Nezaměstnanost na Příbramsku - analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití

Rozměr: px
Začít zobrazení ze stránky:

Download "Nezaměstnanost na Příbramsku - analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití"

Transkript

1 Nezaměstnanost na Příbramsku - analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití Jan Popelka Doktorand oboru Statistika Abstrakt: ento článek věnuje pozornost analýze přežití aplikované na problém nezaměstnanosti. Data získaná z úřadu práce v Příbrami se týkají registrovaných uchazečů o zaměstnání. Jsou nesymetricky rozdělena a cenzorována, což jsou dva z hlavních důvodů, proč byly použity právě postupy analýzy přežití. Součástí analýzy je volba vhodného semiparametrického modelu, odhad jeho parametrů a odpovídajících poměrů intenzit, jejich interpretace a diagnostika odhadnutého modelu i jednotlivých parametrů. Na základě získaných dat je odhadnut průběh základní funkce přežití a z ní jsou pak odvozeny konkrétní funkce přežití pro vybrané skupiny uchazečů o práci. Jejich průběh je graficky znázorněn pro přehlednější srovnání vybraných skupin. Klíčová slova: cenzorovaná data, Coxův proporcionální model, intenzitní funkce, poměr intenzit, věrohodnostní funkce, parciální věrohodnostnífunkce, funkce přežití. 1 Úvod Pojem Analýza přežití byl poprvé použit ve spojení s lékařskými výzkumy. Podobnost problematiky modelování doby trvání nezaměstnanosti s dobou přežití pacientů s určitou diagnózou vedla k použití metod analýzy přežití k odhalení faktorů ovlivňující dobu nezaměstnanosti. Podobnost je patrná zejména ve dvou bodech, které jsou hlavními důvody proč není vhodné analyzovat data o nezaměstnaných standardními analytickými metodami. Doba nezaměstnanosti bývá, stejně jako v lékařství sledovaná doba přežití, nesymetricky rozdělena, většinou kladně zešikmena. Převládají kratší doby nezaměstnanosti. Není tedy možné využívat analytické nástroje založené na předpokladu normality rozdělení základního souboru. Druhým důvodem je, že data bývají velmi často cenzorovaná. U některých sledovaných osob nenastane očekávaná událost, nalezení zaměstnání, před koncem sledování. Nezaměstnaní zůstávají bez práce i po skočení studie nebo práci v lepším případě získají, což ovšem již není možné zjistit. Důvodem ztráty informací o sledovaných nezaměstnaných může být i vyřazení nezaměstnaného z evidence úřadu práce na vlastní žádost, popřípadě změna trvalého bydliště během sledovaného období. Častým důvodem je též sankční vyřazení nezaměstnaných nebo nástup do studia. Vědecký seminář doktorandů FIS únor

2 2 Semiparametrický regresní model Vzhledem k tomu, že konkrétní tvar distribuční a hustotní funkce rozdělení doby nezaměstnanosti není znám, je vliv faktorů posuzován pomocí intenzitních poměrů (semiparametrický regresní model). Odhady intenzitních poměrů jsou dobrým nástrojem pro porovnávání šancí na znovuzaměstnání mezi vybranými skupinami nezaměstnaných. Intenzitní funkce vyjadřuje pravděpodobnost, že očekávaná událost (znovuzaměstnání) nastane v čase t za podmínky, že do tohoto času nenastala. Neboli: ( < + δ ) δt P t t t t ht () = lim δ t 0 Regresní model intenzitní funkce s vektorem vysvětlující proměnných x a vektorem neznámých parametrů β má následující tvar: ht (, x, β) = h() tr( x, β ), (2) 0 kde funkce h 0 (t) vyjadřuje změny intenzitní funkce závisející na době přežití. ato složka je nazývána základní intenzitní funkcí (baseline hazard function). Funkce r( x, β) pak zachycuje působení vysvětlujících proměnných. Intenzitní poměr ψ vyjadřuje, kolikrát vyšší je šance na znovuzaměstnání jedince s hodnotami vysvětlujících proměnných definovaných vektorem x 1 oproti jedinci s hodnotami vysvětlujících proměnných definovaných vektorem x 0. Počítán je následovně: ht (, x, β) h () t r( x, β) r( x, β) ψ (, t x, x ) = = = 1 0 ht (, x, β) h( tr ) ( x, β) r( x, β ). (3) Konkrétní tvar funkce r( x, β) navrhl Cox jako r ( x, β) = exp( x β ). Uvedený model je často nazýván "Coxův proporcionální rizikový model" nebo zjednodušeně "Proporcionální rizikový model". Konkrétní tvar rizikové funkce má tvar: ht (, x, β) = h()exp( t x β ) (4) 0 K odhadu parametrů semiparametrického regresního modelu je využívána metoda maximalizace věrohodnostní funkce. Z výpočetního hlediska je jednodušší nahradit věrohodnostní funkci jejím logaritmem. Cox navrhl věrohodnostní funkci závislou pouze na vysvětlujících proměnných tzv. parciální věrohodnostní funkci. Maximalizace této funkce je možná i bez znalosti konkrétního tvaru rozdělení doby přežití. V případě, kdy se v modelu nenacházejí opakovaná data, je její tvar následující: β ci. 1 i= 1 j Ri (5) n x β x β i j l( ) = e e (1) 1 Součet v čitateli je pro skupinu všech osob, kteří v daném čase t i práci stále hledali, označeno jako R i. 2 Vědecký seminář doktorandů FIS - únor 2005

