Political Science 552. Qualitative Variables. Dichotomous Predictor. Dummy Variables-Gender. Qualitative Variables March 3, 2004

Σχετικά έγγραφα
Π.Μ.Σ. ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ ΚΑΙ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΕΛΙΚΟ ΔΙΑΓΩΝΙΣΜΑ 27/6/2016

Political Science 552

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

!"!"!!#" $ "# % #" & #" '##' #!( #")*(+&#!', & - #% '##' #( &2(!%#(345#" 6##7

ΟΙΚΟΝΟΜΕΤΡΙΑ 2 ΦΡΟΝΤΙΣΤΗΡΙΟ 2 BASICS OF IV ESTIMATION USING STATA

α + α+ α! (=+9 [1] ι «Analyze-Regression-Linear». «Dependent» ι η η η!ηη ι «Independent(s)» η!ηη. # ι ι ι!η " ι ιηη, ι!" ι ηιι. 1 SPSS ι η η ι ιηη ι η

ΕΙ Η ΠΑΛΙΝ ΡΟΜΗΣΗΣ. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΛΙΝ ΡΟΜΗΣΗ (Simple Linear Regression) ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ (Regression) ΠΑΛΙΝ ΡΟΜΗΣΗ.

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

ΤΕΛΙΚΗ ΕΞΕΤΑΣΗ ΔΕΙΓΜΑ ΟΙΚΟΝΟΜΕΤΡΙΑ Ι (3ο Εξάμηνο) Όνομα εξεταζόμενου: Α.Α. Οικονομικό Πανεπιστήμιο Αθήνας -- Τμήμα ΔΕΟΣ Καθηγητής: Γιάννης Μπίλιας

Νίκος Πανταζής Βιοστατιστικός, PhD ΕΔΙΠ Ιατρικής Σχολής ΕΚΠΑ Εργαστήριο Υγιεινής, Επιδημιολογίας & Ιατρικής Στατιστικής

Suppose Mr. Bump observes the selling price and sales volume of milk gallons for 10 randomly selected weeks as follows

Ελένη Κανδηλώρου Αναπλ. Καθηγήτρια. Γραμμικά Μοντέλα. Λύσεις Ασκήσεων

LAMPIRAN. Fixed-effects (within) regression Number of obs = 364 Group variable (i): kode Number of groups = 26

MATHACHij = γ00 + u0j + rij

Generalized Linear Model [GLM]

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

Lecture 8: Serial Correlation. Prof. Sharyn O Halloran Sustainable Development U9611 Econometrics II

FORMULAS FOR STATISTICS 1

ΕΚΤΙΜΗΣΗ ΤΗΣ ΠΟΙΟΤΗΤΑΣ ΖΩΗΣ ΑΣΘΕΝΩΝ ΜΕΤΑ ΑΠO ΕΜΦΥΤΕΥΣΗ ΑΠΙΝΙΔΩΤΗ

Άσκηση 10, σελ 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

Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.

CS 1675 Introduction to Machine Learning Lecture 7. Density estimation. Milos Hauskrecht 5329 Sennott Square

Χαρακτηριστικά της ανάλυσης διασποράς. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (One-way analysis of variance)

p n r

Table A.1 Random numbers (section 1)

Appendix A3. Table A3.1. General linear model results for RMSE under the unconditional model. Source DF SS Mean Square

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

α β

Estimators when the Correlation Coefficient. is Negative

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ

8.1 The Nature of Heteroskedasticity 8.2 Using the Least Squares Estimator 8.3 The Generalized Least Squares Estimator 8.

$ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η.

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

Υπολογισμός των σταθερών L o και k της εξίσωσης BOD από πειραματικά δεδομένα

Principles of Workflow in Data Analysis

Ενότητα 2: Έλεγχοι υποθέσεων για µέσες τιµες πληθυσµών (T-tests) µέσω SPSS

APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679

Stata Session 3. Tarjei Havnes. University of Oslo. Statistics Norway. ECON 4136, UiO, 2012

794 Appendix A:Tables

Έλεγχος υποθέσεων ΙI ANOVA

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

Η Σχέση Της Επιχειρηματικής Στρατηγικής Και Της Καινοτομικής Επίδοσης: Μια Εμπειρική Διερεύνηση Σε 2000 Ελληνικές Επιχειρήσεις

Supplementary Information 1.

