Přílohy. Spotřeba elektřiny. Model závislosti spotřeby elektřiny
|
|
- Bohumír Dostál
- před 7 lety
- Počet zobrazení:
Transkript
1 Přílohy Spotřeba elektřiny Model závislosti spotřeby elektřiny Model 24: OLS, za použití pozorování (T = 12) Závisle proměnná: C_ele_domkWH koeficient směr. chyba t-podíl p-hodnota const 1,7472e+1 1,24339e+9 14,5 6,39e-7 *** T 4,742e+8 1,54378e+8 2,637,299 ** C ,119,67 * PEleKwh 8,1876e+9 5,24121e+9 1,562,1569 Střední hodnota závisle proměnné 1,47e+1 Sm. odchylka závisle proměnné 3,8e+8 Součet čtverců reziduí 5,15e+17 Sm. chyba regrese 2,54e+8 Koeficient determinace,56929 Adjustovaný koeficient determinace,32227 F(3, 8) 2, P-hodnota(F), Logaritmus věrohodnosti 246,8149 Akaikovo kritérium 51,6297 Schwarzovo kritérium 53,5693 Hannan-Quinnovo kritétium 5,9116 rho (koeficient autokorelace), Durbin-Watsonova statistika 1,67876 zde je poznámka o zkratkách statistik modelu Pomine-li se konstanta, p-hodnota byla nejvyšší pro proměnnou 16 (PEleKwh) Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 8,8299 s p-hodnotou = P(Chí-kvadrát(9) > 8,8299) =, Test RESET pro specifikaci - Nulová hypotéza: specifikace je adekvátní Testovací statistika: F(2, 6) = 1,2851 s p-hodnotou = P(F(2, 6) > 1,2851) =, Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) =,68416 s p-hodnotou =,71343 LM test pro autokorelaci až do řádu 1 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF =, s p-hodnotou = P(F(1,7) >,179964) =, Test pro ARCH řádu 1 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM =,51787 s p-hodnotou = P(Chí-kvadrát(1) >,51787) =,47287 QLR test pro strukturální zlom - Nulová hypotéza: žádný strukturální zlom Testovací statistika: chi-square(3) = inf at observation 22 with asymptotic p-value = nan Analýza rozptylu: Součet čtverců df Střední kvadrát Regrese 5,29419e ,76473e+17 Reziduum 5,14946e ,43682e+16
2 Úplné 1,4436e ,49422e+16 R^2 = 5,29419e+17 / 1,4436e+18 =,56929 F(3, 8) = 1,76473e+17 / 6,43682e+16 = 2,74161 [p-hodnota,113] Model závislosti spotřeby elektřiny Model 6: OLS, za použití pozorování (T = 12) Závisle proměnná: C_ele_os koeficient směr. chyba t-podíl p-hodnota const 1748,81 115,318 15,17 1,3e-7 *** C,2618,6541 3,431,75 *** T 38,28 13,7144 2,785,212 ** Střední hodnota závisle proměnné 1415,426 Sm. odchylka závisle proměnné 34,74873 Součet čtverců reziduí 4993,298 Sm. chyba regrese 23,55442 Koeficient determinace,62461 Adjustovaný koeficient determinace,54519 F(2, 9) 7,4738 P-hodnota(F),12247 Logaritmus věrohodnosti 53,21293 Akaikovo kritérium 112,4259 Schwarzovo kritérium 113,886 Hannan-Quinnovo kritétium 111,8873 rho (koeficient autokorelace), zde je poznámka o zkratkách statistik modelu Test nelinearity (druhé mocniny) - Nulová hypotéza: vztah je lineární Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(2) >,768713) =,68889 Test RESET pro specifikaci - Nulová hypotéza: specifikace je adekvátní Testovací statistika: F(2, 7) =, s p-hodnotou = P(F(2, 7) >,624396) =, Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) = 1,74452 s p-hodnotou =,4186 LM test pro autokorelaci až do řádu 3 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF =,61541 s p-hodnotou = P(F(3,7) >,61541) =, LM test pro autokorelaci až do řádu 1 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF =, s p-hodnotou = P(F(1,9) >,481223) =,55377 QLR test pro strukturální zlom - Nulová hypotéza: žádný strukturální zlom Testovací statistika: chi-square(3) = inf at observation 22 with asymptotic p-value = nan Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita
3 Testovací statistika: LM = 3,19133 s p-hodnotou = P(Chí-kvadrát(5) > 3,19133) =,67515 ACF reziduí ,96/T^,5,5 -, zpoľděná proměnná PACF reziduí ,96/T^,5,5 -, zpoľděná proměnná Test normality uhat11 Doornik-Hansenův test = 1,74452, s p-hodnotou,4186 Shapiro-Wilkův W test =,947559, s p-hodnotou,61614 Lillieforsův test =,113846, s p-hodnotou ~=,97 Test Jarque-Bery =,71975, s p-hodnotou,73993 Regrese KPSS OLS, za použití pozorování (T = 12) Závisle proměnná: uhat11 koeficient směr. chyba t-podíl p-hodnota const 4, ,3421,346,7669 time, ,85822,3353,7443 AIC: 11,292 BIC: 111,262 HQC: 19,933
4 Robustní odhad rozptylu: 481,579 Součet čtverců kumulovaných reziduí: 638,98 test KPSS pro uhat11(včetně trendu) T = 12 Parametr řádu zpoždění = 2 Testovací statistika =, % 5% 1% Kritické hodnoty:,128,151,198 P-hodnota >.1 Předpověď spotřeby elektřiny se zahrnutým vlivem dotačního programu Pro 95% konfidenční intervaly, t(9,,25) = 2,262 C_ele_os předpověď směr. chyba 95% konfidenční interval Rok Skutečná spotřeba elektřiny/osobu Předpokládaná spotřeba elektřiny/osobu Předpověď spotřeba elektřiny/osobu , , , , , , , , , , , , , , , , , ,7821 Předpověď spotřeby elektřiny bez vlivu dotace, zahrnut vliv vývoje průměrné teploty vzduchu Pro 95% konfidenční intervaly, t(1,,25) = 2,228 Pro 95% konfidenční intervaly, t(1,,25) = 2,228
5 C_ele_os předpověď směr. chyba 95% konfidenční interval , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,74156 Dekompozice-elektřina Pro 95% konfidenční intervaly, t(23,,25) = 2,69 C_ele_GWh předpověď směr. chyba 95% interval Pozorov ání 212:1 6752,7 6719,1 15,545 (647,59, 73,44) 212:2 6839,5 6448,55 152,611 (6132,85, 6764,25) 212:3 6273,5 6298,24 145,284 (5997,7, 6598,78) 212:4 5739, 5561,56 145,9 (5261,42, 5861,7) 212:5 5465,1 5274,69 144,812 (4975,12, 5574,26) 212:6 528,5 599,52 142,969 (483,77, 5395,27) 212:7 5154,6 512,65 142,496 (4825,88, 5415,42) 212:8 5239,4 5189,9 142,624 (4894,86, 5484,94) 212:9 5277,4 5347,78 142,539 (552,92, 5642,65) 212:1 5965,8 5991,85 142,63 (5696,85, 6286,85) 212: ,8 6181,6 142,671 (5886,47, 6476,74) 212:12 639,9 661,37 142,498 (6315,59, 695,15) 213:1 6784,9 6814,21 144,549 (6515,18, 7113,23) 213:2 6122,2 6222,47 142,527 (5927,63, 6517,31) 213:3 6582,7 6643,32 154,495 (6323,72, 6962,92) 213:4 5729,9 5579,41 146,16 (5277,35, 5881,47) 213:5 5478,3 5417,48 142,89 (5121,89, 5713,7) 213:6 51,8 5159,2 142,539 (4864,15, 5453,88)