3 Pokud se v modelu data opakují, je nutné provést modifikace parciální věrohodnostní funkce. Parametry mohou být odhadnuty prostřednictvím přesného vyjádření navrženého Kalbfleischem a Prenticem [10]: n x β i L( β ) = 1 exp te x β j e exp( t) dt, (6) j Ri i= 1 0 j Di nebo pomocí vybrané aproximace,které jsou využívány především díky menší výpočetní náročnosti. Breslow [2] vyjádřil tvar věrohodnostní funkce jako: d i n β x J j D ( ) i β xj L β = e e. 3 (7) i= 1 j Ri Efronova [4] aproximace má následující tvar: β x J n j D e i L( β ) =. (8) di i= 1 β x l 1 β x J J e e l = 1 j R d j D i i i 4 Nezaměstnanost na Příbramsku Data použitá v tomto článku byla získána v rámci grantu IGA Vysoké školy ekonomické s názvem "Analýza faktorů ovlivňujících dobu do znovuzaměstnání v ČR". 4 Data pocházejí z úřadu práce (ÚP) v Příbrami. Jde o rozšíření původně analyzovaného souboru, který se vztahoval pouze na nezaměstnané evidované v lednu Na původním datovém souboru byly založeny modely publikované v [Popelka, jaro3ov8 esser]. Nový soubor je významně rozšířen. Obsahuje informace o 4275 nezaměstnaných evidovaných úřadem práce v Příbrami za celý rok Sledování bylo ukončeno v 18. června Z celkového počtu 4275 uchazečů bylo 2172 žen (tj. 51 %) a 2103 mužů (49%). Poměr mezi muži ženami odpovídá poměru zjištěnému v původní studii, kde činil 52% a 48% ve prospěch žen uchazečů nalezlo během sledovaného období práci pozorování je zprava cenzorováno. ito uchazeči nezískali do konce studie v červnu 2004 zaměstnání a v evidenci úřadu práce zůstali i nadále po skončená sledování nebo byli z evidence vyřazeni na vlastní žádost, byli vyřazeni sankčně a nebylo možné o nich získat další informace, začali studovat nebo změnili trvalé bydliště. Rozdělení necenzorované doby nezaměstnanosti je kladně zešikmeno, o čemž vypovídá následující histogram rozdělení četností. Nejkratší doba nezaměstnanosti je 0 den. Celkem pět uchazečů bylo ÚP umístěno v den jejich evidence. Nejdelší doba setrvání v evidenci ÚP činila 894 dní. Průměrná doba nezaměstnanosti u sledovaného vzorku činí 145 dní a medián 93 dní. Nejvíce nezaměstnaných bylo v evidenci úřadu práce po dobu 30 dní, celkem 66 uchazečů. 2 D j představuje skupinu všech osob znovuzaměstnaných v čase t j. 3 d j je počet všech osob znovuzaměstnaných v čase t j. 4 Grant číslo IG Vědecký seminář doktorandů FIS únor

4 1600 Rozdělení doby nezaměstnanosti absolutní četnost doba nezaměstnanosti (dny) Graf 1 Rozdělení doby nezaměstnanosti (pro necenzorovaná data) Průměrný věk sledovaného vzorku evidovaných je 33 let, medián je 30 let. Nejvíce nezaměstnaných bylo ve věku 19 let, celkem 243. Nejmladšímu evidovanému bylo 15 let, nejstarším dvěma 61 let. Rozdělení věku nezaměstnaných je kladně zešikmeno. Převládají uchazeči nižšího věku, nejvíce jich je ve skupině od 21 do 25 let. Rozdělení věku četnost věk (roky) Graf 2 Rozdělení věku uchazečů o zaměstnání Ze sledovaného souboru nezaměstnaných dosáhlo středního vzdělání bez maturity 2048 uchazečů (48 %), středního vzdělání s maturitou 1350 (32 %) a 180 uchazečů (4 %) dosáhlo vzdělání vysokoškolského. Zbylých 697 (16 %) vykázalo vzdělání základní. 2 Vědecký seminář doktorandů FIS - únor 2005

5 V porovnání s původním souborem opět nejsou patrné žádné větší rozdíly. V původní studii vykazovalo středního vzdělání bez maturity 50 % uchazečů, středního vzdělání s maturitou 29 %, vysokoškolské vzdělání 3 % a základní vzdělání 18 %. Podstatný je ovšem významný nárůst uchazečů s vysokoškolským vzdělání. V původní studii bylo zahrnuto pouze 17 uchazečů, což mohla být jedna z příčin, proč nebyl modelem zjištěn statisticky významný rozdíl v šancích na znovuzískání zaměstnání mezi vysokoškoláky a nezaměstnanými se základním vzděláním. Větší rozsah souboru tak může původní závěry vyvrátit (58%) uchazečů má trvalé bydliště ve městě 5, zbylých 1808 (42%) pochází z vesnice. Jak ukazuje graf 3. a tabulka? přišlo na úřad práce nejvíce nezaměstnaných na podzim, plných 35%. Nejméně pak v zimních měsících 17%. Detailnější dělení s ohledem na měsíce ukazuje, že největší nárůst nezaměstnaných byl na Příbramsku v roce 2002 v červenci, lednu a září (kolem 11% ze všech evidovaných) a nejmenší pak v únoru březnu a dubnu (6%). Počty uchazečů podle období zaevidování Jaro 862 uchazečů (20%) Léto 1182 uchazečů (28%) Zima 744 uchazečů (17%) Podzim 1487 uchazečů (35%) Graf 3 Rozdělení uchazečů podle období zaevidování na ÚP abulka 1 Rozdělení uchazečů podle období zaevidování na ÚP měsíc absolutní počet evidovaných měsíc relativní počet evidovaných (v %) absolutní počet evidovaných relativní počet evidovaných (v %) leden ,11% červenec ,37% únor 269 6,29% srpen 346 8,09% březen 244 5,71% září ,50% duben 298 6,97% říjen 331 7,74% květen 320 7,49% listopad 352 8,23% červen 350 8,19% prosinec 355 8,30% 5 Březnice, Dobříš, Nový Knín, Příbram, Rožmitál pod řemšínem a Sedlčany (podle ČSÚ) Vědecký seminář doktorandů FIS únor

6 Z hlediska rodinného stavu bylo zjištěno, že 1855 (tedy 44%) nezaměstnaných je ženatých, vdaných nebo žijí ve společné domácnosti jako druh nebo družka (56%) uchazečů je svobodných, rozvedených nebo ovdovělých. Posledním ze sledovaných faktorů je zdravotní stav uchazečů. Bezvadný zdravotní stav nahlásilo při evidenci 3821 (89%) uchazečů. Zdravotně omezených nebo postižených bylo 173 (4%) a 281 (7%) uchazečů pobíralo částečný nebo plný invalidní důchod. Sledovanými faktory, jejichž vliv na dobu potřebnou ke znovuzaměstnání byl analyzován, jsou pohlaví uchazečů, věk a vzdělání. yto faktory byly zahrnuty již v předchozím modelu [?]. Nově pak je posuzován vliv trvalého bydliště, rodinného a zdravotního stavu a také ročního období, ve kterém byl se uchazeč na ÚP přihlásil. Proměnná SEX_M nabývá hodnoty 1 pro muže a 0 pro ženu. Proměnná OWN nabývá hodnoty 1 pro uchazeče s trvalým bydlištěm ve městě 6 a 0 pro uchazeče z vesnice. Proměnná FAMILY nabývá hodnoty 1 u uchazečů ženatých, vdaných nebo žijících ve společné domácnosti jako druh nebo družka. V ostatních případech (svobodní, rozvedení nebo ovdovělí) je její hodnota 0. U ostatních proměnných bylo rozlišeno více stupňů. Proměnné EDU (vzdělání) je ordinální a nabývá následujících hodnot: EDU = 1 pro uchazeče se základním vzděláním nebo bez vzdělání, EDU = 2 pro středoškolské vzdělání bez maturity, EDU = 3 pro středoškolské vzdělání s maturitou, EDU = 4 pro vysokoškolské vzdělání. Proměnná SEASON je ordinální vztahující se k období, kdy se uchazeč na úřad práce přihlásil, nabývá následujících hodnot: SEASON = 1 pro uchazeče evidované v zimních měsících (prosinec, leden únor), SEASON = 2 u evidovaných v březnu, dubnu a květnu, SEASON = 3 u evidovaných v červnu, červenci a srpnu, SEASON = 4 u evidovaných v září, říjnu a listopadu. Proměnná HEALH je taktéž ordinální zohledňující zdravotní stav nezaměstnaných nabývá následujících obměn: HEALH = 1 uchazeč s bezvadným zdravotním stavem, HEALH = 2 osoby zdravotně omezené nebo postižené, HEALH = 3 u uchazečů pobírajících částečný nebo plný invalidní důchod. Věk zastoupený proměnnou AGE je jedinou spojitou proměnnou. Udává věk v letech. Jako nejproblematičtější se jeví modelování vlivu věku nezaměstnaných na dobu potřebnou k získání nového zaměstnáni. Již dříve se podařilo ukázat, že vliv věku není lineární. Důkaz o tomto tvrzení podávají [7], [POPELKA] a [8]. Na základě zmíněných studií jsou do prvního modelu zahrnuty proměnné AGE (věk v letech) a AGE^2, která je odvozena jako druhá mocnina věku. ato nově vložená proměnná zohledňuje 6 Březnice, Dobříš, Nový Knín, Příbram, Rožmitál pod řemšínem a Sedlčany (podle ČSÚ). 2 Vědecký seminář doktorandů FIS - únor 2005