Why Stata. Statacorp.

Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.

ΑΣΚΗΣΗ 7 (ΛΥΣΗ) Στο αρχείο του SPSS θα υπάρχουν οι µεταβλητές,

Απλή Ευθύγραµµη Συµµεταβολή

Λυμένες Ασκήσεις για το μάθημα:

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

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

Principles of Workflow in Data Analysis

Λογιστική Παλινδρόµηση

Queensland University of Technology Transport Data Analysis and Modeling Methodologies

Εισαγωγή στην Ανάλυση Διακύμανσης

ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. ΜΑΘΗΜΑ 12 Συµπερασµατολογία για την επίδραση πολλών µεταβλητών σε µια ποσοτική (Πολλαπλή Παλινδρόµηση) [µέρος 2ο]


Ekonometrija 1. Dvanajste vaje: Odsotnost koreliranosti slučajne spremenljivke in avtokorelacija.

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 13. Συμπεράσματα για τη σύγκριση δύο πληθυσμών

Biostatistics for Health Sciences Review Sheet

DOUGLAS FIR BEETLE TRAP-SUPPRESSION STUDY STATISTICAL REPORT

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:

Άσκηση 1. Πληθυσμός (Χ i1 )

Supplementary Materials: A Preliminary Link between Hydroxylated Metabolites of Polychlorinated Biphenyls and Free Thyroxin in Humans

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 7. Παλινδρόµηση

Homework for 1/27 Due 2/5

len(observed ) 1 (observed[i] predicted[i]) 2

χ 2 test ανεξαρτησίας

Επαναληπτικό μάθημα GLM

Standardized Coefficients t Sig.

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.

Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση

Primer 1: V vzorec smo izbrali 32 evropskih držav in za leto 2003 pridobili naslednje podatke (datoteka zdravstvo.dta):

Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για ανεξάρτητα δείγματα)

Supplementary figures

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

Ενότητα 3: Ανάλυση Διακύμανσης κατά ένα παράγοντα One-Way ANOVA

EE512: Error Control Coding

if code='1' then type='fixed'; else if code='2' then type='variable'; else type='unknown'; ΚΕΦΑΛΑΙΟ 2

Three-Dimensional Experimental Kinematics

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ. ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΣΤΑΣΙΜΕΣΔΙΑΔΙΚΑΣΙΕΣ-ΥΠΟΔΕΙΓΜΑΤΑ ARIMA (p,d,q)

Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. ΗΥ-570: Στατιστική Επεξεργασία Σήµατος. ιδάσκων : Α. Μουχτάρης. εύτερη Σειρά Ασκήσεων.

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

Comparison of Evapotranspiration between Indigenous Vegetation and Invading Vegetation in a Bog

NOB= Dickey=Fuller Engle-Granger., P. ( ). NVAR=Engle-Granger/Dickey-Fuller. 1( ), 6. CONSTANT/NOCONST (C) Dickey-Fuller. NOCONST NVAR=1. TREND/NOTREN

Variance of Trait in an Inbred Population. Variance of Trait in an Inbred Population

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

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

ΕΚΤΙΜΗΤΙΚΗ: ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ

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

Κεφάλαιο 7. Γραμμική και λογιστική παλινδρόμηση. Σύνοψη. Προαπαιτούμενη γνώση. 7.1 Απλή και Πολλαπλή Γραμμική Παλινδρόμηση (Linear Regression)

ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ 2 (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., 04-05) (Επιµέλεια: Ελευθεράκη Αναστασία)

Ανάλυση ποσοτικών δεδομένων. ΕΡΓΑΣΤΗΡΙΟ 2 ΔΙΟΙΚΗΣΗ & ΚΟΙΝΩΝΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ ΣΤΗΝ ΤΟΞΙΚΟΕΞΆΡΤΗΣΗ Dr. Ρέμος Αρμάος


ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 8. Ανάλυση διασποράς (ANOVA)

ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ,

Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης

Stochastic Finite Element Analysis for Composite Pressure Vessel

APPENDIX B NETWORK ADJUSTMENT REPORTS JEFFERSON COUNTY, KENTUCKY JEFFERSON COUNTY, KENTUCKY JUNE 2016

Transcript:

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. Std. Err. t P> t [95% Cof. Iterval] ----------------------------------------------------------------------------- v5 6.8877.597 7.. 6.87688 7.8779 geder.69969.768.7.7 -.6.577 _os 6.9.666.9..686 8.6.. redt yhatg (oto xb assumed; ftted values). twoway (satter v6 v5, jtter()) (le yhatg v5 f geder >, sort) (le yhatg v5 f geder!, sort)

Qualtatve Varables Marh, 6 8 6 Kx. Party ID summary C/C.T. Thermometer George W Bush t-test equvaley. ttest v6, by(v9) Two-samle t test wth equal varaes Grou Obs Mea Std. Err. Std. Dev.. MALE 668 57.9.976.97.. FEMAL 85 55.899.86789 5.87 ombed 59 56.586.658.95755 dff.99.95 Degrees of freedom: 57 Ha: dff < Ha: dff! Ha: dff > t.95 t.95 t.95 P < t.897 P > t.6 P > t.7. ge geder(v9). regress v6 geder v6 Coef. Std. Err. t P> t geder -.99.95 -.95. _os 57.9.9656656 59.7. Three or More Categores Y 5 5 Y 5 5 5

Qualtatve Varables Marh, Mult-Category Examle. x: regress v6 v5.rego v6 Coef. Std. Err. t P>t v5 6.899.5766 7.8. _Irego_ -.96798.66896 -.6.95 _Irego_ 5.97.5.86. _Irego_ -.767.68 -.9.66 _os 5.778.76 5.6.. redt yhat (oto xb assumed; ftted values) ( mssg values geerated). twoway (lft yhat v5 f rego) (lft yhat v5 f rego) > (lft yhat v5 f rego) (lft yhat v5 f rego) Plot of Mult-Category 5 6 7 8 6 Kx. Party ID summary ANOVA o Rego. reode v79 (/9 "East")(/9 "Mdwest")(/59 "South/Border > ")(6/79 "West")(96.),ge(rego) oeway v6 rego, tabulate Summary of C/C.T. Thermometer George W Bush rego Mea Std. Dev. Freq. -------------------------------------------------- East 5 5 6 Mdwest 5 5 8 South/Bor 6 5 5 West 5 5 -------------------------------------------------- Total 56 5 57 Aalyss of Varae Soure SS df MS F Prob > F ------------------------------------------------------------------------ Betwee grous 959.678 69.859.5. Wth grous 977.97 5 6.8796 ------------------------------------------------------------------------ Total 97.8 56 6.7

Qualtatve Varables Marh, Rego as Dummy Varable. x: regress v6.rego.rego _Irego_- (aturally oded; _Irego_ omtted) Soure SS df MS Number of obs 57 ---------------------------------------------- F(, 5).5 Model 959.678 69.859 Prob > F. Resdual 977.97 5 6.8796 R-squared. ----------------------------------------------- Adj R-squared.85 Total 97.8 56 6.7 Root MSE.75 v6 Coef. Std. Err. t P> t ----------------------------------------------------------------------------- _Irego_ -..977 -.6.955 _Irego_ 6.986.856.5. _Irego_ -.5758.76 -..98 _os 5.9.595 5.8. Modfyg Omtted Category. har rego[omt]. x: regress v6.rego.rego _Irego_- (aturally oded; _Irego_ omtted) Soure SS df MS Number of obs 57 --------------------------------------------- F(, 5).5 Model 959.678 69.859 Prob > F. Resdual 977.97 5 6.8796 R-squared. --------------------------------------------- Adj R-squared.85 Total 97.8 56 6.7 Root MSE.75 v6 Coef. Std. Err. t P> t ----------------------------------------------------------------------------- _Irego_ -6.986.856 -.5. _Irego_ -6.695.656 -.. _Irego_ -8.67.76888 -.99. _os 6.997.6559 57.5. Effet Codg. reode _Irego ( -) f (rego). regress v6 _Irego Soure SS df MS Number of obs 57 F(, 5).5 Model 959.678 69.859 Prob > F. Resdual 977.97 5 6.8796 R-squared. Adj R-squared.85 Total 97.8 56 6.7 Root MSE.75 v6 Coef. Std. Err. t P>t _Irego_ -.65.5997 -.85.98 _Irego_ -.76557.89 -.6.89 _Irego_ -.99.65 -.7.6 _os 55.55776.6565 8.66.

