Prognozowanie liczby pacjentów poradni ortopedycznej
|
|
- Mateusz Jabłoński
- 8 lat temu
- Przeglądów:
Transkrypt
1 Zeszyty Naukowe Metody analizy danych Uniwersytet Ekonomiczny w Krakowie 876 Kraków 2011 Studia Doktoranckie Wydziału Zarządzania Prognozowanie liczby pacjentów poradni ortopedycznej 1. Wprowadzenie W miarę pogarszania się stanu zdrowia społeczeństwa i wzrostu zachorowań pojawia się zwiększone zapotrzebowanie społeczeństwa na świadczenia medyczne. Możliwość łatwego dostępu do lekarzy specjalistów stwarza pacjentom szanse kontynuacji leczenia na poziomie dostosowanym do ich potrzeb zdrowotnych. W związku z powyższym szczególnie ważną rolę odgrywa prognozowanie przyjęć pacjentów w określonym przedziale czasu. Racjonalne planowanie i nadzór nad wizytami w poradni specjalistycznej potrzebny jest nie tylko do poprawy dostępności do lekarzy danej specjalności, ale także pozwoli ustalić oczekiwane przychody i zaplanować zmiany organizacyjne w jednostce. Celem pracy jest pokazanie, jakie problemy pojawić się mogą podczas budowania modelu szeregu czasowego, dobrze oddającego jego przebieg w przeszłości oraz pozwalającego na sformułowanie sensownych prognoz przyjęć pacjentów. Badanie przeprowadzono w poradni ortopedycznej, która wchodzi w skład Samodzielnego Publicznego Zespołu Opieki Zdrowotnej, znajdującego się na terenie województwa małopolskiego. Poradnia świadczy usługi medyczne w ramach umowy podpisanej z Małopolskim Oddziałem Narodowego Funduszu Zdrowia. Zatrudnionych jest w niej siedmiu lekarzy. W badaniach wykorzystano szereg mierzony z częstotliwością jednego dnia powszedniego i odwzorowujący liczbę przyjętych pacjentów przez lekarzy w godzinach pracy poradni. Oczywiście istnieje naturalny związek pomiędzy dzienną liczbą przyjęć pacjentów a dziennym harmonogramem pracy lekarzy.
2 72 W pracy przedstawiono kolejne etapy budowy regresyjnego modelu prognostycznego. W wielu zagadnieniach praktycznych tego typu modele okazują się zadowalająco skuteczne. Oszacowano również model ARIMA oraz zastosowano procedurę wyrównywania wykładniczego. Wszystkie obliczenia i rysunki wykonano w programie STATISTICA ver. 9 (por. [Kot, Jakubowski i Sokołowski 2007]) Liczba porad skorygowana Rys. 1. Wykres skorygowanej liczby porad Oryginalny szereg czasowy obejmował okres od 1 stycznia 2004 r. do 30 października 2009 r. Z szeregu wyodrębniono ostatnie cztery tygodnie i potraktowano je jako zbiór testowy. Jakość prognozy dla tego okresu będzie podstawowym kryterium oceny jakości budowanych modeli prognostycznych. Tydzień w badanym szeregu obejmuje pięć dni roboczych od poniedziałku do piątku. Jeżeli w dni te przypadało święto, to szereg skorygowano w ten sposób, że przyjęto wartość sprzed tygodnia. Jak widać na rys. 1, w rozpatrywanym szeregu wariancja jest niestabilna. Po zlogarytmowaniu wartości empirycznych szereg nadal wykazywał dwa wyraźne
3 Prognozowanie liczby pacjentów Liczba porad Rys. 2. Wykres szeregu empirycznego liczby porad w poradni ortopedycznej podokresy, jeżeli chodzi o rozmiar wariancji. W związku z tym zdecydowano się jako część uczącą dla modeli przyjąć wartości tylko z drugiego okresu. Rozpoczyna się on od 1 listopada 2006 r. Szereg skrócony zawiera 763 obserwacje. Na rys. 2 widać, że tym razem rozsądnie można uznać, iż w badanym okresie wariancja była stabilna. 2. Model regresyjny Analizę rozpoczynamy od poszukiwania ewentualnego trendu. Najpierw do danych dopasowano parabolę. Jednak parametr przy kwadracie zmiennej czasowej nie wykazywał istotności statystycznej (p = 0,2068), co oznacza, że parabola nie jest dobrą funkcją aproksymującą trend w tym zjawisku. Zgodnie z zasadami regresji krokowej zstępującej eliminujemy zmienną t 2 i dopasowujemy trend liniowy.
