ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
|
|
- Ερμόλαος Παπανικολάου
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ Μελέτη φαρμακοκινητικής συμπεριφοράς της Ινδομεθασίνης με εφαρμογή μη γραμμικών μοντέλων σε δεδομένα επαναλαμβανόμενων μετρήσεων Αθανάσιος Θωμά Κοντοδήμας ΕΡΓΑΣΙΑ Που υποβλήθηκε στο Τμήμα Στατιστικής του Οικονομικού Πανεπιστημίου ΑΘηνών ως μέρος των απαιτήσεων για την απόκτηση Μεταπτυχιακού Διπλώματος Συμπληρωματικής Ειδίκευσης στη Στατιστική Μερικής Παρακολούθησης (Part-time) Αθήνα Φεβρουάριος 2012
2
3
4
5 I
6 II
7 ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ Ονομάζομαι Αθανάσιος Κοντοδήμας. Γεννήθηκα στην Αθήνα. Το 2004 εγγράφηκα στο Τμήμα Στατιστικής του Οικονομικού Πανεπιστημίου Αθηνών. Το 2008 αποφοίτησα από το τμήμα και ένα χρόνο μετά, το 2009 ξεκίνησα να παρακολουθώ το μεταπτυχιακό πρόγραμμα σπουδών των Στατιστικών Μεθόδων στην Ιατρική και Φαρμακευτική. III
8 IV
9 ABSTRACT Athanasios Kontodimas Pharmacokinetic study of Indomethacin with use of nonlinear models for repeated measurement data January 2012 This analysis aims at presenting some of the current methods used for modelling and inference on repeated measurement data where the application of linear methods is improper. It is an effort to show the problems that usually exist in such data and try to find solution or at least, to reduce their extent in order to extract solid conclusions through the use of indomethacin dataset. Except from the theoretical substrate, there is practical interest of pharmacokinetics of indomethacin, which is how the human body affects circulation and concentration of indomethacin in plasma as well as trying to find out if there are any significant differences between individuals that affect indomethacin levels in body. V
10 VI
11 ΠΕΡΙΛΗΨΗ Αθανάσιος Κοντοδήμας Μελέτη φαρμακοκινητικής συμπεριφοράς της Ινδομεθασίνης με εφαρμογή μη γραμμικών μοντέλων σε δεδομένα επαναλαμβανόμενων μετρήσεων Ιανουάριος 2012 Η παρούσα ανάλυση αποσκοπεί στην παρουσίαση ορισμένων μεθόδων μοντελοποίησης και συμπερασματολογίας πάνω σε δεδομένα επαναλαμβανόμενων μετρήσεων τα οποία δεν μπορούν να περιγραφούν με γραμμικό τρόπο. Θα προσπαθήσει να δείξει τα προβλήματα που συναντώνται συχνά σε τέτοια δεδομένα και να προσπαθήσει να δώσει λύσεις ή έστω να μειώσει την έκταση αυτών των προβλημάτων ώστε να μπορεί να βγει κάποιο χρήσιμο συμπέρασμα χρησιμοποιώντας το σετ δεδομένων της ινδομεθασίνης. Πέραν του θεωρητικού κομματιού, το πρακτικό ενδιαφέρον αυτής της ανάλυσης είναι η φαρμακοκινητική της συμπεριφορά, δηλαδή πώς το ανθρώπινο σώμα επηρρεάζει την κυκλοφορία της ινδομεθασίνης και τη συγκέντρωσή της στον ορό του αίματος, καθώς και το αν υπάρχουν σοβαρές διαφορές από άνθρωπο σε άνθρωπο που να την επηρρεάζουν. VII
12 VIII
13 Κατάλογος Περιεχομένων Σελίδα ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ... 1 Λίγα λόγια για τα δεδομένα... 1 Κεφάλαιο 2 - Θεωρητική προσέγγιση... 3 Μοντέλα για τα κατάλοιπα... 5 Κεφάλαιο 3 Μοντέλο για τα δεδομένα ινδομεθασίνης για όλα τα υποκείμενα... 7 Μορφή του μοντέλου για τις διάφορες τιμές των παραμέτρων... 9 Εκτίμηση παραμέτρων Διαδικασία OLS Διαδικασία GLS-PL Διαδικασία GLS-PL με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαίες επιδράσεις b1+b Διαδικασία GLS-REML Διαδικασία GLS-REML με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαίες επιδράσεις b1+b Διαδικασία GLS-AR Διαδικασία GLS-AR1 με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαίες επιδράσεις b1,b Διαδικασία GLS-CompSymm (ομοιόμορφη συσχέτιση) Διαδικασία GLS-CompSymm (ομοιόμορφη συσχέτιση) με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαίες επιδράσεις b1,b Διαδικασία GLS-CAR IX
14 Διαδικασία GLS-CAR1 με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαία επίδραση b1,b Συνοπτικοί πίνακες σύγκρισης μοντέλων Ερμηνεία του μοντέλου Κεφάλαιο 4 - Εκτίμηση παραμέτρων για κάθε υποκείμενο ξεχωριστά Διαδικασία OLS: Διαδικασία GLS-PL Διαδικασία GLS PL με τυχαίες επιδράσεις: Τυχαία επίδραση b Τυχαία επίδραση b Τυχαία επίδραση b1,b Διαδικασία GLS REML Διαδικασία GLS REML με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαία επίδραση b1,b Διαδικασία GLS AR Διαδικασία GLS AR1 με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαία επίδραση b1,b Διαδικασία GLS-CAR Διαδικασία GLS-CAR1 με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b Τυχαία επίδραση b1,b Διαδικασία GLS-Lin Διαδικασία GLS-Lin με τυχαίες επιδράσεις Τυχαία επίδραση b Τυχαία επίδραση b X
15 Τυχαία επίδραση b1,b Διαγράμματα εκτιμητών Τιμές Durbin Watson για κάθε μέθοδο και κάθε υποκείμενο ξεχωριστά Κεφάλαιο 5 - Συμπεράσματα Μοντέλα για κάθε υποκείμενο ξεχωριστά Επίλογος Παράρτημα Παράρτημα 1. Διαγράμματα Κεφαλαίου 4 για κάθε υποκείμενο Διαγράμματα για Ετεροσκεδαστικότητα OLS GLS-PL Διαδικασία GLS PL με τυχαίες επιδράσεις: GLS-REML Διαδικασία GLS REML με τυχαίες επιδράσεις GLS-AR Διαδικασία GLS AR1 με τυχαίες επιδράσεις GLS-CAR Διαδικασία GLS-CAR1 με τυχαίες επιδράσεις GLS-Lin Διαδικασία GLS-Lin με τυχαίες επιδράσεις Διαγράμματα Κανονικότητας OLS GLS-PL Διαδικασία GLS PL με τυχαίες επιδράσεις: GLS-REML Διαδικασία GLS REML με τυχαίες επιδράσεις: GLS-AR Διαδικασία GLS AR(1) με τυχαίες επιδράσεις: GLS-CAR Διαδικασία GLS CAR(1) με τυχαίες επιδράσεις: GLS-Lin Διαδικασία GLS Lin με τυχαίες επιδράσεις: Διαγράμματα για την αυτοσυσχέτιση των καταλοίπων OLS XI
16 GLS-PL Διαδικασία GLS PL με τυχαίες επιδράσεις: GLS-REML Διαδικασία GLS REML με τυχαίες επιδράσεις: GLS-AR Διαδικασία GLS AR(1) με τυχαίες επιδράσεις: GLS-CAR Διαδικασία GLS CAR(1) με τυχαίες επιδράσεις: GLS-Lin Διαδικασία GLS Lin με τυχαίες επιδράσεις: Διαγράμματα εκτιμητών OLS GLS-PL GLS-PL με τυχαίες επιδράσεις GLS-REML GLS-REML με τυχαίες επιδράσεις GLS- AR GLS-AR1 με τυχαίες επιδράσεις GLS-Lin GLS-AR1 με τυχαίες επιδράσεις Παράρτημα 2. Εντολές/Προγράμματα που χρησιμοποιήθηκαν στην διεξαγωγή της ανάλυσης Κεφάλαιο Kolmogorov-Smirnov για κανονική κατανομή Εντολές Σχήματος Kolmogorov-Smirnov για εκθετική κατανομή Διαδικασία OLS Διαδικασία GLS-PL Διαδικασία GLS-PL με τυχαίες επιδράσεις Διαδικασία GLS-REML Διαδικασία GLS-REML με τυχαίες επιδράσεις Διαδικασία GLS-AR Διαδικασία GLS-CompSymm (ομοιόμορφη συσχέτιση) Διαδικασία GLS-CompSymm (ομοιόμορφη συσχέτιση) με τυχαίες επιδράσεις Διαδικασία GLS-CAR XII
17 Διαδικασία GLS-CAR1 με τυχαίες επιδράσεις Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Κεφάλαιο Διαδικασία OLS Διαδικασία GLS PL με τυχαίες επιδράσεις: Διαδικασία GLS REML με τυχαίες επιδράσεις Διαδικασία GLS AR Διαδικασία GLS AR1 με τυχαίες επιδράσεις Διαδικασία GLS-CAR Διαδικασία GLS-CAR1 με τυχαίες επιδράσεις Διαδικασία GLS-Lin Διαδικασία GLS-Lin με τυχαίες επιδράσεις Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Εντολές Σχήματος Αναφορές (References) XIII
18 XIV
19 Κατάλογος Πινάκων Πίνακας Σελίδα Πίνακας 1. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με μέθοδο εκτίμησης διακύμανσης PL Πίνακας 2. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με μέθοδο εκτίμησης διακύμανσης REML Πίνακας 3. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με δομή του πίνακα συνδιακύμανσης AR Πίνακας 4. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με δομή του πίνακα συνδιακύμανσης Ομοιόμορφης Συσχέτισης (Compound Symmetry) Πίνακας 5. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με δομή του πίνακα συνδιακύμανσης CAR Πίνακας 6. Τιμή BIC της διαδικασίας OLS Πίνακας 7. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με τη μέθοδο εκτίμησης διακύμανσης PL Πίνακας 8. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με τη μέθοδο εκτίμησης διακύμανσης REML Πίνακας 9. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με AR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 10. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με δομή Ομοιόμορφης Συσχέτισης του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 11. Τιμές κριτηρίου BIC των μοντέλων σταθερών και τυχαίων επιδράσεων για τη διαδικασία GLS με CAR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 12.Τιμή του ελέγχου αυτοσυσχέτισης Durbin-Watson για τη διαδικασία OLS Πίνακας 13. Τιμές του ελέγχου αυτοσυσχέτισης Durbin-Watson για τη διαδικασία GLS με μέθοδο εκτίμησης διακύμανσης PL XV
