Mikroekonometria 7. Mikołaj Czajkowski Wiktor Budziński
|
|
- Dariusz Orzechowski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Mkroekonometra 7 Mkołaj Czajkowsk Wktor Budzńsk
2 Testowane hpotez 4 podstawowe testy Przedzał ufnośc Parametry mają asymptotyczny rozkład normalny Znamy błąd standardowy Czy parametr jest statystyczne różny od k (np. od 0)? Test LR loraz wartośc funkcj najwększej warygodnośc Czy restrykcja prowadz do stotnego pogorszena LL? Test Walda Czy estymator z restrykcjam nadal jest statystyczne stotny? Test LM test mnożnków Lagrange a Czy estymator z restrykcjam jest blsko maksmum LL? Węc, czy nachylene funkcj LL w punkce restrykcj jest blske 0? Inaczej czy gradent dla estymatora z restrykcjam jest blsk 0?
3 Hpotezy proste, hpotezy złożone Hpotezą prostą nazywamy hpotezę w postac np.: Hpotezą złożoną natomast: 1 2 K Testowane osobno klku hpotez prostych ne jest równoważne testowanu jednej hpotezy złożonej Np. jeśl statystyk testowe dla hpotez prostych są od sebe nezależne, to jeśl pozom stotnośc (p-stwo popełnena błędu I rodzaju) jest równe α dla każdej z hpotez prostych to dla hpotezy * K złożonej wynos ono: α = 1 1 α 1 ( ) * Różncę α α nazywa sę obcążenem Lovella H : β = 0, H : β = 0,, H : β = 0 Wybór modelu lepej operać o hpotezy złożone H : β = K
4 Testowane hpotez
5 Istotność parametrów Istotność parametrów Błędy standardowe z AVC Wartość krytyczna z rozkładu standardowego normalnego A ne t-studenta jak w regresj lnowej MNK H 0 : Parametr = β 0 z = ˆ β β ˆ σ Duże wartośc absolutne statystyk z (małe p-value) => parametr jest stotne różny od β 0 (np. od 0) na zadanym pozome stotnośc W NLOGIT wynk podawane automatyczne po estymacj dla każdego parametru ˆ β 0
6 Test LR LR test LR lkelhood rato Iloraz wartośc funkcj najwększej warygodnośc ( ˆ ˆ R ln U) LR = 2lnL L Nakładamy jakeś restrykcje na parametry R U restrcted, unrestrcted (test tylko dla model zagneżdżonych) Model z restrykcjam zawsze jest ne lepszy nż model bez restrykcj, a węc LR > 0 Wartość krytyczna z rozkładu ch-kwadrat z lczbą stopn swobody równą lczbe restrykcj (w forme równań) H 0 : Restrykcje ne pogarszają stotne modelu Duże wartośc statystyk LR (małe p-value) odrzucamy restrykcje (bo stotne pogarszają model) Wymaga estymacj modelu bez z ogranczenam
7 Przykład eko-jabłka c.d. 1. Czy każdy parametr jest stotny na pozome 5%? 1%? 2. Czy wszystke parametry łączne są stotne? MODEL CALC MODEL CALC CALC ;... $ model bez restrykcj ; lu = logl$ ;... $ model z restrykcjam ; lr = logl$ ; lst ; chsq = 2*(lu-lr) ; 1-ch(chsq,r)$ Jeśl wartość < α, to można odrzucć hpotezę, że restrykcje ne pogarszają stotne modelu 3. Porównaj twój wynk z tym raportowanym przez NLOGIT po estymacj Można zastosować do dowolnych zagneżdżonych model Podobny do testu F z regresj lnowej
8 Test Walda Test Walda MVN J J Jeśl E ( X)= μ to wyrażene ma rozkład ch-kwadrat z J stopnam swobody Jeśl E ( X) μ to wyrażene ma necentralny rozkład ch-kwadrat Leży na prawo => daje wększe wartośc statystyk Idea: jeśl X ( μ, Σ ) to ( ) 1 2 X μ Σ ( X μ) χ cθ ( )= q Jeśl są prawdzwe, to ˆθ pownen je spełnać Jeśl ne, to cθ ( ˆ ) q będze dalej od 0 Dla zboru restrykcj H 0 : Statystyka testu Walda ( ( ) ) AVC ( ) ( ( )) 1 ( ( ) ) 2 χ J W = cθˆ q cθˆ q cθˆ q