7 skutečnost, že osoby velmi mladé nebo naopak v pokročilém věku, mají šance na získání nového zaměstnání nižší, než uchazeči ve věku středním. Přínosem by mohlo být zahrnutí věku ve formě ordinální proměnné, tak jak je tomu v zahraničních článcích věnovaných stejnému tématu [?]. Věk v druhém modelu již není spojitou proměnnou, ale je intervalově tříděn. Na základě dat z ÚP v Příbrami byl rozdělen na devět intervalů s šířkou pět let. První interval zahrnuje uchazeče do 20 let, poslední pak starší než 65 let (viz. obr.2). Proměnná AGEM tedy nabývá devíti obměn. Pro potřeby porovnání obou modelu byly odhadnuty jejich parametry pomocí programu S-Plus 4.5. Kritériem pro volbu nejvhodnějšího modelu je záporná hodnota dvojnásobku logaritmu věrohodnostní funkce a hodnota Akiakeho 7 testového kritéria (tabulka 1). abulka 1 Porovnání alternativních modelů Proměnné AGE v modelu Počet proměnných 2logLˆ AIC AGE+AGE^2 AGEM , , , ,02 Vzhledem k odlišnému počtu proměnných v obou modelech, je Akiakeho testové kritérium lepší pro porovnání, protože zohledňuje počet proměnných. Z porovnání obou modelů plyne, že model s kvadratickým věkem je nepatrně horší než model, ve kterém je věk intervalově členěn (model s proměnnou AGEM). Podle testu věrohodnostním poměrem (tabulka 2.) je model s kardinální proměnnou AGEM vhodnějším než model s kvadratickým vlivem věku. abulka 2 Srovnání alternativních modelů pomocí testu věrohodnostním poměrem Porovnávané modely G Df p-value 2 vs 1 17,88 6 0,007 Protože se v souboru vyskytují opakovaná data, bylo nutné provést odhad pomocí modifikované parciální věrohodnostní funkce, tak jak ji navrhli Efron. Upravené výstupy programu S-PLUS jsou v tabulkách 3 a 5. abulka 3 Odhady parametrů modelu - kvadratický závislost na věku (* P<0.1, ** P<0.05, *** P<0.01) Proměnná Odhad parametru Intenzitní poměr 95% interval spolehlivosti pro intenzitní poměr SEX.M *** AIC 2 log Lˆ α q = +, kde α je předem definovaná konstanta, jejíž hodnota se pohybuje většinou v rozmezí 2 až 6 a q je počet parametrů modelu. Vědecký seminář doktorandů FIS únor

8 AGE *** AGE^ *** EDU *** EDU *** EDU *** SEASON * SEASON * SEASON ** FAMILY HEALH *** HEALH *** OWN *** abulka 4 estování významnosti odhadnutého modelu esting Global Null Hypothesis: BEA=0 est Chi-Square DF Pr > ChiSq Likelihood Ratio <.0001 Wald test <.0001 Efficient score test < Vědecký seminář doktorandů FIS - únor 2005

9 abulka 5 Odhady parametrů modelu - intervalové členění věku (* P<0.1, ** P<0.05, *** P<0.01) Proměnná Odhad parametru Intenzitní poměr 95% interval spolehlivosti pro intenzitní poměr SEX.M *** AGEM (21-25) *** AGEM (26-30) ** AGEM (31-35) *** AGEM (36-40) *** AGEM (41-45) AGEM (46-50) AGEM (51-55) *** AGEM (56 >) *** EDU *** EDU *** EDU *** SEASON ** SEASON * SEASON ** FAMILY HEALH *** HEALH *** OWN ** abulka 6 estování významnosti odhadnutého modelu esting Global Null Hypothesis: BEA=0 est Chi-Square DF Pr > ChiSq Likelihood Ratio <.0001 Wald test <.0001 Efficient score test <.0001 Všechny tři testy uvedené v tabulce 4 potvrzují statistickou významnost navrženého modelu. Jinými slovy je alespoň jeden z odhadnutých parametrů statisticky významný. Odhady jednotlivých parametrů pak znázorňuje tabulka 3. Jak již bylo zmíněno kapitole 3 nabízejí statistické packety kromě odhadů parametrů ˆβ a jejich směrodatných ) chyb sˆ( ˆ β ) i hodnoty intenzitních poměrů vypočtených jako ψˆ = exp β a jejich intervalů spolehlivosti. Důvodem je právě jejich snadná interpretovatelnost. Vědecký seminář doktorandů FIS únor