20 Πίνακας 14. Τιμές του ελέγχου αυτοσυσχέτισης Durbin-Watson για τη διαδικασία GLS με μέθοδο εκτίμησης διακύμανσης REML Πίνακας 15. Τιμές του ελέγχου αυτοσυσχέτισης Durbin-Watson για τη διαδικασία GLS με AR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 16. Τιμές του ελέγχου αυτοσυσχέτισης Durbin-Watson για τη διαδικασία GLS με δομή Ομοιόμορφης Συσχέτισης του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 17. Τιμές του ελέγχου αυτοσυσχέτισης Durbin-Watson για τη διαδικασία GLS με CAR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 18. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας OLS Πίνακας 19. Τιμές ελέγχου αυτοσυσχέτισης Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας OLS Πίνακας 20. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης διακύμανσης PL Πίνακας 21. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης διακύμανσης PL Πίνακας 22. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης διακύμανσης REML Πίνακας 23. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης διακύμανσης REML Πίνακας 24. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και AR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 25. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και AR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 26. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και CAR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 27. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και CAR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων XVI
21 Πίνακας 28. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και Γραμμική δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 29. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και Γραμμική δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 30. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας OLS Πίνακας 31. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης της διακύμανσης PL Πίνακας 32. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης διακύμανσης REML Πίνακας 33. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και AR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 34. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και CAR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 35. Τιμές BIC μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και Γραμμική δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 36. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας OLS Πίνακας 37. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης της διακύμανσης PL Πίνακας 38. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και μεθόδου εκτίμησης της διακύμανσης REML Πίνακας 39. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και AR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων Πίνακας 40. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και CAR(1) δομή του πίνακα συνδιακύμανσης των καταλοίπων XVII
22 Πίνακας 41. Τιμές ελέγχου Durbin-Watson μοντέλου (8) για κάθε υποκείμενο με χρήση της διαδικασίας GLS και Γραμμική δομή του πίνακα συνδιακύμανσης των καταλοίπων XVIII
23 Κατάλογος Γραφημάτων Γράφημα Σελίδα Σχήμα 1. qqplot των δεδομένων ινδομεθασίνης. Η μη γραμμικότητα του διαγράμματος υποδεικνύει μη κανονικότητα Σχήμα 2. Μορφή του μοντέλου (8) ως προς το χρόνο (χ) για διάφορες τιμές της β Σχήμα 3. Μορφή του μοντέλου (8) για τις διάφορες τιμές του β Σχήμα 4. Μορφή του μοντέλου (8) για τις διάφορες τιμές του β Σχήμα 5. Μορφή του μοντέλου (8) για τις διάφορες τιμές του β Σχήμα 6. Μορφή μοντέλου (8*) για διάφορες χρονικές στιγμές μετά την χορήγηση ινδομεθασίνης Σχήμα 7. Διάγραμμα καταλοίπων με τις προβλεπόμενες τιμές Σχήμα 8. Qqplot καταλοίπων Σχήμα 9. Διάγραμμα αυτοσυσχέτισης καταλοίπων Σχήμα 10. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 11.qqplot των τυποποιημένων καταλοίπων Σχήμα 12. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 13. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 14.qqplot των τυποποιημένων καταλοίπων Σχήμα 15. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 16. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 17.qqplot των τυποποιημένων καταλοίπων Σχήμα 18. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 19. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 20.qqplot των τυποποιημένων καταλοίπων Σχήμα 21. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 22. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 23.qqplot των τυποποιημένων καταλοίπων Σχήμα 24. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 25. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 26.qqplot των τυποποιημένων καταλοίπων Σχήμα 27. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 28. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 29.qqplot των τυποποιημένων καταλοίπων Σχήμα 30. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 31. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών XIX
24 Σχήμα 32.qqplot των τυποποιημένων καταλοίπων Σχήμα 33. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 34. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 35.qqplot των τυποποιημένων καταλοίπων Σχήμα 36. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 37. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 38.qqplot των τυποποιημένων καταλοίπων Σχήμα 39. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 40. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 41.qqplot των τυποποιημένων καταλοίπων Σχήμα 42. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 43. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 44.qqplot των τυποποιημένων καταλοίπων Σχήμα 45. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 46. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 47.qqplot των τυποποιημένων καταλοίπων Σχήμα 48. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 49. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 50.qqplot των τυποποιημένων καταλοίπων Σχήμα 51. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 52. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 53.qqplot των τυποποιημένων καταλοίπων Σχήμα 54. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 55. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 56.qqplot των τυποποιημένων καταλοίπων Σχήμα 57. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 58. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 59.qqplot των τυποποιημένων καταλοίπων Σχήμα 60. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 61. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 62.qqplot των τυποποιημένων καταλοίπων Σχήμα 63. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 64. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 65.qqplot των τυποποιημένων καταλοίπων Σχήμα 66. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 67. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών XX