4 74 Otrzymujemy równanie trendu o postaci: ŷ t = 60, ,0115t. Współczynnik kierunkowy jest istotny statystycznie (p = 0,0009). Średni błąd dopasowania trendu wyniósł 21 pacjentów (dziennie). Trend zilustrowano na rys Liczba porad Rys. 3. Trend liniowy liczby pacjentów Na przedstawionym wykresie widzimy, że liczba porad w badanym okresie rośnie. Nieznaczny trend usprawiedliwia policzenie funkcji autokorelacji na danych oryginalnych, bez różnicowania. Funkcja autokorelacji (rys. 4) wskazuje na występowanie wyraźnych wahań tygodniowych. Przypominamy, że poradnia nie jest czynna w soboty i niedziele. Na wstępie analizy uzupełniono brakujące dane (dni wolne od pracy przypadające w środku tygodnia) poprzez wykorzystanie informacji z poprzedniego tygodnia, z analogicznego dnia. Na przykład dla Bożego Ciała wprowadzono liczbę pacjentów z czwartku poprzedniego tygodnia. Ten zabieg zapewnił stałą długość cyklu tygodniowego.
5 Prognozowanie liczby pacjentów 75 Opóźn. Kor. S.E. Funkcja autokorelacji Q P 1,242,0361 2,126,0361 3,131,0361 4,245, ,809,0360 6,239,0360 7,130,0360 8,120,0360 9,249, ,790, ,245, ,125, ,133, ,236, ,89, ,01, ,22, ,6 0, ,8 0, ,8 0, ,9 0, ,1 0, ,1 0, , 0, , 0, , 0, , 0, , 0,000 1,0 0,5 0,0 0,5 1,0 Rys. 4. Funkcja autokorelacji szeregu oryginalnego Wykres średnich wyraźnie pokazuje, że najwięcej porad udzielanych było we wtorek, a najmniej w poniedziałek. Ta informacja pozwala zbudować model ze zmiennymi zero-jedynkowymi opisującymi dni tygodnia. Wynik estymacji takiego modelu przedstawia tabela 1. Jego średni błąd dopasowania wyniósł ok. 10 pacjentów, zaś współczynnik determinacji 0,764. Rozsądne wydaje się przypuszczenie, że w liczbie udzielanych porad ortopedycznych mogą występować wahania sezonowe. Gdy zastosowano jednoczynnikową analizę wariancji do szeregu pozbawionego trendu liniowego, to okazało się, że średnie odchylenia od trendu liczone dla poszczególnych miesięcy nie wykazują istotnego zróżnicowania (p = 0,608). Można sądzić, że ewentualny cykl roczny został w pewnym sensie przygaszony przez cykl tygodniowy, który w różnych proporcjach wchodził w skład poszczególnych miesięcy. Ponownie zastosowano więc test jednoczynnikowej analizy wariancji, tym razem dla reszt modelu zaprezentowanego w tabeli 1. W tym przypadku hipoteza o równości średnich (reszt)
6 Liczba porad Dzień tygodnia Rys. 5. Wykres średniej liczby porad według dni tygodnia Tabela 1. Wyniki estymacji modelu ze zmiennymi zero-jedynkowymi (skorygowany współczynnik determinacji = 0,764; średni błąd dopasowania = 10,3) Zmienna Współczynnik regresji cząstkowej Wartość p Wyraz wolny 43,69 0,0000 Zmienna czasowa t (w dniach) 0,01 0,0000 Wtorek 51,50 0,0000 Środa 13,70 0,0000 Czwartek 2,86 0,0157 Piątek 13,85 0,0000 Źródło: obliczenia własne. we wszystkich miesiącach została odrzucona (p = 0,0000). Rys. 6 pokazuje kształt czystego cyklu rocznego. Wielkość pudełek w wykresie ramkowym odpowiada błędowi średniemu. Podobne wielkości tych pudełek świadczą o podobieństwie poziomu zmienności w poszczególnych miesiącach.
