Økonometri: Lektion 5. Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol
|
|
- Arne Kristiansen
- 6 år siden
- Visninger:
Transkript
1 Økonometri: Lektion 5 Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol 1 / 35
2 Veksekvirkning: Motivation Vi har set på modeller som Price = β 0 + β 1 Sqft + β 2 Bedrooms + u Vi har fundet at β Fortolkning: Hvert ekstra rum sænker prisen med det samme uanset om det er første rum eller syvende rum. Undren: Effekten af et ekstra rum er den samme uanset størrelsen på huset. Er det rimligt? Løsning?:Det virker rimligt, at effekten af et ekstra rum afhænger af husets størrelse. Vi mangler en vekselvirkning/interaktion mellem Sqft og Bedrooms. 2 / 35
3 Veksekvirkning: Eksempel Oprindelige model: Price = β 0 + β 1 Sqft + β 2 Bedrooms + u Hvis vi ændrer Bedroom med Bedrooms (og holder andre fast), så ændres Price med: Price = β 2 Bedrooms Modificeret model med interaktion: Price = β 0 + β 1 Sqft + β 2 Bedrooms + β 3 Sqft Bedrooms + u Hvis vi ændrer Bedroom med Bedrooms (og holder andre fast), så ændres Price med: Price = (β 2 + β 3 Sqft) Bedrooms 3 / 35
4 Vekselvirkning I R Modellen uden interaktion skrives defineres som model = lm(price ~ SQFT + BEDROOMS, data = homes) Modellen med interaktion skrives defineres som model = lm(price ~ SQFT + BEDROOMS + SQFT:BEDROOMS, data = homes) Det ekstra led SQFT:BEDROOMS er interaktionsleddet. For os dovne kan gøres endnu simplere: model = lm(price ~ SQFT*BEDROOMS, data = homes) En model på formen A+B+A:B er præcis den samme som en på formen A*B. 4 / 35
5 Resultater Model: Price = β 0 + β 1 Sqft + β 2 Bedrooms + β 3 Sqft Bedrooms + u Udrag af summary(model): Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) SQFT e-12 *** BEDROOMS SQFT:BEDROOMS Estimerede model: Price = Sqft Bedrooms Sqft Bedrooms 5 / 35
6 Fortolkning af interaktion Estimerede model: Price = Sqft Bedrooms Sqft Bedrooms = Sqft + ( Sqft) Bedrooms Dvs. prisen for et ekstra værelse, dvs. Bedroom = 1, er Price = Sqft 6 / 35
7 Andre modifikationer Logaritme-transformerede variable Price = β 0 + β 1 log(sqft) + u I R: lm(price ~ log(sqft),data=homes) I R: log(price) = β 0 + β 1 log(sqft) + u lm(log(price) ~ log(sqft), data=homes) Polynomier I R: Price = β 0 + β 1 log(sqft) + β 2 Sqft 2 + u lm(price ~ SQFT + I(SQFT^2), data=homes) Bemærk: Det er vigtigt at huske I(...)!!! PRICE ~ SQFT + SQFT^2 er det samme som PRICE ~ SQFT... 7 / 35
8 Kvalitative forklarende variable Kvalitative variable beskriver (typisk) ting man ikke kan måle. En kvalitativ variabel kaldes ofte en kategorisk variabel eller faktor. En kvalitativ variabel kan kun tage et endeligt antal værdier. Ofte er der ingen rækkefølge på værdierne. Fx. Køn, Favoritfarve, Beskæftigelse. 8 / 35
9 Eksempel: Hvordan afhænger løn af beskæftigelse? Vi har variable Wage og Sector, hvor Sector er en kvalitativ variabel, der kan tage værdierne Construction, Manufacturing og Other. Spørgsmål: Hvordan afhænger løn af sektor? Ide: Hver beskæftigelse har sit niveau: Wage = β Sector + u, Dvs. den forvetede løn for folk, der arbejder med produktion er E[Wage Sector = Manufacturing] = β Manufacturing vi har altså tre β værdier. Problem: Passer ikke så godt ind i vores generelle ramme: y = β 0 + β 1 x 1 + β 2 x β k x k + u 9 / 35
10 Simpelt eksempel: Kvalitativ variabel med to niveauer Hvordan påvirker længe af uddannelse og køn ens løn? Vi skal se på tre variable Wage: Timeløn i $ Sex: Køn, kvalitativ variabel med værdierne Female og Male Education: Længden af uddannelse målt i år Overblik: Vi starter med et plot / 35
11 Scatter plot library(car) ## Henter car pakken wage = read.table("wage3.dat",header=t) ## Henter data ind scatterplot(wage~education SEX, data=wage, smooth=f) ## Plotter 11 / 35
12 Model med dummy-variabel Vi vil gerne have en model, med struktur som Wage = Konst. + Effekt af Education + Effekt af Sex For at få Sex med introducerer vi en ny binær variabel Male: Male = 1 hvis Sex = Male Male = 0 hvis Sex = Female Male er en såkaldt dummy variabel, der indikerer værdien af Sex Model (på sædvanlig form): Wage = β 0 + β 1 Education + β 2 Male + u Dummy variable bruges generelt til at omkode kvalitative variable til en eller flere binære variable. 12 / 35
13 Fortolkning Model Wage = β 0 + β 1 Education + β 2 Male + u Fortolkning: For kvinder har vi Male = 0 og Wage = β 0 + β 1 Education For mænd har vi Male = 1 og Wage = β 0 + β 1 Education + β 2 Dvs. to rette linjer med samme hældning (β 1 ), men forskellige skæringspunkter (hhv. β 0 og β 0 + β 2 ). Da β 2 angiver hvordan mænd er forskellige fra kvinder, så kalder vi Female for reference-kategorien. 13 / 35
14 Analyse i R ## Tilføjer en variabel MALE der 1 når SEX er male og 0 ellers: wage$male = 1*(wage$SEX == "male") ## Definer model model = lm(wage ~ EDUCATION + MALE, data = wage) Uddrag af summary(model): Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) EDUCATION < 2e-16 *** MALE e-07 *** Konklusion: Begge forklarende variable er signifikante (når der er taget højde for den anden). Længden på uddannelsen har en positiv indvikrning på lønnen. Mænd tjener mere end kvinder. 14 / 35
15 Interaktion Kunne det tænkes at kønnet har inflydselse på effekten af uddannelsens længde? Model med interaktio mellem køn og års uddannelse: Wage = β 0 + β 1 Education + β 2 Male + β 3 Education Male Male er en binær dummy variabel som før. Fortolkning: For kvinder har vi Male = 0 og For mænd har vi Male = 1 og Wage = β 0 + β 1 Education Wage = β 0 + β 1 Education + β 2 + β 3 Education = (β 0 + β 2 ) + (β 1 + β 3 )Education 15 / 35
16 Resultat af interaktion Model: Wage = β 0 + β 1 Education + β 2 Male + β 3 Education Male + u Call: lm(formula = WAGE ~ EDUCATION * MALE, data = wage) Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) * EDUCATION e-12 *** MALE * EDUCATION:MALE Estimeret model: Ŵage = Education+4.37 Male 0.17 Education Male Konklusion: Hovedeffekterne af uddannelseslænge og køn er signifikante, men vekselvirkningen ikke er. Der er med andre ord ikke en signifikant forskel i effekten af uddannelseslængen mellem de to køn. 16 / 35
17 Smart skal det være Det er lidt trælst at skulle kode dummy variable hver gang... R kan (selvfølgelig) lave dummy variable automatisk. Først skal vi kontrollere at SEX faktisk er en kategorisk variabel: > is.factor(wage$sex) [1] TRUE Svaret TRUE betyder at SEX er en kategorisk variabel. Havde svaret være FALSE kunne vi tvinge SEX til at være en kategorisk variabel: wage$sex = as.factor(wage$sex) 17 / 35
18 Samme historie en gang til... Resultat: Analyse hvor vi har brugt SEX i stedet for MALE Call: lm(formula = WAGE ~ EDUCATION * SEX, data = wage) Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) * EDUCATION e-12 *** SEXmale * EDUCATION:SEXmale Når der står SEXmale, så svarer det til β for dummy-variablen MALE. SEXfemale mangler da denne kategori er reference-kategorien for SEX. Konklusion: 18 / 35
19 Mere end to kategorier Vi vil undersøge betydninge af beskæftigelse på løn. Vi har variablen Sector: Kvalitativ variabel med kategorierne Manufacturing, Production og Other Vi indfører tre dummy-variable: Manufacturing = 1, hvis Sector = Manufacturing og = 0 ellers Production = 1, hvis Sector = Production og = 0 ellers Other = 1, hvis Sector = Other og = 0 ellers Model: Wage = β 0 + β 1 Manufacturing + β 2 Production + β 3 Other + u Fortolkning: E[Wage Sector = Production] = β 0 + β 2 19 / 35