Qualtatve Varables Marh, Effet Codg: Dhotomy. ge geder(v9). regress v6 geder v6 Coef. Std. Err. t P> t geder -.99.95 -.95. _os 57.9.9656656 59.7.. hage geder to effet odg. reode geder (-) (geder: 67 hages made). regress v6 geder,oheader v6 Coef. Std. Err. t P>t geder -.6965.6576 -.95. _os 56.695.6576 87.7. Two Nomal Varables. format v6 %6.f. table rego geder, >otets( mea v6 ) geder rego ---------------------------------------- East 57.59 5.5 Mdwest 55.6 5. South/Border 6.5 6.7 West 5.68 5.. x: regress v6.geder.rego,oheader v6 Coef. Std. Err. t _Igeder_ -.557.969 -.5 _Irego_ -6.57.876 -.9 _Irego_ -6.7.6685 -.85 _Irego_ -8.88.766 -.7 _os 6.769.5 7.6 FT F E FT F S 6.769.557 6.58 6.7 6.769.557 6.57 5.8588 5.5 Wth Iterato Terms. format v6 %6.f. table rego geder, >otets( mea v6 ) geder rego ---------------------------------------- East 57.59 5.5 Mdwest 55.6 5. South/Border 6.5 6.7 West 5.68 5.. x: regress v6.geder.rego v6 Coef. Std. Err. t _Igeder_ -.675.795 -.9 _Irego_ -.766556.87888 -. _Irego_ -6.97.57876 -. _Irego_ -8.677.556 -. _Igereg_~ -.85.795 -.7 _Igereg_~ -.88.7775 -. _Igereg_~.95665.9679.7 _os 6.57.68 7.5 FT F E b bgeder beast b5geder East FT F E 6.5.67.765.8 5.8 5.5 5

Qualtatve Varables Marh, Sloe Dummes Y Y Y ( ) ( ) Sloe Dummy Examle. ge blak( v) f v!.. ge dv5. x: regress v.blakd,oheader.blak _Iblak_- (aturally oded; _Iblak_ omtted).blakd _Iblad_# (oded as above) v Coef. Std. Err. t P>t _Iblak_.88.569 6.. d.78.5589.69. _Iblad_ -.686.977 -.8.69 _os.57.6986 7.5.. test d _Iblad_ ( ) d _Iblad_ [d _Iblad_ -.58] F(, 7).6 Prob > F.7 Sloe Dummy Grah twoway (lft v d f blak, rage( 6.)) (lft v d f blak) 5 5 55 6 65 6 d 6

Qualtatve Varables Marh, Multle Classfato Aalyss ad Automat Iterato Detetor m j Y j Y m j b j k b j j j Lear Probablty Model P. ge vote(v9) f v9<5 (5 mssg values geerated). regress vote d geder,oheader vote Coef. Std. Err. t P>t d -.758. -.9. geder.686.98..6 _os.7.9597 5.7. σ Heterosedastty { P} P ( P) σ σ P σ P{ } ( E{ }) P{ } P P{ } P E{ } P ( P) ( P)( P) ( P P P ) ( P P ) σ ( P P ) σ P ( P) P.....5.6.7.8.9 -P.9.8.7.6.5.... P(-P).9.6...5...6.9 7

Qualtatve Varables Marh, 8 Dsrmat Futo D... ( ) s D D D ( ) ( )...... Dsrmat Futo, D D ( ) D R D ( ) ( ), R R F Dsrmat Futo ad Lear Regresso b j j x x

Qualtatve Varables Marh, Dsrmat Futo Examle. dsrm vote d geder,redt Dhotomous Dsrmat Aalyss Observatos Obs Grou 57 Ide varables Obs Grou 587 Cetrod -.88 R-square.5988 Cetrod.566 Mahalaobs 5.9778 Grad Ctd -.7 Egevalue.98 Wlk's Lambda. Cao. Corr..779 Ch-square.e Eta Squared.5988 Sg Ch. Dsrmat Futo Examle, otued Dsrm Futo Ustadardzed Varable Coeffets Coeffets LearProb d.78 -.7 -.7 geder -.677.95.6 ostat -.89.96. ----- Predted ----- Atual Grou Grou Total Grou 7 55 57 Grou 8 55 587 Total 55 56 Corretly redted 87.7 % Model sestvty 89.56 % Model sefty 86. % False ostve.8 % False egatve 9.8 % 9