4EK211 Základy ekonometrie
|
|
- Ondřej Bureš
- před 7 lety
- Počet zobrazení:
Transkript
1 4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá
2 Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb pro domácnost v mld. CZK x = disponibilní příjem v mld. CZK x = cenový index v % Zadání: Odhadněte závislost maloobchodního obratu (y) na disponibilním příjmu (x ) a cenovém indexu (x ). Proveďte specifikaci kvantifikaci verifikaci a aplikaci EM. y i = β 0 + β x i + β x i + u i i =...8 pozor jenom cvičný příklad v BP/DP je potřebný velký počet pozorování (alespoň 5-30!)
3 Klasický lineární regresní model - specifikace Specifikace EM určení proměnných y = endogenní (vysvětlovaná) proměnná x = exogenní (vysvětlující) proměnná x = exogenní (vysvětlující) proměnná určení vzájemných vazeb mezi proměnnými (forma závislosti) + formulace hypotéz y i = β 0 + β x i + β x i + u i i =...8 předpokládané znaménka očekávané hodnoty odhadnutých parametrů β = v intervalu (0) pokud nepracujeme s úsporami nebo > 0 s úsporami β = by mělo být < 0 3
4 Klasický lineární regresní model - kvantifikace Kvantifikace EM odhad modelu MNČ MS Excel nebo EViews Dependent Variable: Y Method: Least Squares Date: 0/07/3 Time: 9:46 Sample: Included observations: 8 Y=C()+C()*X+C(3)*X Coefficient Std. Error t-statistic Prob. C() C() C(3) R-squared Mean dependent var 0.5 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion -.36 Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) 0 4
5 Klasický lineární regresní model - kvantifikace Kvantifikace EM zápis odhadnutého regresního modelu (regresní nadroviny) napozorované hodnoty: Coefficient Std. Error t-statistic Prob. C() C() C(3) y = x 0098x + e vyrovnané hodnoty: ŷ = x 0098x je to tzv. bodový odhad 5
6 Verifikace ekonomická předpokládané znaménka očekávané hodnoty odhadnutých parametrů β = v intervalu (0) pokud nepracujeme s úsporami nebo > 0 s úsporami b splňuje předpoklad β = by mělo být < 0 b splňuje předpoklad ekonomická interpretace b 0 bez interpretace b absolutní (příjmová) pružnost b y x b = 004 vzroste-li disponibilní příjem (x ) o mld. CZK (tj. o jednotku) a cenový index (x ) se nezmění vzroste maloobchodní obrat potřeb pro domácnost v průměru o 004 mld. CZK 6
7 Verifikace ekonomická b absolutní (cenová) pružnost b y x b = vzroste-li cenový index (x ) o jeden procentní bod a disponibilní příjem (x ) se nezmění klesne maloobchodní obrat potřeb pro domácnost v průměru o 0098 mld. CZK b i b jsou definovány v daných jednotkách!!! každou absolutní pružnost lze převést na pružnost relativní definuje se koeficient relativní pružnosti q počítá se vždy vzhledem k nějakému datu v %! koeficient příjmové pružnosti koeficient cenové pružnosti y x x q x b x y y y x x b x y y q x 7
8 Verifikace ekonomická relativní pružnost pro rok 973 y (73) = 36 x (73) = 09 x (73) = 3 koeficient příjmové pružnosti x y q x ( 73) b 60 zvýší-li se v roce 973 disponibilní příjem (x ) o % a cenový index (x ) se nezmění vzroste maloobchodní obrat potřeb pro domácnost o 60 % koeficient cenové pružnosti x y q x ( 73) b 0 8 zvýši-li se v roce 973 cenový index (x ) o % a disponibilní příjem (x ) se nezmění klesne maloobchodní obrat potřeb pro domácnost o 08 % 8
9 Verifikace statistická Coefficient Std. Error t-statistic Prob. C() C() C(3) Standard error standardní chyba regresního koeficientu slouží k určení významnosti parametrů k intervalovým odhadům T s i s ( X X) b kde s ii ( n ( k )) e T e nebo S.E. of regresion ve výstupu ii prvek z diagonály momentové matice pro náš příklad: ( X T X) s b ( 8 3)