25 Σχήμα 68.qqplot των τυποποιημένων καταλοίπων Σχήμα 69. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 70. Μορφή του μοντέλου (11) για τις χρονικές στιγμές 0 5 ώρες Σχήμα 71. Μορφή του μοντέλου (11) για τις χρονικές στιγμές 0 25 ώρες Σχήμα 72. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 73. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 74. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 75. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 76. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 77. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 78. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 79. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 80. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 81. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 82. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 83. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 84. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 85. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 86. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 87. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 88. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 89. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 90. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 91. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 92. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 93. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 94. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 95. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 96. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 97. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 98. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 99. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 100. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 101. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 102. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 103. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών XXI
26 Σχήμα 104. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 105. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 106. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 107. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 108. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 109. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 110. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 111. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 112. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 113. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 114. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 115. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 116. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 117. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 118. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 119. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 120. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 121. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 122. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 123. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 124. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 125. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 126. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 127. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 128. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 129. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 130. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 131. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 132. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 133. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 134. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 135. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 136. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 137. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 138. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 139. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών XXII
27 Σχήμα 140. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 141. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 142. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 143. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 144. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 145. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 146. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 147. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 148. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 149. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 150. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 151. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 152. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 153. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 154. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 155. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 156. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 157. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 158. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 159. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 160. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 161. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 162. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 163. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 164. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 165. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 166. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 167. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 168. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 169. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 170. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 171. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 172. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 173. Διάγραμμα τυποποιημένων καταλοίπων-προβλεπόμενων τιμών Σχήμα 174.qqplot των τυποποιημένων καταλοίπων Σχήμα 175.qqplot των τυποποιημένων καταλοίπων XXIII
28 Σχήμα 176.qqplot των τυποποιημένων καταλοίπων Σχήμα 177.qqplot των τυποποιημένων καταλοίπων Σχήμα 178.qqplot των τυποποιημένων καταλοίπων Σχήμα 179.qqplot των τυποποιημένων καταλοίπων Σχήμα 180.qqplot των τυποποιημένων καταλοίπων Σχήμα 181.qqplot των τυποποιημένων καταλοίπων Σχήμα 182.qqplot των τυποποιημένων καταλοίπων Σχήμα 183.qqplot των τυποποιημένων καταλοίπων Σχήμα 184.qqplot των τυποποιημένων καταλοίπων Σχήμα 185.qqplot των τυποποιημένων καταλοίπων Σχήμα 186. qqplot των τυποποιημένων καταλοίπων Σχήμα 187.qqplot των τυποποιημένων καταλοίπων Σχήμα 188.qqplot των τυποποιημένων καταλοίπων Σχήμα 189.qqplot των τυποποιημένων καταλοίπων Σχήμα 190.qqplot των τυποποιημένων καταλοίπων Σχήμα 191.qqplot των τυποποιημένων καταλοίπων Σχήμα 192.qqplot των τυποποιημένων καταλοίπων Σχήμα 193.qqplot των τυποποιημένων καταλοίπων Σχήμα 194.qqplot των τυποποιημένων καταλοίπων Σχήμα 195.qqplot των τυποποιημένων καταλοίπων Σχήμα 196.qqplot των τυποποιημένων καταλοίπων Σχήμα 197.qqplot των τυποποιημένων καταλοίπων Σχήμα 198.qqplot των τυποποιημένων καταλοίπων Σχήμα 199.qqplot των τυποποιημένων καταλοίπων Σχήμα 200.qqplot των τυποποιημένων καταλοίπων Σχήμα 201.qqplot των τυποποιημένων καταλοίπων Σχήμα 202.qqplot των τυποποιημένων καταλοίπων Σχήμα 203.qqplot των τυποποιημένων καταλοίπων Σχήμα 204.qqplot των τυποποιημένων καταλοίπων Σχήμα 205.qqplot των τυποποιημένων καταλοίπων Σχήμα 206.qqplot των τυποποιημένων καταλοίπων Σχήμα 207.qqplot των τυποποιημένων καταλοίπων Σχήμα 208.qqplot των τυποποιημένων καταλοίπων Σχήμα 209.qqplot των τυποποιημένων καταλοίπων Σχήμα 210.qqplot των τυποποιημένων καταλοίπων Σχήμα 211.qqplot των τυποποιημένων καταλοίπων XXIV
29 Σχήμα 212.qqplot των τυποποιημένων καταλοίπων Σχήμα 213.qqplot των τυποποιημένων καταλοίπων Σχήμα 214.qqplot των τυποποιημένων καταλοίπων Σχήμα 215.qqplot των τυποποιημένων καταλοίπων Σχήμα 216.qqplot των τυποποιημένων καταλοίπων Σχήμα 217.qqplot των τυποποιημένων καταλοίπων Σχήμα 218.qqplot των τυποποιημένων καταλοίπων Σχήμα 219.qqplot των τυποποιημένων καταλοίπων Σχήμα 220.qqplot των τυποποιημένων καταλοίπων Σχήμα 221.qqplot των τυποποιημένων καταλοίπων Σχήμα 222.qqplot των τυποποιημένων καταλοίπων Σχήμα 223.qqplot των τυποποιημένων καταλοίπων Σχήμα 224.qqplot των τυποποιημένων καταλοίπων Σχήμα 225.qqplot των τυποποιημένων καταλοίπων Σχήμα 226.qqplot των τυποποιημένων καταλοίπων Σχήμα 227.qqplot των τυποποιημένων καταλοίπων Σχήμα 228.qqplot των τυποποιημένων καταλοίπων Σχήμα 229.qqplot των τυποποιημένων καταλοίπων Σχήμα 230.qqplot των τυποποιημένων καταλοίπων Σχήμα 231.qqplot των τυποποιημένων καταλοίπων Σχήμα 232.qqplot των τυποποιημένων καταλοίπων Σχήμα 233.qqplot των τυποποιημένων καταλοίπων Σχήμα 234.qqplot των τυποποιημένων καταλοίπων Σχήμα 235.qqplot των τυποποιημένων καταλοίπων Σχήμα 236. qqplot των τυποποιημένων καταλοίπων Σχήμα 237.qqplot των τυποποιημένων καταλοίπων Σχήμα 238.qqplot των τυποποιημένων καταλοίπων Σχήμα 239.qqplot των τυποποιημένων καταλοίπων Σχήμα 240.qqplot των τυποποιημένων καταλοίπων Σχήμα 241.qqplot των τυποποιημένων καταλοίπων Σχήμα 242.qqplot των τυποποιημένων καταλοίπων Σχήμα 243.qqplot των τυποποιημένων καταλοίπων Σχήμα 244.qqplot των τυποποιημένων καταλοίπων Σχήμα 245.qqplot των τυποποιημένων καταλοίπων Σχήμα 246.qqplot των τυποποιημένων καταλοίπων Σχήμα 247.qqplot των τυποποιημένων καταλοίπων XXV
