Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Podobne dokumenty
Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 3

Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3

Ntli Natalia Nehrebecka. Dariusz Szymański. Zajęcia 4

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

0. Oszacowanie kilku prostych regresji, interpretacja oszacować parametrów

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

65120/ / / /200

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

IID = 2. i i i i. x nx nx nx

Statystyka. Zmienne losowe

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Natalia Nehrebecka. Dariusz Szymański

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

Wyk lad 3. Natalia Nehrebecka Dariusz Szymański. 13 kwietnia, 2010

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

Prawdopodobieństwo i statystyka r.

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

Opis danych znajdujących się w zbiorze

Proces narodzin i śmierci

dy dx stąd w przybliżeniu: y

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Funkcje i charakterystyki zmiennych losowych

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej

Procedura normalizacji

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

Model ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli)

Parametry zmiennej losowej

Dobór zmiennych objaśniających

Statystyka Inżynierska

Natalia Nehrebecka Stanisław Cichocki. Wykład 6

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

Trzecie laboratoria komputerowe ze Staty Testy

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Ekonometryczne modele nieliniowe

Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup

EKONOMETRIA Wykład 5: Zmienne zerojedynkowe w modelowaniu ekonometrycznym

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. Strona 1

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Weryfikacja hipotez dla wielu populacji

Pattern Classification


ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko

Egzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010

Analiza danych OGÓLNY SCHEMAT. Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

p Z(G). (G : Z({x i })),

Ekonometria ćwiczenia Kolokwium 1 semestr 20/12/08. / 5 pkt. / 5 pkt. / 5 pkt. / 5 pkt. /20 pkt. Regulamin i informacje dodatkowe

STATYSTYKA MATEMATYCZNA

OGÓLNE PODSTAWY SPEKTROSKOPII

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Matematyka ubezpieczeń majątkowych r.

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. Strona 1

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

Diagonalizacja macierzy kwadratowej

Definicje ogólne

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

Podstawy teorii falek (Wavelets)

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

Analiza struktury zbiorowości statystycznej

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją

Regresja liniowa i nieliniowa

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Zaawansowane metody numeryczne

Ćwiczenia 7 Drugie zajęcia w pracowni komputerowej.

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Proste modele ze złożonym zachowaniem czyli o chaosie

WPROWADZENIE DO ANALIZY KORELACJI I REGRESJI

Mikroekonometria 7. Mikołaj Czajkowski Wiktor Budziński

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Wybór formy funkcyjnej modelu (cz. II)

Badanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)

Model ISLM. Inwestycje - w modelu ISLM przyjmujemy, że inwestycje przyjmują postać funkcji liniowej:

ZASADA ZACHOWANIA MOMENTU PĘDU: PODSTAWY DYNAMIKI BRYŁY SZTYWNEJ

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

EKONOMIA MENEDŻERSKA. Wykład 3 Funkcje produkcji 1 FUNKCJE PRODUKCJI. ANALIZA KOSZTÓW I KORZYŚCI SKALI. MINIMALIZACJA KOSZTÓW PRODUKCJI.

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Makroekonomia Gospodarki Otwartej Wykład 8 Polityka makroekonomiczna w gospodarce otwartej. Model Mundella-Fleminga

Metody predykcji analiza regresji

Transkrypt:

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 modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Modelujemy wydatk gospodarstw domowych za pomocą dochodu tych gospodarstw. Gestosc 0 1.0e-04 2.0e-04 3.0e-04 4.0e-04 5.0e-04 Hstogram wydatków /logarytmu wydatków gospodarstw domowych: 0 10000 20000 30000 40000 Wydatk gospodarstwa Gestosc 0.2.4.6.8 4 6 8 10 Logarytm wydatkow gospodarstwa

Hstogram dochodów/logarytmu dochodów gospodarstw: Gestosc 0 1.0e-04 2.0e-04 3.0e-04 4.0e-04 0 20000 40000 60000 Dochod gospodarstwa Gestosc 0.2.4.6.8 0 5 10 Logarytm dochodu gospodarstwa

Wynk regresj: ln(wydatk) = 2,020,72*ln(Dochod) R²=0,58 Wydatk=712,810,58*Dochod R²=0,41

2 0 Wydatk gospodarstwa 10000 20000 30000 Logarytm wydatkow gospodarstwa 4 6 8 10 40000 Regresja na pozomach logarytmach: 0 20000 40000 Dochod gospodarstwa 60000 0 5 Logarytm dochodu gospodarstwa 10

Reszty z regresj: Gestosc 0 2.0e-04 4.0e-04 6.0e-04-40000 -20000 0 20000 40000 Standaryzowane reszty Gestosc 0.5 1 1.5-2 0 2 4 6 Standaryzowane reszty

1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Pozwala na przeprowadzene sformalzowanej procedury wyboru mędzy modelem lnowym potęgowym Postać przekształcena: x λ ( λ) x 1 = g( x, λ) = Pytane:Co otrzymujemy dla,,? λ λ = 1 λ= 1 λ = 0

Stosując to przekształcene do zmennej zależnej zmennych nezależnych: λ = 1 Dla : y β x β x β ε ( λ) ( λ) ( λ) = 1 2 2... K K y β x β x β ε * = 1 2 2... K K Gdze: * β1 = 1 β1 β 2... β K

λ = 1 Dla : 1 β βk = β... ε y x x * 2 1 2 K Gdze: * β1 = 1 β1 β 2... β K λ=0 Dla : ln y = β ln x β... ln x β ε 1 2 2 K K

1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Zmenne Zmenne cągłe Zmenne dyskretne

Zmenną cągłą nazywamy zmenną, która przyjmuje wartośc ze zboru lczb rzeczywstych. Zmenne cągłe są zmennym posadającym charakter loścowy Np. dochody, wydatk, cena neruchomośc td.