7 Prognozowanie liczby pacjentów Reszty Miesiąc Rys. 6. Wykres ramkowy reszt modelu z tabeli 1 Tabela 2. Wyniki estymacji modelu ze zmiennymi zero-jedynkowymi oznaczającymi dni tygodnia i miesiące (skorygowany współczynnik determinacji = 0,773; średni błąd dopasowania = 10,1) Zmienna Współczynnik regresji cząstkowej Wartość p Wyraz wolny 37,28 0,0000 Zmienna czasowa t (w dniach) 0,01 0,0000 Wtorek 51,55 0,0000 Środa 13,73 0,0000 Czwartek 2,87 0,0135 Piątek 13,84 0,0000 Styczeń 6,17 0,0005 Luty 6,79 0,0002 Marzec 8,33 0,0000 Kwiecień 5,76 0,0011 Maj 4,31 0,0140 Czerwiec 2,21 0,2105
8 78 cd. tabeli 2 Zmienna Współczynnik regresji cząstkowej Wartość p Sierpień 7,27 0,0000 Wrzesień 5,60 0,0016 Październik 5,87 0,0022 Listopad 8,57 0,0000 Grudzień 7,48 0,0000 Źródło: obliczenia własne. Opóźn. Kor. S.E ,014,027,054,042 +,162 +,012,056 +,007,058 +,109,004,035,040 +,001 +,079,046,035,061 +,013 +,039 +,032,034,011,011 +,094 +,020 +,002,021 +,013 +,066,0361,0361,0361,0361,0360,0360,0360,0360,0359,0359,0359,0359,0358,0358,0358,0358,0358,0357,0357,0357,0357,0356,0356,0356,0356,0355,0355, ,0354 Funkcja autokorelacji Q,15,72 2,99 4,34 24,64 24,74 27,15 27,19 29,78 39,07 39,08 40,05 41,29 41,29 46,16 47,85 48,82 51,76 51,88 53,10 53,90 54,83 54,93 55,02 62,00 62,33 62,33 62,66 62,79 66,24 P,6987,6971,3929,3918,0002,0004,0003,0007,0005,0000,0002,0000,0002,0003,0002,0003,0002 1,0 0,5 0,0 0,5 1,0 Rys. 7. Funkcja autokorelacji reszt modelu ze zmiennymi zero-jedynkowymi opisującymi cykle tygodniowy i roczny Powyższe wyniki upoważniają do poszerzenia modelu regresyjnego o zmienne zero-jedynkowe oznaczające miesiące. Jako punkt odniesienia wybrano miesiąc
9 Prognozowanie liczby pacjentów 79 z najmniejszą liczbą porad, czyli lipiec. Taki model ma postać zaprezentowaną w tabeli 2. Funkcja autokorelacji reszt powyższego modelu wskazuje, że w przebiegu reszt mamy istotną autokorelację dla opóźnienia pięciodniowego (w naszych danych jest to tydzień) i jego niektórych wielokrotności (rys. 7). Tabela 3. Wyniki estymacji modelu autoregresji reszt (średni błąd dopasowania = 9,76) Opóźnienie reszt Współczynnik autoregresji cząstkowej Wartość p 5 dni 0, dni 0, , dni 0, ,0172 Źródło: obliczenia własne Liczba obserwacji Rys. 8. Rozkład reszt ostatecznego modelu regresyjnego Wartości funkcji autokorelacji przekraczające wartości krytyczne wskazują na potencjalne opóźnienia reszt, które należy uwzględnić w modelu autokorelacji reszt. Po zastosowaniu procedury regresji krokowej uzyskano model przedsta-