20 Overparametrisering Vores model er overparametriseret: Det giver uendelig mange lige gode OLS estimater!!! Løsning: Vælg en reference-kategori og fjern den tilsvarede dummy variabel fra modellen. Bemærk: Dette er den generelle årsag til at reference-kategorien altid mangler. Vi vælger Production som reference-kategori: Fortolkning: Wage = β 0 + β 1 Manufacturing + β 2 Other + u E[Wage Sector = Production] = β 0 E[Wage Sector = Manufaturing] = β 0 + β 1 20 / 35
21 Analyse i R Model: Wage = β 0 + β 1 Manufacturing + β 2 Other + u Vi definerer modelle: model = lm(wage~sector,data=wage) Uddrag af summary(model): Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) <2e-16 *** SECTORmanufacturing SECTORother Estimerede model: Ŵage = Manufacturing 0.35 Other Fortolkning: Hvad er effekten af SECTOR? Er den signifikant? 21 / 35
22 Test for betydning af SECTOR Model: Wage = β 0 + β 1 Manufacturing + β 2 Other + u Vi vil gerne teste hypotesen H 0 : β 1 = β 2 = 0 H 1 : β 1 0og/eller β 2 0 Dvs. Sector har ingen effekt på Wage I dette tilfælde svarer det til testet af om modellen er besværet værd. Sidst i output et fra R får vi F-statistic: on 2 and 520 DF, p-value: Konklusion: 22 / 35
23 Mere generelt Hvis vi vil teste en betydningen af en kategorisk variabel er bkvemt at bruge anova kommanoden: > anova(model) Analysis of Variance Table Response: WAGE Df Sum Sq Mean Sq F value Pr(>F) SECTOR Residuals Her har vi testet effekten af SECTOR. Konklusion præcis som før. 23 / 35
24 Et mere kompliceret eksempel Las os analysere en mere kompliceret model! Modellen i R-notation: I formel notation bliver det WAGE ~ SECTOR + EDUCATION*SEX Wage = β 0 + β 1 Manufacturing + β 2 Other + β 3 Education + β 4 Male + β 5 Education Male, hvor Manufacturing, Other og Male er binære dummy-variable. Reference kategorierne er altså Production og Female. Hvilken struktur påstår modellen? 24 / 35
25 Estimerede model Definer model: > model = lm(wage ~ SECTOR + EDUCATION*SEX, data=wage) Uddrag af summary(model): Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) SECTORmanufacturing SECTORother EDUCATION e-12 *** SEXmale * EDUCATION:SEXmale Signif. codes: 0 *** ** 0.01 * Residual standard error: 4.61 on 517 degrees of freedom Multiple R-squared: ,Adjusted R-squared: F-statistic: on 5 and 517 DF, p-value: < 2.2e / 35
26 Hvilke led er signifikante? > anova(model) Analysis of Variance Table Response: WAGE Df Sum Sq Mean Sq F value Pr(>F) SECTOR EDUCATION < 2.2e-16 *** SEX e-07 *** EDUCATION:SEX Residuals Signif. codes: 0 *** ** 0.01 * Konklusion: 26 / 35
27 Modelkontrol Vores konklusioner baserer sig på parameter-estimater og p-værdier. Korrektheden af p-værdien afhænger af at MLR.1 til MLR.6 er opfyldt. Specielt antagelserne om varianshomogene og normalfordelt fejlled. Vi skal med andre have styr på om vi med rimelighed kan antage at disse antagelser er opfyldt. I det følgende vil vi se på eksempler på grafisk modelkontrol. 27 / 35
28 Modelkontrol model = lm(wage ~ SECTOR + EDUCATION*SEX, data=wage) par(mfrow=c(2,2)) ## Inddeler vinduet i 2 x 2 underplot. plot(model) Fitted values Residuals Residuals vs Fitted Theoretical Quantiles Standardized residuals Normal Q Q Fitted values Standardized residuals Scale Location Leverage Standardized residuals Cook's distance 0.5 Residuals vs Leverage / 35
29 Mellemregning: Lidt linear algebra Residualerne û bliver nogle gange omtalt som de rå residualer. Vi vil nu se på de standardiserede residualer. Vore model kan formuleres vha. linear algebra som og estimatoren for β er givet ved y = Xβ + u ˆβ = (X X) 1 X y og de prædikterede værdier er givet ved hvor H = X(X X) 1 X. Bemærk: H = H og HH = H. ŷ = X ˆβ = X(X X) 1 X y = Hy, 29 / 35
30 Standardiserede residualer Da vi har Var(u) = σ 2 I kan man vise, at Var(ŷ) = σ 2 H. Dvs. Var(ŷ i ) = σ 2 h ii, hvor h ii er det i te element i H s diagonal. Dvs. et 95% konfidens interval for ŷ i er ŷ i ± 1.96σh ii y x 30 / 35
31 Standardiserede residualer Da vi har Var(u) = σ 2 I kan man vise, at Var(û) = σ 2 (I H). Konsekvens: Variansen på residualet ikke er konstant: Var(û i ) = σ 2 (1 h ii ), hvor h ii er det i te element i H s diagonal. En standardisering giver ( ) û i Var σ = 1. 1 h ii De standardiserede residualer er derfor givet ved ˆr i = û i σ 1 h ii. h ii kaldes også leverage ( vægtstang ). 31 / 35
32 Modelkontrol: Middelværdi = nul Plot af de rå residualer (û erne) mod de fittede værdier (ŷ erne). Vi har antaget at E[u x] = 0. Det svarer til E[u ŷ] = 0. û erne skal altså være nul i gennemsnit uanset ŷ. Den røde linje er en glidende gennemsnit, der ideelt set skulle være nul hele vejen Fitted values Residuals lm(wage ~ SECTOR + EDUCATION * SEX) Residuals vs Fitted / 35
33 Modelkontrol: Normalfordeling Vi har antaget at u N (0, σ 2 ) Grafisk kontrol: QQ-plot af de standardiserede residualer (ˆr i erne, da de rå residualer ikke er varianshomogene) Hvis residualerne virkelig er normalfordelte, så skal prikkerne ligge usystematisk omkring den stiplede linje Theoretical Quantiles Standardized residuals lm(wage ~ SECTOR + EDUCATION * SEX) Normal Q Q / 35
34 Modelkontrol: Konstant varians Antag z N (0, σ 2 ). Da gælder E [ z ] σ. Hvis fejlledene er normalfordelte og med konstant varians, så bør E[ ˆr i ] være konstant. Grafisk kontrol: Den røde linje viser en glidende gennemsnit af ˆr erne. Bør være konstant, hvis variansen er konstant Fitted values Standardized residuals lm(wage ~ SECTOR + EDUCATION * SEX) Scale Location / 35
35 Modelkontrol Husk: Var(u i ) = σ 2 (1 h ii ), dvs. jo større h ii, jo mindre varians. Dvs. jo større h ii jo mere indflydelsesrig er den observation potentielt. Cook s distance: Lad ŷ være de prædikterede værdier og lad ŷ (i) være de prædikterede værdier, hvis den i te observation udelades. Cook s distance for den i te observation er da forskellen mellem de prædikterede værdier: D i = ŷ ŷ (i) 2. Jo større D i jo mere påvirker den i te observation resultatet Leverage Standardized residuals lm(wage ~ SECTOR + EDUCATION * SEX) Cook's distance 0.5 Residuals vs Leverage Leverage = h ii 35 / 35
Økonometri: Lektion 6 Emne: Heteroskedasticitet
Økonometri: Lektion 6 Emne: Heteroskedasticitet 1 / 32 Konsekvenser af Heteroskedasticitet Antag her (og i resten) at MLR.1 til MLR.4 er opfyldt. Antag MLR.5 ikke er opfyldt, dvs. vi har heteroskedastiske
Læs mereØkonometri Lektion 1 Simpel Lineær Regression 1/31
Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen
Læs mereStatistik Lektion 4. Variansanalyse Modelkontrol
Statistik Lektion 4 Variansanalyse Modelkontrol Eksempel Spørgsmål: Er der sammenhæng mellem udetemperaturen og forbruget af gas? Y : Forbrug af gas (gas) X : Udetemperatur (temp) Scatterplot SPSS: Estimerede
Læs mereLagrange multiplier test. Økonometri: Lektion 6 Håndtering ad heteroskedasticitet. Konsekvenser af Heteroskedasticitet
Lagrange multiplier test Et alternativ til F -testet af en eller flere parametre. Økonometri: Lektion 6 Håndtering ad heteroskedasticitet Antag vi har model: y = β 0 + β 1 x 2 + + β k x k + u. Vi ønsker
Læs mereØkonometri: Lektion 6 Emne: Heteroskedasticitet