10 Oproti modelu založeném na původních datech publikovaném v [POPELKA], se podařilo prokázat, že existuje statisticky významný rozdíl mezi muži a ženami. Šance mužů na získání nového zaměstnání jsou podle modelu 1,22 krát vyšší než je tomu u žen. Stejně tak se jasně ukazuje význam vzdělání. Model potvrzuje již dříve zjištěnou skutečnost, že s rostoucím vzděláním se vyhlídky nezaměstnaných zlepšují. Oproti uchazeči se základním vzděláním má středoškolák bez maturity 1,85 krát a středoškolák s maturitou 1,83 krát větší šanci, že získá nové zaměstnání. Předpoklad, že větší počet získaných dat pomůže lépe popsat vliv vysokoškolského vzdělání, se potvrdil. V modelu založeném na datech z ledna 2002 nevycházel statisticky významný rozdíl mezi vysokoškoláky a nezaměstnanými se základním vzděláním. Jednou z příčin se zdál být malý počet nezaměstnaných s vysokoškolským vzděláním (jen 17). Model založený na datech z celého roku 2002 již rozdíl odhalil. Vysokoškolák má ze všech rozlišených stupňů vzdělání nejvyšší šance na nalezení zaměstnání, 2,05 krát vyšší než je tomu u lidí se základním vzděláním. Podle odhadnutého modelu, je nejhorší přihlásit se na do evidence úřadu práce v podzimních a jarních měsících, šance je v porovnání se zimou 1,13 resp. 1,12 krát nižší. Zdravotní stav uchazečů o zaměstnání je dalším faktorem, který působí na dobu nezaměstnanosti. Doba evidence na ÚP je uchazečů s bezvadným zdravotním stavem výrazně nižší než u osob zdravotně postižených. Šance zdravotně postižených jsou v porovnání se zdravými poloviční a nezaměstnaní pobírající částečný nebo plný invalidní důchod mají šance dokonce jen třetinové. Překvapivé je zjištění vlivu trvalého. Podle modelu mohou práci snadněji získat osoby žijící na venkově. Doba nezaměstnanosti obyvatel měst je totiž sice jen nepatrně (1,1krát) ale přesto nižší. Zatímco první model vychází z předpokladu, že osoby velmi mladé nebo naopak v pokročilém věku, mají šance na získání nového zaměstnání nižší, druhý tento předpoklad jen z části potvrzuje. Ukazuje, že je stejná doba nezaměstnanosti u osob velmi mladých (mladších 20ti let) a osob ve věku od 40 do 50 let. Osoby starší jak 50 let mají šance na znovuzaměstnání výrazně horší. Věkové kategorie od 20 do 40 vykazují velkou podobnost, jejich šance na ukončení nezaměstnanosti jsou zhruba 1,3 krát vyšší než u osob pod 20 let. Podle průběhu funkcí přežití obr?. je možné odhalit rozdíl mezi oběma uvažovanými modely. Zatímco model zahrnující spojitý věk a jeho druhou mocninu favorizuje nezaměstnané ve věku 33 let. Podle modelu s intervalově členěným věkem je pravděpodobnost setrvání v evidenci ÚP v každém okamžiku nižší i osob ve věkové kategorii 21 až 25 let, tedy relativně mladé. Rozdíly mezi oběma modely dokazují, jak náročné je modelování vlivu věku na dobu nezaměstnanosti a poskytují další prostor pro zkoumání této závislosti. Jediným faktorem, který se ukázal být nevýznamným je rodinný stav. Podle obou modelů se nepodařilo prokázat, že by existoval rozdíl mezi samostatně žijícími osobami a osobami žijícími v manželství nebo jako druh a družka. 6 Odhad funkce přežití Výše uvedený odhad parametrů proporcionálního modelu vychází z předpokladu, že rozdělení doby přežití není známo. Přesto je na základě získaných dat možné odhadnout 2 Vědecký seminář doktorandů FIS - únor 2005

11 jak tvar funkce přežití S(t,x i,β), tak i intenzitní funkce h(t,x i,β) i-tého jedince nebo skupiny jedinců stejných vlastností. Pro připomenutí vyjadřuje funkce přežití pravděpodobnost, že doba nezaměstnanosti i-tého jedince bude stejná nebo delší než doba t, neboli S(t,x i,β) = P( t). Jinými slovy vyjadřuje funkce přežití pravděpodobnost, že nezaměstnaný zůstane v evidenci úřadu práce další den, tedy zůstane další den nezaměstnaný. Odhad základní funkce přežití lze získat jako výstup z programu S-PLUS. Na jejím základě je možné odhadnout i hodnoty samotné funkce přežití [ o ] exp( x β ) l St ˆ(, x, β ˆ) = Sˆ () t pro libovolné kombinace vstupních proměnných. i Obrázek 1 zobrazuje průběh tří odhadnutých funkcí přežití pro muže se základním vzděláním a věkem 24 let (hodnota dolního kvartilu sledovaného souboru), 33 let (hodnota mediánu) a 46 let (hodnota horního kvartilu). Graficky je tak zobrazen předpoklad o nelinearitě věku, který byl do modelu dodatečně zahrnut. Muž ve věku 33 let tak má ve srovnání s ostatními nejlepší vyhlídky na znovuzískání zaměstnání. Pravděpodobnost, že zůstane v evidenci úřadu práce déle než je doba přežití t, je v každém okamžiku sledovaného období nejnižší. Nejhorší vyhlídky má naopak muž 46-letý. Pravděpodobnost, že zůstane bez zaměstnání déle než je doba přežití t, je v každém okamžiku nejvyšší. 1 Odhad funkce přežití 0,9 0,8 0,7 0,6 0,5 24 let 33 let 46 let 0,4 0, Doba přežití Obr. 1 Odhad funkce přežití pro muže se základním vzděláním ve věku 24, 33 a 46 let. Obdobným způsobem je na obrázku 2 srovnán vliv různých stupňů dokončeného vzdělání. Jak již vyplynulo z odhadů intenzitních poměrů v kapitole 5, jsou vyhlídky na Vědecký seminář doktorandů FIS únor

12 znovuzaměstnání nejhorší u uchazečů se základním vzděláním. Nejlepší pak u uchazečů s maturitou. Odhad funkce přežití 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Středoškolské bez maturity Středoškolské s maturitou Základní Vysokoškolské Doba přežití Obr. 2 Odhad funkce přežití pro muže ve věku 33 se vzděláním základním, středoškolským bez maturity, středoškolským s maturitou a vysokoškolským. 7 Závěr Uvedený článek přináší další z možných oblastí aplikace nástrojů analýzy přežití. Problematika nezaměstnanosti je v České republice stále více aktuální a sledování faktorů působících na tento jev nabývá na významu. Analýza kvantifikuje vliv jen malého množství vybraných faktorů, které jsou v souvislosti s dobou nezaměstnanosti asi nejvíce zmiňovány. Je možné ovšem vyhodnotit i vliv faktorů méně významných, pokud budou k dispozici vhodná data. Pro další studium je třeba soustředit se na problém nelinearity věku v souvislosti s volbou nejvhodnějšího modelu. Dále pak prozkoumat působení pohlaví a také vysokoškolského vzdělání, jejichž vliv se na základě sledovaného datového souboru ukázal jako statisticky nevýznamný. Mezi další faktory, které by bylo vhodné do analýzy zařadit, určitě patří i vliv regionu, ve kterém se nezaměstnaný o práci uchází, protože rozdíly v tomto směru jsou v České republice dost významné. Literatura [1] ANDERSEN, P.K., BORGAN, O., GILL, R.D., KEIDING, N.: Statistical Models Based on Counting Processes, Springer Verlag, N.Y Vědecký seminář doktorandů FIS - únor 2005