10 80 wiony w tabeli 3. Zauważmy, że model ten nie ma wyrazu wolnego. W związku z tym, że model podstawowy szacowany był metodą najmniejszych kwadratów, wartość przeciętna reszt jest równa zero. Stąd model autoregresji reszt pozbawiony jest wyrazu wolnego. Ostateczny prognostyczny model regresyjny otrzymujemy, dodając wartości teoretyczne modelu ze zmiennymi zero-jedynkowymi oraz wartości teoretyczne modelu autoregresji reszt. Reszty takiego modelu nie wykazują już autokorelacji, a ich rozkład bardzo dobrze pasuje do rozkładu normalnego (rys. 8). 3. Model ARIMA W toku budowy modelu regresyjnego stwierdzono występowanie cyklu tygodniowego oraz cyklu rocznego. W znakomitej większości programów komputerowych estymacja modeli ARIMA pozwala uwzględnić tylko jeden komponent sezonowy. Pewnym wyjściem jest wymnożenie przez siebie okresów składowych harmonicznych i utworzenie nowego okresu. W naszym zagadnieniu tego podejścia nie można zastosować ze względu na posiadaną długość szeregu. Zdecydowano się więc uwzględnić tylko cykl tygodniowy, licząc, że parametry modelu umożliwią jego wędrówkę po cyklu rocznym. W pierwszej kolejności wyeliminowano dwie składowe systematyczne, czyli trend liniowy i wahania tygodniowe. W tym celu poddano szereg jednokrotnemu różnicowaniu o opóźnieniu 1 oraz jednokrotnym różnicowaniu o opóźnieniu 5. Następnie metodą prób i błędów, z weryfikacją istotności parametrów modelu oraz autokorelacji reszt poszukiwano najbardziej odpowiedniego modelu. Przyjął on postać przedstawioną w tabeli 4. Funkcja autokorelacji reszt wskazuje, że model ARIMA dobrze uwzględnił składniki szeregu możliwe do opisania, a to, co pozostało, jest komponentem czysto losowym. Histogram reszt, którego tu nie przytaczamy, zdecydowanie przemawia za normalnością składnika losowego. Tabela 4. Wyniki estymacji modelu ARIMA(0, 1, 1)(0, 1, 1), średni błąd dopasowania = 11,12 Parametr Współczynnik Wartość p Niesezonowej średniej ruchowej q (1) 0, ,0000 Sezonowej średniej ruchomej Q s (1) 0, ,0000 Źródło: obliczenia własne.
11 Prognozowanie liczby pacjentów 81 Opóźn. Kor. S.E. 1,005,0363 2,021,0362 3,049,0362 4,012, ,013, ,061,0362 7,032, ,049,0361 9,013, ,005, ,051, ,004, ,009, ,055,0360 Funkcja autokorelacji Liczba porad: ARIMA (0, 1, 1)(0, 1, 1) reszty Q P,02,8863,34,8424 2,14,5434 2,25,6907 2,38,7943 5,24,5133 6,03,5366 7,84,4497 7,96,5384 7,98, ,00, ,02, ,08, ,38, ,002, ,38,6501 1,0 0,5 0,0 0,5 1,0 Rys. 9. Funkcja autokorelacji reszt modelu ARIMA 4. Wyrównywanie wykładnicze W związku z informacjami o strukturze analizowanego szeregu uzyskanymi z poprzednich analiz wybrano model wyrównywania wykładniczego trendem liniowym i addytywnym składnikiem sezonowości o okresie 5. Znaleziono optymalne wartości parametrów modelu na drodze przeszukiwania wszystkich możliwości z przedziału [0, 1], ze skokiem 0,001. Podstawowy parametr wyrównywania wykładniczego alfa wyniósł 0,025, natomiast parametr wygładzający wahania okresowe delta przyjął wartość 0,078. Reszty modelu podlegały rozkładowi normalnemu. Średni błąd dopasowania dla okresu testowego wyniósł 10,16. Model ten okazał się lepiej dopasowany niż model ARIMA, ale gorzej niż model regresyjny.
