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

Like dokumenter
Om enkel lineær regresjon II

Regler om normalfordelingen

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

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

Om enkel lineær regresjon II

Om enkel lineær regresjon II

Regler om normalfordelingen

Regler om normalfordelingen

Løsningskisse seminaroppgaver uke 17 ( april)

Oversikt over tester i Econ 2130

Oversikt over konfidensintervall i Econ 2130

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

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

Econ 2130 uke 15 (HG)

1. Konfidens intervall for

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

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

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

Forelesning Punktestimering

Oversikt over tester i Econ 2130

STK1100 våren Konfidensintevaller

Seminaroppgaver for uke 13

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 ( )

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

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

TMA4240 Statistikk Høst 2016

Forelesning Enveis ANOVA

TMA4245 Statistikk Eksamen august 2014

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

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Forelesning 19 og 20 Regresjon og korrelasjons (II)

TMA4245 Statistikk Eksamen mai 2016

Analyse av sammenhenger

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

Forelesning Ordnings observatorer

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

Statistikk med anvendelse i økonomi

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

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

(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) ).

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

Oversikt over tester i Econ 2130

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL

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

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

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

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

TMA4245 Statistikk Eksamen 21. mai 2013

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

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

EKSAMEN løsningsforslag

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

Forelesning 3 mandag den 25. august

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

Econ 2130 uke 13 (HG)

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

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

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

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.18).

STK1100 våren 2017 Estimering

Oversikt over konfidensintervall i Econ 2130

Om enkel lineær regresjon I

ARBEIDSNOTAT ARBEIDSNOTAT

Oppgaver. Multiple regresjon. Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

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

Erling Siring INNHOLD

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

Kap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren

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

Forelesning Z-, t-test, test for forventningsdifferanser

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

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

Mer om utvalgsundersøkelser

Om enkel lineær regresjon I

Kap. 9: Inferens om én populasjon

Oversikt over konfidensintervall i Econ 2130

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

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

Løsningskisse for oppgaver til uke 15 ( april)

Oppgaver fra boka: X 2 X n 1

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

betegne begivenheten at det trekkes et billedkort i trekning j (for j=1,2,3), og komplementet til

Medisinsk statistikk, del II, vår 2009 KLMED 8005

Oversikt over konfidensintervall i Econ 2130

Statistikk og økonomi, våren 2017

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

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

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

ECON240 Statistikk og økonometri

Econ 2130 Forelesning uke 11 (HG)

TMA4240/4245 Statistikk Eksamen august 2016

i B maksimal b Fundamentalteoremet for lineærprogrammering Den leksikografiske metode Blands pivoteringregel MoD233 - Geir Hasle - Leksjon 4 2

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

Kapittel 8: Estimering

STK desember 2007

Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10

Transkript:

HG Eco30 07 9/3-07 Supplemet tl forelesg uke 0 (6 mars) (Det jeg kke rakk å ta på forelesg) Termolog (estmerg) Data (kokrete tall), x, x, er ervasjoer av stokastske varable, X, X, De statstske modelle uttrykker det v meer er rmelg å forutsette om sasylghetsfordelgee for som gjere avheger av ukjete (populasjos-) størrelser,,,, X, X, som v øsker å s oe om basert på data Eksempel Ud-modelle: X, X,, X er uavhegge og detsk fordelte med E( X) og var( X ) Regeeksempel (gtt på forelesge): X = x, x, dametere meter over bakke for et ret tlfeldg tre r trukket fra e skog EX ( ), som represeterer gjeomsttsdametere hele skoge, atas ukjet og skal estmeres basert på 3 uavhegge ervasjoer, x 68, x 8 og x 3 44 Estmatet x 647 er e ervasjo av e stokastsk varabel, ˆ X, som kalles estmator De erverte verde av dkeres av og tl ved dekse ( ˆ X x 647 ) E estmator er e erverbar stokastsk varabel (også kalt «ervator») At de er erverbar betyr at de kke avheger av oe ukjete størrelser (ukjete parametre) slk at v ka rege ut e verd (ervasjo) av de ut fra data F eks X er erverbar mes de stadardserte Z X er kke erverbar Selv om v kke ka ervere Z, har Z e sasylghets-fordelg (tlærmet N(0,)) ˆ Alteratve estmatorer for beteges ofte med akseter ˆ,,,, ˆ, osv Defsjo Hvs (teta) er e parameter og ˆ e estmator, ses ˆ å være forvetgsrett hvs E ( ˆ ) Feks,v har vst før at ud-modelle gjelder: E( X ), var( X ) ˆ ˆ ˆ * ˆ Dermed er X forvetgsrett, var( ), og er tlærmet ormalfordelt for "stor" ( 0) pga setralgreseteoremet Varase tl e forvetgsrett estmator er et uttrykk for estmatores pressjo dvs desto mdre varas, desto større pressjo For to alteratve forvetgsrette estmatorer, velg de som har mst varas