13 [2] BRESLOW, N.: Covariance Analysis of Survival Data under the Proportional Hazards Model, International Statistical Review 1974, č.43 [3] COX, D.R.: Regression Models and Life ables, Journal of the Royal Statistical Society, Series B 1972, č.34 [4] EFRON, B.: he Efficiency of Cox s Likelihood Function for Censored Data, Journal of the American Statistical Association 1977, č.72 [5] ESSER, M., POPELKA, J.: Analysis of Factors Influencing ime of Unemployment Using Survival ime Analysis, Zborník 12. medzinárodného seminára Výpočtová štatistika, SŠDS, Bratislava 2003 [6] HOSMER, D.W., LEMESHOW, S.: Applied Survival Analysis, J.Wiley & Sons, N.Y [7] JAROŠOVÁ, E.: Analysis of Interval Censored Data, Universita Mateja Bela, Banská Bystrica 2003 [8] JAROŠOVÁ, E.: Exploring the Functional Form of Covariates in Cox Model, Zborník 12. medzinárodného seminára Výpočtová štatistika, SŠDS, Bratislava 2003 [9] JAROŠOVÁ, E., MALÁ, I., POPELKA, J. Modelling time of unemployment via log-location-scale model, COMPSA 2004 [CD- ROM], Praha 2004 [10] KALBFLEISCH, J.D., PRENICE, R.L.: Marginal Likelihoods Based on Cox s Regression and Life able Model, Biometrika 1973, č.60 [11] KALBFLEISCH, J.D., PRENICE, R.L.: he Statistical Analysis of Failure ime Data, Wiley, N.Y [12] POPELKA, J.: Analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití, Sborník prací účastníků vědeckého semináře doktorského studia Fakulty informatiky a statistiky VŠE v Praze, Praha 2004 [13] HERENEAU,.M., GRAUBSH, P.M.: Modeling Survival Data: Extending he Cox Model, Springer Verlag, N.Y Summary ANALYSIS OF FACORS INFLUENCING IME OF UNEMPLOYMEN USING SURVIVAL IME ANALYSIS Survival time analysis approach is used to examine factors influencing the hazard ratios and the length of unemployment. Analysis is based on data aquired from the Vědecký seminář doktorandů FIS únor

14 Labour office in Příbram. Cox proportional model for right censored data is fitted to obtain the hazard ratio estimates. More alternative models are compared to choose the apropriate one. ests of model and parameters significance are evaluated. Survivorship function is estimated. Summary Analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití Analýza přežití je využita k prozkoumání vlivu vybraných faktorů na délku nezaměstnanosti. Analýza vychází z dat pořízených z úřadu práce v Příbrami, sledováni jsou nezaměstnaní, kteří byli do evidence zařazeni v lednu Data jsou buď necenzorovaná, nebo zprava cenzorovaná. Na základě Coxova modelu byly odhadnuty intenzitní poměry alternativních modelů a z jejich porovnání pak vyplynul nejvhodnější model. S pomocí odhadnutých parametrů byla odhadnuta funkce přežití. 2 Vědecký seminář doktorandů FIS - únor 2005

Analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití

Analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití Analýza faktorů ovlivňujících délku doby nezaměstnanosti využitím metod analýzy přežití Jan Popelka Doktorand oboru Statistika Abstrakt: ento článek věnuje pozornost analýze přežití aplikované na problém

Více

7 Regresní modely v analýze přežití

7 Regresní modely v analýze přežití 7 Regresní modely v analýze přežití Předpokládané výstupy z výuky: 1. Student rozumí významu regresního modelování dat o přežití 2. Student dokáže definovat pojmy poměr rizik a základní riziková funkce

Více

RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.

RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 8 Jak analyzovat přežití pacientů.

Více

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD Umělé (dummy) proměnné se používají, pokud chceme do modelu zahrnout proměnné, které mají kvalitativní či diskrétní charakter,

Více

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího

Více

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) Fyzická aktivita (VIII. díl)

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) Fyzická aktivita (VIII. díl) Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 12. 12. 2002 60 Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) Fyzická aktivita (VIII. díl) Tato

Více

Statistika. Zpracování informací ze statistického šetření. Roman Biskup

Statistika. Zpracování informací ze statistického šetření. Roman Biskup Statistika Zpracování informací ze statistického šetření Třídění statistického souboru Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 20. února 2012

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

ANALÝZA: Nesezdaná soužití v ČR podle výsledků SLDB

ANALÝZA: Nesezdaná soužití v ČR podle výsledků SLDB ANALÝZA: Nesezdaná soužití v ČR podle výsledků SLDB Informace o nesezdaném soužití (Český statistický úřad používá k označení vztahu druha a družky pojem faktické manželství) byly zjišťovány ve Sčítáních

Více

7. Rozdělení pravděpodobnosti ve statistice

7. Rozdělení pravděpodobnosti ve statistice 7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,

Více

Jana Vránová, 3. lékařská fakulta, UK Praha

Jana Vránová, 3. lékařská fakulta, UK Praha Jana Vránová, 3. lékařská fakulta, UK Praha Byla navržena v 60tých letech jako alternativa k metodě nejmenších čtverců pro případ, že vysvětlovaná proměnná je binární Byla především používaná v medicíně

Více

Zápočtová práce STATISTIKA I

Zápočtová práce STATISTIKA I Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Faktory podmiňující vzdělanostní aspirace a vzdělanostní segregaci u dívek a chlapců v v českém vzdělávacím systému

Faktory podmiňující vzdělanostní aspirace a vzdělanostní segregaci u dívek a chlapců v v českém vzdělávacím systému Faktory podmiňující vzdělanostní aspirace a vzdělanostní segregaci u dívek a chlapců v v českém vzdělávacím systému Xxxxx, Tomáš Katrňák Úvod Většina až dosud provedených výzkumů ukazuje, že vzdělanostní

Více

5 Potratovost. Tab. 5.1 Potraty,

5 Potratovost. Tab. 5.1 Potraty, 5 Potratovost Počet potratů se dlouhodobě snižuje a tento trend pokračoval i v roce. Registrovaných 7 potratů bylo 35,8 tisíce, čímž bylo opět překonáno historické minimum. Počet umělých přerušení těhotenství

Více

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Studentská 2 461 17 Liberec 1 SEMESTRÁLNÍ PRÁCE STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÝCH ŠETŘENÍ Gabriela Dlasková, Veronika Bukovinská Sára Kroupová, Dagmar

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

0% 1950 1961 1970 1980 1991 2001 2011. Základní Odborné bez maturity Úplné středoškolské s maturitou Vysokoškolské Bez vzdělání Nezjištěno

0% 1950 1961 1970 1980 1991 2001 2011. Základní Odborné bez maturity Úplné středoškolské s maturitou Vysokoškolské Bez vzdělání Nezjištěno 4.1 VZDĚLANOST V ČESKU Petra Špačková Vzdělanostní úroveň je důležitým ukazatelem při hodnocení vertikální diferenciace struktury obyvatelstva (Machonin a kol. 2000), zejména jeho sociálního statusu. Úroveň