30 Σχήμα 248.qqplot των τυποποιημένων καταλοίπων Σχήμα 249.qqplot των τυποποιημένων καταλοίπων Σχήμα 250.qqplot των τυποποιημένων καταλοίπων Σχήμα 251.qqplot των τυποποιημένων καταλοίπων Σχήμα 252.qqplot των τυποποιημένων καταλοίπων Σχήμα 253.qqplot των τυποποιημένων καταλοίπων Σχήμα 254.qqplot των τυποποιημένων καταλοίπων Σχήμα 255.qqplot των τυποποιημένων καταλοίπων Σχήμα 256.qqplot των τυποποιημένων καταλοίπων Σχήμα 257.qqplot των τυποποιημένων καταλοίπων Σχήμα 258.qqplot των τυποποιημένων καταλοίπων Σχήμα 259.qqplot των τυποποιημένων καταλοίπων Σχήμα 260.qqplot των τυποποιημένων καταλοίπων Σχήμα 261.qqplot των τυποποιημένων καταλοίπων Σχήμα 262.qqplot των τυποποιημένων καταλοίπων Σχήμα 263.qqplot των τυποποιημένων καταλοίπων Σχήμα 264.qqplot των τυποποιημένων καταλοίπων Σχήμα 265.qqplot των τυποποιημένων καταλοίπων Σχήμα 266.qqplot των τυποποιημένων καταλοίπων Σχήμα 267.qqplot των τυποποιημένων καταλοίπων Σχήμα 268.qqplot των τυποποιημένων καταλοίπων Σχήμα 269.qqplot των τυποποιημένων καταλοίπων Σχήμα 270.qqplot των τυποποιημένων καταλοίπων Σχήμα 271.qqplot των τυποποιημένων καταλοίπων Σχήμα 272.qqplot των τυποποιημένων καταλοίπων Σχήμα 273.qqplot των τυποποιημένων καταλοίπων Σχήμα 274.qqplot των τυποποιημένων καταλοίπων Σχήμα 275.qqplot των τυποποιημένων καταλοίπων Σχήμα 276. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 277. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 278. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 279. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 280. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 281. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 282. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 283. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων XXVI
31 Σχήμα 284. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 285. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 286. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 287. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 288. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 289. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 290. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 291. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 292. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 293. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 294. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 295. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 296. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 297. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 298. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 299. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 300. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 301. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 302. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 303. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 304. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 305. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 306. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 307. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 308. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 309. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 310. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 311. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 312. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 313. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 314. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 315. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 316. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 317. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 318. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 319. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων XXVII
32 Σχήμα 320. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 321. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 322. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 323. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 324. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 325. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 326. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 327. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 328. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 329. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 330. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 331. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 332. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 333. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 334. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 335. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 336. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 337. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 338. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 339. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 340. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 341. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 342. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 343. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 344. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 345. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 346. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 347. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 348. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 349. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 350. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 351. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 352. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 353. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 354. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 355. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων XXVIII
33 Σχήμα 356. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 357. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 358. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 359. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 360. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 361. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 362. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 363. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 364. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 365. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 366. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 367. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 368. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 369. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 370. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 371. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 372. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 373. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 374. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 375. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 376. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 377. Διάγραμμα αυτοσυσχέτισης τυποποιημένων καταλοίπων Σχήμα 378. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 379. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 380. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 381. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 382. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 383. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 384. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 385. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 386. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 387. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 388. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 389. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) Σχήμα 390. Παράμετροι του μοντέλου για κάθε υποκείμενο (γραμμές) XXIX