12 82 5. Porównanie prognoz Prognozy porównano z wartościami rzeczywistymi dla okresu testowego obejmującego cztery pięciodniowe tygodnie. Na rys. 10 przedstawiono prognozy trzech modeli i wartości zaobserwowane. Wszystkie modele na ogół poprawnie zaprognozowały przebieg szeregu, szczególnie dużą liczbę pacjentów, jaką obserwuje się we wtorek. W analizowanym okresie było też kilka takich dni, w których wszystkie modele prognozowały wartości za niskie lub za wysokie w stosunku do rzeczywistości Zbiór testowy Model regresyjny ostateczny ARIMA WyrWykł Rys. 10. Porównanie prognoz z wartościami rzeczywistymi W tabeli 5 pokazano ogólne charakterystyki ex-post uzyskiwanych modeli prognostycznych. Średni błąd standardowy jest w zasadzie podobny dla wszystkich modeli. Myliliśmy się średnio o 9 pacjentów, interpretując wyniki z nadmiarem. Stosunkowo duże wartości średniego absolutnego błędu procentowego wynikają stąd, że zależą one też od podstawy odniesienia. Dla wtorków błędy były dwukrotnie mniejsze od średniej. Ogólnie wynik porównywania prognoz z wartościami rzeczywistymi
13 Prognozowanie liczby pacjentów 83 jest nieco zaskakujący. Najlepszy okazał się model wyrównywania wykładniczego, mimo że w okresie uczącym miał gorszą dobroć dopasowania niż model regresyjny. Świadczy to o konieczności weryfikowania modeli prognostycznych na okresach testowych. Dobroć dopasowania modelu w okresie uczącym niekoniecznie musi skutkować jego dobrą jakością prognostyczną. Tabela 5. Błędy prognoz dla okresu testowego Model prognostyczny Największe niedoszacowanie liczby pacjentów Największe przeszacowanie liczby pacjentów Średni błąd standardowy Średni absolutny błąd procentowy Regresja ,37 12,30% ARIMA ,79 13,67% Wyrównywanie wykładnicze ,17 11,43% Źródło: obliczenia własne. W zakresie rozważanego problemu merytorycznego można twierdzić, że w kształtowaniu się liczby pacjentów w analizowanej poradni ortopedycznej obserwuje się występowanie istotnego trendu liniowego, wahań tygodniowych oraz wahań rocznych. Wydaje się, że stosunkowo duże znaczenie ma również składnik losowy. Pokazane modele prognostyczne pozwalają przewidywać dzienną liczbę pacjentów w horyzoncie miesięcznym ze średnim błędem 9 osób. Literatura Kot S.M., Jakubowski J., Sokołowski A. [2007], Statystyka, Centrum Doradztwa i Informacji Difin, Warszawa. Predicting the Number of Orthopedic Clinic Patients The paper analyses a time series of the daily number of patients visiting an orthopedics clinic. A learning set was chosen to ensure the homogeneity of series variance and three forecasting models were built. The regression model consists of the linear trend, dummy variables describing weekly and yearly seasonal components and the auto-regression of the residuals. ARIMA, with non-seasonal and seasonal differencing, contains only the components of the first order moving average. The exponential smoothing model covers the linear trend and weekly harmonic component. The residuals from all three models very closely follow normal distribution. Forecasts have been compared with actual data for a monthly test period and all models allow us to forecast the number of patients, with a mean square error of 9 people. Exponential smoothing appears to have the lowest MAPE for the test period.
PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU
PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU prof. dr hab. Andrzej Sokołowski 2 W tym opracowaniu przedstawiony zostanie przebieg procesu poszukiwania modelu prognostycznego wykorzystującego jedynie przeszłe
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoEstymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
Bardziej szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoAnaliza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny
Analiza sezonowości Wiele zjawisk charakteryzuje się nie tylko trendem i wahaniami przypadkowymi, lecz także pewną sezonowością. Występowanie wahań sezonowych może mieć charakter kwartalny, miesięczny,
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH I PROGNOZOWANIE
ANALIZA SZEREGÓW CZASOWYCH I PROGNOZOWANIE Andrzej Sokołowski, Uniwersytet Ekonomiczny w Krakowie, StatSoft Polska Sp. z o.o. Wprowadzenie Analiza szeregów czasowych to jedna z części statystyki najczęściej
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoSTATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie
STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...