6 213:7 5148,9 549,25 143,719 (4751,95, 5346,56) 213:8 5286,6 5219,65 142,53 (4924,86, 5514,44) 213:9 539,5 5437,3 144,93 (5137,27, 5736,78) 213:1 62,8 5896,66 145,588 (5595,49, 6197,83) 213: ,3 6223,25 142,539 (5928,39, 6518,11) 213:12 635,4 6455,68 147,591 (615,36, 676,99) 214:1 521,9 6677,36 154,3 (6358,17, 6996,56) 214:2 4758,7 614,23 153,161 (5697,39, 6331,7) 214:3 4949, ,74 148,989 (593,54, 6546,95) 214:4 4591,46 552,6 143,11 (526,22, 5797,9) 214:5 4458, ,38 143,148 (5133,26, 5725,5) 214:6 4232,7 517,92 142,646 (4875,83, 5466,) Spotřeba plynu Model závislosti spotřeby plynu v domácnostech Model 1: OLS, za použití pozorování (T = 9) Závisle proměnná: CgasDomkWh koeficient směr. chyba t-podíl p-hodnota const 5,33291e+1 4,58383e+9 11,63 2,43e-5 *** T 3,1873e+9 5,4423e+8 5,547,15 *** Dotacekumul,112933, ,456,135 ** Střední hodnota závisle proměnné 2,75e+1 Sm. odchylka závisle proměnné 1,93e+9 Součet čtverců reziduí 4,45e+18 Sm. chyba regrese 8,62e+8 Koeficient determinace,85776 Adjustovaný koeficient determinace,8134 F(2, 6) 17,1396 P-hodnota(F),3323 Logaritmus věrohodnosti 196,114 Akaikovo kritérium 398,2279 Schwarzovo kritérium 398,8196 Hannan-Quinnovo kritétium 396,9511 rho (koeficient autokorelace),9795 Durbin-Watsonova statistika 1, zde je poznámka o zkratkách statistik modelu Test nelinearity (logaritmy) - Nulová hypotéza: vztah je lineární Testovací statistika: LM = 1,33197 s p-hodnotou = P(Chí-kvadrát(1) > 1,33197) =, Test nelinearity (druhé mocniny) - Nulová hypotéza: vztah je lineární Testovací statistika: LM = 1,36958 s p-hodnotou = P(Chí-kvadrát(2) > 1,36958) =,54197 Test RESET pro specifikaci - Nulová hypotéza: specifikace je adekvátní Testovací statistika: F(2, 4) = 1,22532
7 s p-hodnotou = P(F(2, 4) > 1,22532) =, Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) = 1,43247 s p-hodnotou =, LM test pro autokorelaci až do řádu 3 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF = 4,82965 s p-hodnotou = P(F(3,7) > 4,82965) =, Test pro ARCH řádu 1 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM =,84241 s p-hodnotou = P(Chí-kvadrát(1) >,84241) =, Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 6,4389 s p-hodnotou = P(Chí-kvadrát(5) > 6,4389) =, Chowův test pro strukturální zlom při pozorování 26 - Nulová hypotéza: žádný strukturální zlom Testovací statistika: F(2, 4) =,7489 s p-hodnotou = P(F(2, 4) >,7489) =,9337 QLR test pro strukturální zlom - Nulová hypotéza: žádný strukturální zlom Testovací statistika: chi-square(3) = 12,6215 at observation 21 with asymptotic p-value =, ,5 Chowův F-test pro zlom 4 3,5 3 2,5 2 1,5 1, Analýza rozptylu: Součet čtverců df Střední kvadrát Regrese 2,5399e ,26955e+19 Reziduum 4,45352e ,42253e+17 Úplné 2,98444e ,7356e+18
8 R^2 = 2,5399e+19 / 2,98444e+19 =,85776 F(2, 6) = 1,26955e+19 / 7,42253e+17 = 17,14 [p-hodnota,33] Test normality uhat1 Doornik-Hansenův test = 1,43247, s p-hodnotou, Shapiro-Wilkův W test =,93184, s p-hodnotou,49877 Lillieforsův test =,16655, s p-hodnotou ~=,67 Test Jarque-Bery =,85195, s p-hodnotou, ,1e+1 3,5e+1 3e+1 2,95e+1 2,9e+1 CgasDomkWh 2,85e+1 2,8e+1 2,75e+1 2,7e+1 2,65e+1 2,6e+1 2,55e
9 Model 32: OLS, za použití pozorování (T = 8) Závisle proměnná: d_cgasdomkwh koeficient směr. chyba t-podíl p-hodnota d_t 3,13818e+9 4,32748e+8 7,252,2 *** Střední hodnota závisle proměnné 4,48e+8 Sm. odchylka závisle proměnné 2,69e+9 Součet čtverců reziduí 6,13e+18 Sm. chyba regrese 9,36e+8 Koeficient determinace, Adjustovaný koeficient determinace, F(1, 7) 52,58785 P-hodnota(F),17 Logaritmus věrohodnosti 176,759 Akaikovo kritérium 354,1518 Schwarzovo kritérium 354,2313 Hannan-Quinnovo kritétium 353,616 rho (koeficient autokorelace),56328 Durbin-Watsonova statistika 1, zde je poznámka o zkratkách statistik modelu Test RESET pro specifikaci - Nulová hypotéza: specifikace je adekvátní Testovací statistika: F(2, 5) = 7,1181 s p-hodnotou = P(F(2, 5) > 7,1181) =, Test nelinearity (druhé mocniny) - Nulová hypotéza: vztah je lineární Testovací statistika: LM =,3715 s p-hodnotou = P(Chí-kvadrát(1) >,3715) =, Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(2) >,733592) =, LM test pro autokorelaci až do řádu 5 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF = 1,39358 s p-hodnotou = P(F(5,6) > 1,39358) =, Test pro ARCH řádu 3 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM = 3,857 s p-hodnotou = P(Chí-kvadrát(3) > 3,857) =,378694
10 Model závislosti spotřeby plynu na osobu v domácnostech na osobu 4,5 Chowův F-test pro zlom 4 3,5 3 2,5 2 1,5 1, Model 43: OLS, za použití pozorování (T = 9) Závisle proměnná: C_g_os koeficient směr. chyba t-podíl p-hodnota const 522,27 52,455 1,35 4,75e-5 *** T 298,43 59,6556 5,3,24 *** Dotacekumul 1,28565e-8 3,58176e-9 3,589,115 ** Střední hodnota závisle proměnné 2637,315 Sm. odchylka závisle proměnné 199,5792 Součet čtverců reziduí 5351,62 Sm. chyba regrese 94,43747 Koeficient determinace,83273 Adjustovaný koeficient determinace,77698 F(2, 6) 14,86495 P-hodnota(F),4735 Logaritmus věrohodnosti 51,8773 Akaikovo kritérium 19,7546 Schwarzovo kritérium 11,3463 Hannan-Quinnovo kritétium 18,4778 rho (koeficient autokorelace),11131 Durbin-Watsonova statistika 1, zde je poznámka o zkratkách statistik modelu Test nelinearity (druhé mocniny) - Nulová hypotéza: vztah je lineární Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(2) >,519112) =, Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 7,652 s p-hodnotou = P(Chí-kvadrát(5) > 7,652) =,22156 LM test pro autokorelaci až do řádu 3 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF = 3,32 s p-hodnotou = P(F(3,7) > 3,32) =,12675 Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) = 2,984 s p-hodnotou =,35217
