Forelesning Punktestimering

Like dokumenter
1. Konfidens intervall for

som vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,,

Løsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall.

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Forelesning 19 og 20 Regresjon og korrelasjons (II)

STK1100 våren Konfidensintevaller

Forelesning Ordnings observatorer

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon

Forelesning Enveis ANOVA

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell)

Econ 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

TMA4245 Statistikk Eksamen mai 2016

Econ 2130 uke 15 (HG)

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

Om enkel lineær regresjon II

Enveis variansanalyse (One-way ANOVA, fixed effects model) (Notat til Kap. 12 i Rosner)

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Estimering. Målemodellen. Kp. 5 Estimering. Målemodellen.

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon)

Oversikt over tester i Econ 2130

TMA4245 Statistikk Eksamen august 2014

TMA4240 Statistikk Høst 2016

Oversikt over konfidensintervall i Econ 2130

Det ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven:

Oppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( )

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

Om enkel lineær regresjon II

Løsningsforslag (ST1201/ST , kontinuasjonseksamen) ln L. X i = 2n.

Om enkel lineær regresjon II

Regler om normalfordelingen

Regler om normalfordelingen

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007

Løsningskisse seminaroppgaver uke 17 ( april)

Seminaroppgaver for uke 13

Regler om normalfordelingen

Seminaroppgaver for uke 13 (Oppgave (1), (2), og (3))

Oversikt over tester i Econ 2130

(ii) Anta vi vet om en observasjon av X at den ikke er større enn 5. Hva er da sannsynligheten for at den er lik 5? (Hint: Finn PX ( = 5 X 5) ).

Analyse av sammenhenger

TMA4245 Statistikk Eksamen 21. mai 2013

Statistikk med anvendelse i økonomi

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Mer om Hypotesetesting (kap 5) Student t-fordelingen. Eksamen. Fordelingene blir like ved stor n:

Forelesning 3 mandag den 25. august

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT. Innleveringssted: Ekspedisjonen i 12. etasje (mellom ) OG Fronter (innen klokken 15).

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

EKSAMEN løsningsforslag

Introduksjon til økonometri, kap 8, 9.1 og 9.2. Hva er formålet med økonometri? Utvalgskorrelasjoner To-variabel regresjoner

STK1100 våren 2015 P A B P B A. Betinget sannsynlighet. Vi trenger en definisjon av betinget sannsynlighet! Eksemplet motiverer definisjonen:

Oversikt 1. forelesning. ECON240 Statistikk og økonometri. Visuell/grafisk presentasjon av data. Datainnsamling; utdanning og inntekt

Introduksjon til generelle lineære modeller (GLM)

STK1100 våren 2017 Estimering

Innføring i medisinsk statistikk

Estimering 1 -Punktestimering

Estimering 1 -Punktestimering

Oppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

2005/11 Notater Anna-Karin Mevik. Notater. Usikkerhet i ordrestatistikken. Seksjon for statistiske metoder og standarder

Oversikt over tester i Econ 2130

TMA4240/4245 Statistikk Eksamen august 2016

Econ 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering

Positive rekker. Forelest: 3. Sept, 2004

Forelesning Z-, t-test, test for forventningsdifferanser

Notasjoner, gjennomsnitt og kvadratsummer. Enveis ANOVA, modell. Flere enn to grupper. Enveis variansanalyse (One-way ANOVA, fixed effects model)

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i <<< >>>.

Forelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling

Erling Siring INNHOLD

Makroøkonomi - B1. Innledning. Begrep. B. Makroøkonomi. Mundells trilemma går ut på følgende:

H 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2

Introduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians

Oppgaven består av 9 delspørsmål, A,B,C,., som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom <<.. >>.

ARBEIDSNOTAT ARBEIDSNOTAT

Statistikk og økonomi, våren 2017

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

Om enkel lineær regresjon I

Kapittel 9: Mer kombinatorikk

Om enkel lineær regresjon I

FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ).

Kapittel 8: Estimering

Diskretisering av et kontinuerlig problem vedbruk av prinsippet om minimum potensiell energi. For et lineært elastisk material:

Medisinsk statistikk, del II, vår 2008 KLMED Lineær regresjon, Rosner Regresjon?

