡΕΣ ΤΗΣ Ε.Ε.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΝΑ ΜΟΝΤΕΛΟ ΓΙΑ ΤΗΝ ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΝΕΡΓΙΑΣ,
ΔΗΜΗΤΡΗΣ- ΘΕΟΔΩΡΟΣ ΦΙΛΙΠΠΑΚΟΣ
ΠΑΝΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΟΙΝΩΝΙΚΩΝ ΚΑΙ ΠΟΛΙΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Τμήμα Δημόσιας Διοίκησης Μεταπτυχιακό Πρόγραμμα Σπουδών:Οικονομικά της Παραγωγής και των Διακλαδικών Σχέσεων ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΔΙΕΡΕΥΝΗΣΗ ΚΙΝΔΥΝΟΥ
9.1 Introduction 9.2 Lags in the Error Term: Autocorrelation 9.3 Estimating an AR(1) Error Model 9.4 Testing for Autocorrelation 9.
9.1 Inroducion 9.2 Lags in he Error Term: Auocorrelaion 9.3 Esimaing an AR(1) Error Model 9.4 Tesing for Auocorrelaion 9.5 An Inroducion o Forecasing: Auoregressive Models 9.6 Finie Disribued Lags 9.7
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
22 .5 Real consumption.5 Real residential investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.5 Real house prices.5 Real fixed investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.3 Inflation
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:
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
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