Estmerg av populasjosvarase, Valg estmator for ˆ S ( X X ) ud-modelle er utvalgsvarase var( X ) som ka vses (bevst boka uder regel 63) er forvetgsrett, dvs ˆ E ( ) I eksemplet er 3, og estmatet for blr ˆ ( X X) (68 647) (8 647) (44 647) 369335 Valg estmator for populasjos-stadardavvket var( X ) er, rett og slett, ˆ S ( X X ) I eksemplet blr estmatet:, (utvalgs-stadardavvket) ˆ 369 335 98 ˆ Merk at estmatore ˆ for populasjos-stadardavvket kke er forvetgsrett! Bevs: (v ser bort fra mulghete at var( ˆ ) 0 som X er e kostat) Sde E( ˆ ), har v 0 var( ˆ ) E ˆ E( ˆ ) E( ˆ ) E( ˆ ) E( ˆ ) Bevs slutt Så, ˆ er forvetgsskjev de har e tedes tl å uderestmere ltt, me prakss, hvs kke er svært lte, reges dee skjevhete for eglsjerbar Når øker, vl skjevhete gå mot 0 (ka vses) Begrepet stadardfel ( stadard error (SE) på egelsk) La (teta) være e ukjet parameter og ˆ e estmator ( ˆ er e erverbar stokastsk varabel også kalt e ervator ( statstc på egelsk))

3 Estmergsfel ˆ ˆ Kvadrert estmergsfel (stokastsk varabel) (stokastsk varabel) Forvetet kvadrert estmergsfel ( ˆ ) E (tall) Defsjo Stadardfel for ˆ E ( ˆ ) ( ˆ SE ) def def ˆ ˆ ˆ ˆ (Fra før: stadardavvket tl var( ) E( E ( )) ) Koklusjo: Hvs ˆ er forvetgsrett ( E( ˆ ) ), er stadardfele tl ˆ det samme som stadardavvket tl ˆ (dvs SE( ˆ ) var( ˆ ) SD ( ˆ )) Eksempel (Oppsummerg) La x, x,, x være uavhegge ervasjoer av X med populasjosfordelg f( x ), E X X ( ) og var( ) Statstsk modell X, X,, X er uavhegge og detsk fordelte (ud) med felles fordelg lk de for X ( f( x )), for,,, x X E( X) og var( X ), og Da er ˆ X og ˆ S ( X ) X ˆ begge forvetgsrette estmatorer Stadardfele tl er SE( ˆ ) var( ˆ ) var( X ), som valgvs er ˆ ukjet og estmeres ved SE( ˆ ) Dette gjespeles, feks, «descrptves output») Excel:

4 «Descrptves output (Excel)» for regeesksemplet DATA (x) 68 Mea 6466667 <- ˆ x X 8 Stadard Error 09554 <- (estmert) 44 Meda 68 Mode #N/A Stadard Devato 9805 <- SE( ˆ ) ˆ S Sample Varace 3693333 <- ˆ S Kurtoss #DIV/0! Ikke pesum Skewess -075704 Ikke pesum Rage 38 <- max x m x Mmum 44 Maxmum 8 Sum 94 Cout 3 (Merk at dette tlfellet blr «stadard error» = «stadard devato» delt på rote av =3)) Oppsummerg av oe valg estmatorer for tre dskrete modeller kapttel 5 (Eksempler gtt avstt 6 og oppgaver) Bomsk modell X ~ b(, p ) der p P( S ) atas ukjet og er atall bomske forsøk E( X ) p og var( X ) p( p ) pˆ X (relatv frekves av S-er forsøk) er forvetgsrett for p ( ( ˆ) X E p E E( X ) p p) med varas p( p) p( p) var( pˆ ) og stadardavvk (= stadard fel), ˆ X var var var( ) p ( ) ( p p X p p ) ( )

5 Posso prosess X ~ pos( t ) (X er atall hedelser løpet av t tdseheter), der (forvetet ssdesrate pr tdsehet) atas ukjet (Modelle E( X ) var( X ) t ) ˆ X t (ervert sdesrate pr tdsehet) er forvetgsrett for ( ( ˆ ) X E E E( X ) t ) t t t med varas ˆ X var( ) var var( ) X t, og stadardavvk t t t t (= stadardfel ), t t Hypergeometrsk modell X ~ hypergeom( N, M, ), der X er atall eheter med et kjeeteg A et ret tlfeldg utvalg på eheter trukket fra e populasjo beståede av alt N eheter hvorav M (ukjet) eheter har kjeeteget A Relatv adel av A-er populasjoe (som valgvs øskes å aslås) er p M N M M M N (Modelle E( X ) og var( X ) N N N N pesum)) (kke vst, me oppgtt pˆ X M (relatv frekves av A-er utvalget) er forvetgsrett for p N ( ( ˆ X M M E p) E E( X ) p ) N N med varas, ˆ X N p var( ) var var( ) ( ) ( p ) N p X p p N N og stadardavvk (=stadardfel) p( p) N N Merk at hvs v øsker å estmere M, vl Mˆ blr stadardfele for ˆM? Np ˆ være forvetgsrett (hvorfor?) Hva