( ) ( ) ( ) ( ) ( )( ) ( ) ( ) 2. r s. ( i. REGRESJA (jedna zmienna) e s = + Y b b X. x x x n x. cov( (kowariancja) = (współczynnik korelacji) = +

Podobne dokumenty
Prognozowanie- wiadomoci wstpne

Wykład 6. Klasyczny model regresji liniowej

Wnioskowanie statystyczne dla korelacji i regresji.

Ćwiczenia 11_12 KLASYCZNY MODEL REGRESJI LINIOWEJ

Weryfikacja modelu. ( ) Założenia Gaussa-Markowa. Związek pomiędzy zmienną objaśnianą a zmiennymi objaśniającymi ma charakter liniowy

16, zbudowano test jednostajnie najmocniejszy dla weryfikacji hipotezy H

$y = XB KLASYCZNY MODEL REGRESJI LINIOWEJ Z WIELOMA ZMIENNYMI NIEZALEŻNYMI

Regresja wielokrotna. Przygotowano w oparciu o Applied Linear Regression Models Neter, Wasserman, Kutner

PROGNOZOWANIE WIELKOŚCI WYDOBYCIA WĘGLA KAMIENNEGO W GÓRNOŚLĄSKIM ZAGŁĘBIU WĘGLOWYM Z UŻYCIEM LINIOWEJ FUNKCJI REGRESJI

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

Służą opisowi oraz przewidywaniu przyszłego kształtowania się zależności gospodarczych.

(liniowy model popytu), a > 0; b < 0

FUNKCJE DWÓCH ZMIENNYCH

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Linie regresji II-go rodzaju

INFORMATYKA W SELEKCJI

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Pojęcie modelu. Model ekonometryczny. Przykład modelu ekonometrycznego. Klasyfikacja modeli ekonometrycznych. Etapy analizy ekonometrycznej

INFORMATYKA W CHEMII Dr Piotr Szczepański

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH



WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

Materiały do wykładu 7 ze Statystyki

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=

Przedziały ufności i testy parametrów. Przedziały ufności dla średniej odpowiedzi. Interwały prognoz (dla przyszłych obserwacji)

STATYSTYKI OPISOWE. nazywamy wielko x = x i

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

Statystyka Wzory I. Analiza struktury

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ

CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (c.d.) MIARY ZMIENNOŚCI

MODEL EKONOMETRYCZNY KLASYFIKACJA MODELI EKONOMETRYCZNYCH











PROGNOZY I SYMULACJE

Ćwiczenia nr 3 Finanse II Robert Ślepaczuk. Teoria portfela papierów wartościowych

Hipotezy ortogonalne

Matematyka 1 (Wydziaª Architektury) Lista 1 - funkcje elmenetarne. 2. Rozwi za nast puj ce równania lub nierówno±ci:

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Prawdopodobieństwo i statystyka r.

Wcześniej zajmowaliśmy się przypadkiem, w którym zależność między wielkościami mierzonymi dało się przedstawić przy pomocy funkcji: = 3

METODY HODOWLANE - zagadnienia

Rozdział 1. Nazwa i adres Zamawiającego Gdyńskie Centrum Sportu jednostka budżetowa w Gdyni Rozdział 2. Informacja o trybie i stosowaniu przepisów

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4

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

lim = 0, gdzie d n oznacza najdłuższą przekątną prostokątów

instrukcja do ćwiczenia 5.1 Badanie wyboczenia pręta ściskanego

Skręcenie wektora polaryzacji w ośrodku optycznie czynnym

Prawdopodobieństwo i statystyka r.

UWAGI O ROZKŁADZIE FUNKCJI ZMIENNEJ LOSOWEJ.

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

3. Optymalizacja portfela inwestycyjnego Model Markowitza Model jednowskaźnikowy Sharpe a Model wyceny aktywów kapitałowych CAPM

dr hab. Renata Karkowska 1

Natalia Nehrebecka. Dariusz Szymański

1. Dane : DANE OGÓLNE PROJEKTU. Poziom odniesienia: 0,00 m.

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Józef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta

Cechy szeregów czasowych


Oświadczam, że warunki ww. umowy zawartej z Wojewódzką Komendą OHP są przestrzegane. Środki finansowe prosimy przekazać na rachunek bankowy Nr...

Współczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

EKONOMETRIA. Ekonometryczne modele specjalne. Zbigniew.Tarapata zbigniew.tarapata.akcja.pl/p_ekonometria/ tel.

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa)

Pozycjonowanie bazujące na wielosensorowym filtrze Kalmana. Positioning based on the multi-sensor Kalman filter


Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Przykład 2.6. Przekrój złożony z trzech kształtowników walcowanych.

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Ekstrema funkcji dwóch zmiennych

Pojęcia podstawowe 1

Instrukcja dodawania reklamy

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem

W praktycznym doświadczalnictwie, a w szczególności w doświadczalnictwie polowym, potwierdzono występowanie zależności pomiędzy wzrastającą liczbą

Statystyka Matematyczna Anna Janicka

Dane modelu - parametry

Pienińskich Portali Turystycznych

Paweł Strawiński Ćwiczenia

Zawansowane modele wyborów dyskretnych

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

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

( ) σ v. Adam Bodnar: Wytrzymałość Materiałów. Analiza płaskiego stanu naprężenia.

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Prawdopodobieństwo i statystyka r.

Transkrypt:

REGRESJA jda zma + prota rgrj zmj wzgldm. przlo wartoc paramtrów trukturalch cov r waga: a c cov kowaracja d r cov wpółczk korlacj Waracja rztowa. Nch gdz + wtd czl ozacza rd tadardow odchl od protj rgrj. Stadardow łd ozacowaa wpółczków protj rgrj. Stoujm kd zap ˆ ± ± + Włao: Wpółczk dtrmacj R okrla jak cz całkowtj zmoc cch wjaa modl rgrj lowj cov ˆ r R +

Wokowa dla wpółczków rgrj Nch β + dz prot rgrj a prot rgrj wzaczo a podtaw pró. β + Przdzał ufoc dla β ; dla pozomu ufoc α mam: β uα S + uα S ; gdz u α odcztujm z talc rozkładu Studta: P T > u α. S tadardow łd wpółczków protj rgrj. Wrfkacja hpotz dla β ; dla pozomu totoc α rozpatrujm tt dla pozczgólch paramtrów β. Wuwam dw hpotz: β β H jd z trzch pozch hpotz. H Rozpatrujm tattk zór krtcz wg tal: α H Stattka Zór krtcz Odczt k β β K ; k > < k; + P T > k α β > β β S K ; T > k α < k + P β < β K ; k > P T > k α Dczj: Jl u K to H odrzucam Jl u K to ma podtaw do odrzuca H. waga Jl adam toto paramtru β to przjmujm β W modlach rgrj poda jt odrzuc hpotz H β tz. rozpatrujm hpotz H β cza z tuacj gd zma ma wpłwu a zm. Bada loowoc rzt tt r Rztom przpujm mol a lu : lmtów rozpatrujm. Sr to podcg złoo z jdakowch mol. Rozpatrujm hpotz H rzt modlu maj charaktr loow H rzt modlu maj charaktru loowgo Stoujm tattk: Zór krtcz: a gd > gd < lcza r K ; k> gdz k odcztujm z talc rozkładu r dla pozomu totoc α lcz oraz gdz lcza mol a lcza mol w przcwm przpadku mlm do

Talca rozkładu r Talca dla α 5: talca jt mtrcza 3 4 5 6 7 8 9 3 4 5 6 7 8 9 4 5 3 6 3 3 3 7 3 3 4 4 8 3 3 4 4 5 9 3 4 4 5 5 6 3 3 4 5 5 6 6 6 3 3 4 5 5 6 6 7 7 3 4 4 5 6 6 7 7 8 8 3 3 4 4 5 6 6 7 8 8 9 9 4 3 4 5 5 6 7 7 8 8 9 9 5 3 4 5 6 6 7 8 8 9 9 6 3 4 5 6 6 7 8 8 9 7 3 4 5 6 7 7 8 9 9 8 3 4 5 6 7 8 8 9 3 3 9 3 4 5 6 7 8 8 9 3 3 4 4 3 4 5 6 7 8 9 9 3 3 4 4 5 Dczj: Jl u K to H odrzucam Jl u K to ma podtaw do odrzuca H. Bada mtr kładka loowgo Nch lcza orwacj m lcza rzt dodatch. Wuwam dw hpotz: Stoujm tattk Rozpatrujm zór krtcz: H m H m m m m K ; k > < k; + gdz k odcztujm dla pozomu totoc α z talc rozkładu Studta: Dczj: Jl u K to H odrzucam Jl u K to ma podtaw do odrzuca H. k P T > α. 3

