Økonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005

Relaterede dokumenter
Økonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 21. september 2005

Statistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation

Kvantitative metoder 2

Kvantitative metoder 2

Økonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS

Repetition. Forårets højdepunkter

Simpel Lineær Regression - repetition

Vi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser

Eksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.

Hvorfor n-1 i stikprøvevariansen?

BEVISER TIL KAPITEL 7

Scorer FCK "for mange" mål i det sidste kvarter?

Økonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1

Variansanalyse. på normalfordelte observationer af Jens Friis

Spørgsmål 1 (5 %) Bestem sandsynligheden for at batteriet kan anvendes i mere end 5 timer.

Rettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006

Betænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj)

Kvantitative metoder 2

Økonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005

Statistisk analyse. Vurdering af usikkerhed i forbindelse med statistiske opgørelser forudsætter:

Statistik 9. gang 1 REGRESSIONSANALYSE. Korrelation (kontrol af model) Regression (tilpasning af model)

Men tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.

Notato: k grupper observeret tl tdspuktere (logartmerede) t1;t2;:::;t k. Tl tdspukt observeres et atal ( ) ph-vρrder, 1 ; 2 ;:::;. V opfatter dem som

Kvantitative metoder 2

Økonometri 1. Lineær sandsynlighedsmodel (Wooldridge 8.5). Dagens program: Heteroskedasticitet 30. oktober 2006

Kvantitative metoder 2

Kvantitative metoder 2

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006

Lineære Normale Modeller

x-klasserne Gammel Hellerup Gymnasium

Analyse af bivariate data: korrelation og regression. korrelation. Korrelation og regression: Co-varians:

SUPPLEMENT til Anvendt statistik

Lineær regression lidt mere tekniske betragtninger om R^2 og et godt alternativ

Indeks over udviklingen i biltrafikken i Danmark

Brugen af R 2 i gymnasiet

Supplement til sandsynlighedsregning og matematisk statistik

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

Motivation. En tegning

Statistik Lektion 15 Mere Lineær Regression. Modelkontrol Prædiktion Multipel Lineære Regression

Fordelingen af gentagne observationer (målinger) kan beskrives ved hjælp af et histogram, der viser antallet af målinger i et givet interval.

Kvantitative metoder 2 Forår 2007 Ugeseddel 9

IKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON

6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag

Kvalitet af indsendte måledata

Induktionsbevis og sum af række side 1/7

Pearsons formel for χ 2 test. Den teoretiske forklaring

Ugeseddel 8. Gruppearbejde:

Økonometri 1 Efterår 2006 Ugeseddel 13

Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)?

FORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( )

Økonometri 1 Efterår 2006 Ugeseddel 9

Ikke-parametriske tests af forskel i central tendens. Tests for forskel i central tendens for data på ordinal- og intervalskala

Økonometri 1. Interne evalueringer. Interne evalueringer. Dagens program. Heteroskedaticitet (Specifikation og dataproblemer) 2.

Lineær regressionsanalyse8

Kontrol af udledninger ved produktion af ørred til havbrugsfisk

Kvantitative metoder 2 Forår 2007 Ugeseddel 10

Opsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test

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

FY01 Obligatorisk laboratorieøvelse. O p t i k. Jacob Christiansen Afleveringsdato: 3. april 2003 Morten Olesen Andreas Lyder

Statikstik II 4. Lektion. Generelle Lineære Modeller

Statistik II Lektion 4 Generelle Lineære Modeller. Simpel Lineær Regression Multipel Lineær Regression Flersidet Variansanalyse (ANOVA)

Økonometri 1. Avancerede Paneldata Metoder I 24.november F18: Avancerede Paneldata Metoder I 1

Den stokastiske variabel X angiver levetiden i timer for en elektrisk komponent. Tæthedsfunktionen for den stokastiske variabel er givet ved

Morten Frydenberg Biostatistik version dato:

Elementær Matematik. Sandsynlighedsregning

Simpel Lineær Regression. Opsplitning af variationen Determinations koefficient Variansanalyse F-test Model-kontrol

bestemmes. kendes ( ) A i Subjektiv information + objektiv information Bayesiansk statistik (gang 10) Bayes sætning

1 Løsning og mindste kvadraters løsninger af lineære ligningssystemer

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

Regressionsanalyse. Epidemiologi og Biostatistik. 1.Simpel lineær regression (Kapitel 11) systolisk blodtryk og alder

FACITLISTE TIL KOMPLEKSE TAL

Dagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)

Videregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005

Kogebog: 5. Beregn F d

EKSAMEN I MATEMATIK-STATISTIK, 27. JANUAR 2006, KL 9-13

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

Statikstik II 3. Lektion. Multipel Logistisk regression Generelle Lineære Modeller

Økonometri 1. Avancerede Paneldata Metoder II Introduktion til Instrumentvariabler 27. november 2006

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

antal gange krone sker i første n kast = n

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelsøgning Modelkontrol

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Kvantitative metoder 2

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

Afsnit , Hypotesetest for en varians... 19

Rettevejledning til Økonomisk Kandidateksamen 2007I, Økonometri 1

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelkontrol

Finanskalkulationer Side 1/19 Steen Toft Jørgensen. Finanskalkulationer. avanceret rentesregning. matematiske modeller i økonomi

L komponent produceret i linie 1

13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab

24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.

Rettevejledning til Økonomisk Kandidateksamen 2003II, Økonometri 1

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

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

Transkript:

Dages program Økoometr De smple regressosmodel 4. september 5 Dee forelæsg drejer sg stadg om de smple regressosmodel (Wooldrdge kap.4-.6) Fuktoel form Hvorår er OLS mddelret? Varase på OLS estmatore Regressosmodelle på matr form Udledg af OLS Fuktoel form Fuktoel form (fortsat) Det er kke altd, at det er rmelgt at atage e leær relato mellem varablee Det er emt at ædre regressosmodelle tl også at kue behadle kke-leære relatoer (så læge modelle stadg er leær parametree) g( y ) = β + β f( ) + u Ma skal dog være opmærksom på, at fortolkge af parametree ædrer sg! I eksemplet med tmeløe beytter ma ofte følgede model log( tmelø) = β + β( uddaelse) + u Fortolkge af parametree $ er det procetvse afkast af et års mere uddaelse

Fuktoel form (fortsat) Fuktoel form Model Afhægg Forklarede Hældg ctet y/ y Elast- y/ varabel varabel Leær Log-l y $ $ y $ /y $ 6 4 y=.* y=.*log() log(y)=.* log(y)=.*log() L-log y Log() $ / $ /y Log-leær $ y/ $ 5 Fuktoel form (fortsat) Hvorår er OLS mddelret? Deftoe på de leære regressosmodel er at modelle er leær parametree..kke ødvedgvs varablee Er følgede modeller leære regressosmodeller: y = β + u β y = β ( ) + β + u Defto (se apped C. sde 734-35) E estmator b af β er mddelret (ubased) hvs Eb ( ) = β for alle værder af β Mddelret er e statstsk egeskab ved estmatore Hvorfor er det e vgtg egeskab at estmatet er mddelret?

Mddelret.. (fortsat) Mddelret.. (fortsat) Atagelser SLR (leær parametree): De afhægge varabel y ka beskrves ved følgede model y = β + β+ u SLR (tlfældg stkprøve): V har e tlfældg stkprøve (y, ) =,.., fra populatoe Observatoere (y ) er uafhægge og detsk fordelte (se defto apped c.) SLR 3 (betget mddelværd af fejlled): Eu ( ) = SLR 4 (varato ): I data må kke alle ere være lg de samme værd. Teorem. (OLS er mddelret) Uder betgelsere SLR -SLR 4 er OLS estmatorere mddelrette: E( ˆ β ) = β E( ˆ β ) = β Mddelret.. (fortsat) Varase af OLS estmatore Bevs for teorem. (tavlegeemgag) Estmatore er cetreret omkrg de sade værd uder gve atagelser Det betyder kke, at estmatet vl være lg de sade værd (ku at mddelværde er lg de sade værd)..me hvor lagt fra de sade værd ka v forvete at estmatet lgger? For at kue besvare dette spørgsmål udreges varase på estmatere 3

Varase (fortsat) Varase.. (fortsat) Atagelse: SLR 5 (Homeskedastctet): Vu ( ) = σ Varase af u er kostat Dee atagelse er kke ødvedg for resultatet om mddelrette estmatorer SLR 5 gør beregger af varase lettere, me ma ka godt udrege varase ude atagelse SLR 5 (v veder tlbage tl dette kap. 8). Ma ka vse at σ også er de ubetgede varas af u Hvorår er atagelse SLR 5 kke opfyldt: Hvs varase afhæger af de forklarede varabel (se fgur.9) Teorem. (varase af OLS estmatorere) Uder atagelse SLR -SLR5 σ σ ˆ = = β = ( ) ( ) = = var( βˆ ) var( ) Varase (fortsat) Estmato af varase på fejlleddet Bevs for teorem. (tavlegeemgag) Varase på OLS estmatere afhæger af varase på fejlleddet Varase på fejlleddet er ukedt me ka estmeres vha. resdualere: ˆ uˆ SSR = = = σ 4

Estmato af varase (fortsat) Reste af kaptel Teorem.3 (mddelret estmat af varase på fejlleddet) Uder atagelsere SLR -SLR 5 gælder E( ˆ σ ) = σ Læs selv kaptel.6 Smpel regressosmodel på matrform (tavlegeemgag) Bevs (tavlegeemgag) 5