Bardziej szczegółowoPROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY
Joanna Chrabołowska Joanicjusz Nazarko PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY NA PRZYKŁADZIE PRZEDSIĘBIORSTWA HANDLOWEGO TYPU CASH & CARRY Wprowadzenie Wśród wielu prognoz szczególną rolę w zarządzaniu
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 szczegółowoĆwiczenia 13 WAHANIA SEZONOWE
Ćwiczenia 3 WAHANIA SEZONOWE Wyrównanie szeregu czasowego (wyodrębnienie czystego trendu) mechanicznie Zadanie. Badano spożycie owoców i przetworów (yt) (w kg) w latach według kwartałów: kwartał lata 009
Bardziej szczegółowoRobert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce
Robert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce Ekonomiczne Problemy Turystyki nr 3 (27), 57-70 2014 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO
Bardziej szczegółowoPrognozowanie krótkoterminowe w procesie planowania zasobów
Analiza danych Data mining Sterowanie jakością Analityka przez Internet Prognozowanie krótkoterminowe w procesie planowania zasobów Marzena Imiłkowski,, GE Money Bank Andrzej Sokołowski, StatSoft Polska
Bardziej szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej szczegółowoPaździernik Data Dzień tygodnia Szczęśliwy numerek [Wybierz inny miesiąc]
Szczęśliwe numerki 2014/2015 Wybierz miesiąc: Wrzesień Październik Listopad Grudzień Styczeń Luty Marzec Kwiecień Maj Czerwiec Wrzesień 10 wrzesień 2014 Środa 16 11 wrzesień 2014 Czwartek 17 12 wrzesień
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowot y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowoMODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY***
ZAGADNIENIA TECHNICZNO-EKONOMICZNE Tom 48 Zeszyt 3 2003 Joanna Chrabołowska*, Joanicjusz Nazarko** MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY*** W artykule przedstawiono metodykę budowy modeli ARIMA oraz ich
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowoAdam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera
Bardziej szczegółowoZagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA
Zagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA Zadanie 1 (Plik danych: Transport w Polsce (1990-2015)) Na
Bardziej szczegółowoAnaliza przyczyn wzrostu liczby zgonów w Polsce w 2017 roku
Analiza przyczyn wzrostu liczby zgonów w Polsce w 2017 roku Departament Analiz i Strategii NARODOWY FUNDUSZ ZDROWIA 1 PODSUMOWANIE 1. Celem raportu jest próba określenia przyczyn wzrostu liczby zgonów
Bardziej szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej szczegółowoPAWEŁ SZOŁTYSEK WYDZIAŁ NAUK EKONOMICZNYCH
PROGNOZA WIELKOŚCI ZUŻYCIA CIEPŁA DOSTARCZANEGO PRZEZ FIRMĘ FORTUM DLA CELÓW CENTRALNEGO OGRZEWANIA W ROKU 2013 DLA BUDYNKÓW WSPÓLNOTY MIESZKANIOWEJ PRZY UL. GAJOWEJ 14-16, 20-24 WE WROCŁAWIU PAWEŁ SZOŁTYSEK
Bardziej szczegółowoZadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1
Zadanie 1 a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 b) W naszym przypadku populacja są inżynierowie w Tajlandii. Czy można jednak przypuszczać, że na zarobki kobiet-inżynierów
Bardziej szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30
Statystyka Wykład 13 Magdalena Alama-Bućko 12 czerwca 2017 Magdalena Alama-Bućko Statystyka 12 czerwca 2017 1 / 30 Co wpływa na zmiany wartości danej cechy w czasie? W najbardziej ogólnym przypadku, na
Bardziej szczegółowoTeoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych dr
Bardziej szczegółowoAnaliza metod prognozowania kursów akcji
Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowo( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoPrognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata 2014 2020
Prognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata 2014 2020 Mariusz Kozakiewicz i Marek Kwas Szkoła Główna Handlowa 18 grudnia 2014 Spis treści Prognoza wybranych wskaźników rozwoju obrotu
Bardziej szczegółowoMODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
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 szczegółowoWYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU CZASOWEGO ZWIĄZANEGO ZE SPRZEDAŻĄ ASORTYMENTU HUTNICZEGO
