!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', & - #% '##' #( &2(!%#(345#" 6##7
|
|
|
- Ιπποκράτης Μελετόπουλος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 !"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', '##' '# '## & - #% '##'.//0 #( &2(!%#(345#" 6## #% # 8 #"" % & - #% '##'9*&
2 #!( #")*(+&#!', ' # 5#" 6##:&2(!%#(39 '##9;#!3#"3 (% (! '#" ""''#"!#'!!'"' #%8#3 2%"# <==>+.//<9!##3%"#? "'!'!8#''# #'##'% #?#"3 9 "!'2'#9""''#"!#'!!''# " ## #" ( 6 %2 '! 9# ( (% %#""'!'(#"!#'!%#( #6 62 #6 9(%$##"#!8 #" #!# # ( #!#'!%#( # ' #+%#(!(!2 #! ' %( ' #" "'! '!8##'##'% #?3 25#?( 9! # ##(!2##""'!'(#"!#'! %#( ##!8 (%%'( #! %? 6'9!#%!! 62 (%##" ' ' #"!' 6 # ' #+%#(!(! (! '#" ' %!#?+ %#( #?!%##"!! (!!%!#'!%#( 3 "# ##"# ""''!' 6 #"8##"# ('#2
3
4 ; A@ & * << %#(!% ' << + "# #! %#(!!# <0 '#"$!8%"'!'' <B &A; <C '!(' <C &##!#% <D ' # <= '!! < 5 A@ & # '!#! &##!#% B ' # E '!! D & A@ & F &##!#% ' # '!! B && >
5 A " # $ &! % '
6 *; A& #"!!9?#!!3#3(# #"# %&!?#?# '?#!( ( "# 2?#3 '?# 3# #"# F %9 #?39 # #"# %%# '## 2 9? # 6 ' % #; 3" #'!!""'"# (!!!? '#!!'#6!"! '##2 & '! 3 # ( '39 9"# '# % # %!! #'#"? %2
7 ()&*+,(*) %" '#"'#"!'"'3?"'#%!%!# '! " # #( #2 (!(!?'32#! #" %#(!"' #!!#? 3 # #( ""'(! '##""'!'!8#2#!?'3#"?!'3 #" '9 G'( ' ' #" % '#9!6 ( #!#" %#"""!(!922?!'%###! #(""!(!#"%#( 9!'3#" #(#"#!#'! % # 6 6 (!#" ( %!'3#"#(## ' ""''#"!' 6 2 % "# <==>+.//<9 (%9" 9?"'! '!8#''# # '##' %#?#"3 2'#9""''#"!#'!!''# " # ##" (6 %2 '! 9# ( (% %#""'!'(#"!#'!%#( #6 6 2 # 6 9 (% $##" #!8#"#!## (#!#'!%#( #' #+ %#(!(!2
8 @ ; #'# #"?#!!''# "## #!(!#"%#( 2 '!(!%"" % #! '#'%!' #!'2 #(# $#? '##' G"'#"# (%' ' ' #"%#( 9? '##' #! 6"# %( #"%#( '!(!? '!8##""'! % #!! # " "# (!?#!(? %( %#% '! # ( 2'##'# #""'!"!#? $#2! %#" (!##" # #""'!"!9? %!!%#( (#! #3""' ""'(!' '##' '# # '#!!'( " '#" '#2''#(?#G# %#! " #!!#'( ( #!#"%#( 2 ; ##"%#( (##68?!!+ %#" 9G"'#"# "'!'!8# %"#? 2 '###"3#"!'%## #'###+? 9 ' # #!#'!%#% '! # # '"' #!#% #2'?'!%#( 3!! #!"#!!#'# # ' #(##"!#'!!'%##9 '#! #!!#' # '"#!#%!#'!9?!""!#'!("" '#!!'('#' %$$!#"!'%##2.
9 "% <!! "" # '!8% #!"# #(##"!#'!!'%##4#?9;!9<=DB7: $ - x u z v y MRT MRS MRS MRS B A A G 0 G 0 B G 0 G #?#!#'!99#" %!"# "# ""!(!#"!'%##A H& ' (4I972 %!'##" #(##"!'%##A#'#9 ' #!#'!$!#&29#!##"A A " #'? %!" $!# %!'#9 ###"A / A / 2'!%#( '#!# #(!(! G 0 #"?' " '## ( % %! '#' #!#'! $!#( % %!"2'!(!#"!' %## #(#!#!!?%!#?'! '##"# #! #(##"!'%##? (!#!# 4<=EB72 '##!!#'##"!'%## #""'"#!#" %! #"#? (!' %## "#!! % (! %! #" 0
10 "# #? (!'%## $!2 $! "# %#( # ( "' "# # # " '#" (!2(!!!## (!?!!%#"#!'%##2(!(%?!!%##" # (# % '!(! % # %##2!9 ##" %!"" #'#%!'%## (!!#-'##"# #""'!!#'##"!'%#### #!2 # 4<=E>7 % 9!#% (!% (!- " ' #!'"# '!8!'%## #(#9#!# #(# #"!#'!!'%##2%"!!3#?!%"!!#!#"##! # '? '# 9 (!''##!#'!?' " " ' "#!'%##2G# "" '?'!!#'! #(##"!'%##2 '!!(! " '#"'# " %#( #G # #" " '9? ( #!#'!%#( ( ( 6 # #! 2 A( ( 6 9 '# #( # '#?!#'! %#( " #" " '2 '? '!8 '##!# (! " '#"(!!!#?%#( # #(!'%### ""'!'# %?'!8'##2 #- # '!"?# 3 #?'3!'# # :"!! 3#?!%#" "" '?'#9"!! #! #" '# # '9 ""'!!% #" '# %! ""!#'!%#( 9 # '# #!### 2 B
11 "'## %%"" #"'!'!8#9 (%"# '## '#" '!8%#(!# '! 29 6 #""?'!8# '!8#2 # '9##(%(6!6#'? '!8%#( 2 "%#( #"#!#'! #( '##" ( %$!"# 9##"#! '('##(# #!#'!"# " '9!!#'! '( #( 6!4#9<===72%(6!#"6!!#'!!' %## #(#!? "# ' 4&!#?9 <==E72; %#( #" "" %# #(!?"# '#""" $!9#! # 6''! # #( # %#?!? "# ' #"!#? $!2 ###%""!#'!G '##"!(!'# # "'!"# '8-?!" ''# %###!25#?( 9 %#!!# ##'##2;!#'!%#( 9?!'#%?#!#'! G '#9 ' 6 "#!#'! '##'%9!!'3#" # '# #(!#'!!' ('#"$!4&!#?9<==E72 '! '!8#'!#! 6 '# #" '! %#( -! #' # ""'(! ' #'##' % 4 +&9<==C72!##"G# 6 # #"'# #!#(! % #"!' 6 ' (!'# '!%#( 9"# 6!9 %6# '%%#' #( 2 #! # #" "! '#' #!!#'( " #" '!8#2 '! # #") 3+ (%"!, E
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
16 " ('2),!'%##4?8 ## (!#? %!'##" #'#7 #!!! %%#( #!2 "# 9 #!"# #(# " #'!%#( 2!!'?'!(4( '!!% 7!# (4# 8#!!% 7 #!#"%#( 2"#?!' '!! K # %2%% 8 #"?# 38#"( '!!% ('?!! '## #" '!2 ""'"# # 8#!! % ('?!!'# #%!8##" # '# ""' 6! #'# # ' ' '#!#%?!! '# #?! (!!2 5#?( 9 ""' 6' # "! %"'2 # % #?! '#'#"# # 8#!!% " "!!9'##'? # 8#!!% ('2 </
17 & * % " '#" ' #" %#(! "'!!#?"'#% '! " # #( # 2 5#?( 9!# %# #'%2 "#!!#?%'? ' #" 3 - %#(!"'! 9(!# (!?'32 # ''# %#?!#.//<%##"3 9% #"3 '##"%!#'!%2#'!%'! %#" ###!'#" 9.B#! %9 %#"?#'? '! 9!*( (##!9 BDD # %9 </B%#"' #%#"!#'!!"+%#( '2%#" (!!%9!#?'# '#%8%#"!#'!!"+ %#( '2 ' #"% #"%.2 '#'#"#!8#" #!(###"# # #!#!!# #' ""'' ""'(#"!#'!!'6 2&'# "' #! ##!(2<=>/-<=C/-'! "#?! (!? '##2!#" "#? '##" #"!#? #! (## '#2 #9 3 #"'#? " # <0DD #.CE!#" "# #"<=CB2A #"'#' " #.B.CD #DE<B % "# #"<=>C+<=>D9 %!;!K" #<0D0# <<
18 B/. #'#"<=C. "# 2; #'#"!%##" '#?(#! 9 "# #% (!#?!2!% - ##!%#"3 ##!#'!%#"3 %#"3 ##! %#" ##!%#"! %#" #" %"''?% #"! ##!% #"# %#"#"!%"'' *(?% #"# %#"@!!%! %#"#?#" #%"'' (##! #"'#'!" #.>>0#.0E= #%<=><+<=C<2 ' #"'#(' %2 6 #";#!3(8#" #! (#9?'' '##"# ""'%#( '9#" #E#> ##!23!#</2E#!#'!G '#4 DCM #"#! 7(!E##!2'!!9#!"#"!! (!!%!G '#3?#!"!!# #"'!#'! <.
