Opgave 1: Regressionsanalyse

Relaterede dokumenter
Dagens forelæsning. Claus Munk. kap. 4. Arbitrage. Obligationsprisfastsættelse. Ingen-Arbitrage princippet. Illustration af arbitrage

Taylors Formel og Rækkeudviklinger

Projekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning

Institut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 4

Test i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!

Uge 40 I Teoretisk Statistik, 30. september 2003

Statistik og Sandsynlighedsregning 2. IH kapitel 12. Overheads til forelæsninger, mandag 6. uge

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Nanostatistik: Lineær regression

Statistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Statistik og Sandsynlighedsregning 2

Praktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.

Sætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET MATEMATISK FINANSIERINGSTEORI

Sandsynlighedsteori 1.2 og 2 Uge 5.

Løsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)

antal gange krone sker i første n kast = n

Estimation ved momentmetoden. Estimation af middelværdiparameter

n r x rs x r = 1 n r s=1 (x rs x r ) 2, s=1

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen

Økonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19

Generelle lineære modeller

Funktionel form for effektivitetsindeks i det nye forbrugssystem

Den lineære normale model

hvor a og b er konstanter. Ved middelværdidannelse fås videre

Trin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse

Landmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8

Den flerdimensionale normalfordeling

Antag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.

Kvantitative Metoder 1 - Forår Dagens program

Regressions modeller Hvad regresserer vi på og hvorfor? Anders Stockmarr Axelborg statistikgruppe 6/

Statistik og Sandsynlighedsregning 2

Motivation. En tegning

1. Undersøg om den nye astma-medicin har en signifikant virkning.

2 Separation af de variable. 4 Eksistens- og entydighed af løsninger. 5 Ligevægt og stabilitet. 6 En model for forrentning af kapital med udtræk

Områdeestimator. X x. P θ. ν θ. Θ C(x) En områdeestimator er en afbildning C : X P(Θ). . p.1/30

Statistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion

MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som

6 Populære fordelinger

Program. Statistisk inferens En enkelt stikprøve og lineær regression Stat. modeller, estimation og konfidensintervaller. Fordeling af gennemsnit

Multipel regression. Data fra opgave 3 side 453: Multipel regressionsmodel: Y = α + β 1 x 1 + β 2 x 2 + ǫ. hvor ǫ N(0, σ 2 ).

Kvantitative Metoder 1 - Efterår Dagens program

Nogle Asymptotiske Resultater. Jens Ledet Jensen Matematisk Institut, Aarhus Universitet. 1 Indledning 1

Bedste rette linje ved mindste kvadraters metode

Uge 10 Teoretisk Statistik 1. marts 2004

β = SDD xt SSD t σ 2 s 2 02 = SSD 02 f 02 i=1

Statistik og Sandsynlighedsregning 2

Den lineære normale model

Løsninger til kapitel 7

Program. Residualanalyse Flersidet variansanalyse. Opgave BK.15. Modelkontrol: residualplot

Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Elementær sandsynlighedsregning

Huseftersynsordningen plus, minus ti år -

Lineær regression i SAS. Lineær regression i SAS p.1/20

BEVISER TIL KAPITEL 7

EKSAMEN Flerdimensional Analyse Sommer sider

Tema. Dagens tema: Indfør centrale statistiske begreber.

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller

Elementær sandsynlighedsregning

Hypotesetest. Hypotesetest og kritiske værdier Type 1 og Type 2 fejl Styrken af en test Sammenligning af to populationer

Vejledende besvarelser til opgaver i kapitel 15

Module 1: Lineære modeller og lineær algebra

Motivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser

vejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.

CIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: PQ. juli 200Z Kursus nr : (navn) (underskrift) (bord nr)

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.

Beregning af prisindeks for ejendomssalg

Statistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer

hvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i

Uge 43 I Teoretisk Statistik, 21. oktober Forudsigelser

Formelsamling til statistik-del af metodekursus, 4. semester, lægevidenskab Version 3 (26/9-2011)

6.7 Capital Asset Pricing Modellen

Løsning til eksaminen d. 29. maj 2009

Program. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger

Kvalitetsmål til On-line algoritmer

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Hvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05

Løsning eksamen d. 15. december 2008

Teoretisk Statistik, 18. november Stikprøveteori: hvor er vi, og hvor skal vi hen? Proportional allokering Optimal allokering

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.

Matematisk Modellering 1 Cheat Sheet

Fortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

Perspektiver i Matematik-Økonomi: Linær regression

DesignMat Uge 8 Integration og elementære funktioner

Dagens Emner. Likelihood-metoden. MLE - fortsat MLE. Likelihood teori. Lineær regression (intro) Vi har, at

Statistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!

Statistiske Modeller 1: Notat 1

Facitliste til nyere eksamensopgaver

DiploMat Løsninger til 4-timersprøven 4/6 2004

MÅLESTOKSFORHOLD HFB 2012 / 13. Målestoksforhold OP SL AG. Byggecentrum

Outline. Chapter 6: (cont d) Qijin Chen. November 21, 2013 NH = =6 CH = 15 4

Transkript:

Opgave : Regressiosaalyse La u, x,..., u, x være par af reelle al. Vi skal u besemme e ree liie, er passer bes me isse alpar i e forsa a summe x s α βu s miimeres. Ma fier alså e liie, x ˆα + ˆβu, for hvilke summe af kvaraere på pukeres loree afsa il liie er mis mulig. Dee kales mise kvaraers meoe. a Vi aager a ikke alle u ere er es, og a u s 0. Vi skal vise, a liie, er besemmes ve mise kvaraers meoe, er give ve ˆα x s α βu s i x i ˆβ x su s u s x s αx s + α βu s x s + αβu s + β u s x s α + βu s x s + β u s + αβ u s, hvor e bemærkes, a e sise le er ul. Vi skal prøve a miimere e o summer. De bemærkes, a begge er glae parabler, alså har miimum, hvor e aflee er ul. Vi iffereierer alså mh. hhv. α og β. α β x s α βu s x s + β u s De vil sige: 0 ˆβ α x s α α x s α u s x s + βu s β 0 ˆα u s u s x s ˆα x s u s x s ˆβ u sx s u s x s u s x s La X,..., X være uafhægige, ormalforele sokasiske variable, hvor X s Nα + β s, σ me α, β R og σ > 0. Aag, a alle ere ikke er es, og efier X X s, og ˆβ X s s,

hvor s, og s. b Vis, a X Nα, σ / og ˆβ Nβ, σ / sam a X og ˆβ er ukorreleree: De ses, a er gæler s s + s + i i s + i 0 Da X,..., X er uafhægige, ormalforele sokasiske variable, følger e af sæig 6.3., a X X s er ormalforel me mielværi E X E X s E X s EX s α + β s α + β s α, hvor e almielige regeregler for mielværi blev beye, og sæig 6.3. blev brug ve e reje ligheseg. Ve brug af regeregler for varias og 6.3. ige fås ligeså: Var X Var Alså haves X Nα, σ /. X s Var X s VarX s σ σ. Som ovefor følger liglees af sæig 6.3. a ˆβ er ormalforel me mielværi: i

E ˆβ E X s s EX s s α + β s s α s + β s α s + β β + α s β, og varias: Var ˆβ Var s s s VarX s σ s σ Alså haves ˆβ Nβ, σ /. Fra efiiio 3.8.6 har vi, a VarX s s s σ σ. corr X, ˆβ Cov X, ˆβ Var XVar ˆβ så for a vise a X og ˆβ er ukorreleree, skal vi blo vise, a Cov X, ˆβ 0. Ve brug af 3.8.3, 3.8.4, 3.8.5 og sæig 3.8.3 ses e a Cov X, ˆβ Cov X s, X s s Cov X i, X s s i Cov X s s, X i i s Cov X s, X i i s VarX s σ s 0. 3

Opgave : -es for o sikprøver c I følge sæig 8.3.3 er X ormalforel me mielværi µ og varias σ, og s er σ χ -forel me frihesgraer, og erme er s σ χ -forel me frihesgraer. Eviere er X og s uafhægige ifølge sæig 8.3.3, og erme er X og s uafhægige. Tilsvaree ses e, a X er ormalforel me mielværi µ og varias σ, s σ er χ -forel me frihesgraer, og X og s er uafhægige. Ve a sæe k, +, og X X, X X,..., X k X k, X X k+, X X k+,..., X X og ve a lae ϕ være fukioe fra R k i i R er seer x,..., x k i i k k i x i og lae ψ være fukioe fra R k i i R, er seer x,..., x k i i k k x s k k x s ses e ve brug af sæig 6..3 3 [3 sår førs æv efer bevise for sæige] a X og s er uafhægige. Tilsvaree ses e a X og X, s og X sam s og s er uafhægige. Vi skal fie forelige af s s + s, +. Vi så i c, a Me så er s σ χ og s σ χ σ S s σ χ og σ S s σ χ Vi ka u række kosae σ ue for pareese og omskrive e o sokasiske variable S, S il Γ-foreliger, jævfør MS s.m, og vi får, a s σ S + S, hvor S i er Γ-forel me formparameer α i i, i, og skalaparameer β i. Ve hjælp af MS Sæig 8..3 ka vi sammeskrive S + S il e y Γ-forelig, S, me formparameer α + og skalaparameer β. Me så er S χ me f frihesgraer, ige jævfør MS s.m. Alså er Z s σ χ σ χ f f ifølge MS s.5m. s er alså e Γ-forelig me formparameer k/ og skalaparameer σ /f, eller s σ χ. 4

e Ifølge c er X og X uafhægige ormalforeliger me h.h.v. mielværi µ og µ og varias σ og σ. Derme er X ormalforel me mielværi µ ifølge sæig 5..5 og varias σ, a VarbXb VarX, og ifølge sæig 6.3. er X X så ormalforel me mielværi µ µ 0 a e aages a µ µ og varias σ + σ σ +. Ve a sæe k, 4, X X, X X, s X 3 og s X 4 og ve a lae ϕ være fukioe fra R i i R er seer x, y i i x y, og lae ψ være fukioe fra R i i R er seer x, y i i x + y ses e ve brug af sæig 6..3 3 [3 sår førs æv efer bevise for sæige] a X X og s er uafhægige. f Da X X er ormalforel me mielværi 0 og varias σ + σ, ka e skrives som σ + X, hvor X er e saar ormalforelig, og a Y s χ, gæler er ie vi aager s > 0, a σ T X X s + σ + X σ χ + X Y/ så T er -forel me frihesgraer, a X X og s er uafhægige ifølge e, og X og Y erme er uafhægige. g T ka avees for a sammelige o sæ observaioer, som ma aager kommer fra hver si ormalforelig X og X me samme varias. Vi har ie opgave e aage, a e også har samme mielværi µ µ. T ka så bruges som essørrelse il a afgøre, om aagelse om ormalforeligeres samme mielværi ka verificeres. 5