Økonometri: Lektion 6 Emne: Heteroskedasticitet 1 / 34 Lagrange multiplier test Et alternativ til F -testet af en eller flere parametre. Antag vi har model: Vi ønsker at teste hypotesen y = β 0 + β 1 x
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereStatistik Lektion 16 Multipel Lineær Regression
Statistik Lektion 6 Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk
Læs mereØkonometri: Lektion 4. Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater
Økonometri: Lektion 4 Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater 1 / 35 Hypotesetest for én parameter Antag vi har model y = β 0 + β 1 x 2 + β 2 x 2 + + β k x k + u. Vi
Læs mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs mereAnvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
Læs mereReminder: Hypotesetest for én parameter. Økonometri: Lektion 4. F -test Justeret R 2 Aymptotiske resultater. En god model
Reminder: Hypotesetest for én parameter Antag vi har model Økonometri: Lektion 4 F -test Justeret R 2 Aymptotiske resultater y = β 0 + β 1 x 2 + β 2 x 2 + + β k x k + u. Vi ønsker at teste hypotesen H
Læs mereStatistik og Sandsynlighedsregning 2. IH kapitel 12. Overheads til forelæsninger, mandag 6. uge
Statistik og Sandsynlighedsregning 2 IH kapitel 12 Overheads til forelæsninger, mandag 6. uge 1 Fordelingen af én (1): Regressionsanalyse udfaldsvariabel responsvariabel afhængig variabel Y variabel 2
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
Læs mereØkonometri lektion 5 Multipel Lineær Regression. Inferens Modelkontrol Prædiktion
Økonometri lektion 5 Multipel Lineær Regression Inferens Modelkontrol Prædiktion Multipel Lineær Regression Data: Sæt af oservationer (x i, x i,, x ki, y i, i,,n y i er den afhængige variael x i, x i,,
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs meremen nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Læs mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereØkonometri: Lektion 7 Emne: Prædiktionsintervaller, RESET teset, proxy variable og manglende data.
Økonometri: Lektion 7 Emne: Prædiktionsintervaller, RESET teset, proxy variable og manglende data. 1 / 32 Motivation Eksempel: Savings = β 0 + β 1 Income + u Vi ved allerede, hvordan vi estimerer regresseionlinjen:
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/33
Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Læs mereSimpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
Læs mereGenerelle lineære modeller
Generelle lineære modeller Regressionsmodeller med én uafhængig intervalskala variabel: Y en eller flere uafhængige variable: X 1,..,X k Den betingede fordeling af Y givet X 1,..,X k antages at være normal
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereMultipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model
Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ
Læs mereSimpel Lineær Regression
Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige
Læs mereØkonometri 1. Dummyvariabler 13. oktober Økonometri 1: F10 1
Økonometri 1 Dummyvariabler 13. oktober 2006 Økonometri 1: F10 1 Dagens program Dummyvariabler i den multiple regressionsmodel (Wooldridge kap. 7.3-7.6) Dummy variabler for kvalitative egenskaber med flere
Læs mereProgram. Indhold af kursus i overskrifter. Farlighed af GM-majs? (Ingeniøren Generel lineær model/multipel regression
Program Indhold af kursus i overskrifter 1. overblik over kursus (opgaver fra sidst samt huspriser som eksempler). 2. p-værdi 3. uformel evaluering 1. sandsynlighedsregning sandsynlighedsfordelinger (normal,
Læs mereModel. k = 3 grupper: hvor ǫ ij uafhængige og normalfordelte med middelværdi nul og varians σi 2, i = 1,2,3.
Model Program (8.15-10): 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. Bruger nu to indices: i = 1,...,k for gruppenr. og j = 1,...,n i for observation indenfor gruppe. k = 3 grupper: µ 1
Læs mereLineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereStatistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge
Statistik og Sandsynlighedsregning 2 Repetition og eksamen Overheads til forelæsninger, mandag 7. uge 1 Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange
Læs mereEksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning
1 Multipel regressions model Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning PSE (I17) ASTA - 11. lektion
Læs mereOversigt. 1 Motiverende eksempel: Højde-vægt. 2 Lineær regressionsmodel. 3 Mindste kvadraters metode (least squares)
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Oversigt Motiverende eksempel: Højde-vægt 2 Lineær regressionsmodel 3 Mindste kvadraters metode (least squares) Klaus
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 8: Simpel lineær regression. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 8: Simpel lineær regression Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereStatistik Lektion 17 Multipel Lineær Regression
Statistik Lektion 7 Multipel Lineær Regression Polynomiel regression Ikke-lineære modeller og transformation Multi-kolinearitet Auto-korrelation og Durbin-Watson test Multipel lineær regression x,x,,x
Læs mere(tæt på N(0,1) hvis n ikke alt for lille). t i god til at checke for outliers som kan have stor indflydelse på estimaterne s 2 og ˆσ 2 e i
Da er r i = e i ˆσ ei t(n 3) (tæt på N(0,1) hvis n ikke alt for lille). Program 1. lineær regression: opgave 3 og 13 (sukker-temperatur). 2. studentiserede residualer, multipel regression. Tommelfinger-regel:
Læs mereKlasseøvelser dag 2 Opgave 1
Klasseøvelser dag 2 Opgave 1 1.1. Vi sætter først working directory og data indlæses: library( foreign ) d
Læs mere(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 22 sider. Skriftlig prøve: 13. december 2010 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs mereTo samhørende variable
To samhørende variable Statistik er tal brugt som argumenter. - Leonard Louis Levinsen Antagatviharn observationspar x 1, y 1,, x n,y n. Betragt de to tilsvarende variable x og y. Hvordan måles sammenhængen
Læs mere(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 20 sider. Skriftlig prøve: 15. december 2012 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mereKursus 02402/02323 Introducerende Statistik
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereAppendiks Økonometrisk teori... II
Appendiks Økonometrisk teori... II De klassiske SLR-antagelser... II Hypotesetest... VII Regressioner... VIII Inflation:... VIII Test for SLR antagelser... IX Reset-test... IX Plots... X Breusch-Pagan
Læs mereLineær regression i SAS. Lineær regression i SAS p.1/20
Lineær regression i SAS Lineær regression i SAS p.1/20 Lineær regression i SAS Simpel lineær regression Grafisk modelkontrol Multipel lineær regression SAS-procedurer: PROC REG PROC GPLOT Lineær regression
Læs mereMindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning
1 Regressionsproblemet 2 Simpel lineær regression Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning 3
Læs mereOpgavebesvarelse, korrelerede målinger
Opgavebesvarelse, korrelerede målinger I 18 familier bestående af far, mor og 3 børn (i veldefinerede aldersintervaller, med child1 som det ældste barn og child3 som det yngste) har man registreret antallet
Læs mereSide 1 af 19 sider. Danmarks Tekniske Universitet. Skriftlig prøve: 15. december 2007 Kursus navn og nr: Introduktion til Statistik, 02402
Danmarks Tekniske Universitet Side 1 af 19 sider. Skriftlig prøve: 15. december 2007 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs meregrupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
Læs mere(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 20 sider. Skriftlig prøve: 1. december 2011 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs mereModul 6: Regression og kalibrering
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 6: Regression og kalibrering 6.1 Årsag og virkning................................... 1 6.2 Kovarians og korrelation...............................