11 Test pro ARCH řádu 2 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM = 1,67189 s p-hodnotou = P(Chí-kvadrát(2) > 1,67189) =, QLR test pro strukturální zlom - Nulová hypotéza: žádný strukturální zlom Testovací statistika: chi-square(3) = 12,44 at observation 21 with asymptotic p-value =,1626 Testovací statistika: LMF =,241514, s p-hodnotou = P(F(1,9) >,241514) =,635 Alternativní statistika: TR^2 =,339737, s p-hodnotou = P(Chí-kvadrát(1) >,339737) =,56 Ljung-Box Q' =,114224, s p-hodnotou = P(Chí-kvadrát(1) >,114224) =,735 Regrese KPSS OLS, za použití pozorování (T = 9) Závisle proměnná: uhat43 koeficient směr. chyba t-podíl p-hodnota const 89, ,6828,8957,42 time 9,9277 1,6464,9318,3824 AIC: 16,72 BIC: 17,97 HQC: 15,851 Robustní odhad rozptylu: 3878,63 Součet čtverců kumulovaných reziduí: 33463,6 test KPSS pro uhat43(včetně trendu) T = 9 Parametr řádu zpoždění = 2 Testovací statistika =, % 5% 1% Kritické hodnoty:,13,152,192 P-hodnota >.1 Test normality uhat43 Doornik-Hansenův test = 2,984, s p-hodnotou,35217 Shapiro-Wilkův W test =,93172, s p-hodnotou,49162 Lillieforsův test =,2888, s p-hodnotou ~=,31 Test Jarque-Bery =,96177, s p-hodnotou, Předpověď pro období do roku 219 Předpověď je počítána na základě predikce průměrné teploty vzduchu a oznámené a předpokládá velikosti poskytnutých dotací pro následující období programu. Pro 95% konfidenční intervaly, t(6,,25) = 2,447
12 C_g_os předpověď směr. chyba 95% konfidenční interval , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , C_g_os předpověď 95 procentní interval Předpověď bez vlivu dotace (zahrnut vliv průměrné teploty) Pro 95% konfidenční intervaly, t(4,,25) = 2,776
13 C_g_os předpověď směr. chyba 95% konfidenční interval , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , C_g_os předpověď 95 procentní interval Model závislosti spotřeby plynu v rámci ČR na vybraných faktorech Model 9: OLS, za použití pozorování (T = 12) Závisle proměnná: d_cgascelkemkwh
14 koeficient směr. chyba t-podíl p-hodnota d_t 5,2543e+9 1,25913e+9 4,134,17 *** Střední hodnota závisle proměnné 1,22e+9 Sm. odchylka závisle proměnné 4,77e+9 Součet čtverců reziduí 1,5e+2 Sm. chyba regrese 3,9e+9 Koeficient determinace,68419 Adjustovaný koeficient determinace,68419 F(1, 11) 17,9127 P-hodnota(F),166 Logaritmus věrohodnosti 278,7199 Akaikovo kritérium 559,4399 Schwarzovo kritérium 559,9248 Hannan-Quinnovo kritétium 559,263 rho (koeficient autokorelace),12718 Durbin-Watsonova statistika 2,22943 zde je poznámka o zkratkách statistik modelu Test nelinearity (druhé mocniny) - Nulová hypotéza: vztah je lineární Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(1) >,276747) =, Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) = 5,4486 s p-hodnotou =,82642 Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(2) >,591935) =,743812
15 Skutečná a vyrovnaná d_cgascelkemkwh 1e+1 8e+9 vyrovnané skutečné 6e+9 4e+9 d_cgascelkemkwh 2e+9-2e+9-4e+9-6e+9-8e+9-1e Dekompozice-plyn Pro 95% konfidenční intervaly, t(18,,25) = 2,11 C_plyn_GWh předpověď směr. chyba 95% interval Pozorov ání 212: , , 43,264 (11764,, 13571,9) 212: ,9 1355,8 435,683 (12635,5, 14466,2) 212:3 8642,7 9279,12 419,155 (8398,51, 1159,7) 212:4 6634,1 644,84 413,217 (5572,7, 738,97) 212:5 371,3 3734,67 42,457 (2851,32, 4618,2) 212:6 324,6 317,9 389,263 (22,9, 3835,71) 212:7 2958,5 2968,57 387,835 (2153,75, 3783,38) 212:8 296,9 2841,35 388,222 (225,73, 3656,98) 212:9 367,7 3856,18 387,965 (341,9, 4671,26) 212:1 7162,2 7373,39 388,16 (6557,89, 8188,88) 212: ,5 934,48 388,363 (8488,56, 112,4) 212: , ,3 387,843 (119,4, 1353,1) 213:1 129, ,6 415,227 (1251,3, 14246,) 213:2 1126, ,9 411,933 (119,4, 1274,3)
16 213: , ,2 445,798 (19,6, 12773,7) 213:4 6893, 6573,15 414,657 (571,99, 7444,31) 213:5 4319,7 4793,17 411,726 (3928,16, 5658,17) 213:6 3529,6 3458,94 387,965 (2643,86, 4274,3) 213:7 359,2 2439,32 391,525 (1616,75, 3261,88) 213:8 376,3 361,87 387,857 (2247,1, 3876,73) 213:9 4244,9 4517,74 395,93 (3687,68, 5347,8) 213:1 6815,8 6667,72 397,155 (5833,33, 752,11) 213: ,4 9613,21 387,965 (8798,12, 1428,3) 213: , ,6 43,183 (1721,5, 12415,6) 214: , ,3 44,155 (11434,5, 13284,) 214:2 9518, ,2 446,64 (9392,88, 11269,6) 214:3 795, ,8 429,632 (7935,46, 974,71) 214:4 5679, ,8 411,381 (5135,52, 6864,8) 214:5 4628,7 4881,37 412,185 (415,4, 5747,34) 214:6 3288,3 3547,15 388,29 (2731,38, 4362,92) Emise Model 7: OLS, za použití pozorování (T = 12) Závisle proměnná: EmisecelkemTg koeficient směr. chyba t-podíl p-hodnota const 144,483 1, ,5 5,8e-17 *** C_zadosti, ,22399e-5 4,87,22 *** Střední hodnota závisle proměnné 141,8872 Sm. odchylka závisle proměnné 5, Součet čtverců reziduí 139,3456 Sm. chyba regrese 3,73292 Koeficient determinace, Adjustovaný koeficient determinace,58816 F(1, 1) 16,75 P-hodnota(F),2191 Logaritmus věrohodnosti 31,73956 Akaikovo kritérium 67,47913 Schwarzovo kritérium 68,44894 Hannan-Quinnovo kritétium 67,127 rho (koeficient autokorelace), Durbin-Watsonova statistika 1,71246 zde je poznámka o zkratkách statistik modelu LM test pro autokorelaci až do řádu 1 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF =, s p-hodnotou = P(F(1,9) >,137759) =,71915 Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 1,29211 s p-hodnotou = P(Chí-kvadrát(2) > 1,29211) =,52419 Test nelinearity (druhé mocniny) - Nulová hypotéza: vztah je lineární Testovací statistika: LM =,6556 s p-hodnotou = P(Chí-kvadrát(1) >,6556) =,436485
17 ACF reziduí ,96/T^,5,5 -, zpoľděná proměnná PACF reziduí ,96/T^,5,5 -, zpoľděná proměnná
18 Emisepublicheatandelectrici ,5e+1 Dotacekumul 2e+1 1,5e+1 1e+1 5e EmisecelkemTg Zadosti_celkem
19 Zaměstnanost ve stavebnictví Model 14: OLS, za použití pozorování (T = 5) Závisle proměnná: l_zamstavebnictva koeficient směr. chyba t-podíl p-hodnota const 12,7967, ,6 2,21e-8 *** l_zadostijednotl~,1892, ,322,45 ** Střední hodnota závisle proměnné 12,88535 Sm. odchylka závisle proměnné,29765 Součet čtverců reziduí,757 Sm. chyba regrese,1589 Koeficient determinace, Adjustovaný koeficient determinace,7159 F(1, 3) 11,3553 P-hodnota(F),44988 Logaritmus věrohodnosti 14,89266 Akaikovo kritérium 25,78533 Schwarzovo kritérium 26,56645 Hannan-Quinnovo kritétium 27,88179 rho (koeficient autokorelace), Durbin-Watsonova statistika 1,7668 zde je poznámka o zkratkách statistik modelu Test pro ARCH řádu 1 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM = 3,21212 s p-hodnotou = P(Chí-kvadrát(1) > 3,21212) =,73946 Test pro ARCH řádu 2 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM = 3 s p-hodnotou = P(Chí-kvadrát(2) > 3) =,22313 Test normality uhat14 Shapiro-Wilkův W test =,955119, s p-hodnotou,77365 Lillieforsův test =,173978, s p-hodnotou ~=,89 Test Jarque-Bery =,424621, s p-hodnotou,88714 Regrese KPSS OLS, za použití pozorování (T = 5) Závisle proměnná: uhat14 koeficient směr. chyba t-podíl p-hodnota