Medisinsk statistikk, del II, vår 2009 KLMED 8005

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting

(iii) Når 5 er blitt trukket ut, er det tre igjen som kan blir trukket ut til den siste plassen, altså:

KLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon

Econ 2130 uke 13 (HG)

Modeller og parametre. STK Punktestimering - Kap 7. Eksempel støtfangere. Statistisk inferens. Binomisk fordeling. p X (x) = p x (1 p) n x

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

LØSNING, EKSAMEN I STATISTIKK, TMA4240, DESEMBER Anta at sann porøsitet er r. Måling med utstyret gir da X n(x; r, 0,03).

) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013

TMA4265 Stokastiske prosesser

Kapittel 1: Beskrivende statistikk

Anne Vedø Estimering av materialfordelingen til husholdningsavfall i 2004 Dokumentasjon av estimeringsmetoder

Transkript:

STAT Statst Metoder Yushu.L@ub.o Forelesg 8 + 9 Putestmerg. Fra sasylghetsteor tl statst feres ) Sasylghetsberegg sasylghetsteor: v jeer parametere som besrver modellee, f.es. p boms modell, ormal fordelg, possoprosesse og espoetal fordelg. ) I mage pratse stuasjoer, er parametere ujete. V har bare observasjoer av stoastse varabler tl å få frem formasjo av parametere ved at: a. Estmere (aslå) parametere med rmelg grad av serhet (estmerg), f.es. Levetde tl e bestemt type retsort atas espoetal fordelt. V har observert at levetde for ses sle ort ble hhv 6, 009, 95, 303, 599, og 780. Hva forteller dette oss om verde på parametere espoetal fordelge? Dvs om forvetet levetd? Atall ulyer per år på e oljeplattform atas Possofordelt. De sste fem åree har det bltt regstrert 5,8,, 7 og 3 ulyer per år. Hva forteller dette oss om parametere λ Posso-fordelge? Dvs om - forvetet atall ulyer per år/testete? b. Ta stllg tl e påstad (hypotese) om verde av e parameter (hypotesetestg) 3) Et jet esempel av estmerg Brtse statstere har e gag estmert størrelse av de tyse våpeprodusjoe uder.verdesrg gjeom å spoere sereummer på våpe. f.es. sereummer på strdsvog. V a se et sammelgede esempel: Es. V befer oss e storby og vl forsøe å estmere hvor mage drosjer m det fes bye ved å otere drosjeumree. I de første ue, har v observasjoer som: UNr : 405 80 73 440 79 Modelle er U (0, m) (sasylghete for å observere e drosje er /m). V har flere måter å aslår parametere m

STAT Statst Metoder Yushu.L@ub.o Estmator m 5 ford v har sett 5 drosjer Estmator m 440 ford 440 er høyeste observerte r Estmator 3 m3 80 559 ford 80 er atatt meda Estmator 4 (mellomromsestmator): 7 05 00 4 34 m4 440 440 87 57 5 Estmator 5 (mellomromsestmator): m5 440 00 540 V atar at v a få flere reer observasjoer ue, 3, 4 som UNr, UNr3, UNr4 og gtt at m=550, a v sammelge estmator m 3, m 4, m 5 sl: Felsum 474 59 0 Det ser ut tl at m 3 gr større fel e de to adre og m 5 gr mst fel. m 5 a bl estmator for m. Brtse statstere brute sammelgede metode og estmatee var u oe få proset fel, mes spoasjeberegger bommet med e fator opp mot 4.. Putestmerg ) Estmator og stprøve: a. Estmator: La,..., være uavhegge stoastse varabler fra samme fordelg med parametere. E estmator ˆ er e fusjo av,..., : ˆ ˆ(,,..., ), som brues for å estmere de ujete parametere. ˆ er fortsatt e S.V. som har ege fordelg.