Læs mere1 Regressionsproblemet 2
Indhold 1 Regressionsproblemet 2 2 Simpel lineær regression 3 2.1 Mindste kvadraters tilpasning.............................. 3 2.2 Prædiktion og residualer................................. 5 2.3 Estimation
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Repetition og eksamen T-test Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige
Læs mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mere1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ
Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen
Læs mere(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 20 sider. Skriftlig prøve: 15. december 2008 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs mereenote 5: Simpel lineær regressions analyse Kursus 02402/02323 Introducerende Statistik Oversigt
enote 5: Simpel lineær regressions analse Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression To variable: og Beregn mindstekvadraters estimat af ret linje Inferens med
Læs merePlot af B j + ǫ ij (Y ij µ α i )): σ 2 : within blocks variance. σb 2 : between blocks variance
Plot af B j + ǫ ij (Y ij µ α i )): Program: res 4 2 0 2 B1 B2 B3 B4 B5 1. vi starter med at gennemgå opgave 3 side 513. 2. nyt: to-sidet variansanalyse 1 2 3 4 5 block σ 2 : within blocks variance σb 2
Læs mereProgram. Modelkontrol og prædiktion. Multiple sammenligninger. Opgave 5.2: fosforkoncentration
Faculty of Life Sciences Program Modelkontrol og prædiktion Claus Ekstrøm E-mail: ekstrom@life.ku.dk Test af hypotese i ensidet variansanalyse F -tests og F -fordelingen. Multiple sammenligninger. Bonferroni-korrektion
Læs mereOpgavebesvarelse, brain weight
Opgavebesvarelse, brain weight (Matthews & Farewell: Using and Understanding Medical Statistics, 2nd. ed.) For 20 nyfødte mus er der i tabellen nedenfor anført oplysning om kuldstørrelsen (fra 3 til 12
Læs mereEpidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april
Århus 8. april 2011 Morten Frydenberg Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april Opgave 1 ( gruppe 1: sp 1-4, gruppe 5: sp 5-9 og gruppe 6: 10-14) I denne opgaveser vi på et
Læs mereLogistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Læs mereØkonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006
Dagens program Økonometri Den simple regressionsmodel 5. september 006 Den simple lineære regressionsmodel (Wooldridge kap.4-.6) Eksemplet fortsat: Løn og uddannelse på danske data Funktionel form Statistiske
Læs mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse
Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Institut for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression Regressionsanalyse Regressionsanalyser
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Normalfordelingen Statistik og Sandsynlighedsregning 2 Repetition og eksamen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige fejl på
Læs mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk
Eksempel: Systolisk blodtryk Udgangspunkt: Vi ønsker at prædiktere det systoliske blodtryk hos en gruppe af personer. Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Afdeling for Biostatistik.
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007 regressionsmodel 1 Dagens program Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5, E.2) Variansen
Læs mereØkonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006
Dagens program Økonometri Den multiple regressionsmodel 8. september 006 Opsamling af statistiske resultater om den simple lineære regressionsmodel (W kap..5). Den multiple lineære regressionsmodel (W
Læs mere12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse
. september 5 Epidemiologi og biostatistik. Forelæsning Uge, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression
Læs mereProgram. Logistisk regression. Eksempel: pesticider og møl. Odds og odds-ratios (igen)
Faculty of Life Sciences Program Logistisk regression Claus Ekstrøm E-mail: ekstrom@life.ku.dk Odds og odds-ratios igen Logistisk regression Estimation og inferens Modelkontrol Slide 2 Statistisk Dataanalyse
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2- test [ki-i-anden-test] Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination af
Læs mere(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 19 sider. Skriftlig prøve: 14. december 2013 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs mereLog-lineære modeller. Analyse af symmetriske sammenhænge mellem kategoriske variable. Ordinal information ignoreres.
Log-lineære modeller Analyse af symmetriske sammenhænge mellem kategoriske variable. Ordinal information ignoreres. Kontingenstabel Contingency: mulighed/tilfælde Kontingenstabel: antal observationer (frekvenser)
Læs mereOpsamling Modeltyper: Tabelanalyse Logistisk regression Generaliserede lineære modeller Log-lineære modeller
Opsamling Modeltyper: Tabelanalyse Logistisk regression Binær respons og kategorisk eller kontinuerte forklarende variable. Generaliserede lineære modeller Normalfordelt respons og kategoriske forklarende
Læs mere1. Lav en passende arbejdstegning, der illustrerer samtlige enkeltobservationer.