34 XXX
35 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ Τα δεδομένα από επαναλαμβανόμενες ατομικές μετρήσεις συχνά παρουσιάζουν μια σχέση μεταξύ της εξαρτημένης μεταβλητής και των παραγοντικών μεταβλητών που μπορεί να περιγραφεί από ένα μοντέλο με μη γραμμικές παραμέτρους. Το κατάλληλο μη γραμμικό μοντέλο, σε αρκετές περιπτώσεις, απορρέει από τη θεωρία, ενώ σε άλλες χρησιμοποιείται με τη μορφή μιας απλής μη γραμμικής σχέσης με σκοπό την εμπειρική περιγραφή των δεδομένων. Σκοπός της παρούσης διατριβής είναι η παρουσίαση μερικών από τις στρατηγικές μοντελοποίησης και συμπερασματολογίας για συνεχή δεδομένα επαναλαμβανόμενων μετρήσεων και η εφαρμογή τους πάνω στα δεδομένα (εδώ θα χρησιμοποιήσουμε το σετ δεδομένων ινδομεθασίνης (Kwan et al.(1976)) και η αντιμετώπιση των προβλημάτων που συχνά προκύπτουν όπως ετεροσκεδαστικότητα, συσχετισμένα κατάλοιπα, μη κανονικότητα καταλοίπων. Λίγα λόγια για τα δεδομένα Τα δεδομένα προέρχονται από μια έρευνα που αναφέρει ο Kwan et al.(1976) για τη φαρμακοκινητική της ινδομεθασίνης μετά από ενδοφλέβια ένεση της ίδιας δόσης φαρμάκου σε έξι εθελοντές. Ο όρος φαρμακοκινητική αναφέρεται στη συμπεριφορά του φαρμάκου μέσα στο σώμα με το οποίο εννοούμε το πώς επιδρά το σώμα στο φάρμακο [1]. Η ινδομεθασίνη είναι αντιφλεγμονώδες φάρμακο το οποίο χρησιμοποιείται για την αντιμετώπιση πυρετού, πρηξίματος, πόνου. Δρα εμποδίζοντας την παραγωγή προσταγλανδίνων ή αλλιώς κυκλικών οξέων οι οποίες συνήθως είναι αιτία των προαναφερθέντων συμπτωμάτων. Για κάθε υποκείμενο, οι ποσότητες ινδομεθασίνης που συγκεντρώθηκαν στο πλάσμα του αίματος μετρήθηκαν σε 11 χρονικές στιγμές που κυμαίνονταν από 15 λεπτά ως 8 ώρες μετά την ένεση. Η συνηθισμένη προσέγγιση για τη δημιουργία ενός κατάλληλου μοντέλου για φαρμακοκινητικά δεδομένα αυτού του είδους βασίζεται στην αντίληψη του ανθρώπινου σώματος σαν ένα σύστημα τμημάτων και ότι οι ρυθμοί μεταφοράς μεταξύ των τμημάτων ακολουθούν πρώτης τάξης ή γραμμική κινητική (Aziz et al.,1978). Η σχέση της συγκέντρωσης του φαρμάκου με το χρόνο, αν κάνουμε τους απαιτούμενους υπολογισμούς, περιγράφεται καλύτερα με ένα άθροισμα εκθετικών όρων όπως: C(t) = β e + β e, β, β > 0 (1) 1
36 ,όπου C(t) είναι η συγκέντρωση του φαρμάκου στο πλάσμα του αίματος και t ο χρόνος μετά τη χορήγηση. Η παραπάνω σχέση περιγράφει την κινητική του φαρμάκου μετά τη δόση και βασίζεται στην υπόθεση του μοντέλου 2 τμημάτων. Επιπλέον, σε αρκετές περιπτώσεις είναι να υπολογίσουμε την ημιζωή του φαρμάκου η οποία μπορεί να επιτευχθεί με τη σχέση (1). Ως ημιζωή [2] ενός φαρμάκου χαρακτηρίζεται η χρονική στιγμή κατά την οποία η ποσότητα του φαρμάκου στο αίμα είναι η μισή από αυτή που έχει αρχικά εισαχθεί στον οργανισμό, όταν ο ρυθμός απομάκρυνσης από το αίμα είναι σχεδόν εκθετικός. 2
37 Κεφάλαιο 2 - Θεωρητική προσέγγιση Η μέθοδος εκτίμησης που θα χρησιμοποιηθεί σ αυτή την ανάλυση για την είναι τα Ελάχιστα Τετραγώνα. Στην παρούσα ανάλυση θα χρησιμοποιήσουμε τη διαδικασία των Κανονικών Ελαχίστων Τετραγώνων (OLS) και των Γενικευμένων Ελαχίστων Τετραγώνων (GLS). OLS: Η συνηθισμένη διαδικασία για την εκτίμηση των παραμέτρων ενός μοντέλου είναι τα OLS. Η διαδικασία αυτή ελαχιστοποιεί το άθροισμα τετραγώνων των καταλοίπων, δηλαδή των αποστάσεων των παρατηρήσεων, y j,από τις αντίστοιχες εκτιμήσεις του μοντέλου, y. Το παραπάνω ισοδυναμεί με την επίλυση ως προς β της y f x, β f x, β = 0 (2),όπου j=1,,n (μέγεθος του δείγματος) και f x, β είναι το διάνυσμα διάστασης (px1) των παραγώγων της συνάρτησης f ως προς τα β, δηλαδή το διάνυσμα αυτό έχει κ-οστό στοιχείο την παράγωγο: θ/θβ f x, β, όπου κ=1, p. Ο εκτιμητής OLS είναι συνεπής (η πιθανότητα η τιμή του να είναι ίση ή πολύ κοντά στην πραγματική είναι ίση με 1 για μεγάλο δείγμα) όταν οι επεξηγηματικές μεταβλητές x είναι ανεξάρτητες και ασυσχέτιστες μεταξύ τους και δίνει καλύτερες εκτιμήσεις όταν τα κατάλοιπα έχουν σταθερή διακύμανση (ομοσκεδαστικά) και δεν είναι γραμμικά συσχετισμένα. Όταν ισχύουν τα παραπάνω και τα κατάλοιπα ακολουθούν την κανονική κατανομή ο εκτιμητής OLS ταυτίζεται με τον εκτιμητή Μεγίστης Πιθανοφάνειας (Maximum Likelihood). GLS: Όταν δεν υπάρχει σταθερή διακύμανση των καταλοίπων (ετεροσκεδαστικότητα), τα OLS δεν δίνουν καλές εκτιμήσεις. Καλύτερη μέθοδος που λαμβάνει υπόψη της τις διαφορές των διακυμάνσεων είναι τα Γενικευμένα Ελάχιστα Τετράγωνα (GLS).Η διαδικασία έχει ως εξής: Ας υποθέσουμε ότι γνωρίζουμε πως η διακύμανση κατά μήκος των τιμών y j για τις οποίες ισχύει Ε(y j )=f(x j,β) (3) δεν είναι σταθερή, αλλά περιγράφεται από τη σχέση var(y j )=σ 2 /w j, (4) 3
38 όπου w j είναι ένα διάνυσμα από γνωστές σταθερές και σ 2 4 είναι η συνολική διακύμανση όταν τα κατάλοιπα είναι ομοσκεδαστικά. Τότε και με την υπόθεση των ανεξάρτητων και κανονικών καταλοίπων ο εκτιμητής GLS προκύπτει από την ελαχιστοποίηση του αθροίσματος του γινομένου των βαρών w j επί το τετράγωνο της απόστασης των παρατηρήσεων y j από τις εκτιμήσεις y από το μοντέλο. Πιο απλά, προκύπτει από την επίλυση ως προς β της w y f x, β f x, β = 0 (5),όπου j=1,,n. Σ αυτή την περίπτωση η διαδικασία ονομάζεται weighted least squares (WLS). Η λύση των εξισώσεων (2) και (5) είναι κλειστής μορφής στην περίπτωση του γραμμικού μοντέλου, δηλαδή μπορεί να υπολογιστεί αλγεβρικά η τιμή του εκτιμητή. Στην μη γραμμική περίπτωση όμως, δεν υπάρχει τέτοια λύση. Η διαδικασία εκτίμησης του β είναι επαναληπτική και σε κάθε επανάληψη το σύστημα προσεγγίζεται από ένα γραμμικό ώσπου να συγκλίνει η διαδικασία στην τελική εκτίμηση του β. Επιπλέον, για να δουλέψει σωστά η διαδικασία, πρέπει να ορίσουμε κάποιες κατάλληλες αρχικές τιμές για τις παραμέτρους β που θέλουμε να εκτιμήσουμε. Κατά τα άλλα, η εκτίμηση του β γίνεται με παρόμοιο τρόπο με την γραμμική περίπτωση. Όπως είπαμε παραπάνω η διαδικασία αυτή είναι καταλληλότερη από τα OLS γιατί λαμβάνει υπόψιν την ύπαρξη ετεροσκεδαστικότητας. Σε ένα διάγραμμα προβλεπόμενων τιμών της y - καταλοίπων μπορούμε να προσδιορίσουμε την μορφή της σχέσης μεταξύ της διακύμανσης και της μέσης τιμής των παρατηρήσεων όταν η σχέση είναι απλή. Όμως, είναι δύσκολο να ξέρουμε από την αρχή τι τιμές έχουν οι παράμετροι της σχέσης αυτής, οπότε, μια καλή προσέγγιση είναι να τις εκτιμήσουμε από τα δεδομένα. Οι μέθοδοι που θα χρησιμοποιηθούν είναι η ψευδο-πιθανοφάνεια (PL) και η Restricted maximum likelihood (REML). [3] Εκτίμηση διακύμανσης με PL: Δεδομένου ενός αρχικού εκτιμητή β ( ) για το β, η PL ελαχιστοποιεί ως προς σ και το θ τη σχέση: PL β (p), σ, θ = n y j f x j,β (p) 2 j=1 + log σ 2 g 2 f x j, β (p), z j, θ (6) σ 2 g 2 f x j,β (p),z j,θ Η ελαχιστοποίηση της παραπάνω σχέσης οδηγεί στην μεγιστοποίηση του λογαρίθμου της πιθανοφάνειας υπό την υπόθεση της κανονικότητας. Η PL, παρά την εξάρτησή της από την κανονικότητα, μπορεί να θεωρηθεί σαν μια γενική μέθοδος εκτίμησης σε