STAT Statst Metoder Yushu.L@ub.o *Verde tl estmatore alles putestmat for, og dee verde a bereges år v har stprøve. b. Stprøve: V tar e stprøve (uavhegge observerte tallverder () () () x, x,..., x ) fra e fordelgs med parameter, der fordelgsfusjo er jet me e (parameter). Ved at brue estmator ˆ ˆ(,,..., ), a v får e estmatorsverd ˆ() () () () ˆ( x, x,..., x ) som er fusjo av stprøve () () () x, x,..., x. V aller estmatorsverd som et estmat. Når v har e ae stprøve () () () x, x,..., x, a v har et aet estmat ˆ(). c. Det a fes flere estmatorer for e parameter Es : er e S.V. som deferes sl: hvs e perso er e borgerlge velgere orge, 0 hvs e perso e er e borgerlge velgere Norge. p, x Da har v P( x). V bygger e estmator ˆp for å estmere p p, x 0 og fe fordelge tl ˆp. Eg. 3, V har de medfølgede 0 observasjoee på vete (g) av 8 årgs orse jeter. 4.46 5.6 6.5 6.4 6.66 7.5 7.3 7.54 7.74 7.94 7.98 8.04 8.8 8.49 8.50 8.87 9. 9.3 9.50 30.88 De gtte observasjoee blr så e stprøve fra dee ormalfordelge. V atar at vete av 8 årgs orse jeter er ormal fordelt med forvetg m. Ford ormalfordelger er symmetrse, er m også medae av fordelge. V a ha flere estmatorer og tlsvarede estmatorsverder for m: ) V har forsjellge metoder for å bygge estmator for e parameter: a. Mometmetode b. Maxmum lelhood metode c. Bayesase metode d. «Computer tesve» metoder som beytter deer fra a-c

STAT Statst Metoder Yushu.L@ub.o 3) Mometmetode. Ata at,..., være uavhegge stoastse varabler fra samme fordelgsfusjo med parameter, der fusjoell form er jet me e (parameter). ( a være e vetor (,,... ), f.es., for W ( r, ), har v r, ) a. V deferer teoretse (populasjo) mometer som De første momet: E ( ) (,,... ) De adra momet: E (,,... ) De te momet: E (,,... ) f.es. W,, er fusjoer av,,... * ( r, ), E( W ) r, E( W ) r ( r ) V deferer samplgs (utvalg) mometer som * m, m m ( ) ( ) m,, m er fusjoer av,,... b. Store talls lov:,, 3, er uavhegge stoastse varabler med... samme forvetg og varas. Lar, Da har v: P år. Det betyr at for hver eeste postv, har v: lm P( ) Elest esempel: v aste e myt flere gager. La stoastse varabler som = år v får ro på ' te ast og =0 år v får myt på ' te ast. Da har v E ( ) 0.5. Nå v ast myt gager, har v adel ro er:....

Adel ro Adel ro STAT Statst Metoder Yushu.L@ub.o 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0 00 mytast 0 0 40 60 80 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0 000 mytast 0 00 400 600 Fgure : smulerte mytast c. Fra store talls lov b., har v: Sett lgger som: p m... m p ˆ ( ˆ, ˆ,... ˆ ) m... ˆ ( ˆ, ˆ,... ˆ ) m V a løse ut ˆ ˆ ˆ,,... fra de lggee, og ˆ ˆ ˆ,,... er emlg mometestmator for (,,... ). ˆ ˆ ˆ,,... er fusjoee av,,..., Es 4.,..., er uavhegge stoastse varabler fra samme fordelg med forvetg og varas, f mometestmatorer ˆ og ˆ Es 5. W, W..., W er uavhegge stoastse varabler fra samme fordelg ( r, ), f mometestmatorer ˆr, ˆ. *Hvs v har e stprøve (uavhegge observasjoer x, x,..., x ), da a v få verder tl mometestmatorer gjeom at erstatte,,..., som x, x,..., x.