10 Verifikace statistická t-statistic t-statistika slouží k určení významnosti jednotlivých parametrů v modelu testuje se hypotéza: H 0 : β j = 0 bj βj H : β j 0 t j obecně pro t-statistiku platí * t t ) Coefficient Std. Error t-statistic Prob. C() C() C(3) t j j α/ ( nk nezamítám hypotézu H o významnosti proměnné v modelu proměnná je tedy statisticky významná na α * t j t α/ ( nk) nezamítám hypotézu H 0 o nevýznamnosti proměnné v modelu proměnná je tedy statisticky nevýznamná na α b s j b j s b j Coefficient Std.error 0
11 Verifikace statistická Coefficient Std. Error t-statistic Prob. C() C() C(3) Prob. pravděpodobnost že nulová hypotéza je pravdivá (tj. daná vysvětlující proměnná je v modelu nevýznamná) Prob. < 005 proměnná je statisticky významná na 5% hladině Prob. < 00 proměnná je statisticky významná na % hladině pokud nemáme tabulkovou hodnotu t-statistiky pro srovnání postupujeme podle Prob.
12 Verifikace statistická R-squared Mean dependent var 0.5 Adjusted R-squared S.D. dependent var.8909 S.E. of regression Akaike info criterion -.33 Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) 0 S.E. of regression standardní chyba regrese [u~n(0σ )] charakteristika výběrového rozptylu který dostaneme po kvantifikaci abstraktního modelu vzorec T s e e ( n ( k )) ( 8 3) užívá se při výpočtu standardní chyby regresního koeficientu Sum squared resid součet čtverců reziduí e i = e T e min
13 Verifikace statistická R-squared Mean dependent var 0.5 Adjusted R-squared S.D. dependent var.8909 S.E. of regression Akaike info criterion -.33 Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) 0 R-squared R koeficient vícenásobné determinace hodnotí celkovou kvalitu modelu určuje jak se model shoduje s daty VSČ NSČ R CSČ CSČ CSČ ( yi y) n R VSČ n 0 ( ŷ i y) NSČ n ( y i ŷ i ) 3
14 Verifikace statistická R koeficient vícenásobné determinace je-li NSČ = 0 pak R = dokonalý model v případě že koeficient R není statisticky významný (viz F-poměr) doporučují se úpravy: přidání další vysvětlující proměnné zvýšení počtu pozorování změna funkčního tvaru regresní rovnice nezohledňuje počet vysvětlujících proměnných hodnota R nikdy neklesne přidáním dalších vysvětlujících proměnných do modelu řeší to tzv. korigovaný koeficient determinace (tj. R adj nebo ) v EViews Adjusted R-squared n R ( R ) n ( k ) R R < R zvyšováním počtu proměnných roste R ale ne rovnost jen pokud R = nebo k = stejná závislá proměnná a stejný počet pozorování!!! R 4
15 Verifikace statistická R-squared Mean dependent var 0.5 Adjusted R-squared S.D. dependent var.8909 S.E. of regression Akaike info criterion -.33 Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) 0 Log likelihood hodnota věrohodnostní funkce při odhadové metodě metoda maximální věrohodnosti (MMV) oba odhady (pomocí MNČ i MMV) dávají stejné výsledky pokud se pracuje s normálním regresním modelem 5
16 Verifikace statistická R-squared Mean dependent var 0.5 Adjusted R-squared S.D. dependent var.8909 S.E. of regression Akaike info criterion -.33 Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) 0 F-statistic F-poměr testuje statistickou významnost modelu (využívá se Fischerovo rozdělení) H 0 : R statisticky nevýznamné β 0 = β =... β j = 0 H : R statisticky významné β j 0 F R R n ( k ) k 6
17 Verifikace statistická F > F* (kn-k-) zamítáme H 0 ve prospěch H F F* (kn-k-) nezamítáme H 0 ve prospěch H Prob(F-statistic) počítá nám p-value Prob(F-statistic) α nezamítám hypotézu H model je tedy statisticky významný na α Prob(F-statistic) > α nezamítám hypotézu H 0 model je tedy statisticky nevýznamný na α 7
18 Verifikace statistická R-squared Mean dependent var 0.5 Adjusted R-squared S.D. dependent var.8909 S.E. of regression Akaike info criterion -.33 Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) 0 Mean dependent var průměr vysvětlované (tj. endogenní) proměnné S.D. dependent var standardní odchylka vysvětlované (tj. endogenní) proměnné Akaike Schwarz Hannan-Quinn criterion informační kritéria výběr správného modelu vybírám minimální hodnotu neuvádět interpretaci v testu u prof. Pánkové!!! 8