Více

3. Využití pracovní síly

3. Využití pracovní síly 3. Využití pracovní síly HDP vzrostl nejvíce ze všech krajů. Středočeský kraj zasáhla zhoršená ekonomická situace z let 28 a 29 méně citelně než jako celek. Zatímco HDP České republiky mezi roky 1995 a

Více

Ilustrační příklad odhadu LRM v SW Gretl

Ilustrační 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

Více

TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE

TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE ZPRÁVA O STAVU ZA 1/H1 5 7 9 1 11 1 13 Jan 1 Feb 1 March 1 April 1 May 1 June 1 5 7 9 1 11 1 13 1* 15* 1* Tato nová zpráva Vám poskytne aktuální informace

Více

DLOUHODOBÁ NEZAMĚSTNANOST V ČR

DLOUHODOBÁ NEZAMĚSTNANOST V ČR DLOUHODOBÁ NEZAMĚSTNANOST V ČR Tomáš Löster, Jana Langhamrová Abstrakt Nezaměstnanost je jedním ze základních ukazatelů, které hodnotí ekonomiku. Nejen z tohoto důvodu je nezaměstnanosti a její míře věnována

Více

Informace ze zdravotnictví Moravskoslezského kraje

Informace ze zdravotnictví Moravskoslezského kraje Informace ze zdravotnictví Moravskoslezského kraje Ústavu zdravotnických informací a statistiky České republiky Ostrava 2 12.9.2002 Sebevraždy v Moravskoslezském kraji v roce 2001 Údaje v těchto informacích

Více

Deskriptivní statistika (kategorizované proměnné)

Deskriptivní statistika (kategorizované proměnné) Deskriptivní statistika (kategorizované proměnné) Nejprve malé opakování: - Deskriptivní statistika se zabývá popisem dat, jejich sumarizaci a prezentací. - Kategorizované proměnné jsou všechny proměnné,

Více

Spokojenost s životem červen 2015

Spokojenost s životem červen 2015 ov150730 TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR, v.v.i. Jilská 1, Praha 1 Tel.: 286 840 129 E-mail: jan.cervenka@soc.cas.cz Spokojenost s životem červen 2015 Technické

Více

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Kouření (V. díl)

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Kouření (V. díl) Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 8.11.2002 55 Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Kouření (V. díl) Kouření je dalším

Více

3 Rozvodovost. Tab. 3.1 Rozvody podle návrhu a pořadí,

3 Rozvodovost. Tab. 3.1 Rozvody podle návrhu a pořadí, 3 Rozvodovost Statistika zpracovaná na základě údajů obdržených od Ministerstva spravedlnosti ČR udává 26,1 tisíce rozvedených manželství v roce 2015, nejméně od roku 2000. Téměř třetina rozvodů byla iniciována

Více

Regresní analýza. Eva Jarošová

Regresní 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

Více

Trh práce v Plzeňském kraji

Trh práce v Plzeňském kraji Trh práce v Plzeňském kraji Regionální rozvojová agentura Plzeňského kraje, o. p. s. Ing. Pavel Beneš Mgr. Martina Robotková Září 2011 Obsah: Úvod... 3 1. Postavení Plzeňského kraje v rámci ČR z hlediska

Více

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Charakteristika výběrového souboru (II. díl)

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Charakteristika výběrového souboru (II. díl) Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 30. 9. 2002 47 Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Charakteristika výběrového souboru

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Březen 2015 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Míra přerozdělování příjmů v ČR

Míra přerozdělování příjmů v ČR Míra přerozdělování příjmů v ČR Luboš Marek, Michal Vrabec Anotace V tomto článku počítají autoři hodnoty Giniho indexu v České republice. Tento index je spočítán nejprve za celou ČR, poté pro skupinu

Více

Krajská pobočka Úřadu práce ČR v Brně. Měsíční statistická zpráva

Krajská pobočka Úřadu práce ČR v Brně. Měsíční statistická zpráva Krajská pobočka Úřadu práce ČR v Brně Měsíční statistická zpráva leden 2017 Zpracoval: Mgr. Martina Štorová RNDr. Eva Toušková http://portal.mpsv.cz/upcr/kp/jhm/statistiky Informace o nezaměstnanosti v

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

Graf 3.1 Vývoj sezónně očištěné registrované a obecné míry nezaměstnanosti (v%) I.03 I.04 VII.04 VII.03

Graf 3.1 Vývoj sezónně očištěné registrované a obecné míry nezaměstnanosti (v%) I.03 I.04 VII.04 VII.03 3. Nezaměstnanost Česká statistika definuje nezaměstnaného dvojím způsobem. První definice, vycházející z evidence uchazečů o zaměstnání úřadů práce, vymezuje tzv. registrovanou nezaměstnanost. Druhé pojetí

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Říjen 2012 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Leden 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Cvičení 12: Binární logistická regrese

Cvičení 12: Binární logistická regrese Cvičení 12: Binární logistická regrese Příklad: V roce 2014 konalo státní závěrečné zkoušky bakalářského studia na jisté fakultě 167 studentů. U každého studenta bylo zaznamenáno jeho pohlaví (0 žena,

Více

Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu)

Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu) Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu) Frank Wilcoxon (1892 1965): Americký statistik a chemik Nechť X 1,..., X n je náhodný výběr ze

Více

Změny základních proporcí faktických manželství mezi lety 1991 a 2001

Změny základních proporcí faktických manželství mezi lety 1991 a 2001 1. Změny základních proporcí faktických manželství mezi lety a Období - bylo pro vývoj počtu a struktury faktických manželství obdobím významné změny trendu. Zatímco v předchozích letech či desetiletích

Více

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení Přednáška 9 Testy dobré shody Grafická analýza pro ověření shody empirického a teoretického rozdělení χ 2 test dobré shody ověření, zda jsou relativní četnosti jednotlivých variant rovny číslům π 01 ;

Více

Studenti vysokých škol v ČR 1

Studenti vysokých škol v ČR 1 203,5 30,1 220,2 31,2 243,7 33,0 264,8 38,4 44,3 289,5 53,5 316,2 63,6 343,9 73,2 81,7 368,1 88,1 93,0 389,0 396,0 392,1 381,0 93,9 367,9 91,7 347,3 88,1 Studenti vysokých škol v ČR 1 Lidské zdroje ve

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Srpen 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

EKONOMICKÁ APLIKACE KOMPOZIČNÍHO REGRESNÍHO MODELU

EKONOMICKÁ APLIKACE KOMPOZIČNÍHO REGRESNÍHO MODELU EKONOMICKÁ APLIKACE KOMPOZIČNÍHO REGRESNÍHO MODELU Klára Hrůzová 1,2, Karel Hron 1,2 1 Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, Univerzita Palackého v Olomouci 2 Katedra

Více

Životní úroveň, rodinné finance a sociální podmínky z pohledu veřejného mínění

Životní úroveň, rodinné finance a sociální podmínky z pohledu veřejného mínění TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR V Holešovičkách 41, Praha 8 Tel./fax: 286 840 129, 130 E-mail: cervenka@soc.cas.cz Životní úroveň, rodinné finance a sociální