5/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoFLESZ. Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ czerwiec 2018 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoRegresja linearyzowalna
1 z 5 2007-05-09 23:22 Medycyna Praktyczna - portal dla lekarzy Regresja linearyzowalna mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie Data utworzenia:
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoPrognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata
Prognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata 2011 2016 Mariusz Kozakiewicz i Marek Kwas Szkoła Główna Handlowa 15 grudnia 2011 Spis treści Rozdział 1 Wprowadzenie... 3 1.1 Charakterystyka
Bardziej szczegółowo3. Wojewódzkie zróżnicowanie zatrudnienia w ochronie zdrowia w latach Opis danych statystycznych
3. Wojewódzkie zróżnicowanie zatrudnienia w ochronie zdrowia w latach 1995-2005 3.1. Opis danych statystycznych Badanie zmian w potencjale opieki zdrowotnej można przeprowadzić w oparciu o dane dotyczące
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND Finanse i Rachunkowość rok 2 Analiza dynamiki Szereg czasowy: y 1 y 2... y n 1 y n. y t poziom (wartość) badanego zjawiska w
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31
Statystyka Wykład 8 Magdalena Alama-Bućko 10 kwietnia 2017 Magdalena Alama-Bućko Statystyka 10 kwietnia 2017 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34
Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoPROGNOZOWANIE Z WYKORZYSTANIEM METOD DATA MINING
PROGNOZOWANIE Z WYKORZYSTANIEM METOD DATA MINING Grzegorz Harańczyk, StatSoft Polska Sp. z o.o. Jednym z ważnych obszarów analizy danych jest prognozowanie szeregów czasowych. Któż nie chciałby znać przyszłości
Bardziej szczegółowoStatystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, 2018 Spis treści Przedmowa 13 O Autorach 15 Przedmowa od Tłumacza 17 1. Wprowadzenie i statystyka opisowa 19 1.1.
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 szczegółowoRegresja logistyczna (LOGISTIC)
Zmienna zależna: Wybór opcji zachodniej w polityce zagranicznej (kodowana jako tak, 0 nie) Zmienne niezależne: wiedza o Unii Europejskiej (WIEDZA), zamieszkiwanie w regionie zachodnim (ZACH) lub wschodnim
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoMODELE HARMONICZNE ZE ZŁOŻONĄ SEZONOWOŚCIĄ W PROGNOZOWANIU SZEREGÓW CZASOWYCH Z LUKAMI SYSTEMATYCZNYMI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIV/3, 2013, str. 81 90 MODELE HARMONICZNE ZE ZŁOŻONĄ SEZONOWOŚCIĄ W PROGNOZOWANIU SZEREGÓW CZASOWYCH Z LUKAMI SYSTEMATYCZNYMI Maria Szmuksta Zawadzka, Jan
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
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 szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoPrognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych. Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński
Prognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński Streszczenie. W uprawach szklarniowych sałaty pojawia się następujący problem: kiedy
Bardziej szczegółowoFLESZ WRZESIEŃ Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ WRZESIEŃ 2018 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoAnaliza szeregów czasowych bezrobocia i inflacji w Danii
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych
Bardziej szczegółowoEkonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 4 Prognozowanie, sezonowość Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Prognozowanie Założenia i własności predykcji ekonometrycznej Stabilność modelu ekonometrycznego
Bardziej szczegółowoPrzykład 1 ceny mieszkań
Przykład ceny mieszkań Przykład ceny mieszkań Model ekonometryczny zaleŝności ceny mieszkań od metraŝu - naleŝy do klasy modeli nieliniowych. - weryfikację empiryczną modelu przeprowadzono na przykładzie
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 opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoWiadomości ogólne o ekonometrii
Wiadomości ogólne o ekonometrii Materiały zostały przygotowane w oparciu o podręcznik Ekonometria Wybrane Zagadnienia, którego autorami są: Bolesław Borkowski, Hanna Dudek oraz Wiesław Szczęsny. Ekonometria
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowo