Effektmåling. Iben Bolvig og Rasmus Højbjerg Jacobsen
|
|
- Birthe Ludvigsen
- 6 år siden
- Visninger:
Transkript
1 Effektmåling Iben Bolvig og Rasmus Højbjerg Jacobsen DES Årskonference, Comwell, Kolding
2 Kontaktoplysninger Iben Bolvig, seniorforsker, Rasmus Højbjerg Jacobsen, seniorforsker, 2
3 Program for seminaret DEL 1 Forståelsen af effekter hvad er en effekt? - Kausal ændring A -> B - Logik bag lodtrækningsforsøg PAUSE ca. 10 min DEL 2 Regression-analyse og IV-analyse - Hvad er problemer med en standard regressionsanalyse? - IV - principper, metoder og eksempler PAUSE ca. 10 min DEL 3 Regression discontinuity og Regression Kink - Hvilke antagelser er vigtige? - Principper og metoder 3
4 Hvorfor vil vi gerne effektmåle? Vi ønsker at vide, om en given indsats rent faktisk har haft den virkning, som var hensigten med indsatsen. Og vi vil også gerne sikre os, at indsatsen ikke har en skadelig virkning. 4
5 Hvorfor vil vi gerne effektmåle? Vi ønsker at vide, om en given indsats rent faktisk har haft den virkning, som var hensigten med indsatsen. Og vi vil også gerne sikre os, at indsatsen ikke har en skadelig virkning. EKSEMPEL: Vi vil gerne vide, om en iværksat indsats over for unge kriminelle har reduceret deres kriminalitet. 5
6 Hvad er en effekt? Når man taler om effekt, taler man også automatisk om kausalitet. At en indsats har en (positiv) effekt, betyder: 1) at de personer, der har fået indsatsen har oplevet et positivt skift, som de ikke ville have oplevet, hvis de ikke havde fået indsatsen 2) at det er indsatsens indhold, der har forårsaget det positive skift 6
7 Hvad er en effekt? Der er ofte mange tal i medier mm., som ikke er en effekt, fx Dette udsagn i sig selv siger ikke noget om effekt. 7
8 Hvad er en effekt? Der er ofte mange tal i medier mm., som ikke er en effekt, fx Dette udsagn i sig selv siger ikke noget om effekt. EKSEMPEL, fortsat: 2 pct. af alle årige har været mistænkt eller sigtet for noget kriminelt i 2015 (Justitsministeriet, 2016). 8
9 Hvad er en effekt? Det er altså kun en effekt, når vi kan tage højde for/vurdere, hvad der ville være sket, hvis der ikke havde været en indsats. Det er relativt nemt at finde ud af, om der er en statistisk sammenhæng (korrelation) imellem indsats og udfaldsmål. 9
10 Hvad er en effekt? Det er altså kun en effekt, når vi kan tage højde for/vurdere, hvad der ville være sket, hvis der ikke havde været en indsats. Det er relativt nemt at finde ud af, om der er en statistisk sammenhæng (korrelation) imellem indsats og udfaldsmål. MEN: 10
11 Hvad er en effekt? Dvs. man skal have en sammenligningsgruppe (et kontrafaktisk udfald) for at kunne fastslå en effekt. Sammenligningsgruppen kan dannes ud fra mange metoder, hvoraf vi skal se på nogen af dem i dag, fx - Før-efter-måling (man er sin egen sammenligning) - Matching - Lodtrækning - Etc. 11
12 Udfaldsmål I mange tilfælde vil udfaldsmålet for en effektmåling relativt let at bestemme: - Beskæftigelsesindsats - Medicinsk behandling - Stofmisbrugsbehandling Men nogle udfald lader sig ikke så let måle (fx trivsel), og i andre tilfælde kan der være intermediære udfald, som er vigtige at få med (måske især hvis der kan være tvivl om, hvorvidt endemålet vil blive nået). 12
13 EKSEMPEL: Vi vil gerne vide, om en iværksat indsats over for unge kriminelle har reduceret deres kriminalitet. Lad os forestille os, at der i 2010 blev iværksat en indsats over for unge kriminelle. Vi vil måle på, om deres kriminalitet er reduceret i Som udfaldsmål vælges fx: andelen af de unge kriminelle, der har begået ny kriminalitet i perioden
14 EKSEMPEL: Det vil ikke være nok at følge deltagerne over tid. Der har fx været et stort fald i anmeldte forbrydelser fra 2010 til 2015: Et fald i kriminalitet for deltagerne kunne altså lige så godt været forårsaget af det generelle fald i kriminaliteten. 14
15 EKSEMPEL: Ud over problemet med et fald i kriminaliteten over tid, er der også en klar sammenhæng imellem kriminalitet og alder: Måske er kriminaliteten blandt deltagerne ændret, blot fordi de er blevet ældre? 15
16 EKSEMPEL: I dette eksempel kunne man altså relativt let stå med en kvantitativ måling, der viser, at kriminaliteten er faldet for deltagerne. Så indsatsen må altså have været en succes? Nej, ikke nødvendigvis. Dette eksempel er et godt eksempel på, hvorfor en før-efter-måling ikke nødvendigvis giver et retvisende billede. Før-efter-måling kan ikke tage højde for faktorer, der ændrer sig over tid som fx alder og generelle tidstrends. Derfor rangerer før-efter-måling ikke så højt på evidensstigen. 16
17 Lodtrækningsforsøg Lodtrækningsforsøg (RCT randomized control trial) Idéen er simpel: 1. Identificer en gruppe af personer, der kan tilbydes en bestemt indsats/behandling. 2. For hver mulig deltager trækkes lod, om man skal have indsatsen eller ej. 3. Efter indsatsen måles, om der er forskel på udfaldet imellem indsatsgruppen og kontrolgruppen. 17