39 περιπτώσεις όπως στην παρούσα ανάλυση που τα κατάλοιπα ξεφεύγουν από την υπόθεση της κανονικότητας. Το μειονέκτημά της είναι ότι αγνοεί την απώλεια βαθμών ελευθερίας λόγω της αρχικής εκτίμησης του β. Η χρήση της REML είναι η κατάλληλη εναλλακτική μέθοδος αφού η συνάρτηση που χρησιμοποιεί είναι περισσότερο αντικειμενική. Εκτίμηση διακύμανσης με REML: Η εκτίμηση των παραμέτρων της συνάρτησης διακύμανσης με τη REML είναι παρόμοια με την PL εκτός από την συνάρτηση που ελαχιστοποιείται η οποία είναι (6): PL β ( ), σ, θ p logσ + log X β ( ) G β ( ), θ X β ( ) (7),όπου G β ( ), θ είναι διαγώνιος πίνακας διακυμάνσεων και X β ( ) είναι ένας nxp πίνακας όπου η j γραμμή ισούται με f x, β. Οι μέθοδοι PL, REML βασίζουν την εκτίμηση των παραμέτρων της διακύμανσης στα κατάλοιπα υψωμένα στο τετράγωνο, το οποίο προκύπτει από την αντικειμενική συνάρτηση μεγίστης πιθανοφάνειας υπό την υπόθεση της κανονικότητας. Το μειονέκτημα είναι ότι παράγουν μεν καλούς εκτιμητές για κανονικά και σχεδόν κανονικά κατάλοιπα, αλλά ενδέχεται να επηρρεαστούν από ακραίες παρατηρήσεις. [3] Μοντέλα για τα κατάλοιπα Η μοντελοποίηση του πίνακα διακύμανσης-συνδιακύμανσης των καταλοίπων βοηθάει στην αντιμετώπιση της μη σταθερής διακύμανσης και αυτοσυσχέτισης των καταλοίπων και βοηθά το μοντέλο να λάβει υπόψιν την επίδραση (πολλές φορές) τυχαίων παραγόντων που δεν μπορούν να ελεγχθούν. Παρακάτω εξηγούνται κάποιες από τις δομές που υπάρχουν και θα χρησιμοποιηθούν στη συνέχεια. [4],[5] Αυτοπαλίνδρομη δομή 1 ης τάξης (AR1) Η AR1 δομή χρησιμοποιείται όταν τα κατάλοιπα είναι συσχετισμένα μεταξύ τους σε περιπτώσεις χρονολογικών σειρών και κάθε χρονική στιγμή εξαρτάται από την αμέσως προηγούμενη (1 ης τάξης αυτοσυσχέτιση). Η σχέση που δίνει τα κατάλοιπα είναι η εξής: ε it =ρ* ε i(t-1) +η it, η it ~N(0,σ 2 ),όπου ρ είναι ο συντελεστής συσχέτισης. Η συνδιακύμανση των καταλοίπων δίνεται από Cov(ε ij,ε ij )=σ 2 ρ j-j. 5
40 Ομοιόμορφη συσχέτιση Η ομοιόμορφη δομή χρησιμοποιείται όταν έχουμε ενδείξεις ότι ο πίνακας διακύμανσης-συνδιακύμανσης των καταλοίπων έχει σταθερές συνδιακυμάνσεις. Cov(ε ij,ε ij )=σ, όπου σ η διακύμανση μεταξύ των υποκειμένων. CAR1 Η δομή αυτή είναι παρόμοια με την AR1 με τη διαφορά ότι θεωρεί τη μεταβλητή του χρόνου ως συνεχή. Linear Η δομή αυτή θεωρεί πως υπάρχει μια γραμμική χωρική συσχέτιση μεταξύ των παρατηρήσεων. Αν d είναι το εύρος (των παρατηρήσεων) και η συσχέτιση μεταξύ 2 παρατηρήσεων που βρίσκονται σε απόσταση r<d είναι 1-(r/d) όταν δεν υπάρχει επίδραση nugget n, ενώ (1-n)*(1-(r/d)) όταν υπάρχει nugget επίδραση n. Αν r>=d δεν υπάρχει συσχέτιση. Επίδραση nugget ονομάζεται η τυχαία επίδραση που οδηγεί σε μικρή συνήθως διακύμανση των παρατηρήσεων και οφείλεται σε φυσικό φαινόμενο ή γενικά κάτι που δεν μπορούμε να ελέγξουμε. 6
41 Κεφάλαιο 3 Μοντέλο για τα δεδομένα ινδομεθασίνης για όλα τα υποκείμενα Το μοντέλο που προσαρμόζεται καλύτερα στα δεδομένα της ινδομεθασίνης είναι το μοντέλο (1), με τον περιορισμό οι τιμές των παραμέτρων να είναι θετικές. Επειδή το μοντέλο αυτό είναι ένα μη γραμμικό μοντέλο, όπως είδαμε στο προηγούμενο κεφάλαιο, η διαδικασία εκτίμησης του β βασίζεται στις αρχικές τιμές που θα δώσουμε στα β, τα οποία δεν μπορεί να είναι αρνητικά. Για να ελευθερωθούμε από αυτή την «έγνοια» μετατρέπουμε την (1) ως εξής: y = e e + e e + ε (8), όπου η εξαρτημένη μεταβλητή είναι η συγκέντρωση της ινδομεθασίνης στο πλάσμα του αίματος, επεξηγηματική μεταβλητή είναι ο χρόνος και τα e β μπορούν να πάρουν τιμές σε όλο το R. Οι παράμετροι e b2, e b4 εκφράζουν τις κλίσεις που σχετίζονται με την απόδοση του φαρμάκου και θα ασχοληθούμε περισσότερο με αυτούς. Προτού προχωρήσουμε στην προσαρμογή του μοντέλου (8), θα ελέγξουμε τα δεδομένα μας αν ακολουθούν κανονική κατανομή και θα φτιάξουμε μερικά διαγράμματα για να δούμε τη γραφική απεικόνιση του μοντέλου ώστε να επιβεβαιώσουμε ότι επιλέξαμε το σωστό μοντέλο. Πρώτα, ελέγχουμε την κατανομή που ακολουθούν τα δεδομένα με τον έλεγχο Kolmogorov-Smirnov για την κανονική κατανομή. Είναι μη παραμετρικός έλεγχος και έχει καλύτερα αποτελέσματα όταν το δείγμα είναι μικρό (όπως στην περίπτωσή μας). Η μηδενική υπόθεση Η0 του ελέγχου είναι ότι η μεταβλητή που ελέγχουμε ακολουθεί την κανονική κατανομή. Αντίθετα, η εναλλακτική υπόθεση Η1 είναι ότι δεν ακολουθεί κανονική κατανομή. Η Η0 απορρίπτεται ότνα η p-τιμή είναι <0,05. Η p-τιμή του ελέγχου για τη μεταβλητή y έχει πολύ μικρή τιμή <0,001. Η Η0 απορρίπτεται. Άρα, η συγκέντρωση της ινδομεθασίνης στο πλάσμα του αίματος δεν ακολουθεί κανονική κατανομή. One sample Kolmogorov-Smirnov Test of Composite Normality ks = , p-value = 0 Τρέχοντας ένα qqplot για τα δεδομένα βλέπουμε ότι οι περισσότερες παρατηρήσεις απέχουν αρκετά από την γραμμή παλινδρόμησης. Αυτό επιβεβαιώνει τον έλεγχο Kolmogorov-Smirnov και την απόρριψη της υπόθεσης κανονικότητας των δεδομένων. 7
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 13: Επανάληψη Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Γιατί μελετούμε την Οικονομετρία;
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής Υποθέσεις του Απλού γραμμικού υποδείγματος της Παλινδρόμησης Η μεταβλητή ε t (διαταρακτικός όρος) είναι τυχαία μεταβλητή με μέσο όρο
ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7. ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13
ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7 ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13 1.1. Εισαγωγή 13 1.2. Μοντέλο ή Υπόδειγμα 13 1.3. Η Ανάλυση Παλινδρόμησης 16 1.4. Το γραμμικό μοντέλο Παλινδρόμησης 17 1.5. Πρακτική χρησιμότητα
Αναπλ. Καθηγήτρια, Ελένη Κανδηλώρου. Αθήνα Σημειώσεις. Εκτίμηση των Παραμέτρων β 0 & β 1. Απλό γραμμικό υπόδειγμα: (1)
Σημειώσεις Αναπλ. Καθηγήτρια, Ελένη Κανδηλώρου Αθήνα -3-7 Εκτίμηση των Παραμέτρων β & β Απλό γραμμικό υπόδειγμα: Y X () Η αναμενόμενη τιμή του Υ, δηλαδή, μέση τιμή του Υ, δίνεται παρακάτω: EY ( ) X EY
Λίγα λόγια για τους συγγραφείς 16 Πρόλογος 17
Περιεχόμενα Λίγα λόγια για τους συγγραφείς 16 Πρόλογος 17 1 Εισαγωγή 21 1.1 Γιατί χρησιμοποιούμε τη στατιστική; 21 1.2 Τι είναι η στατιστική; 22 1.3 Περισσότερα για την επαγωγική στατιστική 23 1.4 Τρεις
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 5.1 Αυτοσυσχέτιση: Εισαγωγή Συχνά, η υπόθεση της μη αυτοσυσχέτισης ή σειριακής συσχέτισης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ
ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟΔΕΙΓΜΑ Συντελεστής συσχέτισης (εκτιμητής Person: r, Y ( ( Y Y xy ( ( Y Y x y, όπου r, Y (ισχυρή θετική γραμμική συσχέτιση όταν, ισχυρή αρνητική
Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης
Γραμμική Παλινδρόμηση και Συσχέτιση Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών Εξίσωση παλινδρόμησης Πρόβλεψη εξέλιξης Διμεταβλητές συσχετίσεις Πολλές φορές χρειάζεται να
Κεφάλαιο 3.1 Εξισώσεις 1 ου Βαθμού Επιμέλεια Σημειώσεων: Ντάνος Γιώργος ΚΕΦΑΛΑΙΟ 3.1 ΕΞΙΣΩΣΕΙΣ 1 ΟΥ ΒΑΘΜΟΥ 1
Κεφάλαιο 3.1 Εξισώσεις 1 ου Βαθμού Επιμέλεια Σημειώσεων: Ντάνος Γιώργος ΚΕΦΑΛΑΙΟ 3.1 ΕΞΙΣΩΣΕΙΣ 1 ΟΥ ΒΑΘΜΟΥ 1 Εξίσωση πρώτου βαθμού ή πρωτοβάθμια εξίσωση με άγνωστο x ονομάζεται κάθε εξίσωση της μορφής
Πολλαπλή παλινδρόμηση (Multivariate regression)
ΜΑΘΗΜΑ 3 ο 1 Πολλαπλή παλινδρόμηση (Multivariate regression) Η συμπεριφορά των περισσότερων οικονομικών μεταβλητών είναι συνάρτηση όχι μιας αλλά πολλών μεταβλητών Υ = f ( X 1, X 2,... X n ) δηλαδή η Υ
ΜΑΘΗΜΑ 3ο. Βασικές έννοιες
ΜΑΘΗΜΑ 3ο Βασικές έννοιες Εισαγωγή Βασικές έννοιες Ένας από τους βασικότερους σκοπούς της ανάλυσης των χρονικών σειρών είναι η διενέργεια των προβλέψεων. Στα υποδείγματα αυτά η τρέχουσα τιμή μιας οικονομικής
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 4.1 Πολλαπλό Γραμμικό Υπόδειγμα Παλινδρόμησης Γενικεύοντας τη διμεταβλητή (Y, X) συνάρτηση
ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2
013 [Κεφάλαιο ] ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο Μάθημα Εαρινού Εξάμηνου 01-013 M.E. OE0300 Πανεπιστήμιο Θεσσαλίας Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και Περιφερειακής Ανάπτυξης [Οικονομετρία 01-013] Μαρί-Νοέλ
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 6: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage:
Διάστημα εμπιστοσύνης της μέσης τιμής
Διάστημα εμπιστοσύνης της μέσης τιμής Συντελεστής εμπιστοσύνης Όταν : x z c s < μ < x +z s c Ν>30 Στον πίνακα δίνονται κρίσιμες τιμές z c και η αντιστοίχισή τους σε διάφορους συντελεστές εμπιστοσύνης:
Χ. Εμμανουηλίδης, 1
Εφαρμοσμένη Στατιστική Έρευνα Απλό Γραμμικό Υπόδειγμα AΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Δρ. Χρήστος Εμμανουηλίδης Αν. Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εφαρμοσμένη Στατιστική, Τμήμα Ο.Ε. ΑΠΘ Χ. Εμμανουηλίδης,
9. Παλινδρόμηση και Συσχέτιση
9. Παλινδρόμηση και Συσχέτιση Παλινδρόμηση και Συσχέτιση Υπάρχει σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές; Αν ναι, ποια είναι αυτή η σχέση; Πως μπορεί αυτή η σχέση να χρησιμοποιηθεί για να προβλέψουμε
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής ΑΥΤΟΣΥΣΧΕΤΙΣΗ Στις βασικές υποθέσεις των γραμμικών υποδειγμάτων (απλών και πολλαπλών), υποθέτουμε ότι δεν υπάρχει αυτοσυσχέτιση (autocorrelation
Γ. Πειραματισμός Βιομετρία
Γενικά Συσχέτιση και Συμμεταβολή Όταν σε ένα πείραμα παραλλάσουν ταυτόχρονα δύο μεταβλητές, τότε ενδιαφέρει να διερευνηθεί εάν και πως οι αλλαγές στη μία μεταβλητή σχετίζονται με τις αλλαγές στην άλλη.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 4ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 4ο Διαδικασία των συντελεστών αυτοσυσχέτισης Ονομάζουμε συνάρτηση αυτοσυσχέτισης (autocorrelation function) και συμβολίζεται με τα γράμματα
Β Γραφικές παραστάσεις - Πρώτο γράφημα Σχεδιάζοντας το μήκος της σανίδας συναρτήσει των φάσεων της σελήνης μπορείτε να δείτε αν υπάρχει κάποιος συσχετισμός μεταξύ των μεγεθών. Ο συνήθης τρόπος γραφικής
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
Απλή Παλινδρόμηση και Συσχέτιση
Απλή Παλινδρόμηση και Συσχέτιση Πωλήσεις, Δαπάνες Διαφήμισης και Αριθμός Πωλητών Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) 98 050 6 3 989
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
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΜΠΣ Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΜΠΣ Τραπεζικής & Χρηματοοικονομικής Διαγνωστικοί Έλεγχοι Διαπίστωσης της Αυτοσυσχέτισης Οι περισσότεροι από τους διαγνωστικούς ελέγχους της αυτοσυσχέτισης αναφέρονται σε αυτοσυσχέτιση
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
Μέθοδος μέγιστης πιθανοφάνειας
Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα
ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΑΠΟΔΟΣΗΣ ΠΡΟΣΩΠΙΚΟΥ: ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ ΙΔΙΩΤΙΚΟΥ ΝΟΣΟΚΟΜΕΙΟΥ ΠΑΡΑΓΙΟΥΔΑΚΗ ΜΑΓΔΑΛΗΝΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΑΠΟΔΟΣΗΣ ΠΡΟΣΩΠΙΚΟΥ: ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ ΙΔΙΩΤΙΚΟΥ ΝΟΣΟΚΟΜΕΙΟΥ ΠΑΡΑΓΙΟΥΔΑΚΗ ΜΑΓΔΑΛΗΝΗ Διπλωματική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 6.1 Ετεροσκεδαστικότητα: Εισαγωγή Συχνά, η υπόθεση της σταθερής διακύμανσης των όρων σφάλματος,
ΜΕΘΟΔΟΙ ΕΡΥΕΝΑΣ ΔΙΑΛΕΞΗ 5: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΟΙΚΟΝΟΜΕΤΡΙΑ (Ι)
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ, ΠΟΛΕΟΔΟΜΙΑΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΠΜΣ «ΕΠΕΝΔΥΣΕΙΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗ ΑΝΑΠΤΥΞΗ» ΜΕΘΟΔΟΙ ΕΡΥΕΝΑΣ ΔΙΑΛΕΞΗ 5: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΑΓΩΓΙΚΗ
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
Συσχέτιση μεταξύ δύο συνόλων δεδομένων
Διαγράμματα διασποράς (scattergrams) Συσχέτιση μεταξύ δύο συνόλων δεδομένων Η οπτική απεικόνιση δύο συνόλων δεδομένων μπορεί να αποκαλύψει με παραστατικό τρόπο πιθανές τάσεις και μεταξύ τους συσχετίσεις,
Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ
ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος 75 Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ 1.1. Τυχαία γεγονότα ή ενδεχόμενα 17 1.2. Πειράματα τύχης - Δειγματικός χώρος 18 1.3. Πράξεις με ενδεχόμενα 20 1.3.1. Ενδεχόμενα ασυμβίβαστα
Μέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis)
Μέρος V. Ανάλυση Παλινδρόμηση (Regresso Aalss) Βασικές έννοιες Απλή Γραμμική Παλινδρόμηση Πολλαπλή Παλινδρόμηση Εφαρμοσμένη Στατιστική Μέρος 5 ο - Κ. Μπλέκας () Βασικές έννοιες Έστω τ.μ. Χ,Υ όπου υπάρχει
Δειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 5 Έστω για την σύγκριση δειγμάτων συλλέγουμε παρατηρήσεις Υ =,,, από
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Πώς συσχετίζονται δυο μεταβλητές; Ένας απλός τρόπος για να αποκτήσουμε
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 3ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 3ο Κίβδηλες παλινδρομήσεις Μια από τις υποθέσεις που χρησιμοποιούμε στην ανάλυση της παλινδρόμησης είναι ότι οι χρονικές σειρές που χρησιμοποιούμε
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 11 Μαρτίου /24
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 11 Μαρτίου 2017 1/24 Εισαγωγή. Εστω ότι X 1, X 2,..., X n είναι ένα τυχαίο δείγμα παρατηρήσεων
Y Y ... y nx1. nx1
6 ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΜΕ ΤΗ ΧΡΗΣΗ ΠΙΚΑΚΩΝ Η χρησιμοποίηση και ο συμβολισμός πινάκων απλοποιεί σημαντικά τα αποτελέσματα της γραμμικής παλινδρόμησης, ιδίως στην περίπτωση της πολλαπλής παλινδρόμησης Γενικά,
Κεφάλαιο 9. Έλεγχοι υποθέσεων
Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές
ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ. iii
ΕΥΧΑΡΙΣΤΙΕΣ Ευχαριστώ τον Προϊστάμενο της Διεύθυνσης Δευτεροβάθμιας εκπαίδευσης του νομού Χανίων κύριο Βασίλειο Γλυμιδάκη, για τη διευκόλυνση που μου παρείχε έτσι ώστε να έχω πρόσβαση στα δεδομένα κάθε
Χρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή,
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 11: Αυτοσυσχέτιση Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Περιεχόμενο ενότητας
ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΕΡΩΤΗΣΕΙΣ ΣΤΗΝ ΟΙΚΟΝΟΜΕΤΡΙΑ II ΗΜΗΤΡΙΟΣ ΘΩΜΑΚΟΣ
ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΕΡΩΤΗΣΕΙΣ ΣΤΗΝ ΟΙΚΟΝΟΜΕΤΡΙΑ II ΗΜΗΤΡΙΟΣ ΘΩΜΑΚΟΣ Ερώτηση : Εξηγείστε τη διαφορά µεταξύ του συντελεστή προσδιορισµού και του προσαρµοσµένου συντελεστή προσδιορισµού. Πώς µπορεί να χρησιµοποιηθεί
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7o Μάθημα: Απλή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ
ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Πίνακες, κατανομές, ιστογράμματα... 1 1.2 Πυκνότητα πιθανότητας, καμπύλη συχνοτήτων... 5 1.3
Πρόλογος... xv. Κεφάλαιο 1. Εισαγωγικές Έννοιες... 1
Πρόλογος... xv Κεφάλαιο 1. Εισαγωγικές Έννοιες... 1 1.1.Ιστορική Αναδρομή... 1 1.2.Βασικές Έννοιες... 5 1.3.Πλαίσιο ειγματοληψίας (Sampling Frame)... 9 1.4.Κατηγορίες Ιατρικών Μελετών.... 11 1.4.1.Πειραµατικές
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΙΝΔΥΝΟΥ. Συσχέτιση (Correlation) - Copulas
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΙΝΔΥΝΟΥ Συσχέτιση (Correlation) - Copulas Σημασία της μέτρησης της συσχέτισης Έστω μία εταιρεία που είναι εκτεθειμένη σε δύο μεταβλητές της αγοράς. Πιθανή αύξηση των 2 μεταβλητών
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Αναλυτική Στατιστική
Αναλυτική Στατιστική Συμπερασματολογία Στόχος: εξαγωγή συμπερασμάτων για το σύνολο ενός πληθυσμού, αντλώντας πληροφορίες από ένα μικρό υποσύνολο αυτού Ορισμοί Πληθυσμός: σύνολο όλων των υπό εξέταση μονάδων
Α Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο
Α Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο «Περιγραφική & Επαγωγική Στατιστική» 1. Πάνω από το 3 ο τεταρτημόριο ενός δείγματος βρίσκεται το: α) 15%
ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης
ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση
3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ
3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ Πρόβλημα: Ένας ραδιοφωνικός σταθμός ενδιαφέρεται να κάνει μια ανάλυση για τους πελάτες του που διαφημίζονται σ αυτόν για να εξετάσει την ποσοστιαία μεταβολή των πωλήσεων
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7ο μάθημα: Πολυμεταβλητή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1 ΣΥΝΔΥΑΣΤΙΚΗ 1.1 ΒΑΣΙΚΗ ΑΡΧΗ ΑΠΑΡΙΘΜΗΣΗΣ... 13 1.2 ΠΡΟΣΘΕΤΙΚΗ ΑΡΧΗ ΑΠΑΡΙΘΜΗΣΗΣ... 15 1.3 ΔΙΑΤΑΞΕΙΣ..... 16 1.4 ΜΕΤΑΘΕΣΕΙΣ... 18 1.5 ΣΥΝΔΥΑΣΜΟΙ... 20 1.6 ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΜΕΤΑΘΕΣΕΙΣ......