19 Verifikace statistická R-squared Mean dependent var 0.5 Adjusted R-squared S.D. dependent var.8909 S.E. of regression Akaike info criterion -.33 Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) 0 Durbin-Watson stat Durbinova-Watsonova (DW) statistika d užívá se pro testování vlastností náhodných složek test autokorelace prvního řádu 9
20 Verifikace ekonometrická ověřuje splnění podmínek pro použití MNČ testuje se heteroskedasticita autokorelace multikolinearita DW Durbin-Watson testuje autokorelaci prvního řádu budeme řešit později!!! 0
21 Klasický lineární regresní model - aplikace Aplikace predikce apod. ukládání vyrovnaných hodnot reziduí... predikce dosazení konkrétních hodnot do regresní funkce podrobně na cvičení 4
22 Klasický lineární regresní model - kvantifikace Kvantifikace EM intervalový odhad n = počet pozorování k = počet vysvětlujících proměnných α = hladina významnosti předpokládejme pro náš příklad = 5 % EViews Equation (objekt) View Coefficient Diagnostics Confidence Intervals α α α ; ) ( ) ( ) ( ) ( ) ( β * t s b s t t t s b β t s P b * / b b * / * k n / * k n / b i i * k n / b i i i
23 Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: pocet_clenu = počet členů v domácnosti prijem = disponibilní příjem v tis. CZK vydaje = výdaje domácnosti na určité zboží v CZK 3
4EK211 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
VícePříloha č.1 Vypočtené hodnoty jednotlivých proměnných indexu OCA pro MUBS za období
Příloha č.1 Vypočtené hodnoty jednotlivých proměnných indexu OCA pro MUBS za období 1971-2012 Rok SD (e ij ) SD (Y i -Y j ) DISSIM ij TRADE ij SIZE ij 1971 0,00000 0,03250 0,0000000254 0,02443 40,64456
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
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
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
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
VíceTvorba trendové funkce a extrapolace pro roční časové řady
Tvorba trendové funkce a extrapolace pro roční časové řady Příklad: Základem pro analýzu je časová řada živě narozených mezi lety 1970 a 2005. Prvním úkolem je vybrat vhodnou trendovou funkci pro vystižení
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
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
VícePřílohy. Spotřeba elektřiny. Model závislosti spotřeby elektřiny
Přílohy Spotřeba elektřiny Model závislosti spotřeby elektřiny Model 24: OLS, za použití pozorování 22-213 (T = 12) Závisle proměnná: C_ele_domkWH koeficient směr. chyba t-podíl p-hodnota ------------------------------------------------------------------
VíceZadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:
Predikce Text o predikci pro upřesnění pro ty, které zajímá, kde se v EViews všechna ta čísla berou. Ruční výpočty u průběžného testu nebudou potřeba. Co bude v závěrečném testu, to nevím. Ale přečíst
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
Více4EK211 Základy ekonometrie
4EK211 Základ ekonometrie Odhad klasického lineárního regresního modelu I Cvičení 2 Zuzana Dlouhá Metodologický postup tvor EM 1. Specifikace modelu určení proměnných určení vzájemných vaze mezi proměnnými
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:
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)
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 2: Statistika a pravděpodobnost
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 2: Statistika a pravděpodobnost Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 2 Statistika a pravděpodobnost