19 !'6 9("!!6 (? #?!" "# 2 # 9 '!<B/#" ###"3 9' (!!%9!# #? %"#!"+%#( '2 ' 3 0/# #!9 #"'# (!#'!%#( #!! ' 2 ##!!#?#!(#!!%##" #!2 "# 9 "# "# #" (+ #!3 6%2./#?'3#" %#(! % # #( " ##"'% ' #"!#'!%#( 25#?( 9 #! #" %#(!!# 6 (? %( ' #"!#'!%#( "# ###" % #2 '""( '# '#2 9? #'! +'!'#' % ##" 6 #!? #!!#'! %2!!'3#" #!"# #(##"!' ('2 #$!9? #(#+""'(!2 96 #!?!( #!#'!%#(?# #(%?'# #% ( # '2 9 %#(!!!? #" # #" #!? ""!(! #" %#(?##!2# 6!93 %? # #! %9?! 6 ##""'9'#! ' % #""'? "'!#'!%2 <0
20 '#9 G# #"!#'! (?"# " # #! 69 # #" '% ( 2 "# 9!#'!%#( ### #! #"# ' (#!#"!#'! (!#% #25'9? # '("#!#'!%#( # 3 ""# # 6 ( 9'' '! (%(!# '##" (#!#" " " ##!%6 2 9? # ' ##" %#(! " 2 ##''!#" G'( #" "" '?"# '(#!#"!#'!6 (2' '''#!!!#'! # ##( ' (#!#"!#'! 6 #!(#!#"!#'! (2#'( 9!#'! # ##?# 3 "'!! ' ""9 # #+""' % " ' 2 #$!9 # ""' '#" #(##"!' ('#?#!2 0 "# #" % "# $!8# #" "'! ''?!#'!%#( '! " #!'?!! 6 %'2? #" "# %#( % "" #! '9'? % ""'2 "# ###" % # (#"!#'!%#( '##" #" (9!9"69#? %!%2 6!#'! (? #! 6 (? % # #! %#( 9"# 6!9 #"6#"!#'!!#? 2? 6 ('# 6!(# '"'!#'! '(9 ' ( %9 3%2%!%6? (# '"#!!!(! <B
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
22 '#"$!8% (#6 %6"# "# ' %"' '("#!#'!%#( #'#!!' "" 69 ' % ""#!#'! # #'#!!'% 69! #" %!%6?!""# #! " 2 # # ( # #" (?!( #?!(! #" %#( #% '! 6 #"#625#?( 9 '' # 9'-6'#!!'# G'#! # # # '!%#(?'!# # #!?'!(?# <===72 9'#!!'# #" 6 '#' ""# #'#!!'%#6(% "# #!# 62 # '#$'#" (#!!#" 6?' % # # # ""'(#"!#'!!'"'!#'!%#( "'%!(! #"' '% (# '"# 6 #2! 6'(!'%9!#'!%#( #?!!"# # ""#!!(!#"!'6 2 #'#'!9' % "# 3 # #% (!#2!#%$!# ( #%!#" "# 9? #!#(!'## ''$#"?'#" %#% "# 2 <>
23 &A; 5 # 6##" %#(! ' ' #'# (!" '#!(!#""'!'!8#!8(!#% '# 2#"4<=DE7#?( % #"#! %#( % #!!' 6 '# 0E '!8'# 9?!(!#%'# '#!<< '2 # 9 #"!' (!(!#" '!8# (!#%'#?! </ '2 ' #% (' 6 #%'#!#?!(!#"'##'(!##" '# % #""'!'!8#2 (! '! #'#""'!'!8## '##'% #?2 % # 4<==D7 "# "#! C/- "# "'! '!8# '!! ' '##'% #?2 (###4<==D79%"# B>(!#%(!#'# 9 ("# "'! '!8#! # '##'% #? (!#%'# # %"'!? #"# (!# '# 2 # #" <==.+<==>"# 9 ## &# 4.//.7 #( (' "'! '!8#'# # '##' %#?2!#% '!!#'#""'!'!8##!#'! '##'% #? %#9? 6' ## #( <C
24 !#9!%# '##" # #""'!"!9#! #(2 1 # ##" % #?! # '$2G# #"# #!## "'# "!' '# # ( # '% (2 ##" # % #?!!! 2 #9! # '" "6# # ""' #!( #!#)"6,) #""',' '#" #!#"'# #(!2# #"#! # # '##" ##" '#""'# '!(! % #"#!! %# #?% ## #" '!##"#!2?9# #"# '#+'#?#!(!'## 2!#% 5# 4<=D>7 %% #""6 ""' #! '?! 6 #!#9? #? # ""' #!9 #!%(# ""''#""''# #"6""' #!2 5#?( 9 #! (!! # '#!#? # ""' # 2!#"'#""'2 5'"'##''3"# #!2' G'#'#""' #9? #"6""' #2!!9 " + ''!! ##" %"''#" %#""'9# #!!"#!##!#?' %(# ""'''# #"6""'#!2 <D
25 #! '"'##" # 4# <7 #" "#!!#?% "# : econ = growth fiscal control f, decentralization variables 6': economic growth fiscal > 0 decentralization + # ##"##"#<!'! # (#"# #9! <==D+.///9 2 '#+'##'##"# (#"#.B#!###!'#" 2 "# (!#""'! '!8# #" # '!! ""' 6 ##" 3 9 "# '##'% #? " # & #" '## '# #! (! 3" # ##3#"##"'2 (!922 %#9! '%'%!% #(!+%(#!2! #6 #"#? ('##! (#"#!2 "!''!8## (2 #? ( '! ('#!!'" #!#'! 6 "9 "66!# (" #6 #"G# 6%#!#'! %#( 2##! ( "!'#! ('#!!'6 ##"3 '#!2 <=
26 #'# #!"# '##'% #? %#9"#!!#?%(! '! ## #!2 "'!G"'##"#+'!'!% #?#?' '!##"'!#!( #!#"% # '!!#!!#?"# #%#'##'% #?2 '##'% #? #?#'#"'!2 # "(#! '##'!%!'## %#"# (!#9 #?!' '##9 '# % # '##'% #?2 "# 9? '! #6(! '# #!"# (!#2 (! '# ' #"!! ###"!# %#2 ##" % '##'# #' '!"'#!%# '##"'##2 "#?'!! '6 #6"# "!#(!#'# #!"# # #""'2 # "!' '! " #'' '## % # (%#9?'! #"$'##2 (##" %!% '!! '# 2 ;!# '! (! #'# #!"# '"' '###" %#2 # #"'?#!#!##" %#2./
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
28 #'# #!"# "!'#"#!4#?#!!#!(% #!#" #+# #" 9 9 #!(% #!#" #! #'#!#79? #' '"' (! # " '"'#2! # ##" (# '#""'#(!#""'!'!8#!#'! %"''9!#% %(2 6'!##" #+%"'(! '#!?(!#"# ##'% 2 #9 #! #(9? % #"!? '! "'! '!8# '!!!%!! # '##'% #?#" %#3 2..
