5EN306 Aplikované kvantitativní metody I
|
|
- Bohuslav Pospíšil
- před 7 lety
- Počet zobrazení:
Transkript
1 5EN306 Aplikované kvantitativní metody I Přednáška 7 Zuzana Dlouhá
2 Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam popisných charakteristik 4. Vicenásobná regrese v ekonomické analýze 5. Vicenásobná regrese: DUMMY proměnné a jejich interakce 6. Difference in differences estimator 7. First Differencing a Fixed Effects 8. Instrumentální proměnné, Panelová data 9. Testy robustnosti 10. Úvod do časových řad (zbyde-li čas) témata se prolínají 2
3 Difference in differences Wooldridge kap. 13 česky rozdíl v rozdílech jaké problémy tato metoda řeší? jak je řeší? na co si musíme dát pozor? příklady DiD článků 3
4 Úvod k identifikačním strategiím základní problémy chybějící faktory obrácená (nebo jinak komplikovaná) kauzalita x 2 x 5 Y = + u x 1 x 3 x 4 KORELACE vs. KAUZALITA 4
5 Úvod k identifikačním strategiím Problémy k řešeni: Jak funguje lék? Jaký dopad má výstavba továrny na zdraví lidí v okolí? Jaký je dopad opatření na Y? (bodový systém v ČR, změna spotřební daně cigaret, alkoholu) Jaký je dopad deregulace na Y? (odstranění povinnosti nosit helmy) Jaký je dopad výstavby dálničního obchvatu na Y? Jak úspěšný byl kurz pro zaměstnance? řízený (kontrolovaný) experiment přirozené experimenty a identifikace pomocí: - pooled cross sections a panel - difference in differences - panel - fixed/random effects - instrumentální proměnné jak změřit čistý efekt exogenní změny v podmínkách? (tj. jak by si relevantní skupina vedla v případě absence změny?) realita: často přirozené experimenty DATA: pooled cross sections; později na panelová data 5
6 Příklad vliv exogenní změny na cenu nemovitostí Kiel, K. A., and McClain, K. T. (1995): House Prices During Siting Decision Stages: The Case of an Incinerator from Rumor Through Operation, Journal of Environmental Economics and Management 28, pp k dispozici na stránkách ( Wooldridge, 2012). spalovna Přilehlé Vzdálené bohužel, místní samospráva byla uplacena a uprostřed obce postavila spalovnu odpadků naším úkolem je změřit vliv výstavby spalovny na ceny přilehlých nemovitostí 6
7 Příklad vliv exogenní změny na cenu nemovitostí máme k dispozici vzorek 100 náhodně vybraných nemovitostí v roce 1999 (před) a 2001 (po výstavbě spalovny) cena přilehlých = β 0 + β 1 po výstavbě + β k X k + u intepretace β 1, je to to, co hledáme? cena všech = β 0 + β 1 u spalovny + β k X k + u intepretace β 1, je to to, co hledáme? my však potřebujeme: pouze změnu zapříčiněnou výstavbou spalovny takže ne výše uvedený přístup!!! 7
8 Jak na to? situace PO výstavbě spalovny v roce 2001 cena blízko u i, po 1 1 i 1i situace PŘED výstavbou spalovny v roce 1999 cena blízko u ipřed, 2 2 i 2i pokud β 1 i β 2 jsou kladné a významné, rozdíly v cenách zřejmě existovaly už před výstavbou spalovny chceme vlastně rozdíl (β 1 - β 2 ), ale co t-test? 8
9 Jak na to? pro zjednodušení: pracujme chvíli pouze s průměry cen označme průměrnou cenu přilehlých nemovitostí jako T a cenu vzdálených nemovitostí jako C. Dále je vybavíme indexy označující stav před výstavbou jako BEFORE a po ní jako AFTER rozdíl TA TB nám ukáže celkovou změnu ceny u přilehlých nemovitostí a rozdíl CA CB nám ukáže celkovou změnu cen nemovitostí mezi B a A a rozdíl v rozdílech neboli difference-in-differences těchto průměrů bude: Average Treatment Effect = (TA - TB) - (CA - CB) resp. (TA - CA) - (TB - CB) viz předchozí slide spalovna TREATED CONTROL 9
10 Základní myšlenka graficky Average Treatment Effect = (T A - T B ) - (C A - C B ) C A T A C B T B T 10
11 Předpoklady princip (situace): naše ovlivněná skupina má příbuzný protějšek, který není ovlivněn : porovnáme tedy jejich vývoj v čase ( před vs. po ) Předpoklady: společný trend = stejný vývoj podmínek = stejné reakce na změnu podmínek (kromě naší sledované exogenní změny) existence změny - změna je exogenní = změna ovlivní jen TREATED = nebyla reakcí na vývoj v TREATED = neexistuje jiná exogenní změna, o které nevíme 11