9 Test Walda Intucyjne czy estymator z restrykcjam nadal jest statystyczne stotny? H 0 : Restrykcje ne pogarszają stotne modelu Duże wartośc statystyk W (małe p-value) odrzucamy restrykcje (bo stotne pogarszają model) Ne wymaga estymacj modelu z ogranczenam Choć trzeba wyznaczyć AVC dla estymatora z restrykcjam cθ ( ˆ ) ( ) ( ( ) ) cθˆ AVC cθˆ q= AVC ( θˆ) θˆ θˆ Dzała dla nelnowych restrykcj Dla lnowych Rθ = qproścej ( ) ( ) 1 Rθ ˆ q R AVCθˆR ( Rθ ˆ q) W =
10 Test Walda ( )= Jeśl cθˆ qjest pojedynczą restrykcją test Walda dzała tak samo jak statystyka z test przedzału ufnośc H0 : θ = θ H θ θ 0 1: 0 2 ( ˆ (( ) ) (( ) ) θ θ ) W = ˆ θ θ θ θ (( θ θ ) ) 0 0 AVC ˆ 0 0 ˆ 0 0 = = z AVC ˆ θ ˆ θ θ0 ˆ σ Statystyka W ma rozkład ch-kwadrat z 1 stopnem swobody, czyl rozkład kwadratu statystyk standardowej normalnej Wada: test ne jest newrażlwy na sformułowane restrykcj Np. dla przetestowana, czy β ( 1 γ) = q jest równe q można testować β ( 1 γ) q = 0 lub β q( 1 γ) = 0 mają różne AVC Zaleta: ne wymaga dodatkowych założeń o rozkładach (jak statystyk LR LM) ( ) z = ˆ θ
11 Przykład eko-jabłka c.d. 1. Czy ceny zwykłych jabłek eko-jabłek mają tę samą słę oddzaływana (choć w przecwną stronę)? 2. Czy cena eko-jabłek ma nny wpływ na mężczyzn nż na kobety? Zbadaj wykorzystując test LR Zbadaj wykorzystując test Walda MODEL ;... ; rst: b1, b2, b2, 0, b5,... $ MODEL ;... ; test: x1 + x2 = c $? p-value tego, że x1 + x2 c? różne of zera WALD ; fn1 = b_x1 + b_x2 c $ WALD ; start = b ; var = varb (; labels =...) ; fn1 = b1 b2 c $ Wymuszane równośc lub określonej wartośc parametrów
12 Test LM Test LM Test mnożnków Lagrange a (Lagrange Multpler) Idea: maksymalzujemy funkcję LL z ogranczenam (restrykcjam) Funkcja Lagrange a: lnl ( θ) = lnl( θ) + λ ( c( θˆ ) q ) λ wektor mnożnków Lagrange a Rozwązane: lnl ( θ) lnl( θ) c( θ) = + λ = 0 θ θ θ lnl λ ( θ) ( ˆ ) = cθ q= 0 Jeśl restrykcje są uzasadnone, wartość funkcj LL ne pownna sę stotne pogorszyć => drug składnk w wyrażenu na pochodne funkcj LL po θ (a dokładnej λ) będze mały na tym polega test Inaczej gradent funkcj LL dla wektora z restrykcjam będze mały cθ ( ˆ ) q= 0
13 Test LM Statystyka testu LM N N 1 N LM = gvg = g ( ) X E h XX gx = 1 = 1 = 1 Gdze g macerz perwszych pochodnych (gradent) modelu bez restrykcj, wyznaczonych dla wektora parametrów z restrykcjam, a V macerz AVC (dla bardzej skomplkowanych model może być estymator macerzy AVC (np. BHHH), zamast wartośc oczekwanej) Test ma rozkład ch-kwadrat z lczbą stopn swobody równą lczbe restrykcj Ne wymaga estymacj modelu bez ogranczeń Choć trzeba wyznaczyć gradent dla wektora parametrów bez restrykcj H 0 : Restrykcje ne pogarszają stotne modelu Duże wartośc statystyk LM (małe p-value) odrzucamy restrykcje (bo stotne pogarszają model)
14 Przykład eko-jabłka c.d. 1. Przeprowadź LM test tego, że łączne: Wpływ ceny eko-jabłek zwykłych jabłek jest, co do wartośc bezwzględnej, tak sam Dochód gospodarstwa domowego ne ma znaczena Implementacja w NLOGIT: Przygotuj wektor parametrów z ogranczenam Dokonaj estymacj modelu bez restrykcj, wykorzystując wektor z restrykcjam jako punkt startowy; ograncz lczbę teracj do 0 (co automatyczne wywoła test LM) Wprowadzene ogranczeń lnowych do modelu: MODEL ;... ; CML: x1 + x2 = z, 0.3*x3 + x5-0.3 = 0 $ Ustawene wartośc startowych maksymalnej lczby teracj: MODEL ;... ; start = <wektor> ; maxt = <skalar>$ CALC ; lst; 1 ch(lmstat,k)$