29 % 5 A@ & "# '#"!#'!%#( '!#!? '(# "!"! ""'(! "'# #!2 '? #'? ##" %#"!#'!%#( 3 # #!8 ( %#9? ' #" ' '( # (!##"'( %#2 '# # '!G"'#"# 6'#""'!'( "#!#'!%#( 2(!##"#!## '! "?# 3(!# (34<==D72 # '"#"!#'! G '#?# #!( "#!!#?% 68# #!: max cp + BG'# P T + ϕg( P) y( B) P, B '" ( # 68! '##%!(!#"!'%## #(#!(!#" %!##" (&2 '( ( "" # 6'( %!#&9 ' %(## # '( #"" 6'%"#!"" # %!#4 % #9!'%9( # '#72 '"!#% #!'! "" # #(##"!'%##9%(2; '(( '"(!% 2 #(##"!' # 'G'.0
30 #'# #"(!!% ('! " " #'! %#( #"'##! 6 (9 ϕg( P) y( B) 9!" "#!#'!2 # #" '#!!' 6 (!#'! g( P) y( B) ' % % &2 /Nϕ O< "!' %#""'! '(9 22!#" '" # 6 ( %2'!# ϕ #8 #9?3 "'!'(#" '"# (9?!'!# ##9 #% '(2 9?(!#""#!!#?% ###: ###<2 B ϕ < 0 ###.2 P ϕ > 0 ### " %#""'! '( #( '#!(!#"!'%## #(#9!# #% "'! '( '!(!#"""' %!#'"2 3% # '# # #! #"!'3 #" '( #"!#'! %#( # (?? ' ' 09!%# # '!"?# 3#!#(9?#86'#"?3 "'!'(3 "# #"% "#.///9 %#""'!'(".///2 1 ##4#.7?!#!'$?' (#' #! '"'##" " #" # #" "#!!#?% "# :.B
31 shared = revenues own _ revenues own _ revenues control f,, 94.2<7 before _ 2000 after _ 2000 var iables 6': ( shared _ revenues) ( own _ revenues) 0?#! '#"'( ( shared _ revenues) ( own _ revenues) 1 '#"'(2 '# #" #. # #!#" "#!!#?% '"'#: growth _ of = sin _ bu ess activity strength _ of control f,, _ var fiscal incentives iables 6': growth _ of bu sin ess _ activity strength _ of > 0 fiscal _ incentives + # ##.9#""# <==>K.//< "# " #"#9?!%<==>K.///"# '# #" 2 ' #! '! (!?' ' '%? 9##"! "# '#( "( "# #'# #%!2 ' #+'# # '! "#.B 3 #!2 '#"*( (##! 6'!2.E
32 !#% 3!%!# $ %#" ' ##! %9##!" #%! 2# (#"# ###!'#"?!#6'!"# '#!#" "# %#? %2"# #? (#"!#'! %#( %#( 6 #" #'!! ""'9 "# # '# #!(!" # ' #2 ; #'?G"'##" #6(!"# '! ##"#!2 #!.2<2 " #6"# (9!!# (%#!#'!%#( # #? (2?# ##'##% #6?!!'"#! "# 2'"# ## ' #3 9 ( #6 " '#( #! #" '#'#" ( %2# 9#? ( #6??#'# #" (?' #? 2?# G"'# #"#!!#??2 9 # %! #? #" (9' ("" (#!!"# "" #"# "" %#2'# # '!##" (" #6?""!(!#" %#( # ( #'#!!'# ' "' "# # %#!# ( #? 2 9 #% 9?!(!#'!%#(?#! (" #!#'! 6?''# 6!!! #"!#'! %#( - (2 #"!? % "!'#" '% (#!!?!! "!' "!'#" 6 '(2.>
33 #'# #!"# "!'#"# "'# #!.2<2?#!# ( "!!"'# '## " 2;!#'! (!"# "" # 3 ''#"# ''% (#"!! %# '! 2 #'3#'%'(' #? "#? '! #!(!?' #'#"'% #? ( "# #.///K.//<2 #!.2.(! '% #"!! ##?# 3 %#2 (!'!'! ##" #"!! %## #"?# 3 2"#!(!3" # ##3.///#" 3 ##" '2 9? (! #6(! # %#""'! '(#"!#'!%#( # #? (2 (!?'3 (!#?'%#"#? (%( #"# %( %# #"%4'# #" #%'(79 #"''%(##%4'# #"?3'(7 < 2 #'%%#" " % ('#" #% '(2'''((!3(!#"#2 # #!"# "!'#"# "'# #% #?#"'( %# "# #% #'###!#"#!##" %# 4#'# #!"# 8#" %#7 (!"# #4#'# #!"# '"'"!'72 # 7# 844!9.C
34 "#!!#?%!? #"# #!.2<: &#!.2< &#!.2< '"< '".?(% /32 /3% /3% #!#.2BC >2>= 5 1=C '3243 2% 1=D +C>>= /%!2' 1== +<C.C< /'3!'! 1// '42 1//1/<P?( /3 /3% # <<<B. 4% ''22!)*+ $! '% ', '- 3333/%"'4/2/E7 3333/%"'4/2</7!!' #""'#!'"'#? G'"(# #""6 ""'59"6""''"'#? G'+ "(# #"##!#'$4'#!## 672 #!4#!.2<!<7##3#'# # '%'(' #" "# 9'#""'#'% #? ((!%('!!%"'2(!#" '#""' 4+/2<>7!#% # 6' # Q+<R/S2 5#?( (!''!# #8 ## # #"# ' '#" #%"'! '("#!#'!%#( # #? ("# #<==CK.//<2.D
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
37 %'(# (# %% (#"6 #?%("'# "# (!# %#2 0<
38 , & & F #'! # #!!# #" (G '#%# ""'!?'##2 '#$'9 #! 8#"!#'!%#( G '#R #!# '!!4# 7 '!! 0 2 1! "# #% #" '!! %"'!#?!#'! %#( G '# 8 "" "# '' ' '#" %#( 2 #! '! #"""''# #": ('#!!'#4#! (9 (#!#""" 69 '( " 7R J#"!' (' #(#4# #"'%# # #" ('#"''%# 7R J!#"!' (' 4 #!! '! 6 # ""!' ('7R ##"%#( # #4 (6 7R 0'#'#"#'#6!##!2#'# % 2 5#?( #' '!"# ##"#(!#2 0.