20 const,58928, ,311,281 time,528116, ,322,2779 AIC: -28,812 BIC: -28,8624 HQC: -3,1777 Robustní odhad rozptylu: 6,95788e-5 Součet čtverců kumulovaných reziduí:, test KPSS pro uhat14(včetně trendu) T = 5 Parametr řádu zpoždění = 1 Testovací statistika =, % 5% 1% Kritické hodnoty:,139,155,171 P-hodnota >.1 ZamstavebnictvA Dotace 1,4e+1 1,2e+1 1e+1 8e+9 6e+9 4e+9 2e Výroba z OZE Model 14: OLS, za použití pozorování (T = 1) Závisle proměnná: Celkem_pop koeficient směr. chyba t-podíl p-hodnota const,329417, ,47 6,3e-6 *** C1pop 4811,51 594,38 8,96 4,1e-5 ***
21 Střední hodnota závisle proměnné, Sm. odchylka závisle proměnné, Součet čtverců reziduí,4789 Sm. chyba regrese,76721 Koeficient determinace, Adjustovaný koeficient determinace, F(1, 8) 65,5451 P-hodnota(F),4 Logaritmus věrohodnosti 12,6214 Akaikovo kritérium 21,2428 Schwarzovo kritérium 2,59911 Hannan-Quinnovo kritétium 21,86815 rho (koeficient autokorelace),6327 zde je poznámka o zkratkách statistik modelu Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) =, s p-hodnotou =, LM test pro autokorelaci až do řádu 3 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF = 1,1718 s p-hodnotou = P(F(3,5) > 1,1718) =,484 Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 3,19386 s p-hodnotou = P(Chí-kvadrát(2) > 3,19386) =,22518 QLR test pro strukturální zlom - Nulová hypotéza: žádný strukturální zlom Testovací statistika: chi-square(2) = inf at observation 24 with asymptotic p-value = nan Test pro ARCH řádu 1 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(1) >,136361) =,9739
22 2,8 Chowův F-test pro zlom 2,6 2,4 2,2 2 1,8 1,6 1,4 1, ,15,1,5 uhat14 -,5 -,1 -,
23 1,9 Celkem_pop předpověď 95 procentní interval,8,7,6,5,4,3,2, Skutečná a vyrovnaná Celkem_pop versus C1pop,9 skutečné vyrovnané,8,7 Celkem_pop,6,5,4,3,2 1e-5 2e-5 3e-5 4e-5 5e-5 6e-5 7e-5 8e-5 9e-5 C1pop
24 Model 4: Cochrane-Orcutt, za použití pozorování (T = 8) Závisle proměnná: EmisecelkemTg rho =, koeficient směr. chyba t-podíl p-hodnota const 156,359 3, ,38 6,73e-9 *** Biomasa 1,31179e-5 2,52843e-6 5,188,2 *** Statistika založená na rho-diferencovaných datech: Střední hodnota závisle proměnné 14,468 Sm. odchylka závisle proměnné 6, Součet čtverců reziduí 42,2244 Sm. chyba regrese 2, Koeficient determinace, Adjustovaný koeficient determinace, F(1, 6) 26,91689 P-hodnota(F),238 rho (koeficient autokorelace),6141 Durbin-Watsonova statistika 1, zde je poznámka o zkratkách statistik modelu Model 23: OLS, za použití pozorování (T = 1) Závisle proměnná: Celkem koeficient směr. chyba t-podíl p-hodnota const 3,4936e ,36 6,51e-6 *** C3 399,23 375,344 8,257 3,48e-5 *** Střední hodnota závisle proměnné Sm. odchylka závisle proměnné Součet čtverců reziduí 5,14e+12 Sm. chyba regrese 81937,8 Koeficient determinace, Adjustovaný koeficient determinace, F(1, 8) 68,17868 P-hodnota(F),35 Logaritmus věrohodnosti 149,215 Akaikovo kritérium 32,431 Schwarzovo kritérium 32,6482 Hannan-Quinnovo kritétium 31,3792 rho (koeficient autokorelace), zde je poznámka o zkratkách statistik modelu LM test pro autokorelaci až do řádu 1 - Nulová hypotéza: žádná autokorelace
25 Testovací statistika: LMF =, s p-hodnotou = P(F(1,7) >,927483) =, LM test pro autokorelaci až do řádu 2 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF = 1,69145 s p-hodnotou = P(F(2,6) > 1,69145) =, Test nelinearity (druhé mocniny) - Nulová hypotéza: vztah je lineární Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(1) >,335241) =, Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 2,43993 s p-hodnotou = P(Chí-kvadrát(2) > 2,43993) =, Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) =,72315 s p-hodnotou =, Test pro ARCH řádu 1 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM =, s p-hodnotou = P(Chí-kvadrát(1) >,759748) =, QLR test pro strukturální zlom - Nulová hypotéza: žádný strukturální zlom Testovací statistika: chi-square(2) = 9,23328 at observation 211 with asymptotic p-value =, Chowův F-test pro zlom 4,5 4 3,5 3 2,5 2 1,
26 Skutečná a vyrovnaná Celkem 1e+7 vyrovnané skutečné 9e+6 8e+6 7e+6 Celkem 6e+6 5e+6 4e+6 3e+6 2e
27 Fotovoltaika 2,5e+6 2e+6 1,5e+6 1e C ,5e+6 1e+6 5 uhat e
28 Model 5: OLS, za použití pozorování (T = 1) Závisle proměnná: tepcerpkwh koeficient směr. chyba t-podíl p-hodnota const 2,9182e+8 3,8243e+7 5,475,6 *** C ,9 5,85,4 *** Střední hodnota závisle proměnné 3,33e+8 Sm. odchylka závisle proměnné 2,18e+8 Součet čtverců reziduí 8,1e+16 Sm. chyba regrese 1,1e+8 Koeficient determinace,81549 Adjustovaný koeficient determinace, F(1, 8) 34,22727 P-hodnota(F),383 Logaritmus věrohodnosti 197,3456 Akaikovo kritérium 398,6912 Schwarzovo kritérium 399,2964 Hannan-Quinnovo kritétium 398,273 rho (koeficient autokorelace), Durbin-Watsonova statistika,95447 zde je poznámka o zkratkách statistik modelu Test pro ARCH řádu 1 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM =,12421 s p-hodnotou = P(Chí-kvadrát(1) >,12421) =, Test pro ARCH řádu 2 - Nulová hypotéza: není zde žádný efekt ARCH Testovací statistika: LM = 2,5472 s p-hodnotou = P(Chí-kvadrát(2) > 2,5472) =, Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) = 1,43178 s p-hodnotou =, QLR test pro strukturální zlom - Nulová hypotéza: žádný strukturální zlom Testovací statistika: chi-square(2) = 28,8961 at observation 27 with asymptotic p-value = 1,84363e-5