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
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
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
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 6: Dummy proměnné, úvod do časových řad LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Multikolinearita
VíceZáklady. analýzy hlavních komponent a multivariačních regresních metod pro spektrální analýzu
Základy analýzy hlavních komponent a multivariačních regresních metod pro spektrální analýzu Multivariační analýza dat použití mnoha proměnných zároveň základem tabulka - matice dat řádky - vzorky sloupce
Více4EK211 Základy ekonometrie
4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
VíceTéma 8. Řešené příklady
Téma 8. Řešené příklady 1. Malá firma prováděla roku 005 reklamní kampaň. Přitom sledovala měsíčně náklady na reklamu (tis. Kč) a zvýšení obratu (tis. Kč) v porovnání se stejným měsícem roku 004 - hodnoty
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Logistická křivka Umělé proměnné Cvičení 11 Zuzana Dlouhá Logistická křivka log-lineární model patří mezi poptávkové funkce, ty dělíme na: a) klasické D = f (příjem, cenový index,
VíceÚvod. Analýza závislostí. Přednáška STATISTIKA II - EKONOMETRIE. Jiří Neubauer
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Úvod Předmětem této kapitoly bude zkoumání souvislosti (závislosti) mezi
VíceDualita v úlohách LP Ekonomická interpretace duální úlohy. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 6 Katedra ekonometrie FEM UO Brno Uvažujme obecnou úlohu lineárního programování, tj. úlohu nalezení takového řešení vlastních omezujících podmínek a 11 x 1 + a 1 x +... + a 1n x n = b 1 a
VíceTestování statistických hypotéz. Ing. Michal Dorda, Ph.D. 1
Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Úvodní poznámky Statistickou hypotézou rozumíme hypotézu o populaci (základním souboru) např.: Střední hodnota základního souboru je rovna 00. Střední
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství Ústav strojírenské technologie odbor slévárenství. Ing. Martin Svadbík
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství Ústav strojírenské technologie odbor slévárenství Ing. Martin Svadbík OBJEMOVÉ MODELY JAKO NOVÝ PROSTŘEDEK KE STANOVENÍ VÝROBNÍCH ČASŮ VE SLÉVÁRENSTVÍ
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
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
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceODHAD NÁKLADŮ NEZAMĚSTNANOSTI Z POHLEDU VEŘEJNÝCH ROZPOČTŮ
ODHAD NÁKLADŮ NEZAMĚSTNANOSTI Z POHLEDU VEŘEJNÝCH ROZPOČTŮ Jan Čadil, Unicorn College, VŠE v Praze; Tomáš Pavelka, VŠE v Praze; Eva Kaňková, Česká zemědělská univerzita v Praze, Provozně ekonomická fakulta;
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)
Více4ST201 STATISTIKA CVIČENÍ Č. 10
4ST201 STATISTIKA CVIČENÍ Č. 10 regresní analýza - vícenásobná lineární regrese korelační analýza Př. 10.1 Máte zadaný výstup regresní analýzy závislosti závisle proměnné Y na nezávisle proměnné X. Doplňte
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
VíceStatistické metody v marketingu. Ing. Michael Rost, Ph.D.
Statistické metody v marketingu Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Regresní analýza doplnění základů Vzhledem k požadavku Vašich kolegů zařazuji doplňující partii o regresní
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 2: Metoda nejmenších čtverců LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Doplnění a opakování z
VíceAnalýza rozptylu. Statistika II. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
ANOVA Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz ANOVA ANOVA je nástroj pro zkoumání vztahu mezi vysvětlovanými a vysvětlujícími proměnnými.