39 A#( "!'( # #" -!"2!! #"!! #! ""' #! % 2! #%!! #!#: - '# 6 9 (%9 '##' % #?#"G '#'2 ''!! ##!#% # "%#" "'#! '? "# '' ' ' %#( 8 #" (!2!%#( 8 '!'! # 6#""'#%# "# '' ' '$#2 + # ##" ##" #9 #!#? %#( 3 2 '# #(!!%#"#!"# #!#' "" #" 3 2 "# 9! (2#9! (!##!# #9 # #(!! # 3 2!?'3#" (%#!#% '# G# "# '(!#" %#( 9 # # '# #! "# # "'# "!'% %#( "# ' 6'"# %#( G '# 82 #!(! #"!2#9 # "'#!? #9?!! ' # %# ' #-2!!#? (%%!#?%#( G '# 8 ' "# '' ' ': (9!9'#'!! 6 9(#!#" " #G '#2 00
40 " # $.///.//<.//. correl coef with population size.! / ( +/2B0 +/20= +/2BB 5! +/2<E! +/2.< +/2.< +/2<. '#! +/2B= +/2E0 +/2>/ * " +/20E +/2<=!# % '!!622 "#!!#?% # # #" "'#!"# #" #! ' "!'#" %#( #!# 8# "# '' ' 'G#! 4#"# #(!79 4# "# G# %"''#" '! (!7(!#"G+$ 4 6!# #? #"#!72 ##" ), #! #" #' ' ' 8!#?2 0B
41 % & 6 " ( 5!!.//..///.//<.//..//..///.//<.//. # /2 2 3! 24' %'3 B2= /2B 4#7. /' % /52 /5!% +<2= 4# V4#7 /5' /23 /3!% / ' / /% 4 1< /% ' /' 2 /3' / 4 /5 /2% 1. /42 /2' / ' / /% 10 /2. +/2< '#!' /2 /542 /532 % ' 3 ' '-- ' ''' '' '2% ' '' ' 3!)*+ $ ''2 '2- ',- '4 +'' '2 ' ' '' ''' ''' ''' ' ''' ''' ''' 5# , %"/2/E 3333+%"/2<! ' 5 4 3!! &#!"# '# 6? # "# #!' ' ' '(!!#!"# # #2#!"#!6 '#""'# #!# 8(! '!! %"'2&#! "# "!#?(!#" G +$ 9 #?( '#" '!! %"'2 #! ( "'# ' ' '2 #9## #?#"! # '!'!##""'# (" # #!2 (! %" # < # # C2=##" #! %#" ###"(?#" #!# 82 ( %(!#" # 02BB ##" 2(!!#? #;#!32 0E
42 2 && 3 '! %#% "#?###" % #.//<2 ( #" "# # #% (!#2 %#!#"?#(!'#"""''#" #%8##"!#'!!'"'3 2 '! 9? # (%9" 9?"'! '!8#'#! '# #'##'% #?#"3 2'#9? # %#""'! '(#"!#'!%#( # #!8 ( ?(%$##"? #! 8#"#!## (#!#'!%#( #' #+ %#(!(!62 ; #!'%('#""'!'!8# #'##'% #?3 25#?( 9! # ## (!29?'3#"# #!%#"# "#!4 ##"<==DK.///72 ' # #!? (!#" ( '!8#9 " '#"!#?"'!'!8#'##'% #? ' ##" 6 '!8## '##' %#?2 ##" %#""'! '(#"!#'!%#( # #!8 (?%(G '#%%'( # 0>
43 !%? 6'9!#%!! 62 %9 ##"!#!#?' '#"#?3#" #6(!? #2 9 #('#""'!'(#"!#'!%#( # (!#3 %#2 (%# #" ' ' #"!' 6 # ' #+ %#(!(! (! '#" ' %!#?+ %#( #?!%##"!!(!!%!#'!%#( 3 "# # #" # ""''!' 6 #" 8##"# ('# 0C
44 A5 %##"3 94.//<72?#" 3 # % #"3 #"<==.+.//< (## 529 # 529 6!. 7 / 3 + 8! F#!#" '##'9B09..B+.EC94<==D "!9 229 <==C2 3%!2 F#! #" '##' '(2@#!2<<22 B0+>B %#(! "# 3 #".//<2 *(9!!%#9.//<2 F9529J929;%229 * 6! 9 /! 89 4<===72 * ('3#9@!9: # ;< *(:94<===7 3 ;!!9. # & ' '##'(?9ED9&9.0=+0/E9 4<=>D7 ## 39&# /.! 8+: + 8!# ;!8 F#! #" '##'9 E.9 =0+</D9 4.//.7 J929#!A2!! 8# &! 9 ' '##' (?9 DD9 <<B0+<<>.9 4<==D7!#9 22 #.! (? #" '##''90>90DC+ 0D=94<=EB7 #!9!9 8!.! # # : 7 =! ' 9 # #( 94.///7!9 2 9 )!! :. # / # ;8 > 3 9 A# %&# ( 9?# 3% "94.//.72 +&9 2! 9! 2&94<==C7 39 ; >! # /! '!! ""' J! # 9 J 9 <===9>BKCB #9!2 3 # :.! 2 F#!#" #!'! '##9>B9B<>+.B94<=E>7 %9 29 #9 59+"29 6 8!!. 7 F#! #"!' '##'9 >C4.79..<+ B/94<==D72 0D
45 (39 '( # #( #'!!' A##: '!!9!2 	 5 ( ( 9 <==D 0=
46 Appendix 1 Estimatin output for hypotesis 1 Random-effects GLS regression Number of obs = 75 Group variable (i) : region Number of groups = 25 R-sq: within = Obs per group: min = 3 between = avg = 3.0 overall = max = 3 Random effects u_i ~ Gaussian Wald chi2(7) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ec_gr Coef. Std. Err. z P> z [95% Conf. Interval] sh_or hum_cap sme inc_ineq rpi av_wage urbanization _cons sigma_u sigma_e rho (fraction of variance due to u_i) Hausman specification test ---- Coefficients ---- Fixed Random ec_gr Effects Effects Difference sh_or hum_cap sme inc_ineq rpi av_wage urbanization Test: Ho: difference in coefficients not systematic chi2( 7) = (b-b)'[s^(-1)](b-b), S = (S_fe - S_re) = Prob>chi2 = Fixed-effects (within) regression Number of obs = 75 Group variable (i) : region Number of groups = 25 R-sq: within = Obs per group: min = 3 between = avg = 3.0 overall = max = 3 F(7,43) = corr(u_i, Xb) = Prob > F = ec_gr Coef. Std. Err. t P> t [95% Conf. Interval] sh_or hum_cap sme inc_ineq rpi av_wage urbanization _cons sigma_u sigma_e rho (fraction of variance due to u_i) F test that all u_i=0: F(24, 43) = 2.51 Prob > F = B/
47 Random-effects GLS regression Number of obs = 75 Group variable (i) : region Number of groups = 25 R-sq: within = Obs per group: min = 3 between = avg = 3.0 overall = max = 3 Random effects u_i ~ Gaussian Wald chi2(6) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ec_gr Coef. Std. Err. z P> z [95% Conf. Interval] sh_or hum_cap sme inc_ineq rpi av_wage _cons sigma_u sigma_e rho (fraction of variance due to u_i) Hausman specification test ---- Coefficients ---- Fixed Random ec_gr Effects Effects Difference sh_or hum_cap sme inc_ineq rpi av_wage Test: Ho: difference in coefficients not systematic chi2( 6) = (b-b)'[s^(-1)](b-b), S = (S_fe - S_re) = 2.29 Prob>chi2 = Random-effects GLS regression Number of obs = 75 Group variable (i) : region Number of groups = 25 R-sq: within = Obs per group: min = 3 between = avg = 3.0 overall = max = 3 Random effects u_i ~ Gaussian Wald chi2(4) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ec_gr Coef. Std. Err. z P> z [95% Conf. Interval] sh_or sme rpi av_wage _cons sigma_u sigma_e rho (fraction of variance due to u_i). xthaus B<
48 Hausman specification test ---- Coefficients ---- Fixed Random ec_gr Effects Effects Difference sh_or sme rpi av_wage Test: Ho: difference in coefficients not systematic chi2( 4) = (b-b)'[s^(-1)](b-b), S = (S_fe - S_re) = 1.04 Prob>chi2 = Random-effects GLS regression Number of obs = 75 Group variable (i) : region Number of groups = 25 R-sq: within = Obs per group: min = 3 between = avg = 3.0 overall = max = 3 Random effects u_i ~ Gaussian Wald chi2(9) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ec_gr Coef. Std. Err. z P> z [95% Conf. Interval] sh_or hum_cap sme inc_ineq rpi av_wage urbanization d_ d_ _cons sigma_u sigma_e rho (fraction of variance due to u_i) Hausman specification test ---- Coefficients ---- Fixed Random ec_gr Effects Effects Difference sh_or hum_cap sme inc_ineq rpi av_wage urbanization d_ d_ Test: Ho: difference in coefficients not systematic chi2( 9) = (b-b)'[s^(-1)](b-b), S = (S_fe - S_re) = 3.92 Prob>chi2 = Random-effects GLS regression Number of obs = 75 Group variable (i) : region Number of groups = 25 R-sq: within = Obs per group: min = 3 B.