12 Předpoklady Předpoklad 1: porozumění kontextu regrese cílové veličiny v T na C regrese každé skupiny na vysvětlující proměnné a porovnání elasticit použití více CONTROL groups Předpoklad 2: pečlivě studovat situaci a dobře porozumět změně!!! 12
13 Specifikace DiD y it = β 0 + β 1 TREAT i + β 2 AFTER t + β 3 TREAT i *AFTER t + u it y it = β 0 + β 1 u spalovny i + β 2 po výstavbě t + + β 3 u spalovny i * po výstavbě t + u it 13
14 Specifikace DiD y d2 db d2 db další faktory u kde d2 definuje období po změně a db treatment group d1 je tudíž dummy proměnná pro období před změnou a da pro control group (kontrolní skupinu) difference in differences parametr: resp. ˆ ( y y ) ( y y ) B,2 A,2 B,1 A,1 ˆ ( y y ) ( y y ) B,2 B,1 A,2 A,1 14
15 Specifikace DiD rok 1981 rok 1978 DiD = 30, ( 18,824.37) = 11, jak jinak získat??? y d2 db d2 db další faktory u 15
16 Postup vytvoříme teoretický model; pochopíme kontext a rozhodneme zda se jedná o přirozený experiment Máme TREATMENT a CONTROL group: 1. získáme data o pozorováních včetně relevantních kontrolních proměnných dle teorie 2. zavedeme dummy proměnné: skupiny - rozdělíme treatment a control group 3. zavedeme dummy proměnné: období - rozdělíme na pozorování na měřená před a po 4. sfúzujeme do jednoho datasetu (důležité jsou dummies) pooled CS či panel 5. specifikace DiD a odhad 16
17 Přínosy získáme testové statistiky (lze t-test, intervalový odhad) můžeme kontrolovat více veličin můžeme použít více CONTROL GROUPs můžeme pracovat s více pozorováními v čase (pooled data) jsme blíže kauzalitě Co měří β 3? průměrný efekt změny = Average Treatment Effect (pouze při splnění předpokladů) 17
18 Základní úskalí metody nereprezentativní CONTROL group TREATMENT byly vyselektováni dle charakteristiky, kterou neznáme změna byla endogenní nastala další změna a následně složitá interakce změna byla známá již dříve (přizpůsobení) trendy inflace, stárnutí; šoky, které neznáme, nemůžeme kontrolovat vše, co chceme silná kolinearita regresorů když nemůžeme exogenní změnu ovládnout, musíme jí alespoň velmi dobře porozumět (Meyer, 1995) musíme znát situaci a prostředí 18
19 Použití: Meyer Kompenzace za zranění Meyer, B., Viscusi, K., Durbin, D.: Workers' Compensation and Injury Duration: Evidence from a Natural Experiment. The American Economic Review 1995b, 83 (3), pp k dispozici na stránkách výzkumná otázka: Jak výše náhrady mzdy determinuje délku domácí léčby?? na co má výše kompenzace vliv? počet rerpotovaných zranění délka domácí léčby klesají náklady ušlé příležitosti X otázkou je ovšem morálka chuť pracovat přirozený experiment (náhodný výběr před a po změně) 19
20 Použití: Meyer Kompenzace za zranění Teorie Y=f(x) na čem závisí délka PN? na výši kompenzace (a ta závisí na výši mzdy) druh zranění, věk, rodinný stav, pohlaví, odvětví, závažnost zranění apod. Y f ( x1; x2; x3; x4; x5; x6; x7 ) ale máme problém řada nepozorovatelných faktorů morálka pracujících (simulanti, zbytečné protahování nemocenské), doktorů, 20
21 Použití: Meyer Kompenzace za zranění E 1 -E 2 =CONTROL E 3 a více =TREATED 21
22 Použití: Meyer Kompenzace za zranění Data reprezentativní vzorek všech události a korespondujících parametrů (datum, typ zranění, délka léčby, náklady léčby, pohlaví, průmysl..) Strategie srovnat TREATMENT a CONTROL; BEFORE a AFTER stejné srovnání ve dvou státech (Kentucky, Michigan) nejdříve srovnat rozdíly průměrů, mediánů, pak provést i regresi zatímco v CONTROL nedošlo k významným změnám, u TREATED konzistentně narostla délka léčby log duration (závislá proměnná): méně ovlivněno extrémními hodnotami porovnání elasticit; porovnání mean, median a 75 percentil duration a dále mean of log DiD je to důležité při distribuci, kde median je malý (5 týdnů) a existuje pár extrémních pozorování (182 týdnů) (průměr je na extrémy citlivý) 22