VíceM - Rovnice - lineární a s absolutní hodnotou
Rovnice a jejich ekvivalentní úpravy Co je rovnice Rovnice je matematický zápis rovnosti dvou výrazů. př.: x + 5 = 7x - M - Rovnice - lineární a s absolutní hodnotou Písmeno zapsané v rovnici nazýváme
Více( ) ( ) ( ) 2 ( ) 2.7.16 Rovnice s neznámou pod odmocninou II. Předpoklady: 2715
.7.6 Rovnice s neznámou pod odmocninou II Předpoklady: 75 Př. : Vyřeš rovnici y + + y = 4 y + + y = 4 / ( y + + y ) = ( 4) y + + 4 y + y + 4 y = 6 5y + 4 y + y = 8 5y + 4 y + y = 8 - v tomto stavu nemůžeme
VíceKatedra matematiky Matematika a byznys Příklady odhadů a předpovědí časových posloupností
Západočeská univerzita v Plzni Katedra matematiky Matematika a byznys Příklady odhadů a předpovědí časových posloupností Jméno: Číslo: Email: Martin Procházka A6525 m.walker@centrum.cz Úvod V tomto textu
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
VíceEKONOMETRIE 7. přednáška Fáze ekonometrické analýzy
EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých
VíceUniverzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie
Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie 12. licenční studium PYTHAGORAS Statistické zpracování dat 3.3 Tvorba nelineárních regresních modelů v analýze dat Semestrální
VíceKorelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza
Korelační a regresní analýza 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza Pearsonův korelační koeficient u intervalových a poměrových dat můžeme jako
VíceKvadratické rovnice pro studijní obory
Variace 1 Kvadratické rovnice pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Kvadratické
VíceStatgraphics v. 5.0 STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA. Martina Litschmannová 1. Typ proměnné. Požadovaný typ analýzy
Dichotomická proměnná (0-1) Spojitá proměnná STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA Typ proměnné Požadovaný typ analýzy Ověření variability Předpoklady Testy, resp. intervalové odhad Test o rozptylu
VíceAVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 10: Heteroskedasticita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Heteroskedasticita - teorie Druhý
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)
Více2.8.9 Parametrické rovnice a nerovnice s absolutní hodnotou
.8.9 Parametrické rovnice a nerovnice s absolutní hodnotou Předpoklady: 0,, 806 Pedagogická poznámka: Opět si napíšeme na začátku hodiny na tabuli jednotlivé kroky postupu při řešení rovnic (nerovnic)
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
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
VíceModerní regresní metody. Petr Šmilauer Biologická fakulta JU České Budějovice (c) 1998-2007
Moderní regresní metody Petr Šmilauer Biologická fakulta JU České Budějovice (c) 1998-2007 Obsah Úvod... 5 1 Klasický lineární model a analýza variance... 7 Motivační příklad... 7 Fitování klasického lineárního
VíceAnalýza rozptylu. Přednáška STATISTIKA II - EKONOMETRIE. Jiří Neubauer
ANOVA Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz ANOVA ANOVA je nástroj pro zkoumání vztahu mezi vysvětlovanými a vysvětlujícími
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí
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
VíceÚvod do ekonometrie Minitesty
Úvod do ekonometrie Minitesty Poznámka k zadání Použité značení odpovídá přednáškám, v případě nejasností nahlédněte do zveřejněných prezentací. V zadání jsou všude použity desetinné tečky (kvůli souladu
VíceVztah mezi počtem květů a celkovou biomasou rostliny
Regrese a korelace Regrese versus korelace Regrese (regression)* popisuje vztah = závislost dvou a více kvantitativních (popř. ordinálních) proměnných formou funkční závislosti měří těsnost Korelace (correlation)
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
VíceDopravní úloha. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 9 Katedra ekonometrie FEM UO Brno Distribuční úlohy Budeme se zabývat 2 typy distribučních úloh dopravní úloha přiřazovací problém Dopravní úloha V dopravním problému se v typickém případě
VíceKvadratické rovnice pro učební obory
Variace 1 Kvadratické rovnice pro učební obory Autor: Mgr. Jaromír JUŘEK Kopírování a jkaékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Kvadratické
VíceE-ZAK. metody hodnocení nabídek. verze dokumentu: 1.1. 2011 QCM, s.r.o.