Zmenną dyskretną nazywamy zmenną, która przyjmuje wartośc ze skończonego podzboru lczb naturalnych. Zazwyczaj podzbór ten jest stosunkowo mało lczny obejmuje klka czy klkanaśce elementów. Zmenne dyskretne są zmennym posadającym charakter jakoścowy. np. płeć, wykształcene, mejsce zameszkana, stan cywlny td.

1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Zmenną zero-jedynkową nazywamy zmenną, która przyjmuje tylko dwe wartośc: 0 lub 1 płeć: 1 kobeta, 0 mężczyzna praca: 1 pracujący, 0 nepracujący obecność dzec: 1 ne, 0 tak Uwaga! Ważne jest, że zmenna przyjmuje dwe wartośc, ne ma znaczena ch welkość.

Nech D będze zmenną zero-jedynkową: Dla D =1 model ma postać: Dla D j =0 model ma postać: Zatem = pozombazowy pozombadany 0 1 D K K D X X y ε γ β β β =... 2 2 1 K K X X y ε γ β β β =... 2 2 1 j Kj K j j X X y ε β β β =... 2 2 1 ) ( ) ( j y y Ε Ε = γ

Wnosek: γ Welkość można nterpretować jako zmanę oczekwanej wartośc y, jeśl D zmen sę z 0 na 1, przy założenu pozostałych charakterystyk na nezmenonym pozome.

Y β β X β X γ D ε = 1 2 2... K K = ˆ 1 2 2... K K γ Y b b X b X D γ współczynnk przy zmennej 0-1 INTERPRETACJA: wartość zmennej zależnej y dla pozomu zmennej 0-1 D=1 jest: - wększa (jeżel γˆ >0) o γˆ jednostek lub - mnejsza (jeżel γˆ <0) o γˆ jednostek nż wartość zmennej zależnej y dla pozomu zmennej 0-1 D=0 (dla pozomu bazowego)

placa β β plec ε = 1 2 placa = 926,1 503, 59 plec Zmenna 1 plec = 0 jesl jesl kobeta mezczyzna Interpretacja: Oczekwany pozom płac kobet jest średno o 503, 59 złotego nższy nż dla mężczyzn, przy założenu pozostałych charakterystyk na nezmenonym pozome.

placa = β β sex ε 1 2 placa = 422,51 503,59 sex Zmenna sex 1 jesl mezczyzna = 0 jesl kobeta Interpretacja: Oczekwany pozom płac męzczyzn jest średno o 503, 59 złotego wyższy nż dla kobet, przy założenu pozostałych charakterystyk na nezmenonym pozome.

ln Y = β β x... β x γ D ε 1 2 2 K K Wnosek: γ Welkość (przemnożoną przez 100%) można nterpretować jako procentową zmanę oczekwanej wartośc zmennej zależnej y, jeśl D zmen sę z 0 na 1.

ln( placa ) β β plec ε = 1 2 ln( placa ) = 7,67 0, 17 plec Zmenna 1 plec = 0 jesl kobeta jesl mezczyzna Interpretacja: Oczekwany pozom płac kobet jest średno o 17% nższy nż dla mężczyzn, przy założenu pozostałych charakterystyk na nezmenonym pozome.

Neco bardzej skomplkowana jest sytuacja, gdy mamy do czynena ze zmenną dyskretną która przyjmuje węcej nż 2 wartośc. np. wykształcene(1 podstawowe, 2 średne, 3 -wyższe) W tym przypadku do każdego pozomu szmennej dyskretnej X musmy przypsać jedną zmenną zero-jedynkową Ds, D s, = 1 gdy X = s D s, = 0 gdy X s dla s = 1,2,...,S

1 podstawowe = 0 podstawowe w p. p. 1 podstawowe wyksztalcene = 2 średne 1 średne = 0 3 wyzsze 1 wyzsze = 0 średne w p. p. wyzsze w p. p.

Za pozom bazowy uznajemy jeden z pozomów (np. pozom 1), zmenną zero-jedynkową zwązaną z tym pozomem usuwamy z modelu ze stałą. Np. dla zmennej wykształcene Pozom bazowy : wykształcene podstawowe placa β β β wyzsze ε = 1 2średne 3 Dlaczego? Ne jest możlwe, by w modelu była jednocześne stała wszystke zmenne zero-jedynkowe (dla każdego pozomu zmennej dyskretnej), poneważ macerz X T X byłaby osoblwa!

Interpretacja współczynnków w modelu z weloma zmennym 0-1 (zmennym dyskretnym) jest analogczna jak w przypadku modelu z jedną tylko taką zmenną: dany współczynnk opsuje różncę mędzy oczekwaną wartoścą zmennej ydla respondenta o charakterystyce bazowej dla respondenta o charakterystyce s.

Modelujemy płace za pomocą płc, weku wykształcena: Zmenna Współczynnk Płeć -0,278 Wek 0,078 Wykszt. średne -0,273 Wykszt. średne zawodowe -0,273 Wykszt. zawodowe -0,444 Wykszt. podstawowe -0,571 Stała 6,64

ln( placa ) = β β plec β wyksztalcene ε 1 2 3 ln( placa ) = β β plec β wyksztalcene β wojewodztwo ε 1 2 3 4

Dzękuję za uwagę 32