15 Testowane hpotez zastosowana Test homogencznośc podprób Test homogencznośc podprób 2 χ lczba grup = 2 LLn LL n= 1 cała próba Statystyka testu ma rozkład ch-kwadrat z lczbą stopn swobody równą (lczbe parametrów) * (lczbe grup 1) To samo można uzyskać dodając do modelu nterakcje parametrów ze zmennym bnarnym dla grup testując ch łączną stotność (np. wykorzystując testy LR, LM lub Walda) 1. Sprawdź, czy mężczyźn mają nne preferencje nż kobety, jeśl chodz o decyzje dotyczące zakupu ekojabłek
16 Testowane hpotez zastosowana Testy homoskedastycznośc Testy homoskedastycznośc (stała warancja składnka losowego) Mogą wyłapywać także nne problemy (np. błędną specyfkację modelu), ch moc jest zatem wątplwa Można je zamplementować dodając zmenne objaśnające ε (co zrobmy dopero w przyszłośc ) wykorzystać jeden ze znanych testów dla model zagneżdżonych (LR, LM, Wald)
17 Nepoprawność założeń modelu bnarnego skutk W modelach regresj lnowej: Pomnęte zmenne (Z) o le X Z ne są ortogonalne, lub estymator β jest obcążony Heteroskedastyczność o le ε ne jest homoskedastyczny (warancja składnka losowego ne jest równa dla różnych obserwacj) estymator OLS jest nadal neobcążony zgodny, ale jest neefektywny W modelach bnarnych y = βx + γz + ε Pomnęte zmenne nawet jeśl pomnęte zmenne są neskorelowane z tym uwzględnonym w modelu estymator ML ne jest zgodny Heteroskedastyczność estymator ML ne jest zgodny A to problem, bo dane mkro często są heteroskedastyczne γ = 0
18 Test specyfkacj Testy specyfkacj (stotność pomnętych zmennych) Dość łatwe w mplementacj gdy modele zagneżdżone Dla model nezagneżdżonych H 0 : W modelu pownny być wykorzystane nne zmenne y* = βx + ε vs. y* = γz + ε Test Vuonga Dla probt test Davdsona-MacKnnona
19 Test Vuonga dla nezagneżdżonych model Mamy dwa rywalzujące, nezagneżdżone modele, oba oszacowane ML (LL 0, LL 1 ) Oba mogą być błędne test pozwala sprawdzć, który jest blższy 'prawdy' (zakładamy, że prawdzwy model stneje) Zakładamy, że obserwacje w próbe (odchylena) są warunkowo nezależne L ndywdualny wkład każdej obserwacj do funkcj L lnl N = = 1 lnl Typowy test LR (jeśl modele byłyby zagneżdżone) N N LR = 2 LL LL = 2 lnl lnl = 2 m = 2Nm ( 1 0 ) (,1,0) = 1 = 1 N Wtedy 1 m < 0, bo LL 1 model z restrykcjam (węc LL 1 < LL 0 ) =
20 Test Vuonga dla nezagneżdżonych model = 1 N Jeśl modele nezagneżdżone m ne mus być <0 Kryterum nformacyjne Kullbacka-Leblera Merzy dystans (w sense wartośc funkcj LL) mędzy prawdzwym hy ( X, α ), a nnym modelem f( Y X, β) KLIC = E ( ln h( Y X, α) h jest prawdzwe) E ( ln f ( Y X, β) h jest prawdzwe) Oczywśce ne znamy h( Y X, α), ale możemy porównać różncę KLIC dwóch model: 1 0 = ( ln ( Y X, β) jest prawdzwe) ( ln ( Y X, γ) jest prawdzwe) KLIC KLIC E f h E g h Nepotrzebna znajomość 'prawdzwego' modelu Przypomna statystykę LR, ale bez *-2 teraz może wyjść <0
21 Test Vuonga dla nezagneżdżonych model Test Vuonga wykorzystuje różncę KLIC dla 2 model, opsując zachowane następującej statystyk: 1 N N N 1 N = 1 Jeśl oba modele są ekwwalentne, to Jeśl 1 jest 'lepszy' to Jeśl 0 jest 'lepszy' to V = N = 1 ( m m) V V m 2, as.. + as.. m = lnl lnl,1,0 ( ) D V N 0,1 Duża lczba dodatna (>1,96) => model 1 lepszy Duża lczba ujemna (<-1,96) => model 0 lepszy Wartość pomędzy wynk nejednoznaczny
22 Test Vuonga przykład 1. Przetestuj, czy dla modelowana zakupu eko-jabłek bardzej poprawny jest model logt czy probt MODEL ;... $ CREATE ; l0 = logl_obs$ MODEL ;... $ CREATE ; l1 = logl_obs$ CREATE ; m = l1 l0$ CALC ; lst ; vtest = sqr(n)*xbr(m)/sdv(m)$ Jeśl modele mają różną lczbę parametrów: Korekta Schwarza (1978) oparta na BIC dodać wyrażene (p/2)*log(n) - (q/2)*log(n) Gdze p,q lczba parametrów w modelach 0 1
23 Inne testy dla probt* Test specyfkacj Davdsona-MacKnnona Porównuje 2 alternatywne (nezagneżdżone) specyfkacje dla probt Wartość krytyczna ze standardowego rozkładu normalnego Może dawać sprzeczne rezultaty Jak to zrobć w NLOGIT? NAMELIST; x = <lsta zmennych objaśnających> ; z = <lsta nnych zmennych objaśnających>$ PROBIT ; Lhs = y ; Rhs = x$ CREATE ; xbeta = x b ; fx = N01(xbeta) ; px = Ph(xbeta) ; v = Sqr(px*(1-px)) ; dev = (y - px) / v ; xv = fx*xbeta / v $ PROBIT ; Lhs = y ; Rhs = z $ CREATE ; pz = Ph(z b) I sprawdzć p-value ; test = (px - pz) / v $ dla 'test' REGRESS; Lhs = dev ; Rhs = xv,test$
24 Inne testy dla probt* Test poprawnośc założena o rozkładze normalnym probt Test poprawnośc założena o rozkładze normalnym dla modelu probt (Bera, Jarque Lee, 1984) Porównuje 3 4 moment zmennej z ch wartoścą oczekwaną, przy założenu normalnośc rozkładu N φ ( )( ( )) βx Y Φ βx = X, 3, 4 = Φ ( ) Φ ( ) 1 βx 1 βx LM m m N φ ( ) ( ) 2 φ ( βx) ( ) ( βx 1 Φ βx) ( βx ) Y Φ ( βx ) ( βx ) 1 Φ ( βx ) ( ) (, m3, m4 ) (, m3, m4 ) E ( h ) ( ) ( ) ( ) X, 3, 4 m m = 1 Φ = 1 N Φ = 1 Na szczęśce mplementacja ne jest taka straszna: N X X X X 1
25 Inne testy dla probt* Test poprawnośc założena o rozkładze normalnym probt Test poprawnośc założena o rozkładze normalnym dla modelu probt (Bera, Jarque Lee, 1984) Jak to zrobć w NLOGIT? NAMELIST; x = one,...$ PROBIT ; lhs = y Jak to zrobć w NLOGIT? ; rhs = x$ CREATE ; a = b'x ; f = Ph(a) ; df = N01(a) ; d = (y-f) * df /(f*(1-f)) ; c = df^2 /(f*(1-f)) ; m3 = -1/2*(a^2-1) ; m4 = 1/4*(a*(a^2+3))$ NAMELIST; z = x,m3,m4$ MATRIX ; Lst ; LM = d z * <z'[c]z> * z'd$ I sprawdzć p-value dla statystyk LM (czy można odrzucć hpotezę normalnośc)
26 Praca domowa ME.7 1. Posłuż sę dowolne wybranym zborem danych dla wybranych przez sebe (ale neprzetestowanych na zajęcach) hpotez zastosuj następujące testy : Test przedzału ufnośc LR test Test Walda LM test Test Vuonga Test homogencznośc podprób 2. Znterpretuj uzyskane wynk Do przygotowana w grupach dwuosobowych :15:18
) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Wybór uporządkowany Wybór uporządkowany (ang. ordered choce) Wybór jednej z welkośc na podanej skal Skala wartośc są uporządkowane Przykłady: Oceny konsumencke
Bardziej szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 6 Mkołaj Czajkowsk Wktor Budzńsk 'Netypowe' zmenne objaśnane Problemy mkroekonometryczne często zmenna objaśnana ne jest cągła lub jej wartość ne ma bezpośrednej nterpretacj loścowej Zmenną
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoIID = 2. i i i i. x nx nx nx
Zadane Analzujemy model z jedną zmenną objaśnającą bez wyrazu wolnego: y = β x + ε, ε ~ (0, σ ), gdze x jest nelosowe.. Wyznacz estymator MNK parametru β oraz oblcz jego warancję. (4 pkt) y. Zaproponowano