29 Náklady na energie v domácnostech Model 9: OLS, za použití pozorování (T = 12) Závisle proměnná: N_energy_dom koeficient směr. chyba t-podíl p-hodnota const 94,4384, ,4 6,17e-16 *** A_zadosti 9,78838e-5 3,63729e-5 2,691,248 ** Zadosti_celkem, ,64545e-5 3,516,66 *** Střední hodnota závisle proměnné 94,2 Sm. odchylka závisle proměnné 3,5458 Součet čtverců reziduí 39,78392 Sm. chyba regrese 2,12483 Koeficient determinace, Adjustovaný koeficient determinace,52674 F(2, 9) 7,15191 P-hodnota(F),1477 Logaritmus věrohodnosti 24,2186 Akaikovo kritérium 54,4372 Schwarzovo kritérium 55,89192 Hannan-Quinnovo kritétium 53,89861 rho (koeficient autokorelace),42649 Durbin-Watsonova statistika 1,32291 zde je poznámka o zkratkách statistik modelu LM test pro autokorelaci až do řádu 4 - Nulová hypotéza: žádná autokorelace Testovací statistika: LMF =,94237 s p-hodnotou = P(F(4,6) >,94237) =,98244 Test normality reziduí - Nulová hypotéza: chyby jsou normálně rozdělené Testovací statistika: Chí-kvadrát(2) = 7,7969 s p-hodnotou =,22733 Whiteův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 2,7664 s p-hodnotou = P(Chí-kvadrát(5) > 2,7664) =, Breusch-Paganův test heteroskedasticity - Nulová hypotéza: není zde heteroskedasticita Testovací statistika: LM = 2,9226 s p-hodnotou = P(Chí-kvadrát(2) > 2,9226) =,23227 Faktory zvyšující rozptyl (VIF) Minimální možná hodnota = 1. Hodnoty > 1. mohou indikovat problém kolinearity A_zadosti 1,26
30 Zadosti_celkem 1,26 VIF(j) = 1/(1 - R(j)^2), kde R(j) je vícečetný korelační koeficient mezi proměnnou j a ostatními nezávisle proměnnými Vlastnosti matice X'X: 1-norma = 8, e+9 Determinant = 9,97199e+19 Převrácená hodnota = 9, e-1 ACF reziduí ,96/T^,5,5 -, zpoľděná proměnná PACF reziduí ,96/T^,5,5 -, zpoľděná proměnná
31 1 N_energy_dom 2,5e+1 Dotacekumul e+1 1,5e+1 1e+1 5e A N_energy_dom A
UNIVERZITA KARLOVA V PRAZE. Flexicurita na českém trhu práce: aplikace v evropském kontextu
UNIVERZITA KARLOVA V PRAZE FAKULTA SOCIÁLNÍCH VĚD Institut ekonomických studií Jindřich Matoušek Flexicurita na českém trhu práce: aplikace v evropském kontextu Přílohy k bakalářské práci Praha 2011 8.
VíceTeorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných)
Teorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných) 1. SPECIFIKACE (12 bodů): (1) Graf průběhu proměnných (1) Obě řady se chovají stejně, lze předpokládat jejich lineární vztah
VíceDynamické metody pro predikci rizika
Dynamické metody pro predikci rizika 1 Úvod do analýzy časových řad Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých časových intervalech okamžikové např
VíceRegresní analýza. Statistika II. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Statistika II Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu) této závislosti pomocí vhodné funkce
VíceVliv nehodovosti na silnicích České republiky na objem uzavřených smluv havarijního pojištění
Mendelova univerzita v Brně Provozně ekonomická fakulta Vliv nehodovosti na silnicích České republiky na objem uzavřených smluv havarijního pojištění Bakalářská práce Vedoucí práce: Mgr. Veronika Blašková,
VíceVÍCEROZMĚRNÝ STATISTICKÝ SOUBOR
KORELACE A REGRESE 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/..00/8.001)
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 2.1 Tvorba lineárních regresních modelů při analýze dat Autor práce: Přednášející:
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 4 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VícePŘÍLOHA A. METODA NEJMENŠÍCH ČTVERCŮ PRODEJ BYTŮ. Příloha A. Metoda nejmenších čtverců Prodej bytů
PŘÍLOHA A. METODA NEJMENŠÍCH ČTVERCŮ PRODEJ BYTŮ Příloha A Metoda nejmenších čtverců Prodej bytů i PŘÍLOHA A. METODA NEJMENŠÍCH ČTVERCŮ PRODEJ BYTŮ 1 2 3 TOT. 1 7 33 40 2 1 18 125 144 2.5 1 72 73 3.5 1
Více18AEK Aplikovaná ekonometrie a teorie časových řad. Řešení domácích úkolů č. 1 a 2 příklad 1
18AEK Aplikovaná ekonometrie a teorie časových řad Řešení domácích úkolů č. 1 a 2 příklad 1 Obecné pravidlo pro všechny testy Je stanovena nulová hypotéza: H 0 Je stanovena alternativní hypotéza: H A Je
Vícea) Základní informace o souboru Statistika: Základní statistika a tabulky: Popisné statistiky: Detaily
Testování hypotéz Testování hypotéz jsou klasické statistické úsudky založené na nějakém apriorním předpokladu. Vyslovíme-li předpoklad o hodnotě neznámého parametru nebo o zákonu rozdělení sledované náhodné
VíceObnovitelné zdroje energie OZE OZE ČR A VE SVĚTĚ, DEFINICE, POTENCIÁL. Doc. Ing. Tomáš Dlouhý CSc.
Struktura přednášek Obnovitelné zdroje energie OZE Doc. Ing. Tomáš Dlouhý CSc. 1. OZE v ČR a ve světě 2. Vodní energie 3. Větrná energie 4. Solární energie fotovoltaické panely 5. Solární energie solární
VíceIlustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
VícePříloha č. 1 Grafy a protokoly výstupy z adstatu
1 Příklad 3. Stanovení Si metodou OES Byly porovnávány naměřené hodnoty Si na automatickém analyzátoru OES s atestovanými hodnotami. Na základě testování statistické významnosti regresních parametrů (úseku
VíceLineární Regrese Hašovací Funkce
Hašovací Funkce Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v
VíceStudijní obor Matematika-ekonomie se zaměřením na bankovnictví/pojišťovnictví
Studijní obor Matematika-ekonomie se zaměřením na bankovnictví/pojišťovnictví Státní závěrečné zkoušky Povinné předměty SZZ: KMA/SZZ1 Matematika a statistika Matematika 1 a 2 1. Číselné posloupnosti -
VíceZávislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )
Úloha M608 Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely ) Zadání : Při kvantitativní analýze lidského krevního séra ovlivňují hodnotu obsahu vysokohustotního
VíceZpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
VíceV tabulce jsou uvedeny roční náklady na údržbu (v dolarech) a cena domu (v tis. dolarů).
1. Příklad V tabulce jsou uvedeny roční náklady na údržbu (v dolarech) a cena domu (v tis. dolarů). Náklady 835 63 240 1005 184 213 313 658 195 545 Cena 136 24 52 143 42 43 67 106 61 99 a.) Modelujte závislost
VícePodpora výroby elektřiny z biomasy a bioplynu (z pohledu ERÚ) Petr Kusý Odbor elektroenergetiky Energetický regulační úřad www.eru.