STAT Statst Metoder Yushu.L@ub.o Es 6. E fseoppdretter har et stort atall las et basseg. Vete tl las atas å være uavhegge og dets ormal fordelte stoastse varabler med forvetg og varas estmere og. Ole vl brue mometestmator metode for å for vete av lasee, og ha tar opp 3 las og veer dsse. x ( g ) : 3.9 3.6 5. 4.8 3.7 3. 4.6 5.4 3.0 4. 3.8 4.4 4. Fra Es 4, a v få: ˆ x x 4.38 3 3. Egesaper hos estmatorer ˆ ( x x ) ( x 4.38) 0.4666 3 E parameter a har flere estmatorer. f.es.,,..., er uavhegge stoastse varabler fra exp( ), da har v E( ), Var( ). Brue mometestmatorer, a v har ˆ (basert på ˆ m ) eller ˆ ( ) (basert på ˆ m). Me hvle er best? Es 7. Se estmerg som e pltavla. ) Tre vtever for å evaluere ˆ : a. Bas( ˆ ) E( ˆ ) : hvs Bas( ˆ ) 0 estmator: *Hvs E( ˆ )., er ˆ e forvetgsrett (ubased) ˆ er forvetgsrett, vl oe stprøver g estmatorsverder som overstger og adre stprøvee gr estmatorsverder som er mdre e. Me fordelg av ˆ vl være alltd "setrert" på :

STAT Statst Metoder Yushu.L@ub.o Fgure. ˆ er forvetgsrett estmator for og ˆ er e forvetgsrett *Mellom ule estmatorer med samme varas, foretreer v e forvetgsrett estmator eller estmatore som har mst bas. Eg. 8, Ata at, reasjostde tl e stmulus, er uform fordelt på tervallet fra 0 tl e ujet øvre grese. E etterforser øser å berege fra et tlfeldg utvalg,..., av reasjostder. Ha bruer ˆ max(,,..., ) b som estmator for. Bevs at ˆb forvetgsrett estmator for. er e Itutv metode: Sde er de største mulge tde hele populasjo reasjostder, vl ˆb (det største mellom utvalg fra populasjo) aldr overstge. Derfor vl ˆb uderestmere og e være forvetgsrett. Matemats metode: b. Var( ˆ ): Mellom ule estmatorer med samme bas, foretreer v estmator med mst varas Es 9. Bevs mometestmator ˆ ( ) er e forvetgsrett estmator for varas forvetgsrett estmator for varas mes estmator. Me S er ( ) Var( ˆ ) Var( S ).

STAT Statst Metoder Yushu.L@ub.o ˆ ( ) ( ) ( ) ( ) Var( ) E( ) E( ), E( ) Var( ) E( ) E( ) E( ˆ ) ( E ) E ( ) ( ) ( ) S ˆ E( S ) E( ˆ ) * Var( S ) ( ) Var( ˆ ) Var( ) c. Trade-off mellom bas og varas: MSE( ˆ ) E( ˆ ) (MSE: Mea squred error) Es 0. Bevs at MSE( ˆ ) Var( ˆ ) (Bas( ˆ )) c.) Mellom ule estmatorer, foretreer v estmator med mst MSE. c.) Blat alle estmatorer av som er forvetgsrette, velger v estmatore som har mmum varas. De resulterede ˆ alles mmum varas forvetgsrett estmator (mmum varace ubased estmator (MVUE)) av. ) Stadardfel av estmator Def. Stadardfel (stadard error) av e estmator ˆ er defert som s stadardavv (stadard devato) av ˆ : Var( ˆ ). Hvs eholder ˆ ujete parametere der verder a bl estmert, substtusjo av dsse aslagee tl gr estmert stadardfel (estmert stadardavv) som a beteges som. ˆ ˆ er e måte for å måle pressjoe tl estmatore ˆ : jo mdre, jo bedre. ˆ ˆ ˆ

STAT Statst Metoder Yushu.L@ub.o Es. Ata at,..., N(, ), og ˆ er e forvetgsrett estmator for ( E ˆ E ). F stadardfel av ˆ : Hvs er ujet og v bruer momet estmator ˆ ( ) for å ˆ estmere, da estmert stadardfel tl ˆ er: ˆ ˆ ( ). Når v har e stprøve x ( x,..., x ), a v få e verd av ˆ. ˆ I Es, a v ha e matemats form av stadardfel tl estmator ˆ : ˆ /, me mage tlfeller, har v e matemats form av. F.es. ˆ hvs er Es, da e forvetgsrett estmator for er ˆ S ( ), me det er e lett å fe matemat form av Var( S ) eller stadardfel S. V a brue bootstrap metode (este ue) *Abefalt hjem lesg (homereadg): sdee 34-345 «more complcatos»