E-ZAK metody hodnocení nabídek verze dokumentu: 1.1 2011 QCM, s.r.o. Obsah Úvod... 3 Základní hodnotící kritérium... 3 Dílčí hodnotící kritéria... 3 Metody porovnání nabídek... 3 Indexace na nejlepší hodnotu...4
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
VíceRozhodovací stromy a lesy
Rozhodovací stromy a lesy Klára Komprdová Leden 2012 Příprava a vydání této publikace byly podporovány projektem ESF č. CZ.1.07/2.2.00/07.0318 Víceoborová inovace studia Matematické biologie a státním
VíceCvičící Kuba Kubina Kubinčák Body u závěrečného testu
1. Příklad U 12 studentů jsme sledovali počet dosažených bodů na závěrečném testu (od 0 do 60). Vždy 4 z těchto studentů chodili k jednomu ze 3 cvičících panu Kubovi, panu Kubinovi, nebo panu Kubinčákovi.
Více4.6.6 Složený sériový RLC obvod střídavého proudu
4.6.6 Složený sériový LC obvod střídavého proudu Předpoklady: 41, 4605 Minulá hodina: odpor i induktance omezují proud ve střídavém obvodu, nemůžeme je však sčítat normálně, ale musíme použít Pythagorovu
VíceMODELY ROZDĚLENÝCH ZPOŽDĚNÍ. FRIEDMANOVA SPOTŘEBNÍ FUNKCE A PERMANENTNÍ DŮCHOD.
MODELY ROZDĚLENÝCH ZPOŽDĚNÍ. FRIEDMANOVA SPOTŘEBNÍ FUNKCE A PERMANENTNÍ DŮCHOD. V tomto textu bude nejprve vysvětleno, co jsou to modely rozdělených zpoždění a jak se dělí. Pak se zaměříme na Friedmanovu
Více= musíme dát pozor na: jmenovatel 2a, zda je a = 0 výraz pod odmocninou, zda je > 0, < 0, = 0 (pak je jediný kořen)
.8.7 Kvadratické rovnice s parametrem Předpoklady: 507, 803 Pedagogická poznámka: Na první pohled asi každého zarazí, že takřka celá hodina je psána jako příklady a studenti by ji měli vypracovat samostatně.
VíceStatistické metody v ekonomii
Statistické metody v ekonomii vyučující: Mgr. David Zapletal, Ph.D. Výuka probíhá v počítačové učebně Univerzity Pardubice min počet účastníků pro otevření kurzu - 16 osob Testování hypotéz - běžné parametrické
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,
Více(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
Více(motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination.
Neparametricke testy (motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination. Andrew Lang) 1. Příklad V následující tabulce jsou
VíceSTEREOMETRIE. Vzdálenost bodu od přímky. Mgr. Jakub Němec. VY_32_INOVACE_M3r0113
STEREOMETRIE Vzdálenost bodu od přímky Mgr. Jakub Němec VY_32_INOVACE_M3r0113 VZDÁLENOST BODU OD PŘÍMKY V PROSTORU Při hledání vzdálenosti bodu od geometrického útvaru v prostoru je nutné si vždy úlohu
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
VícePokud data zadáme přes "Commands" okno: SDF1$X1<-c(1:15) //vytvoření řady čísel od 1 do 15 SDF1$Y1<-c(1.5,3,4.5,5,6,8,9,11,13,14,15,16,18.