49 between = avg = 3.0 overall = max = 3 Random effects u_i ~ Gaussian Wald chi2(8) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ec_gr Coef. Std. Err. z P> z [95% Conf. Interval] sh_or sme inc_ineq rpi av_wage urbanization d_ d_ _cons sigma_u sigma_e rho (fraction of variance due to u_i). xthaus Hausman specification test ---- Coefficients ---- Fixed Random ec_gr Effects Effects Difference sh_or sme inc_ineq rpi av_wage urbanization d_ d_ Test: Ho: difference in coefficients not systematic chi2( 8) = (b-b)'[s^(-1)](b-b), S = (S_fe - S_re) = 2.94 Prob>chi2 = Random-effects GLS regression Number of obs = 75 Group variable (i) : region Number of groups = 25 R-sq: within = Obs per group: min = 3 between = avg = 3.0 overall = max = 3 Random effects u_i ~ Gaussian Wald chi2(7) = corr(u_i, X) = 0 (assumed) Prob > chi2 = ec_gr Coef. Std. Err. z P> z [95% Conf. Interval] sh_or sme inc_ineq av_wage urbanization d_ d_ _cons sigma_u sigma_e rho (fraction of variance due to u_i). xthaus B0
50 Hausman specification test ---- Coefficients ---- Fixed Random ec_gr Effects Effects Difference sh_or sme inc_ineq av_wage urbanization d_ d_ Test: Ho: difference in coefficients not systematic chi2( 7) = (b-b)'[s^(-1)](b-b), S = (S_fe - S_re) = 1.57 Prob>chi2 = BB
51 APPENDIX 2 Hypothesis 2 (Stata estimation output) Model 2.1a Random-effects GLS regression Number of obs = 120 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 5 between = avg = 5.0 overall = max = 5 Random effects u_i ~ Gaussian Wald chi2(6) = corr(u_i, X) = 0 (assumed) Prob > chi2 = d_sr Coef. Std. Err. z P> z [95% Conf. Interval] d_or pop d_ d_ d_ d_ _cons sigma_u 0 sigma_e rho 0 (fraction of variance due to u_i) Fixed-effects (within) regression Number of obs = 120 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 5 between = avg = 5.0 overall = max = 5 F(6,90) = corr(u_i, Xb) = Prob > F = d_sr Coef. Std. Err. t P> t [95% Conf. Interval] d_or pop d_ d_ d_ d_ _cons sigma_u sigma_e rho (fraction of variance due to u_i) F test that all u_i=0: F(23, 90) = 0.42 Prob > F = Source SS df MS Number of obs = F( 6, 113) = Model e e+10 Prob > F = Residual e e+09 R-squared = Adj R-squared = Total e e+09 Root MSE = d_sr Coef. Std. Err. t P> t [95% Conf. Interval] d_or pop d_ d_ d_ d_ _cons BE
52 Random-effects GLS regression Number of obs = 120 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 5 between = avg = 5.0 overall = max = 5 Random effects u_i ~ Gaussian Wald chi2(3) = corr(u_i, X) = 0 (assumed) Prob > chi2 = d_sr Coef. Std. Err. z P> z [95% Conf. Interval] d_or pop d_or_ _cons sigma_u 0 sigma_e rho 0 (fraction of variance due to u_i) Fixed-effects (within) regression Number of obs = 120 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 5 between = avg = 5.0 overall = max = 5 F(3,93) = corr(u_i, Xb) = Prob > F = d_sr Coef. Std. Err. t P> t [95% Conf. Interval] d_or pop d_or_ _cons sigma_u sigma_e rho (fraction of variance due to u_i) F test that all u_i=0: F(23, 93) = 0.17 Prob > F = Source SS df MS Number of obs = F( 3, 116) = Model e e+10 Prob > F = Residual e e+09 R-squared = Adj R-squared = Total e e+09 Root MSE = d_sr Coef. Std. Err. t P> t [95% Conf. Interval] d_or pop d_or_ _cons Model 2.1b Random-effects GLS regression Number of obs = 120 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 5 between = avg = 5.0 overall = max = 5 Random effects u_i ~ Gaussian Wald chi2(6) = corr(u_i, X) = 0 (assumed) Prob > chi2 = d_sr Coef. Std. Err. z P> z [95% Conf. Interval] d_or B>
53 pop d_ d_ d_ d_or_ _cons sigma_u 0 sigma_e rho 0 (fraction of variance due to u_i) Fixed-effects (within) regression Number of obs = 120 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 5 between = avg = 5.0 overall = max = 5 F(6,90) = corr(u_i, Xb) = Prob > F = d_sr Coef. Std. Err. t P> t [95% Conf. Interval] d_or pop d_ d_ d_ d_or_ _cons sigma_u sigma_e rho (fraction of variance due to u_i) F test that all u_i=0: F(23, 90) = 0.22 Prob > F = Source SS df MS Number of obs = F( 6, 113) = Model e e+10 Prob > F = Residual e e+09 R-squared = Adj R-squared = Total e e+09 Root MSE = d_sr Coef. Std. Err. t P> t [95% Conf. Interval] d_or pop d_ d_ d_ d_or_ _cons BC
54 Model 2.2 Random-effects GLS regression Number of obs = 96 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 4 between = avg = 4.0 overall = max = 4 Random effects u_i ~ Gaussian Wald chi2(5) = 6.38 corr(u_i, X) = 0 (assumed) Prob > chi2 = d_bus Coef. Std. Err. z P> z [95% Conf. Interval] inc pop d_ d_ d_ _cons sigma_u 0 sigma_e rho 0 (fraction of variance due to u_i) Fixed-effects (within) regression Number of obs = 96 Group variable (i) : region Number of groups = 24 R-sq: within = Obs per group: min = 4 between = avg = 4.0 overall = max = 4 F(5,67) = 1.41 corr(u_i, Xb) = Prob > F = d_bus Coef. Std. Err. t P> t [95% Conf. Interval] inc pop d_ d_ d_ _cons sigma_u sigma_e rho (fraction of variance due to u_i) F test that all u_i=0: F(23, 67) = 0.88 Prob > F = Source SS df MS Number of obs = F( 5, 90) = 1.28 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = d_bus Coef. Std. Err. t P> t [95% Conf. Interval] inc pop d_ d_ d_ _cons BD
55 :;., #. Source SS df MS Number of obs = F( 3, 90) = 3.34 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = trpc_02 Coef. Std. Err. t P> t [95% Conf. Interval] pop pop_ d_ _cons Ramsey RESET test using powers of the fitted values of trpc_02 Ho: model has no omitted variables F(3, 87) = 0.03 Prob > F = &< #; # 2000 Source SS df MS Number of obs = F( 5, 87) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = adm_pc_00 Coef. Std. Err. t P> t [95% Conf. Interval] pop log_pop pop_ pop_ d_ _cons ovtest Ramsey RESET test using powers of the fitted values of adm_pc_00 Ho: model has no omitted variables F(3, 84) = 1.13 Prob > F = Source SS df MS Number of obs = F( 5, 87) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = adm_pc_01 Coef. Std. Err. t P> t [95% Conf. Interval] B=