Podpora výroby elektřiny z biomasy a bioplynu (z pohledu ERÚ) Petr Kusý Odbor elektroenergetiky Energetický regulační úřad www.eru.cz Obsah prezentace Stručné představení ERÚ Zákon č. 180/2005 Sb. o podpoře
VíceOPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ
OPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ Ja Morávka Třiecký ižeýrig, a.s. Abstract Příspěvek popisuje jede přístup k optimálí filtraci metalurgických sigálů pomocí růzých
VíceÚřad vlády České republiky
Úřad vlády České republiky Výbor pro udržitelnou energetiku RVUR Stanovisko Výboru pro udržitelnou energetiku Rady vlády pro udržitelný rozvoj k energetické efektivnosti a úsporám konečné spotřeby energie
VíceCvičení 9 dekompozice časových řad a ARMA procesy
Cvičení 9 dekompozice časových řad a ARMA procesy Příklad 1: Dekompozice časové řady Soubor 18AEK-cv09.xls obsahuje dvě časové řady (X a Y) se 72 pozorováními. Použijte časovou řadu Y. a) Pokuste se na
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
VíceStatistika ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ. Jiří Volf, Adam Kratochvíl, Kateřina Žáková. Semestrální práce - 0 -
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ Jiří Volf, Adam Kratochvíl, Kateřina Žáková 2 34 Statistika Semestrální práce - 0 - 1. Úvod Popis úlohy: V této práci se jedná se o porovnání statistických
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceStatistická analýza sportovních
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Statistická analýza sportovních výsledků BAKALÁŘSKÁ PRÁCE Plzeň, 2013 Kateřina Šedivá Prohlášení Prohlašuji, že jsem svou bakalářskou
VíceMODELOVÁNÍ CENOVÉ ELASTICITY POPTÁVKY PO VJEZDU NA AUTOBUSOVÉ NÁDRAŽÍ MODELLING OF PRICE DEMAND ELASTICITY FOR ENTRY TO BUS TERMINAL
MODELOVÁNÍ CENOVÉ ELASTICITY POPTÁVKY PO VJEZDU NA AUTOBUSOVÉ NÁDRAŽÍ MODELLING OF PRICE DEMAND ELASTICITY FOR ENTRY TO BUS TERMINAL Martina Lánská 1 Anotace: Článek se zabývá modelováním cenové elasticity
VíceSemestrální práce. 2. semestr
Licenční studium č. 89002 Semestrální práce 2. semestr Tvorba lineárních regresních modelů při analýze dat Příklad 1 Porovnání dvou regresních přímek u jednoduchého lineárního regresního modelu. Počet
VíceTvorba modelu sorpce a desorpce 85 Sr na krystalických horninách za dynamických podmínek metodou nelineární regrese
Tvorba modelu sorpce a desorpce 85 Sr na krystalických horninách za dynamických podmínek metodou nelineární regrese Závěrečná práce 12. licenčního studia Pythagoras Fakulta chemicko-technologická, katedra
VíceKorelační a regresní analýza
Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná
VíceEnergetické úspory jako nástroj ke zvyšování konkurenceschopnosti a technologické vyspělosti českého průmyslu
Energetické úspory jako nástroj ke zvyšování konkurenceschopnosti a technologické vyspělosti českého průmyslu Vladimír Dlouhý prezident Hospodářské komory ČR konference Energetické úspory jako příležitost
VíceKaždodenní práce s odběrovým diagramem oprávněného zákazníka. Hanuš Beran Taures, a.s.
Každodenní práce s odběrovým diagramem oprávněného zákazníka Hanuš Beran Taures, a.s. Obsah prezentace Proč pracovat s diagramem Práce s diagramem spotřeby časové úseky Příprava denního diagramu spotřeby
VíceVyužití regresní analýzy pro modelování státního dluhu
Mendelova univerzita v Brně Provozně ekonomická fakulta Využití regresní analýzy pro modelování státního dluhu Bakalářská práce Vedoucí práce: Mgr. Kateřina Myšková, Ph.D. Alžběta Surovcová Brno 2012 Tímto
VíceSemestrální práce. 2. semestr
Licenční studium č. 89002 Semestrální práce 2. semestr PŘEDMĚT 2.1 TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT Příklad 4 Vícerozměrný lineární regresní model 2/24 V Ústí nad Orlicí dne: 20.8.2000
VíceVývoj cen elektřiny ve scénářích ERÚ ve vazbě na NAP a novou legislativu
Vývoj cen elektřiny ve scénářích ERÚ ve vazbě na NAP a novou legislativu Ing. Blahoslav Němeček Ph.D. místopředseda a ředitel sekce regulace Praha 1 Analýzy vícenákladů na podporu podle NAP Roční fondy
VíceMarta Vomlelová marta@ktiml.mff.cuni.cz
Strojové učení Úvod, lineární regrese Marta Vomlelová marta@ktiml.mff.cuni.cz References [1] P. Berka. Dobývání znalostí z databází. Academia, 2003. [2] T. Hastie, R. Tishirani, and J. Friedman. The Elements
VíceSemestrální práce. 3.3 Tvorba nelineárních regresních modelů v analýze dat
Semestrální práce 1 3.3 Tvorba nelineárních regresních modelů v analýze dat Ing. Ján Lengyel, CSc. Centrální analytická laboratoř Ústav jaderného výzkumu Řež, a. s. Husinec Řež 130 250 68 Řež V Řeži, únor
VíceMendelova univerzita v Brně Provozně ekonomická fakulta. Ekonometrie 2
Mendelova univerzita v Brně Provozně ekonomická fakulta Ekonometrie 2 Odhad regresního modelu výnosnosti akcií společnosti ČEZ, a.s. vícefaktorovým modelem Vypracovali: Bc. Jiří Klement Bc. Václav Klepáč
VíceUniverzita Pardubice
Univerzita Pardubice 8. licenční studium chemometrie Statistické zpracování dat při managementu jakosti Semestrální práce Lineární regrese Ing. Jan Balcárek, Ph.D. vedoucí Centrálních laboratoří Precheza
VíceTabulka č. 1 95%ní intervaly Úsek Směrnice model L1 L2 L1 L2 Leco1-0, , , ,15618 OES -0, , , ,21271
1 Příklad 1. Porovnání dvou regresních přímek Při výrobě automatových ocelí dané jakosti byla porovnávána závislost obsahu uhlíku v posledním zkušebním vzorku (odebraném z mezipánve na ZPO a analyzovaném
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VíceANALÝZA ROSTOUCÍHO VÝVOJE OBJEMU POSKYTNUTÝCH HYPOTEČNÍCH ÚVĚRŮ V ČESKÉ REPUBLICE
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LVII 17 Číslo 3, 2009 ANALÝZA ROSTOUCÍHO VÝVOJE OBJEMU POSKYTNUTÝCH
VíceMakroekonomie I. Přednáška 2. Ekonomický růst. Osnova přednášky: Shrnutí výpočtu výdajové metody HDP. Presentace výpočtu přidané hodnoty na příkladě
Přednáška 2. Ekonomický růst Makroekonomie I Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky Osnova přednášky: Podstatné ukazatele výkonnosti ekonomiky souhrnné opakování předchozí přednášky Potenciální produkt
VícePříklad 1.3: Mocnina matice
Řešení stavových modelů, módy, stabilita. Toto cvičení bude věnováno hledání analytického řešení lineárního stavového modelu. V matematickém jazyce je takový model ničím jiným, než sadou lineárních diferenciálních
VíceVYUŽITÍ NEURONOVÝCH SÍTÍ PROSTŘEDÍ MATLAB K PREDIKCI HODNOT NÁKLADŮ PRO ELEKTRICKÉ OBLOUKOVÉ PECE
VYUŽITÍ NEURONOVÝCH SÍTÍ PROSTŘEDÍ MATLAB K PREDIKCI HODNOT NÁKLADŮ PRO ELEKTRICKÉ OBLOUKOVÉ PECE V. Hon VŠB TU Ostrava, FEI, K455, 17. Listopadu 15, Ostrava Poruba, 70833 Abstrakt Neuronová síť (dále
VíceSEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI
SEMESTRÁ LNÍ PRÁ CE Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI Předmě t STATISTICKÁ ANALÝ ZA JEDNOROZMĚ RNÝ CH DAT (ADSTAT) Ú stav experimentá lní biofarmacie, Hradec
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Tvorba nelineárních regresních modelů v analýze dat Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza
VícePOŽADAVKY KE STÁTNÍ ZÁVĚREČNÉ ZKOUŠCE MAGISTERSKÉ STUDIUM POČÍTAČOVÉ MODELOVÁNÍ VE VĚDĚ A TECHNICE (NAVAZUJÍCÍ STUDIUM I DOBÍHAJÍCÍ 5-LETÉ STUDIUM)
POŽADAVKY KE STÁTNÍ ZÁVĚREČNÉ ZKOUŠCE MAGISTERSKÉ STUDIUM POČÍTAČOVÉ MODELOVÁNÍ VE VĚDĚ A TECHNICE (NAVAZUJÍCÍ STUDIUM I DOBÍHAJÍCÍ 5-LETÉ STUDIUM) Organizace zkoušky Zkouška je ústní a má čtyři části:
VíceMagnetic Levitation Control
Magnetic Levitation Control Magnetic Levitation Control (MagLev) je specializovaný software pro řízení procesu magnetické levitace na zařízení Magnetic Levitation Model CE152 vytvořeném společností HUMUSOFT.