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoMikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 12 Mkołaj Czajkowsk Wktor Budzńsk Modele bnarne heterogenczność parametrów Heterogenczność stałej (model efektów stałych) lub warancj składnka losowego (model efektów losowych) można uznać
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
mę, nazwsko, nr ndeksu: Ekonometra egzamn 1//19 1. Egzamn trwa 9 mnut.. Rozwązywane zadań należy rozpocząć po ogłoszenu początku egzamnu a skończyć wraz z ogłoszenem końca egzamnu. Złamane tej zasady skutkuje
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoEKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoTrzecie laboratoria komputerowe ze Staty Testy
Trzece laboratora komputerowe ze Staty Testy Korzystać będzemy z danych dane_3.dta. Chcemy (jak zwykle ) oszacować model zarobków. Tym razem nteresująca nas postać modelu to: p0 = β + β pd0 + β pl08 +
Bardziej szczegółowo( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości
Zadae. Nech Nech (, Y będze dwuwymarową zmeą losową o fukcj gęstośc 4 x + xy gdy x ( 0, y ( 0, f ( x, y = 0 w przecwym przypadku. S = + Y V Y E V S =. =. Wyzacz ( (A 0 (B (C (D (E 8 8 7 7 Zadae. Załóżmy,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi o tym samym 2 x
Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoMacierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci
Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowo1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:
.. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B
Bardziej szczegółowoHipotezy statystyczne
Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Regresja kwantylowa W standardowej Metodzie Najmniejszych Kwadratów modelujemy warunkową średnią zmiennej objaśnianej: E( yi Xi) = μ ( Xi) Pokazaliśmy,
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoW loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:
Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,
Bardziej szczegółowoNieparametryczne Testy Istotności
Neparametryczne Testy Istotnośc Wzory Neparametryczne testy stotnośc schemat postępowana punkt po punkce Formułujemy hpotezę główną odnoszącą sę do: zgodnośc populacj generalnej z jakmś rozkładem, lub:
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowobrak podstaw do odrzucenia hipotezy zerowej.
Paca domowa 9. W pewnym bowaze zanstalowano dwa automaty do napełnana butelek. Ilość pwa nalewana pzez pewszy est zmenną losową o ozkładze N( m,, a lość pwa dozowana pzez dug automat est zmenną losową
Bardziej szczegółowoStatystyka matematyczna. Wykład V. Parametryczne testy istotności
Statystyka matematyczna. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Weryfikacja hipotezy o równości wartości średnich w dwóch populacjach 2 3 Weryfikacja hipotezy o równości wartości średnich
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoWykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym
Wykład 3 Testowanie hipotez statystycznych o wartości średniej i wariancji z populacji o rozkładzie normalnym Wrocław, 08.03.2017r Model 1 Testowanie hipotez dla średniej w rozkładzie normalnym ze znaną
Bardziej szczegółowo