18 Lodtrækningsforsøg I princippet er der ingen systematiske forskelle imellem indsats- og kontrolgruppe i en lodtrækning (i hvert fald ikke, hvis gruppen er stor nok). Men det er ikke altid så nemt i praksis: - Problemer med randomiseringen, hvis den der trækker lod kender udfaldet af lodtrækningen. - Etiske problemer (skal man ikke tilbyde en gavnlig indsats til alle?) - Ex ante vs. ex post sammenligning (balancering) 18
19 EKSEMPEL: Hvordan vil man udføre lodtrækning i eksemplet? Flere mulige niveauer: - Individ - Afdelinger - Fængsler Afdeling/fængsel er måske nemmest i praksis, men det risikerer også let at give en ikke-balanceret sammenligning. 19
20 OPGAVER Opgave 1: Hvad vil I gerne måle effekt af? Opgave 2: Hvad er den kontrafaktiske situation? Opgave 3: Hvad er effektmålet? og hvordan måles det? Opgave 4: Vil man kunne gennemføre lodtrækning? Hvordan? 20
21 Effektmåling DEL 2 Iben Bolvig og Rasmus Højbjerg Jacobsen DES Læringsseminar, Comwell, Kolding,
22 Regressionsanalyse I checked it very thoroughly, said the computer, and that quite definitely is the answer. I think the problem, to be quite honest with you, is that you ve never actually known what the question is. Douglas Adams, The Hitchhiker.s Guide to the Galaxy (1979) (Angrist & Pischke, 2008) 22
23 Regressionsanalyse OLS regression yy ii = αα + ββxx ii + uu ii Beta viser hældningen på kurven Alfa viser niveauet på kurven. 23
24 Estimater β estimeres ved at minimere afstanden mellem datapunkterne og det estimerede output yy ββ og αα MMMMMM yy αα + ββxx 2 Dvs. regression giver den bedste lineær prædiktion af den afhængige variabel 24
25 Anvendelse af lineær regression i effektmåling Antag at deltagelse i indsatsen er tilfældig - betinget på et sæt af observerbare karakteristika. YY ii = αα + γγxx ii + ρρdd ii + μμ ii ρρ kan siges at estimere den kausale effekt, hvis deltagelsesbeslutningen er ukorreleret med μμ ii Med andre ord, der må ikke findes uobserverede karakteristika, der kan have betydning for deltagelse eller ikke-deltagelse og som samtidig påvirker output. 25
26 Long-run outcome of a Danish welfare-to-work experiment (Sofie Theilade Nyland Brodersen (2014)) 26
27 Problemer med udeladte variable Sand model: tttttttt ii = αα + ββ kkkkkkkkkkkkkkkkkkkkkkkkkkkkk ii +γγ eeeeeeee ii +uu ii Men vi kender ikke eeeeeeee ii, så den estimerede model: yy ii = αα + ββ kkkkkkkkkkkkkkkkkkkkkkkkkkkkk ii +εε ii Dvs. εε ii = γγ eeeeeeee ii + uu ii Er det et problem at E( εε ii ) 0? 27
28 Problem med udeladte variable Ja, hvis evne og klassestørrelse er korrelerede Min εε) = Min((γγ eeeeeeee ii + uu ii ) 2 ββ = ββ + CCCCCC(eeeeeeee,kkkkkkkkkkkkkkkkkkkkkkkkkkkkk) vvvvvv(kkkkkkkkkkkkkkkkkkkkkkkkkkkkk) Dvs. medmindre evne og klassestørrelse er uafhængige vil beta estimatet blive skævvredet. 28
29 Billedet kan ikke vises. TABLE 1 Unstandardized Coefficients From Linear Regression Analyses of Self-Reported Life Satisfaction in the 2000 American National Election Study. Napier J L, and Jost J T Psychological Science 2008;19: Copyright by Association for Psychological Science
30 Opgave Sæt jer sammen to og to og se på omdelte regressionsmodel Hvad viser estimaterne? Hvilken sammenhæng er der mellem elevernes familiebaggrund og deres karakterer? Hvad kan man sige om valg af forklarende variable? Kan regressionen sige hvad effekten af et skoleskift er på karakterniveaet? Hvad kan problemet være? 30
31 Instrument variabel metode Anything that happens, happens. Anything that, in happening, causes something else to happen, causes something else to happen. Anything that, in happening, causes itself to happen again, happens again. It doesn t necessarily do it in chronological order, though. Douglas Adams, Mostly Harmless (1992) (Angrist & Pischke, 2008) 31
32 Ideen bag Håndtering af problem med udeladt variable IV-metoden anvender instrumenter, der er stærkt korrelerede med variablen af interesse (den endogene variabel) og som samtidigt ikke er korreleret med den udeladte variabel. Dermed kan ββ estimeres uden at blive skævvredet. 32
33 Ideen bag Dvs. z påvirker kun y gennem x. 33
34 Modellen med instrument tttttttt ii = αα + ββ kkkkkkkkkkkkkkkkkkkkkkkkkkkkk ii +γγ eeeeeeee ii +uu ii Problem: vi har ikke data på evne Løsning: find et instrument, der er korreleret med klassestørrelse, men som ikke er korreleret med evne. Den første betingelse beskriver instrumentets styrke Ved lav korrelation/styrke er instrumentet evt. ikke stærkt nok til at identificere effekten Den anden betingelse er validitetsbetingelsen. Den SKAL være opfyldt for at metoden løser problemet. 34
35 Modellen med instrument Tænk over et muligt instrument, der er korreleret med klassestørrelse, men som ikke er korreleret med evne. Fx en reform, der ændrer klassekoefficienten Skolesammenlægning, der ændrer elevgrundlag 35
36 Et intuitivt eksempel beregning af effekten Betydning af uddannelsesniveau på lønnen. Problem: kompetencer er udeladt variabel, som både har betydning for uddannelsesniveau og løn. Vi bruger flytning af uddannelsesinstitutioner, som tilfældig variation, så: afstand til uddannelsesinstitution agerer instrument for uddannelsesniveau Dvs. ændring i afstand til uddannelsesinstitution påvirker uddannelsesniveauet (styrken af instrument) Men afstand til uddannelsesinstitution er ikke korreleret med kompetenceniveau (fordi afstand skyldes flytning af uddannelsessteder) 36
37 Et intuitivt eksempel beregning af effekten Beregning af sammenhængen: hvis 10 km længere afstand (z) vil sænke uddannelseslængden med 0,5 år Og 10 km længere afstand (z) vil sænke lønnen med kr. om året (y) 10 km 0,5 år? kr. et ekstra år i skole vil hæve lønnen med kr. om året. Svarende til =
38 Eksempel Angrist & Evans (1998). Children and their parents labor supply. Hvad er effekten af et ekstra barn på forældres udbud af arbejdskraft? Hvad kan det potentielle problem ved blot at estimere dette være? Udnytter variation i antal af børn som følge af mix af køn for de første to børn. 38
39 Angrist & Evans (1998). Children and their parents labor supply. 39
40 Angrist & Evans (1998). Children and their parents labor supply. Gns. Forskel i ssh. mellem første to af samme køn og første to af forskellig køn. zz YY zz xx 40
41 Angrist & Evans (1998). Children and their parents labor supply. Hvad siger estimaterne? Hvad skal man være opmærksom på ift. at generalisere resultatet? 41
42 Estimation i to niveauer (2SLS) I første stadie estimeres sammenhængen mellem instrumentet (fx en reform) og variablen af interesse (fx klassestørrelsen). Denne sammenhæng bruges til at beregne de forventede værdier af klassestørelse Forventede værdier fra stage 1: ss ii = XX ii ππ 10 + ππ 11 zz ii YY ii = XX ii αα + ρss ii + ηη ii + ρρ SS ii ss ii ρρ er konsistent så længe XX ii og ZZ ii er ukorrelerede med både ηη ii og SS ii ss ii 42
43 Two Stage Least Square Fordelen ved denne estimator er, at den kan håndtere flere instrumenter for hver variabel. ss ii = XX ii ππ 10 + ππ 11 zz 1ii + ππ 12 zz 2ii + ππ 13 zz 3ii + ξξ 1ii Fx dummies for fødselsdag i første anden og tredje måned, jf. efterlønsordningen. 43
44 Valg af instrumenter Der gælder som nævnt følgende krav for valide instrumenter (z): 1. Z er ukorreleret med de udeladte variable (og dermed ηη) 2. Z er korreleret med den endogene variabel (klassestørrelse) 3. Z er hellere stærkt korreleret med klassestørrelse end svagt korreleret. 44
45 Valg af instrumenter Se på de teoretiske sammenhænge giver det mening? Anvend, hvis der er en reform eller andet chok, der kan udnyttes. Ellers, anvend fx 2. og 3. ordens sammenhænge, dvs. xx 2 eller xx 3 Anvend interaktioner af modelens øvrige variable fx kkkkk aaaaaaaaaaaaaa (mænds afstand til uddannelse har større betydning end kvinders, mens der ikke er forskel i afstandens betydning for lønnen mellem de to køn). 45
46 Test af instrument Relevanskriteriet (er instrumentet korreleret med variablen af betydning) kan testes i 1. stage modellen. Mens validitetskriteriet (er instrumentet ukorreleret med alle andre betydende variable) kun kan testes, hvis antal instrumenter > antal endogene variable (overidentificeret). 46
47 Test af instrumenter Test af validitet kun muligt med flere instrumenter Sargan s test for overidentificerede restriktioner Overordnet tommelfingerregel for relevans af instrumenter er en F-statistik i 1. stage >10. MEN selv med dette opfyldt kan der vise sig at være svage instrumenter i modellen. Desuden: Anderson s rank-test (rangen af Z matricen) eller Stock & Yogo s test af relative bias Alle test kan findes i Stata. Svage og mange instrumenter kan føre til bias lige stor som OLS bias! 47
48 5 gode råd 1. Angiv 1. stage og tænk over om det giver mening! Er retning og størrelse af estimatet som forventet? - hvis ikke er din hypotese måske ikke sand og du har måske bare været heldig! 48
49 5 gode råd 2. Rapporter F-statistikken for instrumenterne. Jo større denne er, jo bedre. Forslag F>10, men ikke en sikker regel. 49
50 5 gode råd 3. Vælg dit bedste instrument og rapporter estimater baseret kun på dette instrument. Præcis-identificeret IV er langt bedre end at bruge en stribe svage instrumenter. 50
51 5 gode råd 4. Undersøg koefficienter, t-statistik og F-statistik i regression af de afhængige variable på instrumenterne (dvs Y på Z). Estimaterne i denne reducerede form er proportionale med den kausale sammenhæng af interesse. Hvis du ikke kan finde en reduceret sammenhæng, så findes den kausale sammenhæng nok heller ikke! (fx ingen sammenhæng ml. løn og afstand til uddannelsesinstitution). 51
52 5 gode råd 5. Brug altid statistik software! 52
53 Estimation i Stata Brug standard software programmer der er mange fordele, fx korrigerede standard afvigelser undgår du fejl i de fittede værdier robusthedstjek med forskellige specifikationer (IV, 2SLS, GMM, LIML) test af relevans og overidentifikation. ivreg2 depvar varlist1 (varlist2=varlist_iv) Hvor depvar=y, varlist1=exogene forklarende variable, varlist2=endogene variable, varlist_iv=instrument variable. 53
54 Effektmåling DEL 3 Iben Bolvig og Rasmus Højbjerg Jacobsen DES Læringsseminar, Comwell, Kolding,
55 Regression discontinuity (RD) Grundlæggende er RD en kvasieksperimentel metode, dvs. - vi vil gerne opnå nogle af de samme statistiske egenskaber som en lodtrækning - der bliver ikke foretaget lodtrækning Idéen er, at der findes en underlæggende allokeringsvariabel, som påvirker individets deltagelse i en indsats, men hvor der ved en given tærskelværdi er forskel på, om man får indsatsen eller ej. Denne variabel kaldes også forcing -variablen. 55
56 Regression discotinuity Det er vigtigt, at allokeringsvariablen er uafhængig af udfaldsvariablen. Allokeringsvariablen kan fx være alder, testscore, geografiske grænser mv. Typisk er det sådan, at hvis D angiver deltagelse, så 0 hvvvvvv xx cc DD = 1 hvvvvvv xx > cc hvor c er tærskelværdien for allokeringsvariablen. 56
57 Regression discontinuity Eksempel (Lalive, 2008): Østrig indførte et program, der tildelte personer over 50 år ret til længere arbejdsløshedsunderstøttelse: 57
58 Regression discontinuity Generelt findes sådanne diskontinuiteter inden for - Skattesystemet - Offentlige overførsler - Skolesystemet Det er relativt let at se, om der er en ikke-kontinuitet ved at lave en figur, hvor allokeringsvariablen er på X-aksen og udfaldsvariablen er på Y- aksen. 58
59 Regression discontinuity Det er vigtigt, at - personerne ikke har fuld kontrol over, om de befinder sig på den ene eller den anden side af grænsen. Oftest vil fx skattesystemet kunne give incitamenter til at vælge, hvis man kan. Hvis denne antagelse er opfyldt, er der imidlertid store fordele ved RD: - Allokeringen til indsats/kontrol er helt tilfældig lige omkring tærskelpunktet. Det svarer til lodtrækning. - Man kan teste, om antagelsen om tilfældighed er opfyldt. Hvis den er det, må der ikke være systematisk variation imellem indsats- og kontrolgruppe. - Metoden kan (som et startpunkt) let lade sig fremstille i en grafisk præsentation. MEN: det siger ikke noget om effekt. 59
60 Regression discontinuity En måde at undersøge, om individerne på hver side af tærskelværdien er tilfældigt fordel, er ved at lave graf med allokeringsvariablen på X-aksen og forklarende baggrundsvariable (fx køn, alder, uddannelse osv.) på Y- aksen. Disse må ikke vise et spring ved tærskelværdien. Figur fra Lalive (2008), andel gifte som funktion af alder. Man skal huske at teste statistisk! 60
61 Estimation af RD Ved en simpel lineær ikke-kontinuitet estimeres RD ved en ligning som denne ved en ikke-parametrisk estimation YY = αα + ττττ + ββ 1 XX cc + ββ 2 DD XX cc + uu Her er τ den variabel, vi er interesseret i. Ved estimation vælges en båndbredde på hver side af tærskelværdien, c. 61
62 Fortolkning af RD-estimater Der er to mulige fortolkninger af RD-estimatoren: 1. Hvis man finder en effekt ved tærskelværdien, så gælder den effekt, der observeres kun for individer med værdier meget tæt på tærskelværdien, fx for elever med en testscore tæt på værdien. 2. Estimatet kan fortolkes som en mere bred effekt af deltagelse ved at se estimatet som en vægtet værdi, med højere vægt, jo tættere man er på tærskelværdien. 62
63 Regression discontinuity Uanset, om effekten kan fortolkes lidt bredere, så vil RD estimatoren kun kunne sige meget lidt om effekten væk fra tærskelværdien. Dette er fælles med lodtrækningsforsøg og andre kvasieksperimentelle metoder som fx matching. 63
64 Regression kink design Regression kink design er et specialtilfælde af regression discontinuity, hvor der i stedet for en ikke-kontinuitet er et knæk for den variabel, der undersøges. Dvs. der er en ikke-kontinuitet i de første afledede mht. forcing variablen: Fx viser Simonsen et al. (2015): Totale omkostninger ved receptpligtig medicin. 64
65 Afsluttende pointer om RD og RK 1. Lav altid en grafisk præsentation og inspektion. Dette giver en god idé om, hvorvidt der er en ikke-kontinuitet, og om hvilken form denne har. Er den fx lineær eller ikke-lineær? 2. Er der visuelt et tegn på, at der optræder en effekt ved tærskelværdien? Dvs. er der forskel på, hvordan individer på hver side af grænsen optræder? Hvis ikke, så er der næppe nogen effekt. 3. Husk altid at teste for, om grupperne på hver side af tærsklen er ens. Man kan evt. starte med en grafisk test. 65