Více5 ZKOUŠENÍ CIHLÁŘSKÝCH VÝROBKŮ
5 ZKOUŠENÍ CIHLÁŘSKÝCH VÝROBKŮ Cihelné prvky se dělí na tzv. prvky LD (pro použití v chráněném zdivu, tj. zdivo vnitřních stěn, nebo vnější chráněné omítkou či obkladem) a prvky HD (nechráněné zdivo).
VíceTvorba lineárních regresních modelů
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Tvorba lineárních regresních modelů při analýze dat Zdravotní ústav
Vícehttp: //meloun.upce.cz,
Porovnání rozlišovací schopnosti regresní analýzy spekter a spolehlivosti Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Chemickotechnologická fakulta, Univerzita Pardubice, nám. s. Legií 565,
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VíceZákladní ustanovení. změněno s účinností od poznámka vyhláškou č. 289/2013 Sb. 31.10.2013. a) mezi přepravní soustavou a
změněno s účinností od poznámka vyhláškou č 289/203 Sb 30203 08 VYHLÁŠKA ze dne 4 dubna 20 o měření plynu a o způsobu stanovení náhrady škody při neoprávněném odběru, neoprávněné dodávce, neoprávněném
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceLED světlomety pro osvětlení sportovišť
LED světlomety pro osvětlení sportovišť Historie / současnost / budoucnost v osvětlování venkovních sportovišť Vysokotlaká sodíková výbojka Výhody: - Nejvyšší účinnost (u výbojek) Nevýhody: - Oranžová
VíceFotovoltaika v bytových domech současnost a perspektivy
Internetový portál www.tzb-info.cz Fotovoltaika v bytových domech současnost a perspektivy Ing. Bronislav Bechník, Ph.D. odborný garant oboru Obnovitelná energie a úspory energie energie.tzb-info.cz www.tzb-info.cz
VíceMMEE cv.4-2011 Stanovení množství obchodovatelného zboží mezi zákazníkem a dodavatelem
MMEE cv.4-2011 Stanovení množství obchodovatelného zboží mezi zákazníkem a dodavatelem Cíl: Stanovit množství obchodovatelného zboží (předmět směny) na energetickém trhu? Diagram odběru, zatížení spotřebitele
VíceANALÝZA ZAJIŠTĚNÝCH FONDŮ
ANALÝZA ZAJIŠTĚNÝCH FONDŮ MIROSLAV ZETEK Abstrakt Předkládaná práce si klade za primární cíl zjistit, jaké proměnné mají vliv na množství peněžních prostředků investovaných do zajištěných fondů. Míra vlivu
VíceZáklady lineární regrese
Základy lineární regrese David Hampel Ústav statistiky a operačního výzkumu, Mendelova univerzita v Brně Kurz pokročilých statistických metod Global Change Research Centre AS CR, 5. 7. 8. 2015 Tato akce
VíceJednoduchý fuzzy regresní model. A simplefuzzyregressionmodel
Jednoduchý fuzzy regresní model Adresa: Prof.RNDr.PhDr. Zdeněk Půlpán,CSc. Na Brně 1952/39, 500 09 Hradec Králové 9 Mgr. Jiří Kulička, PhD A simplefuzzyregressionmodel Zdeněk Půlpán Jiří Kulička Univerzita
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická, Katedra analytické chemie Licenční studium GALILEO Interaktivní statistická analýza dat Semestrální práce z předmětu Tvorba nelineárních regresních
VíceSimulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích
Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Nedostatešný popis systému a jeho modelu vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělit fyzickou nebo
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
VíceObnovitelné zdroje energie v roce 2010
Obnovitelné zdroje energie Obnovitelné zdroje energie v roce 2010 Výsledky statistického zjišťování říjen 2011 Oddělení surovinové a energetické statistiky Impressum Ing. Aleš Bufka oddělení surovinové
VíceHAPIEE I (2002-2005) Health, Alcohol, Psychosocial factors in Eastern Europe
HAPIEE I (2002-2005) Health, Alcohol, Psychosocial factors in Eastern Europe Zdraví a životní styl Determinanty kardiovaskulárních onemocnění ve střední a východní Evropě Mezinárodní kohortová studie UCL
VíceSAMOSTATNÁ TABELÁRNÍ A MAPOVÁ PŘÍLOHA
ÚZEMNÍ ENERGETICKÁ KONCEPCE MĚSTA CHEB AKTUALIZACE 2014 PŘÍLOHA Č.2 ZÁVĚREČNÉ ZPRÁVY SAMOSTATNÁ TABELÁRNÍ A MAPOVÁ PŘÍLOHA ŘÍJEN 2014 ENVIROS, s.r.o. Na Rovnosti 1 130 00 Praha 3 www.enviros.cz ve spolupráci
VíceKlimatická neutralita budov do roku 2050
Klimatická neutralita budov do roku 2050 Dr. Burkhard Schulze Darup, Augraben 96, D-90476 Nürnberg, schulze-darup@schulzedarup.de 1 Základní otázky Aby mohly být dosaženy globální cíle ochrany klimatu,
VíceAbstrakt. Klíčová slova. Statistika v Excelu, analýza dat, soubor, Excel. Abstract
Abstrakt Tato bakalářská práce se zabývá statistikou v programu Excel. Cílem této práce je vypracování metodiky pro řešení statistických funkcí v software Excel. Popsat možnosti a omezení modulu a funkcí.
VíceDeterminanty cen povolenek v EU ETS
Mendelova univerzita v Brně Provozně ekonomická fakulta Determinanty cen povolenek v EU ETS Bakalářská práce Vedoucí práce: Ing. Vladimír Hajko Zuzana Blinková Brno 2014 Poděkování Ráda bych poděkovala
VíceInstal a a l c a e c e O ZE E v e v eř e e ř jnýc ý h c h b udová v c á h Jiř Ji í í K al a i l n i a
Instalace OZE ve veřejných budovách Jiří Kalina 1/21 Rozdělení OZE Výroba tepla a chladu solární termické systémy spalování biomasy tepelná čerpadla Výroba elektrické energie solární fotovoltaické systémy
VíceSeminář z matematiky. 2 hodiny ve 3. ročníku, 4 hodiny ve 4. ročníku. Charakteristika předmětu
Seminář z matematiky 2 hodiny ve 3. ročníku, 4 hodiny ve 4. ročníku Charakteristika předmětu Předmět Seminář z matematiky navazuje na základní výuku matematiky. Slouží k rozšiřování a prohlubování již
VíceTVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT Semestrální práce Licenční studium Galileo Interaktivní statistická analýza
VíceFAKULTA ELEKTROTECHNICKÁ AUTOREFERÁT
FAKULTA ELEKTROTECHNICKÁ AUTOREFERÁT disertační práce Plzeň, 2013 Ing. Viktor Majer Ing. Viktor Majer Predikce výroby elektřiny z fotovoltaických elektráren v liberalizované energetice Obor Elektroenergetika
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce KALIBRACE
VíceMETODY ODHADU PRODUKČNÍ MEZERY PRODUCTION GAP ESTIMATING METHOD
METODY ODHADU PRODUKČNÍ MEZERY PRODUCTION GAP ESTIMATING METHOD BLAŠKOVÁ Veronika, (ČR) ABSTRACT The aim of this article was description of production gap estimating methods and practical application of
VíceODBORNÉ VZDĚLÁVÁNÍ ÚŘEDNÍKŮ PRO VÝKON STÁTNÍ SPRÁVY OCHRANY OVZDUŠÍ V ČESKÉ REPUBLICE. Spalování paliv - Kotle Ing. Jan Andreovský Ph.D.