23 Použití: Meyer Kompenzace za zranění 5. sloupec oba státy velký rozdíl pro high earnings x vysoké standardní chyby Mean of log duration zde redukujeme vliv asymetrie rozdělení standardní chyby nízké; nárůst o 20 resp. 29% 23
24 Použití: Meyer Kompenzace za zranění interpretace koeficienty kontrolní proměnné důležitá kontrola 1: není tento vývoj důsledkem změny závažnosti zranění? důležitá kontrola 2: není tento vývoj důsledkem změny distribuce zranění? log_dur i = β 0 + β 1 HIGH_INCOME i + β 2 AFTER i + + β 3 HIGH_INCOME i *AFTER i + β k X k + u i 24
25 Použití: Bronzini Investice Bronzini, R., Blasio, G. (2006): Evaluating the Impact of Investment Incentives: The Case of Italy s Law 488/1992. Bank of Italy k dispozici na stránkách výzkumní otázka: Jaké jsou rozdíly ve výši investic u podpořených a nepodpořených firem? motivace: Zjistit účinnost vládní politiky zapříčiňuje zvýšení investic nebo pouze platí za projekty, které by byly realizovány stejně Kontext: Italská vláda od r poskytuje investiční pobídky do vybraných regionů na základě aukce v každém regionu jsou nabídky investorů seřazeny dle předem známých kritérií (podíl vlastních zdrojů, počet vytvořených prac. míst, environmentální a regionální charakteristiky ) Možné problémy: jiné granty? plnění investice v čase zánik či špatná situace firem, které grant nedostaly DATA: registr všech uchazečů (parametry projektů) kombinován s centrální databází o investicích 25
26 Použití: Bronzini Investice Data: registr všech uchazečů (parametry projektů) kombinován s centrální databází o investicích z jednoho kola aukce získali vzorek cca 1000 firem; celkem zkoumají 2 kola panelová data: o investicích jednotlivých firem; mají časovou řadu, vyvářejí vyvážený panel Jak na to? nejlepší pro měření by bylo náhodné udělování grantu co srovnat firmy s grantem s ostatníma v ekonomice? bohužel: bojíme se self-selekce volí cestu: Treated=podpořené firmy; Control= ty co zažádaly a podporu nezískaly pořád: jsou stejné? 26
27 Použití: Bronzini Investice test: deskriptivní statistiky a hypotézy o shodnosti průměrů jelikož je výsledek nejasný, provádějí i další testy jak ještě můžeme ověřit vhodnost kontrolní skupiny? 27
Cross-section pozorování Firma, člověk Časový úsek
Pooled data y = Xβ + ε Cross-section pozorování Firma, člověk ds = αsdt + σsdw Časový úsek Základní soubor Výběrový soubor Základní soubor Je Proces 1 konkrétní realizace Co sledovat firmu(y), osobu(y)
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 10 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 2 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
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
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 10 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 12 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 5 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
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
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 1 Zuzana Dlouhá Úvod do předmětu obecné informace Konzultační hodiny: úterý 16:00 18:00, místnost 433 NB e-mail: figlova@vse.cz // zuzana.dlouha@vse.cz
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 6 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. vorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 9 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 4 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 6 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více1 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
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 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
VíceMatematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
VíceKORELACE. Komentované řešení pomocí programu Statistica
KORELACE Komentované řešení pomocí programu Statistica Vstupní data I Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
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
VíceRNDr. 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 7 Jak hodnotit vztah spojitých proměnných
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. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceZáklady ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28
Základy ekonometrie XI. Vektorové autoregresní modely Základy ekonometrie (ZAEK) XI. VAR modely Podzim 2015 1 / 28 Obsah tématu 1 Prognózování s VAR modely 2 Vektorové modely korekce chyb (VECM) 3 Impulzní
VícePraktikum z ekonometrie Panelová data
Praktikum z ekonometrie Panelová data Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 9. května 2014 1 Terminologie a značení Sledujeme-li pro všechny průřezové jednotky stejná časová období,
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
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
VíceKvantitativní metody výzkumu v praxi PRAKTIKUM. Příprava výzkumného projektu
UK FHS Řízení a supervize v sociálních a zdravotnických organizacích (LS 2007) Kvantitativní metody výzkumu v praxi PRAKTIKUM část 1 Příprava výzkumného projektu Jiří Šafr jiri.safr@seznam.cz vytvořeno
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
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
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantativní metody I Přednáška 8 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceSTATISTIKA 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
VícePSY117/454 Statistická analýza dat v psychologii seminář 9. Statistické testování hypotéz
PSY117/454 Statistická analýza dat v psychologii seminář 9 Statistické testování hypotéz Základní výzkumné otázky/hypotézy 1. Stanovení hodnoty parametru =stanovení intervalu spolehlivosti na μ, σ, ρ,
VíceTéma číslo 4 Základy zkoumání v pedagogice I. Pavel Doulík, Úvod do pedagogiky
Téma číslo 4 Základy zkoumání v pedagogice I Pavel Doulík, Úvod do pedagogiky 1 Systémový přístup v pedagogice. Základní pedagogické kategorie: cíle, podmínky, prostředky a výsledky výchovy. Vzájemná interakce
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
VíceKorelace. 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
Více4EK201 Matematické modelování. 11. Ekonometrie
4EK201 Matematické modelování 11. Ekonometrie 11. Ekonometrie Ekonometrie Interdisciplinární vědní disciplína Zkoumá vztahy mezi ekonomickými veličinami Mikroekonomickými i makroekonomickými Ekonomie ekonomické
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).
VíceTéma 9: Vícenásobná regrese
Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.
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
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
VíceStatistika, 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
VícePeněžní systém, cenová stabilita a kurzový závazek na český a švýcarský způsob
Peněžní systém, cenová stabilita a kurzový závazek na český a švýcarský způsob Mojmír Hampl viceguvernér ČNB Měnová politika ČNB, devizový kurz a finanční řízení firmy Seminář ČNB, FRSA Advisory a ČMA
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
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).
Více5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE
5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE 1 STRUKTURA PŘEDNÁŠKY - DNES - Formulace a strukturace problému za pomoci teorie; data; ekonometrický model; identifikační
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantativní metody I Přednáška 9 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceLekce 1 úvod do ekonometrie
Lekce 1 úvod do ekonometrie Některé věci se zde budou opakovat několikrát důležité pro rozležení v hlavě a jiný úhel pohledu Dokázat aplikovat ekonometrie nestačí se pouze naučit na zkoušku Základní kurz
VíceSociologický výzkum (stručný úvod) Michal Peliš
Sociologický výzkum (stručný úvod) Michal Peliš vědy exaktní X sociální tvrzení deterministického charakteru univerzální platnost experiment prokazování kauzality tvrzení pravděpodobnostního charakteru
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
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).