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.outras@e.aegea.gr Τηλ: 7035468 Μέθοδος Υπολογισμού
Πολλαπλή παλινδρόµηση. Μάθηµα 3 ο
Πολλαπλή παλινδρόµηση Μάθηµα 3 ο Πολλαπλή παλινδρόµηση (Multivariate regression ) Η συµπεριφορά των περισσότερων οικονοµικών µεταβλητών είναι συνάρτηση όχι µιας αλλά πολλών µεταβλητών Y = f ( X, X 2, X
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 8ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 8ο Επιλογή του αριθμού των χρονικών υστερήσεων Στις περισσότερες οικονομικές χρονικές σειρές υπάρχει υψηλή συσχέτιση μεταξύ της τρέχουσας
Οικονομετρία Ι. Ενότητα 2: Ανάλυση Παλινδρόμησης. Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής
Οικονομετρία Ι Ενότητα 2: Ανάλυση Παλινδρόμησης Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commos. Για εκπαιδευτικό
Εισαγωγή στην Γραμμική Παλινδρόμηση
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΔΙΑΛΕΞΗ 13-11-015 Εισαγωγή στην Γραμμική Παλινδρόμηση Γραμμική σχέση μεταξύ μεταβλητών Αν. Καθ. Μαρί-Νοέλ Ντυκέν Στόχος Πολύ συχνά, η Τ.Μ. που εξετάζουμε π.χ. η κατανάλωση των νοικοκυριών
ΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών
ΟΙΚΟΝΟΜΕΤΡΙΑ Βιολέττα Δάλλα Τµήµα Οικονοµικών Επιστηµών Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών 1 Αυτοσυσχέτιση Αν τα σφάλµατα δεν συσχετίζονται µεταξύ τους, Corr(u t, u s ) = 0 για κάθε t s, t, s
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ ΠΡΩΤΟ
ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή 1. Γενικά... 25 2. Έννοια και Είδη Μεταβλητών... 26 3. Κλίμακες Μέτρησης Μεταβλητών... 29 3.1 Ονομαστική κλίμακα... 30 3.2. Τακτική κλίμακα... 31 3.3 Κλίμακα ισοδιαστημάτων... 34 3.4
Δειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
7.1.1 Η Μέθοδος των Ελαχίστων Τετραγώνων
7.. Η Μέθοδος των Ελαχίστων Τετραγώνων Όπως ήδη αναφέρθηκε, μία ευρύτατα διαδεδομένη μέθοδος για την εκτίμηση των σταθερών α και β είναι η μέθοδος των ελαχίστων τετραγώνων. Η μέθοδος αυτή επιλέγει εκτιμήτριες
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ, ΟΛΙΚΗ ΠΙΘΑΝΟΤΗΤΑ ΘΕΩΡΗΜΑ BAYES, ΑΝΕΞΑΡΤΗΣΙΑ ΚΑΙ ΣΥΝΑΦΕΙΣ ΕΝΝΟΙΕΣ 71
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 20 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 20 2.1.1 Αβεβαιότητα
η πιθανότητα επιτυχίας. Επομένως, η συνάρτηση πιθανοφάνειας είναι ίση με: ( ) 32 = p 18 1 p
ΑΣΚΗΣΗ 1 ΣΕΜΦΕ 14-15 i. Έστω yi ο αριθμός των προσπαθειών κάθε μαθητή μέχρι να πετύχει τρίποντο. Ο αριθμός των προσπαθειών πριν ο μαθητής να πετύχει τρίποντο θα είναι xi = yi - 1, i = 1,,18. 2 2 3 2 1
ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ: ΑΣΚΗΣΕΙΣ
ΜΕΜ264: Εφαρμοσμένη Στατιστική 1 ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ: ΑΣΚΗΣΕΙΣ 1. Σε μελέτη της επίδρασης γεωργικών χημικών στην προσρόφηση ιζημάτων και εδάφους, δίνονται στον πιο κάτω πίνακα 13 δεδομένα για το δείκτη
Μέθοδος μέγιστης πιθανοφάνειας
Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σκ της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα Χ=(Χ, Χ,, Χ ) από πληθυσμό το
Κεφάλαιο 9. Έλεγχοι υποθέσεων
Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τμήμα Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τμήμα Τραπεζικής & Χρηματοοικονομικής Πολλαπλό Γραμμικό Υπόδειγμα Παλινδρόμησης Τα υποδείγματα του απλού γραμμικού υποδείγματος της παλινδρόμησης (simple linear regression
ΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
ΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Είδη μεταβλητών Ποσοτικά δεδομένα (π.χ. ηλικία, ύψος, αιμοσφαιρίνη) Ποιοτικά δεδομένα (π.χ. άνδρας/γυναίκα, ναι/όχι) Διατεταγμένα (π.χ. καλό/μέτριο/κακό) 2 Περιγραφή ποσοτικών
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 2 Μαΐου /23
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 2 Μαΐου 2017 1/23 Ανάλυση Διακύμανσης. Η ανάλυση παλινδρόμησης μελετά τη στατιστική σχέση ανάμεσα
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 5: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (1 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: ageliki.papaa@gmail.com, agpapaa@auth.gr Webpage: http://users.auth.gr/agpapaa
Κεφάλαιο 16 Απλή Γραμμική Παλινδρόμηση και Συσχέτιση
Κεφάλαιο 16 Απλή Γραμμική Παλινδρόμηση και Συσχέτιση Copyright 2009 Cengage Learning 16.1 Ανάλυση Παλινδρόμησης Σκοπός του προβλήματος είναι η ανάλυση της σχέσης μεταξύ συνεχών μεταβλητών. Η ανάλυση παλινδρόμησης
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης
III IV V VI VII VIII IX IX X XI XII XIII XIV XVI XIX XIX XX XXII XXIII
.. 1 ( - ). -..... - 2 (- ) ). (...).... - ). (...)... -.... 3. I III IV V VI VII VIII IX IX X XI XII XIII XIV XVI XIX XIX XX XXII XXIII I 1. XXIII 2. XXV 3. XXVI 4. XXVII 5. XXIX (...) 1-83 85-89 91-95
Χρονολογικές Σειρές (Time Series) Lecture notes Φ.Κουντούρη 2008
Χρονολογικές Σειρές (Time Series) Lecture notes Φ.Κουντούρη 2008 1 Τύποι Οικονομικών Δεδομένων Τα οικονομικά δεδομένα που χρησιμοποιούνται για την εξέταση οικονομικών φαινομένων μπορεί να έχουν τις ακόλουθες
Στατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών
Στατιστική Ι Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Οικονομετρία Ι. Ενότητα 9: Αυτοσυσχέτιση. Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής
Οικονομετρία Ι Ενότητα 9: Αυτοσυσχέτιση Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..
Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας
Εργαστήριο Οικονομετρίας Προαιρετική Εργασία 2016 Χειμερινό Εξάμηνο
Εργαστήριο Οικονομετρίας Προαιρετική Εργασία 2016 Χειμερινό Εξάμηνο Χρήσιμες Οδηγίες Με την βοήθεια του λογισμικού E-views να απαντήσετε στα ερωτήματα των επόμενων σελίδων, (οι απαντήσεις πρέπει να περαστούν
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 30 Μαρτίου /32
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 30 Μαρτίου 2017 1/32 Ανάλυση Παλινδρόμησης: Γενικά. Με την ανάλυση παλινδρόμησης εξετάζουμε
Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..
Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας
ΟΙΚΟΝΟΜΕΤΡΙΑ. Β μέρος: Ετεροσκεδαστικότητα. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 10: Οικονομετρικά προβλήματα: Παραβίαση των υποθέσεων Β μέρος: Ετεροσκεδαστικότητα Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr
2.5 ΕΛΕΓΧΟΣ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ (The Quantile Test)
.5 ΕΛΕΓΧΟΣ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ (The Quantile Test) Ο διωνυμικός έλεγχος μπορεί να χρησιμοποιηθεί για τον έλεγχο υποθέσεων αναφερομένων στα ποσοστιαία σημεία μίας τυχαίας μεταβλητής. Στην
5. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ (GENERAL LINEAR MODEL) 5.1 Εναλλακτικά μοντέλα του απλού γραμμικού μοντέλου: Το εκθετικό μοντέλο
5. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ (GENERAL LINEAR MODEL) 5.1 Εναλλακτικά μοντέλα του απλού γραμμικού μοντέλου: Το εκθετικό μοντέλο Ένα εναλλακτικό μοντέλο της απλής γραμμικής παλινδρόμησης (που χρησιμοποιήθηκε
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
Π E Ρ IEXOMENA Πρόλογος... xiii ΜΕΡΟΣ ΠΡΩΤΟ ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ ΠΑΡΟΥΣΙΑΣΗ ΤΩΝ ΣΤΑΤΙΣΤΙΚΩΝ Ε ΟΜΕΝΩΝ 1.1 Εισαγωγή... 3 1.2 Ορισµός και αντικείµενο της στατιστικής... 3
ΟΙΚΟΝΟΜΕΤΡΙΑ. σε μη γραμμικές μορφές. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 7: Επεκτάσεις του γραμμικού υποδείγματος σε μη γραμμικές μορφές Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση
Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση Εκεί που είμαστε Κεφάλαια 7 και 8: Οι διωνυμικές,κανονικές, εκθετικές κατανομές και κατανομές Poisson μας επιτρέπουν να κάνουμε διατυπώσεις πιθανοτήτων γύρω από το Χ
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα
Άσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:
Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του
Εφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Παλινδρόμηση Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
ΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...
ΚΕΦΑΛΑΙΟ 0 Ένα Πρόβλημα Δεδομένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Απλή Γραμμική Παλινδρόμηση Μωυσιάδης Χρόνης 6 o Εξάμηνο Μαθηματικών Έχει σχέση το με το ; Ειδικότερα
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test) Σε ορισμένες περιπτώσεις απαιτείται ο έλεγχος της ύπαρξης στατιστικά