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Duben 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Prosinec 2014 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE

RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE RESEARCH TRH REZIDENČNÍCH NEMOVITOSTÍ V PRAZE 14 5 7 8 9 1 11 1 13 14 Leden 14 Únor 14 Březen 14 Duben 14 Květen 14 Červen 14 Červenec 14 Srpen 14 Září 14 Říjen 14 Listopad 14 Prosinec 5 7 8 9 1 11 1 13

Více

Krajská pobočka Úřadu práce ČR v Příbrami. Měsíční statistická zpráva

Krajská pobočka Úřadu práce ČR v Příbrami. Měsíční statistická zpráva Krajská pobočka Úřadu práce ČR v Příbrami Měsíční statistická zpráva srpen 2016 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky Informace o nezaměstnanosti ve Středočeském

Více

Třídění statistických dat

Třídění statistických dat 2.1 Třídění statistických dat Všechny muže ve městě rozdělíme na 2 skupiny: A) muži, kteří chodí k holiči B) muži, kteří se holí sami Do které skupiny zařadíme holiče? prof. Raymond M. Smullyan, Dr. Math.

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Listopad 2015 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

katedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol

katedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol STATISTICKÁ ANALÝZA PŘIJÍMACÍHO ŘÍZENÍ NA PEF PRO AKADEMICKÝ ROK 1994/1995 Bohumil Kába, Libuše Svatošová katedra statistiky PEF, Vysoká škola zemědělská, 165 21 Praha 6 - Suchdol Anotace: Příspěvek pojednává

Více

4EK211 Základy ekonometrie

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

Více

Měsíční zpráva o situaci na trhu práce okres Příbram

Měsíční zpráva o situaci na trhu práce okres Příbram Úřad práce České republiky Krajská pobočka v Příbrami Měsíční zpráva o situaci na trhu práce okres Příbram Prosinec 2013 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky/mesicni/pb_okres

Více

Regresní analýza 1. Regresní analýza

Regresní 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

Více

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky Vysoká škola báňská technická univerzita Ostrava Fakulta elektrotechniky a informatiky Bankovní účty (semestrální projekt statistika) Tomáš Hejret (hej124) 18.5.2013 Úvod Cílem tohoto projektu, zadaného

Více

Spokojenost se životem

Spokojenost se životem SEMINÁRNÍ PRÁCE Spokojenost se životem (sekundárních analýza dat sociologického výzkumu Naše společnost 2007 ) Předmět: Analýza kvantitativních revize Šafr dat I. Jiří (18/2/2012) Vypracoval: ANONYMIZOVÁNO

Více

2 Sňatečnost. Tab. 2.1 Sňatky podle pořadí,

2 Sňatečnost. Tab. 2.1 Sňatky podle pořadí, 2 Sňatečnost Obyvatelé ČR v roce 2012 uzavřeli 45,2 tisíce manželství, o 69 více než v roce předchozím. Intenzita sňatečnosti svobodných dále poklesla, průměrný věk při prvním sňatku se u žen nezměnil,

Více

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Spotřeba alkoholu (VI. díl)

Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Spotřeba alkoholu (VI. díl) Aktuální informace Ústavu zdravotnických informací a statistiky České republiky Praha 3. 12. 2002 58 Výběrové šetření o zdravotním stavu české populace (HIS CR 2002) - Spotřeba alkoholu (VI. díl) V této

Více

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická

Více

Korelace. Komentované řešení pomocí MS Excel

Korelace. Komentované řešení pomocí MS Excel Korelace Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A2:B84 (viz. obrázek) Prvotní představu o tvaru a síle závislosti docházky a počtu bodů nám poskytne

Více

Krajská pobočka Úřadu práce ČR v Příbrami. Měsíční statistická zpráva

Krajská pobočka Úřadu práce ČR v Příbrami. Měsíční statistická zpráva Krajská pobočka Úřadu práce ČR v Příbrami Měsíční statistická zpráva červen 2016 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky Informace o nezaměstnanosti ve

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291 Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených

Více

TEST Z TEORIE EXPLORAČNÍ ANALÝZA DAT

TEST Z TEORIE EXPLORAČNÍ ANALÝZA DAT EXPLORAČNÍ ANALÝZA DAT TEST Z TEORIE 1. Test ze Statistiky píše velké množství studentů. Představte si, že každý z nich odpoví správně přesně na polovinu otázek. V tomto případě bude směrodatná odchylka

Více

Teorie 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) 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

Více

Statistická analýza konkurujících rizik: Celkové přežití pacientů trpících chronickou myeloidní leukémií

Statistická analýza konkurujících rizik: Celkové přežití pacientů trpících chronickou myeloidní leukémií cs2 Původní práce Statistická analýza konkurujících rizik: Celkové přežití pacientů trpících chronickou myeloidní leukémií Jana Fürstová 1, Zdeněk Valenta 1,2 1 3. interní klinika, 1. lékařská fakulta,

Více

Obsah. Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku

Obsah. Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku Obsah Statistika Zpracování informací ze statistického šetření Charakteristiky úrovně, variability a koncentrace kvantitativního znaku Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v

Více

Informace ze zdravotnictví Středočeského kraje

Informace ze zdravotnictví Středočeského kraje Informace ze zdravotnictví Středočeského kraje Ústavu zdravotnických informací a statistiky České republiky Praha 7 2.8.25 Potraty ve Středočeském kraji v roce 24 Abortions in the Středočeský Region in

Více

Graf 1: Obyvatelstvo ve věku 20 let a více (struktura podle vzdělání) ženy muži celkem

Graf 1: Obyvatelstvo ve věku 20 let a více (struktura podle vzdělání) ženy muži celkem Vzdělání Sčítání lidu, domů a bytů je pro zjištění úrovně vzdělání obyvatelstva klíčové. Je totiž jediným zdrojem, kde lze tento údaj reprezentativně zjistit. Protože SLDB bývá vždy jednou za deset let,

Více

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 1 ČHMÚ, OPZV, Na Šabatce 17, 143 06 Praha 4 - Komořany sosna@chmi.cz, tel. 377 256 617 Abstrakt: Referát

Více

1 Obyvatelstvo podle věku a rodinného stavu

1 Obyvatelstvo podle věku a rodinného stavu 1 Obyvatelstvo podle věku a rodinného stavu V průběhu roku 213 pokračoval v České republice proces stárnutí populace. Zvýšil se průměrný věk obyvatel (na 41,5 let) i počet a podíl osob ve věku 65 a více

Více

Tvorba nelineárních regresních modelů v analýze dat

Tvorba 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

Více

Dlouhodobý vývoj nezaměstnanosti v Jihomoravském kraji

Dlouhodobý vývoj nezaměstnanosti v Jihomoravském kraji Dlouhodobý vývoj nezaměstnanosti v Jihomoravském kraji Nezaměstnanost se jedním z negativních důsledků společenských, ekonomických a sociálních změn, ke kterým došlo v České republice po roce 1989. Postupem