66 Eksempler på RD i Danmark Skolestart: Efter reglerne skal man starte i skole i det år, man fylder 6 år. Derfor vil der være nogle, der er født lige omkring d. 1. januar, som enten starter i skole eller ikke gør det (Simonsen et al., 2015). Efterløn: Under indfasning af efterlønsreformen var der aldersgrænser for, om man var berettiget til efterløn eller ej. Jobpræmie: Ledige, der havde været ledige mere end 47 uger kunne få en præmie på op til 4% af jobbets månedsløn (Kolodziejczyk og Arendt, 2017). Geografi: Visse udkantskommuner har forhøjet befordringsfradrag for pendlere. 66
67 Opgaver Opgave 1: Kan I tænke på nogen mulige diskontinuiteter inden for de områder, I normalt beskæftiger jer med? Opgave 2: Hvordan vil I undersøge, om antagelserne til RD er opfyldt? Opgave 3: Tror I individerne vil kunne påvirke deres allokering på den ene eller den anden side af tærskelværdien? 67
ALTERNATIVER TIL RANDOMISEREDE KONTROLLEREDE FORSØG: Mikro-økonometriske metoder. Jan Høgelund
ALTERNATIVER TIL RANDOMISEREDE KONTROLLEREDE FORSØG: Mikro-økonometriske metoder Jan Høgelund INDHOLD Introduktion Skitsering af udvalgte metoder med eksempler, styrker og svagheder Regressionsanalyse
Læs mereKommunale data og økonomiske analyser Hvilke muligheder er der i de kommunale data for at måle effekt (og omkostningseffektivitet?
Kommunale data og økonomiske analyser Hvilke muligheder er der i de kommunale data for at måle effekt (og omkostningseffektivitet?) Professor Dorte Gyrd-Hansen Leder, Center for Sundhedsøkonomisk Forskning
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 mereHVAD ER EN EFFEKTMÅLING? Mette Deding
HVAD ER EN EFFEKTMÅLING? Mette Deding TILFREDSHEDSUNDERSØGELSER OG EFTERMÅLINGER 90% af dem, der modtog behandlingen var tilfredse eller meget tilfredse men det siger ikke noget om effekten 75% af dem,
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 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 mereConnie Nielsen Peter Thisted Dinesen Lars Benjaminsen Jens Bonke INTRODUKTION TIL EFFEKT- MÅLING AF SATSPULJEPROJEKTER
Connie Nielsen Peter Thisted Dinesen Lars Benjaminsen Jens Bonke INTRODUKTION TIL EFFEKT- MÅLING AF SATSPULJEPROJEKTER INTRODUKTION TIL EFFEKTMÅLING AF SATSPULJEPROJEKTER Peter Thisted Dinesen Connie Nielsen
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 mereEFFEKTMÅLING AF SOCIALE INDSATSER
EFFEKTMÅLING AF SOCIALE INDSATSER MAIKEN PONTOPPIDAN SFI DET NATIONALE FORSKNINGSCENTER FOR VELFÆRD MEGET BRUGTE ORD Effekt Evidens Dokumentation Krav om effekt og dokumentation fylder meget i kommuner,
Læs mereBILAG 2 METODE OG FORSK- NINGSDESIGN
Til Undervisningsministeriet Dokumenttype Bilag Dato Marts 2014 BILAG 2 METODE OG FORSK- NINGSDESIGN BILAG 2 METODE OG FORSKNINGSDESIGN INDHOLD 1. Design- og metodebilag 1 1.1 Forskningsdesign 1 1.2 Analysemetoder
Læs mereHver anden vil benytte øget åbningstid i dagtilbud
Børnefamiliers dagtilbud og arbejdsliv 17. maj 18 Hver anden vil benytte øget åbningstid i dagtilbud Halvdelen af alle lønmodtagere med børn mellem -13 år ville benytte sig af udvidede åbningstider i deres
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007 KM2: F22 1 Program Specifikation og dataproblemer, fortsat (Wooldridge kap. 9): Betydning af målefejl Dataudvælgelse: Manglende observationer
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 mereDansk Erhvervs gymnasieeffekt - sådan gør vi
Dansk Erhvervs gymnasieeffekt - sådan gør vi FORMÅL Formålet har været at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge blot ved at
Læs mereDansk Erhvervs gymnasieanalyse Sådan gør vi
METODENOTAT Dansk Erhvervs gymnasieanalyse Sådan gør vi FORMÅL Formålet med analysen er at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge
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 mereKapitel 11 Lineær regression
Kapitel 11 Lineær regression Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 1 Indledning Vi modellerer en afhængig variabel (responset) på baggrund af en uafhængig variabel (stimulus),
Læs mereØkonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2
Økonometri 1 Den simple regressionsmodel 11. september 2006 Dagens program Den simple regressionsmodel SLR : Én forklarende variabel (Wooldridge kap. 2.1-2.4) Motivation for gennemgangen af SLR Definition
Læs mereStatistisk modellering og regressionsanalyse
Statistisk modellering og regressionsanalyse Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Oktober 25, 2018 Slides @ biostatistics.dk/talks/ 1 2 Hvad er statistik? Statistics is a science, not
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 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 mereReeksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl
Reeksamen 2018 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 13-08-2018 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereØkonometri 1. Dagens program: Afslutningsforelæsning 23. maj 2007
Dagens program: Økonometri 1 Afslutningsforelæsning 23. maj 2007 6-trins procedure til IV estimation. Afrunding af IV: Rygning og fødselsvægt. Afrunding og perspektivering af Kvant 2. Opfølgning af introduktionsforelæsningen.