Bada ormaloc rozkładu rzt. Tt ormaloc tt Shapro-Wlka Wuwam dw hpotz: H rzt maj rozkład ormal H rzt maj rozkładu ormalgo. Rzt porzdkujm maljco:... Stoujm tattk [ / ] a gdz [/] jt czc całkowt lcz / dla modl lowch. a wpółczk Shapro-Wlka odczta z talc: + 3 4 5 6 7 8 9 4 687 677 6 643 86 875 8 65 364 743 56 5739 39 4 4 399 5475 335 347 586 9 33 4 55 338 46 8 4 77 4 5 55 336 495 878 353 88 433 6 556 39 5 939 447 5 593 96 8 4886 353 553 7 587 97 837 496 63 4734 3 565 85 686 334 3 7 4 4 Rozpatrujm zór krtcz: K < ; k > gdz k odcztujm dla pozomu totoc α dago z talc ttu Shapro-Wlka: talca ttu Shapro-Wlka dla α 5 4 6 8 4 5 6 8 k 767 788 88 84 859 874 88 887 897 95 Dczj: Jl u K to H odrzucam. Jl u K to ma podtaw do odrzuca H. Bada jdorodoc waracj kładka loowgo Jdorodo waracj kładka loowgo jt jdm z zało klaczj mtod ajmjzch kwadratów. Npł tgo załoa oa fktwo tmatorów paramtrów trukturalch wpłwa a zgodo ocoo. Zatoujm tt Goldflda-Quadta. W tc tm dzlm pró a dw rówolcz podpró o lczocach gd lcza orwacj jt parzta rodkowa lu rodkow orwacj or udzału w dalzch olczach. Na podtaw tch podpró zacujm paramtr truktural modlu olczam waracj rztow S S. Pró umrujm tak a S S. Wuwam dw hpotz: Stoujm tattk σ σ H σ > σ H 4

Rozpatrujm zór krtcz: K S S < k; + gdz k odcztujm dla pozomu totoc α z talc rozkładu F-Sdcora dla k + k + top wood. Dczj: Jl u K to H odrzucam Jl u K to ma podtaw do odrzuca H. Bada autokorlacj rzt tt Dura-Watoa Rozpatrujm hpotz: H rzt korlowa tz H ρ Olczam warto tattk waga u < ; 4 > Dla rzt korlowach u Z talc rozkładu D-W odcztuj dla utalogo α dw lcz k L k. Talca rozkładu D-W dla α 5: Jl u < to rozpatrujm hpotz altratw: k L k 6 6 4 7 7 356 8 73 33 9 84 3 879 3 97 34 97 33 3 34 4 45 35 5 77 36 H rzt korlowa dodato tz H ρ >. Przjmuj atpujc rguł dczj: Jl u < kl to H odrzucam. Jl u > k to ma podtaw do odrzuca H. Jl k u k to podjmujm dczj. L Jl > to rozpatrujm hpotz altratw: H rzt korlowa ujm tz H ρ <. Przjmuj atpujc rguł dczj: Jl u > 4 - k L to H odrzucam. Jl u < 4 - k to ma podtaw do odrzuca H. 5

Jl 4 - k u 4 kl to podjmujm dczj. Progoza. Progoza puktowa. Nch przwdwaa warto cch w okr progoz. Progoza puktowa to przwdwaa warto cch odpowadajca wartoc cch. Stadardow łd progoz + + + + + Zatm al traktowa warto progoz jako ± Jako progoz puktowj mom oc wzgldm łdm progoz puktowj δ pukt % Progoza przdzałowa. Progoza przdzałowa dla pozomu ufoc α. u S ; + u gdz u α odcztujm z talc rozkładu Studta: α α T > u α P α S Jako progoz przdzałowj mom oc wzgldm łdm progoz przdzałowj δ prz uα % 6 L.Kowalk..5