56 pop log_pop pop_ pop_ d_ _cons ovtest Ramsey RESET test using powers of the fitted values of adm_pc_01 Ho: model has no omitted variables F(3, 84) = Prob > F = //. Source SS df MS Number of obs = F( 7, 85) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = adm_pc_02 Coef. Std. Err. t P> t [95% Conf. Interval] pop log_pop pop_ pop_ pop_ d_ d_ _cons ovtest Ramsey RESET test using powers of the fitted values of adm_pc_02 Ho: model has no omitted variables F(3, 82) = 2.84 Prob > F = ;., #..//. Source SS df MS Number of obs = F( 2, 54) = 0.86 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = h_pc_02 Coef. Std. Err. t P> t [95% Conf. Interval] pop pop_ _cons ovtest Ramsey RESET test using powers of the fitted values of h_pc_02 Ho: model has no omitted variables F(3, 51) = 0.40 Prob > F = E/
57 ,;., # Source SS df MS Number of obs = F( 5, 76) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = c_pc_00 Coef. Std. Err. t P> t [95% Conf. Interval] log_pop pop d_ d_ d_ _cons ovtest Ramsey RESET test using powers of the fitted values of c_pc_00 Ho: model has no omitted variables F(3, 73) = 2.09 Prob > F = //< Source SS df MS Number of obs = F( 4, 79) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = c_pc_01 Coef. Std. Err. t P> t [95% Conf. Interval] pop log_pop d_ d_ _cons ovtest Ramsey RESET test using powers of the fitted values of c_pc_01 Ho: model has no omitted variables F(3, 76) = 3.68 Prob > F = Source SS df MS Number of obs = F( 5, 82) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = c_pc_02 Coef. Std. Err. t P> t [95% Conf. Interval] pop log_pop d_ d_ d_ _cons E<
58 . ovtest Ramsey RESET test using powers of the fitted values of c_pc_02 Ho: model has no omitted variables F(3, 79) = 2.02 Prob > F = " (6 '(%#( G '#8 trpc_ adm_pc_ pop pop 5!'! 6 '(%#( G '#8 h_pc_ c_pc_ pop pop 5!'! 6 '(%#( G '#8 ed_pc_ pop E.
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 =
MATHACHij = γ00 + u0j + rij
Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed
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
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
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
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
Estimation of gasoline demand function
Seminar paper in Panel Analysis Estimation of gasoline demand function Markus Pock Matr.Nr. 8900483 June 2005 Abstract The objective of this seminar paper in the course of the lecture by R. Kunst Paneldata,
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
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
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
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
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΚΥΒΕΡΝΗΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΜΕΓΕΘΥΝΣΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΣΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΣΤΡΑΤΗΓΙΚΗ ΚΥΒΕΡΝΗΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΜΕΓΕΘΥΝΣΗ Η ΠΕΡΙΠΤΩΣΗ 12 ΧΩΡΩΝ ΖΕΡΒΑ ΚΩΝΣΤΑΝΤΙΝΑ
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
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
Supplementary Information 1.
Supplementary Information 1. Fig. S1. Correlations between litter-derived-c and N (percent of initial input) and Al-/Fe- (hydr)oxides dissolved by ammonium oxalate (AO); a) 0 10 cm; b) 10 20 cm; c) 20
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
Microcredit: an answer to the gender problem in funding?
Microcredit: an answer to the gender problem in funding? Sophie Brana To cite this version: Sophie Brana. Microcredit: an answer to the gender problem in funding?. CR10/EFI08. 2008. HL Id:
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
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)
ΕΚΤΙΜΗΣΗ ΤΗΣ ΠΟΙΟΤΗΤΑΣ ΖΩΗΣ ΑΣΘΕΝΩΝ ΜΕΤΑ ΑΠO ΕΜΦΥΤΕΥΣΗ ΑΠΙΝΙΔΩΤΗ
ΕΚΤΙΜΗΣΗ ΤΗΣ ΠΟΙΟΤΗΤΑΣ ΖΩΗΣ ΑΣΘΕΝΩΝ ΜΕΤΑ ΑΠO ΕΜΦΥΤΕΥΣΗ ΑΠΙΝΙΔΩΤΗ Δ. ΚΡΙΚΙΔΗΣ, Τ. ΔΑΔΟΥΣ, Δ. ΕΚΚΛΗΣΙΑΡΧΟΣ, Χ.ΚΥΡΠΙΖΙΔΗΣ, Ε.ΠΑΝΤΕΛΙΔΟΥ, Σ. ΣΑΒΒΑΤΗΣ, Μ. ΡΑΙΚΟΥ, Δ ΝΙΑΚΑΣ, Ι. ΚΑΝΟΝΙΔΗΣ Β Καρδιολογική Πανεπιστημιακή
Multilevel models for analyzing people s daily moving behaviour
Multilevel models for analyzing people s daily moving behaviour Matteo BOTTAI 1 Nicola SALVATI 2 Nicola ORSINI 3 13th European Colloquium on Theoretical and Quantitative Geography Lucca 5th - 9th September,
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)
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
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
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
Appendix A3. Table A3.1. General linear model results for RMSE under the unconditional model. Source DF SS Mean Square
Appendix A3 Table A3.1. General linear model results for RMSE under the unconditional model. Source DF SS F Value Pr > F Model 107 374.68 3.50 8573.07
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
Parts Manual. Trio Mobile Surgery Platform. Model 1033
Trio Mobile Surgery Platform Model 1033 Parts Manual For parts or technical assistance: Pour pièces de service ou assistance technique : Für Teile oder technische Unterstützung Anruf: Voor delen of technische
)# * ' +," -.(. / ( 01(#(' ( 0 #('( +' ")# *'+,"+ (. 20#('( / )%34"5 "+56336"% (%1/ :8;434(
! "#$" %& ' ' ' ( )# * ' +," -.(. / ( 01(#(' ( 0 #('( +' ")# *'+,"+ (. 20#('( / )%34"5 "+56336"% (%1/7338897394:8;434( * ''
[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
Επαναληπτικό μάθημα GLM
Επαναληπτικό μάθημα GLM GLM: Πιθανοφάνεια, εκθετική οικογένεια κατανομών (1) Ο αριθμός των ατυχημάτων το έτος 2001 για 5 οδηγούς ήταν αντίστοιχα: 3, 1, 5, 0 και 2. Γράψτε τη likelihood των δεδομένων Υπολογίστε
9 1. /001/2 27 /8? /89 16 < / B? > DEE F
!" #$ %! &!$ % ' $ ($ $ ) #%*!! +!(, % -. /001/2 03 4 /1. / 5 /6 0/078/2 27 91 1:3 /14 10 72 91.1;11 27 < 2 82 27 = 9 /62025 9> / = 9> 0/80 > /8? /89 16 < 3 9 4 24 4 /11 / 89 ;1 @ = 271002 A1? B 602 C
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
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.
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
Ενότητα 3: Ανάλυση Διακύμανσης κατά ένα παράγοντα One-Way ANOVA
ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 3: One-Way ANOVA
Summary of the model specified
Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com
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
No No No No No.5. No
0-1 0-2 0-3 0-4 No. 1 1-1 No.2 2-1 No.3 3-1 No.4 4-1 No.5 No.30 30-1 Tokyo) (m) (cm) /ha 1 1062 101 36 58 48 / 139 19 44 1631 3095 375 10.1 ( 1,380 11 N80E dbd 9/17 8/27 2 1062 101 36 58 43 / 139 19 06
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
Αυτό το κεφάλαιο εξηγεί τις ΠΑΡΑΜΕΤΡΟΥΣ προς χρήση αυτού του προϊόντος. Πάντα να μελετάτε αυτές τις οδηγίες πριν την χρήση.
Αυτό το κεφάλαιο εξηγεί τις ΠΑΡΑΜΕΤΡΟΥΣ προς χρήση αυτού του προϊόντος. Πάντα να μελετάτε αυτές τις οδηγίες πριν την χρήση. 3. Λίστα Παραμέτρων 3.. Λίστα Παραμέτρων Στην αρχική ρύθμιση, μόνο οι παράμετροι
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
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.,,,.
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
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
Metal Oxide Varistors (MOV) Data Sheet
Φ SERIES Metal Oxide Varistors (MOV) Data Sheet Features Wide operating voltage (V ma ) range from 8V to 0V Fast responding to transient over-voltage Large absorbing transient energy capability Low clamping
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
!! " &' ': " /.., c #$% & - & ' ()",..., * +,.. * ' + * - - * ()",...(.
..,.. 00 !!.6 7 " 57 +: #$% & - & ' ()",..., * +,.. * ' + * - - * ()",.....(. 8.. &' ': " /..,... :, 00. c. " *+ ' * ' * +' * - * «/'» ' - &, $%' * *& 300.65 «, + *'». 3000400- -00 3-00.6, 006 3 4.!"#"$
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,
!"#$%& '!(#)& a<.21c67.<9 /06 :6>/ 54.6: 1. ]1;A76 _F -. /06 4D26.36 <> A.:4D6:6C C4/4 /06 D:43? C</ O=47?6C b*dp 12 :1?6:E /< D6 3:4221N6C 42 D:A6 O=
![!#$%& '!(#)& a<.21c67.<9 /06 :6>/ 54.6: 1. ]1;A76 _F -. /06 4D26.36 <> A.:4D6:6C C4/4 /06 D:43? C</ O=47?6C b*dp 12 :1?6:E /< D6 3:4221N6C 42 D:A6 O=](/thumbs/72/67457957.jpg "!#$%& '!(#)& a<.21c67.<9 /06 :6>/ 54.6: 1. ]1;A76 _F -. /06 4D26.36 <> A.:4D6:6C C4/4 /06 D:43? C</ O=47?6C b*dp 12 :1?6:E /< D6 3:4221N6C 42 D:A6 O=")
! " #$% & '( )*+, -. /012 3045/67 8 96 57626./ 4. 4:;74= 69676.36 D426C
+ 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
Marginal effects in the probit model with a triple dummy variable interaction term
Marginal effects in the probit model with a triple dummy variable interaction term Thomas Cornelißen and Katja Sonderhof Leibniz Universität Hannover, Discussion Paper No. 386 January 2008 ISSN: 0949 9962
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο δειγμάτων, που διαχωρίζονται βάσει δύο ανεξάρτητων παραγόντων (Ανάλυση διακύμανσης για ανεξάρτητα δείγματα ως προς περισσότερους
Σηµαντικές µεταβλητές για την άσκηση οικονοµικής ολιτικής µίας χώρας. Καθοριστικοί αράγοντες για την οικονοµική ανά τυξη.
ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ, ΑΕΠ, ΕΞΑΓΩΓΕΣ: ΜΙΑ ΕΜΠΕΙΡΙΚΗ ΕΡΕΥΝΑ ΓΙΑ ΕΛΛΑΔΑ- ΙΣΠΑΝΙΑ-ΠΟΡΤΟΓΑΛΙΑΠΟΡΤΟΓΑΛΙΑ Επιβλέπων καθηγητής: Δριτσάκης Νικόλαος Εκπονήθηκε από: Τέμπου Αικατερίνη (11/37) ΕΙΣΑΓΩΓΙΚΑ Μελέτη
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........................................
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
5.4 The Poisson Distribution.
The worst thing you can do about a situation is nothing. Sr. O Shea Jackson 5.4 The Poisson Distribution. Description of the Poisson Distribution Discrete probability distribution. The random variable
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
Surface Mount Multilayer Chip Capacitors for Commodity Solutions
Surface Mount Multilayer Chip Capacitors for Commodity Solutions Below tables are test procedures and requirements unless specified in detail datasheet. 1) Visual and mechanical 2) Capacitance 3) Q/DF
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)
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
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 )
Repeated measures Επαναληπτικές μετρήσεις
ΠΡΟΒΛΗΜΑ Στο αρχείο δεδομένων diavitis.sav καταγράφεται η ποσότητα γλυκόζης στο αίμα 10 ασθενών στην αρχή της χορήγησης μιας θεραπείας, μετά από ένα μήνα και μετά από δύο μήνες. Μελετήστε την επίδραση
CSAE WPS/2009-06 Figure 1: Cut Flower Exports from Kenya, 1995-2007 Table 1: Firms in Areas with and w/out Conflict Panel A - Export Records Variable Observations Mean in No-Conflict
Simon et al. Supplemental Data Page 1
Simon et al. Supplemental Data Page 1 Supplemental Data Acute hemodynamic effects of inhaled sodium nitrite in pulmonary hypertension associated with heart failure with preserved ejection fraction Short
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
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
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
Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
5.1 logistic regresssion Chris Parrish July 3, 2016
5.1 logistic regresssion Chris Parrish July 3, 2016 Contents logistic regression model 1 1992 vote 1 data..................................................... 1 model....................................................
TeSys contactors a.c. coils for 3-pole contactors LC1-D
References a.c. coils for 3-pole contactors LC1-D Control circuit voltage Average resistance Inductance of Reference (1) Weight Uc at 0 C ± 10 % closed circuit For 3-pole " contactors LC1-D09...D38 and
A Finite Precision of Private Information Precision of Private Information Approaching Infinity 0 θ1 * θ Session Cost of Action A First 20 Last 20 Rounds Rounds Information in Stage 2 First 20 Last
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
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
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)
Terminal Contact UL Insulation Designation (provided with) style form system approval Flux tight
eatures A miniature PCB Power Relay. form A contact configuration with quick terminal type. 5KV dielectric strength, K surge voltage between coils to contact. Ideal for high rating Home Appliances of heating
Η ΑΝΘΥΦΑΙΡΕΤΙΚΗ ΕΡΜΗΝΕΙΑ ΤΗΣ ΕΞΩΣΗΣ ΤΗΣ ΠΟΙΗΣΗΣ ΣΤΟ ΔΕΚΑΤΟ ΒΙΒΛΙΟ ΤΗΣ ΠΟΛΙΤΕΙΑΣ ΤΟΥ ΠΛΑΤΩΝΟΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ MΑΘΗΜΑΤΙΚΩΝ ΤΜΗΜΑ ΜΕΘΟΔΟΛΟΓΙΑΣ, ΙΣΤΟΡΙΑΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗΣ ΤΜΗΜΑ ΕΠΙΣΤΉΜΩΝ ΑΓΩΓΉΣ & ΘΕΩΡΙΑΣ ΤΗΣ ΕΠΙΣΤΗΜΗΣ ΤΜΗΜΑ ΦΙΛΟΣΟΦΙΑΣ, ΠΑΙΔΑΓΩΓΙΚΗΣ &
Generalized Linear Model [GLM]
![Generalized Linear Model [GLM]](/thumbs/93/113885699.jpg "Generalized Linear Model [GLM]")
Generalzed Lnear Model [GLM]. ก. ก Emal: nkom@kku.ac.th A Lttle Hstory Multple lnear regresson normal dstrbuton & dentty lnk (Legendre, Guass: early 19th century). ANOVA normal dstrbuton & dentty lnk (Fsher:
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
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
NMBTC.COM /
Common Common Vibration Test:... Conforms to JIS C 60068-2-6, Amplitude: 1.5mm, Frequency 10 to 55 Hz, 1 hour in each of the X, Y and Z directions. Shock Test:...Conforms to JIS C 60068-2-27, Acceleration
MICROMASTER Vector MIDIMASTER Vector
s MICROMASTER Vector MIDIMASTER Vector... 2 1.... 4 2. -MICROMASTER VECTOR... 5 3. -MIDIMASTER VECTOR... 16 4.... 24 5.... 28 6.... 32 7.... 54 8.... 56 9.... 61 Siemens plc 1998 G85139-H1751-U553B 1.
Principles of Workflow in Data Analysis
IndianaUniversity PrinciplesofWorkflowin DataAnalysis ScottLong 1.Acoordinatedframeworkforconductingdataanalysis 2.WFinvolvescoordinatedproceduresfor: o Planning,organizinganddocumentingresearch o Cleaningdata
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 8. Ανάλυση διασποράς (ANOVA)
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 8. Ανάλυση διασποράς (ANOVA) Γενικά Επέκταση της σύγκρισης µέσων τιµών µεταβλητής ανάµεσα σε 2 δείγµατα (οµάδες ήστάθµες): Σύγκριση πολλών δειγµάτων (K>2) µαζί Σχέση ανάµεσα σε µια ποσοτική
Applications. 100GΩ or 1000MΩ μf whichever is less. Rated Voltage Rated Voltage Rated Voltage
Features Rated Voltage: 100 VAC, 4000VDC Chip Size:,,,,, 2220, 2225 Electrical Dielectric Code EIA IEC COG 1BCG Applications Modems LAN / WAN Interface Industrial Controls Power Supply Back-Lighting Inverter
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
Δεδομένα (data) και Στατιστική (Statistics)
Δεδομένα (data) και Στατιστική (Statistics) Η Στατιστική (Statistics) ασχολείται με την ανάλυση δεδομένων (data analysis): Πρόσφατες παιδαγωγικές εξελίξεις υποδεικνύουν ότι η Στατιστική πρέπει και να διδάσκεται
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
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα Αρχείο δεδομένων school.sav Στον πίνακα Descriptives, μας δίνονται για την Επίδοση ως προς τις πέντε διαφορετικές μεθόδους διδασκαλίας, το
OILGEAR TAIFENG. (ml/rev) (bar) (bar) (L/min) (rpm) (kw)
PVWW!"#$ PVWW!"#$%&'()*+!"#$% 12!"#$%&'()*!!"#$%&'(!"#$!"#$%&'()*+!"#$%!!"#!$%&'()*+!"#$%!"!"#$%&'!"#$%&'!"#!"#$%!" SE!"!"#$%&'!"#!"#$%&'!"#$%&'!"#$!"#$!"#$%&'!"#$%&'!"#$%&!"#$%&'!"!"#$%&!"#$%&!"!"#$%!"#$%!"#$%&'(!"#$%&'!!"#!"#!"#$%&!"#$%&'(
Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans
S1 of S11 Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans Eveline Dirinck, Alin C. Dirtu, Govindan Malarvannan, Adrian
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
Table A.1 Random numbers (section 1)
A Tables Table Contents Page A.1 Random numbers 696 A.2 Orthogonal polynomial trend contrast coefficients 702 A.3 Standard normal distribution 703 A.4 Student s t-distribution 704 A.5 Chi-squared distribution
Principles of Workflow in Data Analysis
WorkshopinMethods PrinciplesofWorkflowin DataAnalysis ScottLong IndianaUniversity November18,2009 Workflow involves the entire craft of data analysis 1.Planning,organizinganddocumentingresearch 2.Cleaningdataandcreatingvariables
Matrices and Determinants
Matrices and Determinants SUBJECTIVE PROBLEMS: Q 1. For what value of k do the following system of equations possess a non-trivial (i.e., not all zero) solution over the set of rationals Q? x + ky + 3z
- (VAR) : :.. (VAR)... e-mail: nasr_reza@hotmail.com e-mail: Nemata@yahoo.com e-mail: Bidram@hotmail.com ..... :. VAR ........ (VAR)..... ( ) ().-. Output Gap. ... ( )...... ) - ) ( (. ). ( -. ( ).. *
! " #! $ % & $ ' ( % & # ) * +, - ) % $!. /. $! $
[ ] # $ %&$'( %&#) *+,-) %$./.$ $ .$0)(0 1 $( $0 $2 3. 45 6# 27 ) $ # * (.8 %$35 %$'( 9)$- %0)-$) %& ( ),)-)) $)# *) ) ) * $ $ $ %$&) 9 ) )-) %&:: *;$ $$)-) $( $ 0,$# #)$.$0#$ $8 $8 $8 $8,:,:,:,: :: ::
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
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για ανεξάρτητα δείγματα)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για ανεξάρτητα δείγματα) Όταν απαιτείται ο έλεγχος της ύπαρξης στατιστικά σημαντικών