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

ANALÝZY HISTORICKÝCH DEŠŤOVÝCH ŘAD Z HLEDISKA OCHRANY PŮDY PŘED EROZÍ

ANALÝZY HISTORICKÝCH DEŠŤOVÝCH ŘAD Z HLEDISKA OCHRANY PŮDY PŘED EROZÍ Rožnovský, J., Litschmann, T. (ed): Seminář Extrémy počasí a podnebí, Brno, 11. března 24, ISBN 8-8669-12-1 ANALÝZY HISTORICKÝCH DEŠŤOVÝCH ŘAD Z HLEDISKA OCHRANY PŮDY PŘED EROZÍ František Toman, Hana Pokladníková

Více

V 1. pololetí 2011 rostly mzdy jen ve mzdové sféře

V 1. pololetí 2011 rostly mzdy jen ve mzdové sféře V 1. pololetí 2011 rostly mzdy jen ve mzdové sféře Výdělky ve mzdové a platové sféře Z údajů obsažených v Informačním systému o průměrném výdělku (ISPV) vyplývá, že v 1. pololetí 2011 vzrostla hrubá měsíční

Více

Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy

Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Relativní riziko a poměr šancí Princip korelace dvou náhodných veličin Korelační koeficienty Pearsonůva Spearmanův Korelace a kauzalita

Více

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a

Více

TECHNICKÉ VZDĚLÁVÁNÍ A POŽADAVKY Z PRAXE NA ABSOLVENTY VYSOKÝCH ŠKOL

TECHNICKÉ VZDĚLÁVÁNÍ A POŽADAVKY Z PRAXE NA ABSOLVENTY VYSOKÝCH ŠKOL TECHNICKÉ VZDĚLÁVÁNÍ A POŽADAVKY Z PRAXE NA ABSOLVENTY VYSOKÝCH ŠKOL doc. Ing. Ivo Hlavatý, Ph.D. (IWI-C) VŠB Technická univerzita Ostrava, Fakulta strojní, 17. listopadu 15/2172, 708 33 Ostrava- Poruba,

Více

Krajská pobočka Úřadu práce ČR v Příbrami. Měsíční statistická zpráva

Krajská pobočka Úřadu práce ČR v Příbrami. Měsíční statistická zpráva Krajská pobočka Úřadu práce ČR v Příbrami Měsíční statistická zpráva červenec 2016 Zpracoval: Petr Šindelář, tel.: 950 156 486 http://portal.mpsv.cz/upcr/kp/stc/statistiky Informace o nezaměstnanosti ve

Více

Statistika I (KMI/PSTAT)

Statistika I (KMI/PSTAT) Statistika I (KMI/PSTAT) Cvičení druhé aneb Kvantily, distribuční funkce Statistika I (KMI/PSTAT) 1 / 1 Co se dnes naučíme Po absolvování této hodiny byste měli být schopni: rozumět pojmu modus (modální

Více

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina Testování hypotéz Analýza dat z dotazníkových šetření Kuranova Pavlina Statistická hypotéza Možné cíle výzkumu Srovnání účinnosti různých metod Srovnání výsledků různých skupin Tzn. prokázání rozdílů mezi

Více

Mzdy specialistů ve vědě a technice

Mzdy specialistů ve vědě a technice Mzdy specialistů ve vědě a technice Podrobná charakteristika osob zaměstnaných jako Specialisté ve vědě a technologiích, včetně jednotlivých užších kategorií zaměstnání, je uvedena v příloze k metodice

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 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

Více

Metodologie pro Informační studia a knihovnictví 2

Metodologie pro Informační studia a knihovnictví 2 Metodologie pro Informační studia a knihovnictví 2 Modul 5: Popis nekategorizovaných dat Co se dozvíte v tomto modulu? Kdy používat modus, průměr a medián. Co je to směrodatná odchylka. Jak popsat distribuci

Více

Popisná statistika. Komentované řešení pomocí MS Excel

Popisná statistika. Komentované řešení pomocí MS Excel Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,

Více

z toho (%) nezaměstnaní pracující ženy na mateřské dovolené důchodci

z toho (%) nezaměstnaní pracující ženy na mateřské dovolené důchodci 4. Trh práce Ekonomická aktivita podle výsledků sčítání lidu, domů a bytů 2001 Podíl ekonomicky aktivních osob byl v roce 2001 ve Zlínském kraji o 0,6 procentního bodu nižší než v České republice a v rámci

Více

Úloha 1: Lineární kalibrace

Úloha 1: Lineární kalibrace Úloha 1: Lineární kalibrace U pacientů s podezřením na rakovinu prostaty byl metodou GC/MS měřen obsah sarkosinu v moči. Pro kvantitativní stanovení bylo nutné změřit řadu kalibračních roztoků o různé

Více

4. ROZMÍSTĚNÍ OBYVATELSTVA

4. ROZMÍSTĚNÍ OBYVATELSTVA 4. ROZMÍSTĚNÍ OBYVATELSTVA O čem je mapový oddíl ROZMÍSTĚNÍ OBYVATELSTVA? Oddíl obsahuje tři mapové dvojlisty, které se věnují základním charakteristikám vývoje počtu a rozmístění obyvatelstva v českých

Více

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

Více

Předběžné výsledky Sčítání lidu domů a bytů 2011 v Kraji Vysočina. Tisková konference, Jihlava 24. ledna 2012

Předběžné výsledky Sčítání lidu domů a bytů 2011 v Kraji Vysočina. Tisková konference, Jihlava 24. ledna 2012 Předběžné výsledky Sčítání lidu domů a bytů 2011 v Kraji Vysočina Tisková konference, Jihlava 24. ledna 2012 Co ukázaly předběžné výsledky SLDB 2011 na Vysočině? Počet obyvatel se během 10 let zvýšil díky

Více

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina. Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment

Více

Nezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015. Mgr. Martin Úlovec

Nezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015. Mgr. Martin Úlovec Nezaměstnanost absolventů škol se středním a vyšším odborným vzděláním 2015 Mgr. Martin Úlovec Praha 2015 1 OBSAH 1. Úvodní poznámky... 3 2. Nezaměstnanost absolventů škol a hospodářská krize... 4 3. Počty

Více

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel

Více

eu100 špatnou a vyučenými bez maturity. Například mezi nezaměstnanými (, % dotázaných) hodnotilo 8 % z nich nezaměstnanost jako příliš vysokou, mezi O

eu100 špatnou a vyučenými bez maturity. Například mezi nezaměstnanými (, % dotázaných) hodnotilo 8 % z nich nezaměstnanost jako příliš vysokou, mezi O eu100 TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR, v.v.i. Jilská 1, Praha 1 Tel./fax: 28 80 12 E-mail: milan.tucek@soc.cas.cz Česká veřejnost o nezaměstnanosti červen 201

Více