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).
VíceDVOUVÝBĚROVÉ A PÁROVÉ TESTY Komentované řešení pomocí programu Statistica
DVOUVÝBĚROVÉ A PÁROVÉ TESTY Komentované řešení pomocí programu Statistica Úloha A) koncentrace glukózy v krvi V této části posoudíme pomocí párového testu, zda nový lék prokazatelně snižuje koncentraci
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
VíceTeorie a politika pracovního trhu. Kombinované studium Jaro 2013
Teorie a politika pracovního trhu Kombinované studium Jaro 2013 Účinky opatření aktivní politiky TP Opatření APZ Faktory ovlivňující účinky opatření APZ Co posuzujeme: - makroefekty - cílenost - efekty
VíceZkušenosti s použitím metod Counterfactual Impact Evaluation při evaluaci ESF v České republice. Jan Brůha IREAS
Zkušenosti s použitím metod Counterfactual Impact Evaluation při evaluaci ESF v České republice Jan Brůha IREAS Pilotní projekt použití CIE pro hodnocení ESF OPLZZ V současné době byly použity tři metody
Vícerůzné typy přehledových studií integrativní typ snaha o zobecnění výsledků z množství studií
Meta-analýza přehledové studie, definice postup meta-analýzy statistické techniky ověření homogenity studií, agregace velikosti účinku, moderující proměnné, analýza citlivosti, publikační zkreslení přínosy
VíceTestování hypotéz a měření asociace mezi proměnnými
Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz Nulová a alternativní hypotéza většina statistických analýz zahrnuje různá porovnání, hledání vztahů, efektů Tvrzení, že efekt je nulový,
VíceVÝBĚR A JEHO REPREZENTATIVNOST
VÝBĚR A JEHO REPREZENTATIVNOST Induktivní, analytická statistika se snaží odhadnout charakteristiky populace pomocí malého vzorku, který se nazývá VÝBĚR neboli VÝBĚROVÝ SOUBOR. REPREZENTATIVNOST VÝBĚRU:
VíceNáklady a přínosy firemní diverzity
Náklady a přínosy firemní diverzity Filip Pertold filip.pertold@cerge-ei.cz Nezávislý think tank při Národohospodářském ústavu AV ČR, v.v.i. zaměřující se na analýzu, vyhodnocování a vlastní návrhy veřejných
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceTestování hypotéz. 1. vymezení základních pojmů 2. testování hypotéz o rozdílu průměrů 3. jednovýběrový t-test
Testování hypotéz 1. vymezení základních pojmů 2. testování hypotéz o rozdílu průměrů 3. jednovýběrový t-test Testování hypotéz proces, kterým rozhodujeme, zda přijmeme nebo zamítneme nulovou hypotézu
VícePearsonův korelační koeficient
I I.I Pearsonův korelační koeficient Úvod Předpokládejme, že náhodně vybereme n objektů (nebo osob) ze zkoumané populace. Často se stává, že na každém z objektů měříme ne pouze jednu, ale několik kvantitativních
VíceStatistické testování hypotéz II
PSY117/454 Statistická analýza dat v psychologii Přednáška 9 Statistické testování hypotéz II Přehled testů, rozdíly průměrů, velikost účinku, síla testu Základní výzkumné otázky/hypotézy 1. Stanovení
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).