Vejledende besvarelse af hjemmeopgave Basal statistik, efterår 2008 En gruppe bestående af 45 patienter med reumatoid arthrit randomiseres til en af 6 mulige behandlinger, nemlig placebo, aspirin eller
Læs mereReeksamen i Statistik for biokemikere. Blok
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for biokemikere. Blok 2 2007-2008. 3 timers skriftlig prøve. Alle hjælpemidler - også blyant - er tilladt. Opgavesættet er
Læs mereDet kunne godt se ud til at ikke-rygere er ældre. Spredningen ser ud til at være nogenlunde ens i de to grupper.
1. Indlæs data. * HUSK at angive din egen placering af filen; data framing; infile '/home/sro00/mph2016/framing.txt' firstobs=2; input id sex age frw sbp sbp10 dbp chol cig chd yrschd death yrsdth cause;
Læs mereProgram: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større
Læs mereOpgave I.1 I.2 II.1 II.2 III.1 III.2 IV.1 V.1 VI.1 VI.2 Spørgsmål (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) Svar
Danmarks Tekniske Universitet Side 1 af 18 sider. Skriftlig prøve: 15. december 2006 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (navn) (underskrift)
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereTo-sidet varians analyse
To-sidet varians analyse Repetition En-sidet ANOVA Parvise sammenligninger, Tukey s test Model begrebet To-sidet ANOVA Tre-sidet ANOVA Blok design SPSS ANOVA - definition ANOVA (ANalysis Of VAriance),
Læs mereEksempel , opg. 2
Faktorer En faktor er en gruppering/inddeling af målinger/observationer pga. Tilsigtede variationer i en eller flere forsøgsparametre Nødvendige (potentielle) blok-effekter såsom gentagne målinger på samme
Læs mereTransparency International Danmark på Roskilde Festival 2018: Har indsatsen nyttet noget?
Transparency International Danmark på Roskilde Festival 2018: Har indsatsen nyttet noget? Udarbejdet af frivillige Frederik Carl Windfeld og Kim Alexander Byrial Juárez Jensen samt sekretariatet i Transparency
Læs mereOverlevelse efter AMI. Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Køn og alder betragtes som confoundere.
Overlevelse efter AMI Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Diabetes VF (Venticular fibrillation) WMI (Wall motion index) CHF (Cardiac Heart Failure) Køn og alder betragtes
Læs mereDagens Emner. Likelihood-metoden. MLE - fortsat MLE. Likelihood teori. Lineær regression (intro) Vi har, at
Likelihood teori Lineær regression (intro) Dagens Emner Likelihood-metoden M : X i N(µ,σ 2 ) hvor µ og σ 2 er ukendte Vi har, at L(µ,σ 2 1 ) = ( 2πσ 2)n/2 e 1 2 P n (xi µ)2 er tætheden som funktion af
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2 -test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2 -test [ki-i-anden-test] 1 Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination
Læs mereEksamen Bacheloruddannelsen i Medicin med industriel specialisering
Eksamen 2016 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 17-02-2015 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereModule 9: Residualanalyse
Mathematical Statistics ST6: Linear Models Bent Jørgensen og Pia Larsen Module 9: Residualanalyse 9 Rå residualer 92 Standardiserede residualer 3 93 Ensidig variansanalyse 4 94 Studentiserede residualer
Læs mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
Læs mereKvantitative metoder 2
Kvantitative metoder Heteroskedasticitet 11. april 007 KM: F18 1 Oversigt: Heteroskedasticitet OLS estimation under heteroskedasticitet (W.8.1-): Konsekvenser af heteroskedasticitet for OLS Gyldige test
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π
Læs mereMultipel regression 22. Maj, 2012
Data: Det færøske kviksølv-studie Simpel linær regression Confounding Multipel lineær regression Fortolkning af parametre Vekselvirkning Kollinearitet Modelkontrol Multipel regression 22. Maj, 2012 Esben
Læs mereØkonometri 1. Prediktion. Dummyvariabler 9. oktober Økonometri 1: F9 1
Økonometri 1 Prediktion. Dummyvariabler 9. oktober 2006 Økonometri 1: F9 1 Program frem til efterårsferien Om goodness-of-fit, prediktion og residualer (kap. 6.3-4) Kvalitative egenskaber i den multiple
Læs mere