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
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 mereKvantitative metoder 2
Kvantitative metoder 2 Specifikation og dataproblemer 30. april 2007 KM2: F21 1 Program for de to næste forelæsninger Emnet er specifikation og dataproblemer (Wooldridge kap. 9) Fejlleddet kan være korreleret
Læs mereINTRODUKTION TIL KVANTITATIV EVALUERING. Helle Hansen, SFI Tine Lesner, Socialstyrelsen
INTRODUKTION TIL KVANTITATIV EVALUERING Helle Hansen, SFI Tine Lesner, Socialstyrelsen PROGRAM 10.00-10.45 Velkomst Hvad er randomiserede kontrollerede forsøg? - Når det går godt og når det går knap så
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 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 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 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 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 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 mereOrdbog om effektma ling
Ordbog om effektma ling Indhold Allokering... 2 Andre forskningsdesign med kontrolgruppe... 2 Andre forskningsdesign uden kontrolgruppe... 2 Campbell-samarbejdet... 3 Dokumentation... 3 Effektmåling...
Læs mereFokus på Forsyning. Datagrundlag og metode
Fokus på Forsyning I notatet gennemgås datagrundlaget for brancheanalysen af forsyningssektoren sammen med variable, regressionsmodellen og tilhørende tests. Slutteligt sammenfattes analysens resultater
Læs mereKvantitative metoder 2
Kvalitative egenskaber og dummyvariabler Kvantitative metoder 2 Dummyvariabler 28. marts 2007 Vi har (hovedsagligt) set på kvantitative variabler (løn, priser, forbrug, indkomst, )... Men hvad med kvalitative
Læs mereØkonometri 1. Kvalitative variabler. Kvalitative variabler. Dagens program. Kvalitative variable 8. marts 2006
Dagens program Økonometri 1 Kvalitative variable 8. marts 2006 Kvalitative variabler som forklarende variabler i en lineær regressionsmodel (Wooldridge kap. 7.1-7.4) Kvalitative variabler generelt Dummy
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 mereVIDEN PÅ TVÆRS AF EFFEKTDESIGN METTE DEDING, SFI CAMPBELL
VIDEN PÅ TVÆRS AF EFFEKTDESIGN METTE DEDING, SFI CAMPBELL PRIMÆR VS. SEKUNDÆR EFFEKTFORSKNING Primær effektforskning Studium af grunddata. Undersøgelsesdesign afhænger af problemstilling og datamuligheder.
Læs mereØkonometri 1. Målsætning for Økonometri 1. Dagens program: Afslutningsforelæsning 16. December 2005
Dagens program: Økonometri 1 Afrunding og perspektivering af Økonometri 1. Opfølgning af introduktionsforelæsningen. Wooldridge, kapitel 19: Carrying out an Empirical Project Oversigt over økonometriske
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 Efterår 2006 Ugeseddel 11
Økonometri 1 Efterår 2006 Ugeseddel 11 Program for øvelserne: Gruppearbejde og plenumdiskussion Introduktion til SAS øvelser SAS øvelser Øvelsesopgave: Paneldata estimation Sammenhængen mellem alder og
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 mereWooldridge, kapitel 19: Carrying out an Empirical Project. Information og spørgsmål vedr. eksamen. Økonometri 1: Afslutningsforelæsning 2
Økonometri 1 Afslutningsforelæsning 19. maj 2003 Økonometri 1: Afslutningsforelæsning 1 Evalueringer Kun 23 har udfyldt evalueringsskemaerne ud af ca. 120 tilmeldte til eksamen Resultatet kan ses på hjemmesiden
Læs mereBEREGNING AF SOCIAL VÆRDI. hvilke resultater kan sammenlignes?
BEREGNING AF SOCIAL VÆRDI hvilke resultater kan sammenlignes? En fælles ramme I Danmark bruger vi hvert år milliarder af kroner på at skabe sociale forandringer. Det skal vi have mest muligt ud af. Derfor
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 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 mereSammenhængen mellem elevernes trivsel og elevernes nationale testresultater.