Regresní analýza; transformace dat Pro řešení vztahů mezi proměnnými kontinuálního typu používáme korelační a regresní analýzy. Korelace se používá pokud nelze určit "kauzalitu". Regresní analýza je určena
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
VíceVztah mezi dvěma čísly, které se rovnají, se nazývá rovnost, jako například : ( 2) 3 = 8 4 = 2 ; 16 = 4 ; 1 = 1 a podobně. 2
Lineární rovnice o jedné neznámé O rovnicích obecně Vztah mezi dvěma čísly, které se rovnají, se nazývá rovnost, jako například : ( ) 8 ; 6 ; a podobně. ; Na rozdíl od rovností obsahuje rovnice kromě čísel
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 5: Vícenásobná regrese, multikolinearita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Jednoduchá
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceELEKTROTECHNICKÁ MĚŘENÍ PRACOVNÍ SEŠIT 2-3
ELEKTROTECHNICKÁ MĚŘENÍ PRACOVNÍ SEŠIT - Název úlohy: Měření vlastností regulačních prvků Listů: List: Zadání: Pro daný regulační prvek zapojený jako dělič napětí změřte a stanovte: a, Minimálně regulační
VíceObchodní řetězec Dokumentace k návrhu databázového systému
Mendelova univerzita v Brně, Provozně ekonomická fakulta Obchodní řetězec Dokumentace k návrhu databázového systému 1. Úvod Cílem této práce je seznámit čtenáře s návrhem databázového systému Obchodní
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
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
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Licenční studium GALILEO a limity její přesnosti Seminární práce Monika Vejpustková leden 2016 OBSAH Úloha 1. Lineární kalibrace...
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
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2016/17 Cvičení 3: Lineární regresní model LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Seznámení s EViews Upřesnění
VíceVzdělávací oblast: Matematika a její aplikace. Obor vzdělávací oblasti: Seminář z matematiky. Ročník: 7. Poznámky
Vzdělávací oblast: Matematika a její aplikace Obor vzdělávací oblasti: Seminář z matematiky Ročník: 7. Výstupy - kompetence Učivo Průřezová témata,přesahy, a další poznámky - převádí jednotky délky, času,
VíceSEMINÁRNÍ PRÁCE Z 4ST432 Tereza Michlíková (xmict05) ZS 06/07
SEMINÁRNÍ PRÁCE Z 4ST432 Tereza Michlíková (xmict05) ZS 06/07 Nesezónní časová řada - Základní údaje o časové řadě Časová řada příjmy z daní z příjmu v Austrálii ( http://www.economagic.com/emcgi/data.exe/tmp/213-220-208-205!20061203093308
Více3.2.4 Podobnost trojúhelníků II
3..4 odobnost trojúhelníků II ředpoklady: 33 ř. 1: Na obrázku jsou nakresleny podobné trojúhelníky. Zapiš jejich podobnost (aby bylo zřejmé, který vrchol prvního trojúhelníku odpovídá vrcholu druhého trojúhelníku).
VíceFunkce více proměnných
Funkce více proměnných Funkce více proměnných Euklidův prostor Body, souřadnice, vzdálenost bodů Množina bodů, které mají od bodu A stejnou vzdálenost Uzavřený interval, otevřený interval Okolí bodu
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceSTATISTIKA MIGRANTŮ PRO REGIONY V MORAVSKOSLEZSKÉM KRAJI A PRO KRAJ V OBDOBÍ 1992-2005
VYSOKÁ ŠKOLA BÁŇSKÁ - TECHNICKÁ UNIVERZITA OSTRAVA Hornicko-geologická fakulta institut geoinformatiky STATISTIKA MIGRANTŮ PRO REGIONY V MORAVSKOSLEZSKÉM KRAJI A PRO KRAJ V OBDOBÍ 1992-2005 Speciální metody
Více