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
VíceANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK
ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní
VíceSOC119 Úvod do sociologie pro nesociology. Povinné materiály z prezentací
SOC119 Úvod do sociologie pro nesociology Povinné materiály z prezentací Sociologie jako vědecká disciplína SOC119 Úvod do sociologie pro nesociology 29. září 2015 Sociální a sociologický problém Peter
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VícePopisná 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,
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
VíceVarianty výzkumu Kroky výzkumu Výběrový soubor
Varianty výzkumu Kroky výzkumu Výběrový soubor Dvě cesty k poznání. Technické kroky ve výzkumu. Zdroje zkreslení výzkumu. Jak vytvořit výběrový soubor. Varianty výzkumu-kvalitativní a kvantitativní Kvalitativní
VíceSTATISTICA Téma 8. Regresní a korelační analýza, regrese prostá
STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá 1) Lineární i nelineární regrese prostá, korelace Naeditujeme data viz obr. 1. Obr. 1 V menu Statistika zvolíme submenu Pokročilé lineární/nelineární
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do
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
VíceTabulka 1 Rizikové online zážitky v závislosti na místě přístupu k internetu N M SD Min Max. Přístup ve vlastním pokoji 10804 1,61 1,61 0,00 5,00
Seminární úkol č. 4 Autoři: Klára Čapková (406803), Markéta Peschková (414906) Zdroj dat: EU Kids Online Survey Popis dat Analyzovaná data pocházejí z výzkumu online chování dětí z 25 evropských zemí.
VícePSY401 Metodologie v psychologii Designy kvantitativního výzkumu*
PSY401 Metodologie v psychologii Designy kvantitativního výzkumu* *Pozor, následující text obsahuje ironizující výrazy. Nejsou určeny k užití v přítomnosti nezaškolených jedinců. Od výzkumného problému
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
VícePopisná statistika. Jaroslav MAREK. Univerzita Palackého
Popisná statistika Jaroslav MAREK Univerzita Palackého Přírodovědecká fakulta Katedra matematické analýzy a aplikací matematiky Tomkova 40, 779 00 Olomouc Hejčín tel. 585634606 marek@inf.upol.cz pondělí
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
VíceStatistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
Více10. 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
VíceStatistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability
I Přednáška Statistika Diskrétní data Spojitá data Charakteristiky polohy Charakteristiky variability Statistika deskriptivní statistika ˆ induktivní statistika populace (základní soubor) ˆ výběr parametry
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
VíceMartin Lakomý: Je poskytování péče cestou ke zdravému a smysluplnému stárnutí? , 6. olomoucká sociologická konference
Martin Lakomý: Je poskytování péče cestou ke zdravému a smysluplnému stárnutí? 21. 10. 2016, 6. olomoucká sociologická konference Teoretické pozadí a konflikt dvou přístupů Aktivní stárnutí celá škála
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality STATISTICKÁ REGULACE POMOCÍ VÝBĚROVÝCH PRŮMĚRŮ Z NENORMÁLNĚ ROZDĚLENÝCH DAT Ing. Jan Král, RNDr. Jiří Michálek, CSc., Ing. Josef Křepela Duben, 20 Co je
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
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
VíceIntervalová data a výpočet některých statistik
Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a
VíceHodnocení životního prostředí. Přístupy, prostředky, postupy
Hodnocení životního prostředí Přístupy, prostředky, postupy úvod zabývat se hodnocením ŽP znamená zabývat se komplexností našich činností a jejich vzájemných interakcí jak mezi sebou, tak i s přírodním
VíceOdhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára
Odhady parametrů základního souboru Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Motivační příklad Mám průměrné roční teploty vzduchu z 8 stanic
Vícedat Robust ledna 2018
Analýza prostorově závislých funkcionálních dat V. Římalová, A. Menafoglio, A. Pini, E. Fišerová Robust 2018 25. ledna 2018 Motivace Data a náhled lokace Měsíční měření (březen-říjen 2015 a 2016) 5 chemických
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení ze 4ST201. Na případné faktické chyby v této prezentaci mě prosím upozorněte. Děkuji Tyto slidy berte pouze jako doplňkový materiál není v nich obsaženo
VíceModely přidané hodnoty škol
Modely přidané hodnoty škol Adéla Drabinová, Patrícia Martinková 25.1.2018, Robust Katedra pravděpodobnosti a matematické statistiky, Matematicko-fyzikální fakulta, Univerzita Karlova Oddělení statistického
VícePredikční modely nehodovosti a jejich využití při hodnocení efektivity investic do infrastruktury Petr Šenk
Predikční modely nehodovosti a jejich využití při hodnocení efektivity investic do infrastruktury Petr Šenk Pilot4Safety is supported by funding from the DG MOVE of the European Commission under grant
Více