Sammenhængen mellem elevernes trivsel og elevernes nationale testresultater. 1 Sammenfatning Der er en statistisk signifikant positiv sammenhæng mellem opnåelse af et godt testresultat og elevernes oplevede
Læs mereStatistik II 1. Lektion. Analyse af kontingenstabeller
Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression
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 mereBILAG 2 DESIGN OG METODE- BILAG
Til Undervisningsministeriet Dokumenttype Bilag Dato August 2014 BILAG 2 DESIGN OG METODE- BILAG BILAG 2 DESIGN OG METODEBILAG INDHOLD Design- og metodebilag Error! Bookmark not defined.1 1.1 Forskningsdesign
Læs mereDansk Erhvervs gymnasieeffekt - sådan gjorde vi
Dansk Erhvervs gymnasieeffekt - sådan gjorde vi INDHOLD Formålet har været at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge blot ved
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 mereBILAG 2 METODE OG FORSKNINGSDESIGN
Til Undervisningsministeriet Dokumenttype Bilag Dato August 2014 BILAG 2 METODE OG FORSKNINGSDESIGN BILAG 2 FORSKNINGSDESIGN INDHOLD 1. Design- og metodebilag 1 1.1 Forskningsdesign 1 1.2 Analysemetoder
Læs mereBetydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere
DET ØKONOMISKE RÅD S E K R E T A R I A T E T d. 20. maj 2005 SG Betydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere Baggrundsnotat vedr. Dansk Økonomi, forår 2005, kapitel
Læs mereBilag S.1: Beskrivelse af beregningen af koefficienten på indvandrerbaggrund
Bilag S.1: Beskrivelse af beregningen af koefficienten på indvandrerbaggrund Det er kun i model (1) i artiklen, at den gennemsnitlige betydning af at have indvandrerbaggrund (α 1 ) direkte kan estimeres.
Læs mereModule 3: Statistiske modeller
Department of Statistics ST502: Statistisk modellering Pia Veldt Larsen Module 3: Statistiske modeller 31 ANOVA 1 32 Variabelselektion 4 321 Multipel determinationskoefficient 5 322 Variabelselektion med
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 mereLøsning til eksaminen d. 29. maj 2009
DTU Informatik 02402 Introduktion til Statistik 20-2-01 LFF/lff Løsning til eksaminen d. 29. maj 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mere! Husk at udfylde spørgeskema 3. ! Lineær sandsynlighedsmodel. ! Eksempel. ! Mere om evaluering og selvselektion
Dagens program Økonometri 1 Dummy variable 4. marts 003 Emnet for denne forelæsning er kvalitative variable i den multiple regressionsmodel (Wooldridge kap. 7.5-7.6+8.1)! Husk at udfylde spørgeskema 3!
Læs mereSidste gang: One-way(ensidet)/one-factor ANOVA I dag: Two-factor ANOVA (Analysis of variance) Two-factor ANOVA med interaktion
VARIANSANALYSE 2 Sidste gang: One-way(ensidet)/one-factor ANOVA I dag: (Analysis of variance) med interaktion Problem: Hvordan håndterer vi forsøg, hvor effekten er forårsaget af to faktorer og en evt.
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 mereModul 12: Regression og korrelation
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 12: Regression og korrelation 12.1 Sammenligning af to regressionslinier........................ 1 12.1.1 Test for ens hældning............................
Læs mereStatistik II 4. Lektion. Logistisk regression
Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:
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 mereKvantitative metoder 2
Gentagne tværsnit og paneldata Kvantitative metoder 2 Gentagne tværsnit og panel data II 9. maj 2007 I dag: To-periode panel data: Følger de samme individer over to perioder (13.3-4) Unobserved effects
Læs mere! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet
Dagens program Økonometri Den multiple regressionsmodel 4. februar 003 regressionsmodel Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5)! Opsamling fra sidst
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 mereArbejdsløshed, arbejdsløshedsforsikring og konjunktursvingninger?
Arbejdsløshed, arbejdsløshedsforsikring og konjunktursvingninger? Mette Ejrnæs og Stefan Hochguertel EPRN konference 19. juni 2015 19. juni 2015 1 / 25 Motivation I Danmark har vi en arbejdsløshedsforsikringsordning
Læs mere1 Hb SS Hb Sβ Hb SC = , (s = )
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.
Læs mereDILEMMAERNE I LODTRÆKNINGSFORSØG - PÅ DET SOCIALE OMRÅDE MAIKEN PONTOPPIDAN, SFI INGE HAUCH, HOLSTEBRO KOMMUNE
DILEMMAERNE I LODTRÆKNINGSFORSØG - PÅ DET SOCIALE OMRÅDE MAIKEN PONTOPPIDAN, SFI INGE HAUCH, HOLSTEBRO KOMMUNE DISPOSITION Præsentation af deltagere RCT og etiske dilemmaer - Maiken Praktiske erfaringer
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 mereHVAD VIRKER I SOCIAL FOREBYGGELSE? METTE DEDING, SFI CAMPBELL
HVAD VIRKER I SOCIAL FOREBYGGELSE? METTE DEDING, SFI CAMPBELL DISPOSITION 1. INTRODUKTION 2. EFFEKTMÅLING RANDOMISEREDE KONTROLLEREDE FORSØG 3. VIDEN FRA DANMARK OG SKANDINAVIEN 4. EFFEKTMÅLING I TIDEN
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 mereEffektmåling 1. Mere attraktive almene boliger?