ODBORNÉ VZDĚLÁVÁNÍ ÚŘEDNÍKŮ PRO VÝKON STÁTNÍ SPRÁVY OCHRANY OVZDUŠÍ V ČESKÉ REPUBLICE Spalování paliv - Kotle Ing. Jan Andreovský Ph.D. Vybraný příklad průběhu výroby elektřiny do sítě ČR. Zastoupeny jednotlivé
VícePříklady na téma Úspory energie ve městech, obcích a regionech Jihočeského kraje
Příklady na téma Úspory energie ve městech, obcích a regionech Jihočeského kraje Využití obnovitelných zdrojů energie v Jihočeském kraji závěry UEK Z bilancí dostupné biomasy v Jihočeském kraji vyplývá,
VícePARLAMENT ČESKÉ REPUBLIKY Poslanecká sněmovna 2009 V. volební období. Vládní návrh. na vydání. zákona
PARLAMENT ČESKÉ REPUBLIKY Poslanecká sněmovna 2009 V. volební období 968 Vládní návrh na vydání zákona kterým se mění zákon č. 180/2005 Sb., o podpoře výroby elektřiny z obnovitelných zdrojů energie a
VíceModelování objemu hypotečních úvěrů poskytnutých Českou spořitelnou
Mendelova univerzita v Brně Provozně ekonomická fakulta Modelování objemu hypotečních úvěrů poskytnutých Českou spořitelnou Diplomová práce Vedoucí práce: Mgr. David Hampel, Ph.D. Bc. Tereza Jezdinská
VíceSolární soustavy pro bytové domy Tomáš Matuška
Solární soustavy pro bytové domy Tomáš Matuška Československá společnost pro sluneční energii (ČSSE) Novotného lávka 5 116 68 Praha 1 Česká republika info@solarnispolecnost.cz Bytové domy v ČR sčítání
VíceEmpirická literatura
Empirická literatura Můžeme rozlišit 3 druhy literatury: Odhadující fiskální multiplikátory prostřednictvím makroekonomických modelů. Zkoumající expanzivní charakter některých fiskálních kontrakcí v historii.
VíceČESKÉHO HNĚDÉHO UHLÍ. KONFERENCE ENERGETICKÝCH MANAŽERŮ na téma Energetická bezpečnost ČR v kontextu obsahu 3. energetického balíčku EU
BUDOUCNOST ČESKÉHO HNĚDÉHO UHLÍ KONFERENCE ENERGETICKÝCH MANAŽERŮ na téma Energetická bezpečnost ČR v kontextu obsahu 3. energetického balíčku EU Březen 2008 ing. Alexander Musil Problematika prvotních
Víceij m, velikosti n je tvořen (n m) rozměr-ným polem dat x 11 ... x 12 ... x 22 x n1 ... x n2 7.1 Druhy korelačních koeficientů
1 7 KORELACE Pro vyádřeí itezity vztahů ezi složkai ξ ξ -rozěrého áhodého vektoru 1 ξ se používá korelačích koeficietů Data tvoří áhodý výběr z -rozěrého rozděleí áhodého vektoru ξ Neuvažue se obyčeě a
VícePříloha CD: Testování hypotéz 1
Příloha CD: Testování hypotéz 1 Testování hypotéz Hypotéza č. 1: Vyhodnocování efektivnosti zakázek je závislé na užívání softwaru pro Typ testování: testování nezávislosti kvalitativních znaků (2x2) pomocí
Více2.2 Kalibrace a limity její p esnosti
UNIVERZITA PARDUBICE Òkolní rok 000/001 Fakulta chemicko-technologická, Katedra analytické chemie LICEN NÍ STUDIUM STATISTICKÉ ZPRACOVÁNÍ DAT PÌI MANAGEMENTU JAKOSTI P EDM T:. Kalibrace a limity její p
VíceCenové rozhodnutí Energetického regulačního úřadu č. 5/2007 ze dne 17. září 2007, k cenám tepelné energie
Cenové rozhodnutí Energetického regulačního úřadu č. 5/2007 ze dne 17. září 2007, k cenám tepelné energie Energetický regulační úřad (dále jen Úřad ) podle 2c zákona č. 265/1991 Sb., o působnosti orgánů
Více3. Výzva programu NZÚ pro Rodinné domy
3. Výzva programu NZÚ pro Rodinné domy Základní informace: vyčleněná alokace: při vyhlášení výzvy 500 mil. Kč + průběžné doplňován alokace (dle výnosů prodeje emisních povolenek), příjem žádostí: 22. 10.
VícePro získání zápočtu je nutno mimo docházky (max. 3 absence) získat ze dvou napsaných písemek dohromady alespoň dva příklady.
1 Cvičení z předmětu KMA/PST2 Pro získání zápočtu je nutno mimo docházky (max. 3 absence) získat ze dvou napsaných písemek dohromady alespoň dva příklady. Literatura: Budíková, M., Mikoláš, Š., Osecký,
VíceNOVÉ OBCHODNÍ P ÍLE ITOSTI A VYU ITÍ NET METERINGU
NOVÉ OBCHODNÍ P ÍLE ITOSTI A VYU ITÍ NET METERINGU Jan Kanta Manažer útvaru legislativa a trh Konference Trendy elektroenergetiky v evropském kontextu XI. Špindler v Mlýn hotel Horal, 13-14. dubna 2016
VíceJAKÉ DETERMINANTY OVLIVŇUJÍ VÝBĚR
Vysoká škola ekonomická v Praze Národohospodářská fakulta Hlavní specializace: Ekonomie JAKÉ DETERMINANTY OVLIVŇUJÍ VÝBĚR SPOTŘEBNÍ DANĚ Z POHONNÝCH HMOT? bakalářská práce Autor: David Šubrt Vedoucí práce:
VíceVliv regionálních rozdílů ve finanční dostupnosti bydlení na migraci za prací
Vliv regionálních rozdílů ve finanční dostupnosti bydlení na migraci za prací Martin LUX Petr SUNEGA martin.lux@soc.cas.cz petr.sunega@soc.cas.cz http://seb.soc.cas.cz Struktura prezentace Definice pojmů,
VíceSEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI. Předmě t KALIBRACE A LIMITY JEJÍ PŘ ESNOSTI
SEMESTRÁ LNÍ PRÁ CE Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI Předmě t KALIBRACE A LIMITY JEJÍ PŘ ESNOSTI Ú stav experimentá lní biofarmacie, Hradec Krá lové Ing. Martina
VíceZNALECKÝ POSUDEK č. 10985-73/2015
J. Zrzavého 8, 796 04 Prostějov stránka č. 1 č.j.: 018 EX 05160/12-028 ZNALECKÝ POSUDEK č. 10985-73/2015 o stanovení obvyklé ceny nemovitých věcí: ideální 1/16 pozemků p.č. 971/4 zastavěná plocha a nádvoří
VíceM - Příprava na čtvrtletní písemnou práci
M - Příprava na čtvrtletní písemnou práci Určeno pro třídu 1ODK. VARIACE 1 Tento dokument byl kompletně vytvořen, sestaven a vytištěn v programu dosystem - EduBase. Více informací o programu naleznete
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 5 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více