Effektmåling 1 Mere attraktive almene boliger? Effektevaluering af Omprioriteringsloven 2000 Effektmålinger Formål med pjecerne Der er i dag et stigende fokus på effekterne af de offentlige indsatser,
Læs mereEffekten af indvandring på indfødte danskeres løn og beskæftigelse
d. 22.05.2017 Brian Krogh Graversen (DØRS) Effekten af indvandring på indfødte danskeres løn og beskæftigelse I kapitlet Udenlandsk arbejdskraft i Dansk Økonomi, forår 2017 analyseres det, hvordan indvandringen
Læs mereØkonometri 1. Oversigt. Mere om dataproblemer Gentagne tværsnit og panel data I
Oversigt Økonometri 1 Mere om dataproblemer Gentagne tværsnit og panel data I Info om prøveeksamen Mere om proxyvariabler og målefejl fra sidste gang. Selektion og dataproblemer Intro til nyt emne: Observationer
Læs mereUndervisningsnoter til øvelse i Panel Modeller. %, it. E(x kjs
4 I afsnit 3 beskæftigede vi os med 1EC modellen og viste, hvordan den kunne estimereres med FGLS - bla under forudsætning af, at det individspecifikke stokastiske led er ukorreleret med de forklarende
Læs mereHvordan kan man evaluere effekt?
Hvordan kan man evaluere effekt? Dato 26.01.2012 Dette notat giver en kort introduktion til to tilgange til effektevaluering, som er fremherskende på det sociale område: den eksperimentelle og den processuelle
Læs mere! Proxy variable. ! Målefejl. ! Manglende observationer. ! Dataudvælgelse. ! Ekstreme observationer. ! Eksempel: Lønrelation (på US data)
Dagens program Økonometri 1 Specifikation, og dataproblemer 10. april 003 Emnet for denne forelæsning er specifikation (Wooldridge kap. 9.-9.4)! Proxy variable! Målefejl! Manglende observationer! Dataudvælgelse!
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 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 mereEksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet
Eksamen ved Københavns Universitet i Kvantitative forskningsmetoder Det Samfundsvidenskabelige Fakultet 14. december 2011 Eksamensnummer: 5 14. december 2011 Side 1 af 6 1) Af boxplottet kan man aflæse,
Læs mereDe variable, som er inkluderet i de forskellige modeller, er følgende:
DUL II. Undersøgelse af hvilke faktorer, der er væsentlige for at understøtte, at der er klare og veltilrettelagte mål tilstede i arbejdet med elevernes læring Følgende er en statistisk analyse af ovenstående
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 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 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 merePhD-kursus i Basal Biostatistik, efterår 2006 Dag 2, onsdag den 13. september 2006
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 2, onsdag den 13. september 2006 I dag: To stikprøver fra en normalfordeling, ikke-parametriske metoder og beregning af stikprøvestørrelse Eksempel: Fiskeolie
Læs mereOverordnet set skelnes der mellem to former for mobilitet: Geografisk og faglig mobilitet.
Geografisk mobilitet 1. Indledning En mobil arbejdsstyrke er afgørende for et velfungerende arbejdsmarked. Mobilitet viser sig ved, at den enkelte lønmodtager er villig og i stand til at søge beskæftigelse
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 mereEpidemiologi og Biostatistik
Kapitel 1, Kliniske målinger Epidemiologi og Biostatistik Introduktion til skilder (varianskomponenter) måleusikkerhed sammenligning af målemetoder Mogens Erlandsen, Institut for Biostatistik Uge, torsdag
Læs mereReferat : af Gruppearbejde Økonometri1 øvelsestime ugeseddel 7 dato 26/3 2003, Hold 4
Referat : af Gruppearbejde Økonometri1 øvelsestime ugeseddel 7 dato 26/3 2003, Hold 4 Spm1 Den udvidede model med de to strukturelle variable sk og sh: g i (60-00) = B 0 + B 1 *log(y i ) + B 2 [ log(sk
Læs mereØkonometri 1 Forår 2006 Ugeseddel 11
Økonometri 1 Forår 2006 Ugeseddel 11 Program for øvelserne: Gruppearbejde og plenumdiskussion Introduktion til SAS øvelser SAS øvelser Øvelsesopgave 5: Paneldata estimation af indkomstligninger på danske
Læs mereSUPPLEMENT TIL EVALUERING AF DE NATIONALE TEST RAPPORT
Til Undervisningsministeriet (Kvalitets- og Tilsynsstyrelsen) Dokumenttype Rapport Dato August 2014 SUPPLEMENT TIL EVALUERING AF DE NATIONALE TEST RAPPORT NATIONALE TEST RAPPORT INDHOLD 1. Indledning og
Læs mereAnalyse 20. august 2015
Analyse 20. august 2015 Lukning af kaserner har ikke været forbundet med tab af lokale private eller offentlige arbejdspladser uden for forsvaret Af Kristian Thor Jakobsen, Nicolai Kaarsen og Edith Madsen
Læs mereLineær og logistisk regression
Faculty of Health Sciences Lineær og logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Dagens program Lineær regression
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 mereTema: Kommunal variation i tilkendelse af førtidspension i 2008
Tema: Kommunal variation i tilkendelse af førtidspension i 2008 Der er stor variation i, hvor mange førtidspensioner kommunerne har tilkendt i 2008. Nogle kommuner har tilkendt én eller derunder pr. 1.000
Læs mereUNDERVISNINGSEFFEKT-MODELLEN 2006 METODE OG RESULTATER
UNDERVISNINGSEFFEKT-MODELLEN 2006 METODE OG RESULTATER Undervisningseffekten udregnes som forskellen mellem den forventede og den faktiske karakter i 9. klasses afgangsprøve. Undervisningseffekten udregnes
Læs mere1 Multipel lineær regression
1 Multipel lineær regression Regression med 2 eksponeringsvariable Fortolkning og estimation AnovaTabel og multipel R 2 Ensidet variansanalyse: Dummy kodning Kovariansanalyse og effektmodifikation Tosidet
Læs mere