Kvantitative metoder 2

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

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

Kvantitative metoder 2

Kvantitative metoder 2

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

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

Kvantitative metoder 2

Kvantitative metoder 2

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

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

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

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

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

Økonometri 1 Efterår 2006 Ugeseddel 9

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2

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

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

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

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

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

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

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

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

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

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

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

Økonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol

Kvantitative metoder 2 Forår 2007 Ugeseddel 9

Rettevejledning til Økonomisk Kandidateksamen 2007I, Økonometri 1

Økonometri 1 Efterår 2006 Ugeseddel 13

Lineær regressionsanalyse8

Kvantitative metoder 2 Forår 2007 Ugeseddel 10

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

TALTEORI Følger og den kinesiske restklassesætning.

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

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

Rettevejledning til Økonomisk Kandidateksamen 2005II, Økonometri 1

Bilag 6: Økonometriske

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen

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

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

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

Morten Frydenberg Biostatistik version dato:

Ugeseddel 8. Gruppearbejde:

Repetition. Forårets højdepunkter

Kvantitative metoder 2

Antag X 1,..., X n stokastiske variable med fælles middelværdi µ og varians σ 2. Hvis µ er ukendt estimeres σ 2 ved 1/36.

DLU med CES-nytte. Resumé:

χ 2 -fordelte variable

Udvikling af en metode til effektvurdering af Miljøstyrelsens Kemikalieinspektions tilsyn og kontrol

Brugen af R^2 i gymnasiet

Binomialfordelingen. Erik Vestergaard

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

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

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

Kvantitative metoder 2

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

Note til Generel Ligevægt

Logistisk regression. Logistisk regression. Probit model Fortolkning udfra latent variabel. Odds/Odds ratio

Sandsynlighedsregning og statistik med binomialfordelingen

Simpel Lineær Regression - repetition

Beregning af strukturel arbejdsstyrke

Økonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006

Nøglebegreber: Objektivfunktion, vægtning af residualer, optimeringsalgoritmer, parameterusikkerhed og korrelation, vurdering af kalibreringsresultat.

Økonomisk Kandidateksamen 2005II Økonometri 1. Lønpræmier

Husholdningsbudgetberegner

Binomialfordelingen: april 09 GJ

Kvantitative metoder 2

Økonometri 1 Forår 2003 Ugeseddel 10: Prøveeksamen. Indtjening, konkurrencesituation og produktudvikling i danske virksomheder. Om opgavens formål:

Fagblok 4b: Regnskab og finansiering 2. del Hjemmeopgave kl til kl

Simpel Lineær Regression: Model

Variansanalyse (ANOVA) Repetition, ANOVA Tjek af model antagelser Konfidensintervaller for middelværdierne Tukey s test for parvise sammenligninger

! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

Måleusikkerhed i kalibrering Nr. : AB 11 Dato : Side : 1/3

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

Inertimoment for arealer

Statistisk mekanik 13 Side 1 af 9 Faseomdannelse. Faseligevægt

Notat om porteføljemodeller

Stadig ligeløn blandt dimittender

Kvantitative metoder 2

Økonometri: Lektion 2 Multipel Lineær Regression 1/33

Eksamen på Økonomistudiet 2007-I. Fag: Økonometri 1. Årsprøvefag januar Tag-hjem opgave

Fysik 3. Indhold. 1. Sandsynlighedsteori

PRODUKTIONSEFFEKTEN AF AVL FOR HANLIG FERTILITET I DUROC

Elektromagnetisk induktion

Sandsynlighedsregning 12. forelæsning Bo Friis Nielsen

Undersøgelse af pris- og indkomstelasticiteter i forbrugssystemet - estimeret med AIDS

Økonometri 1. FunktioneI form i den lineære regressionsmodel 19. oktober Dagens program

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

Elektromagnetisk induktion

Real valutakursen, ε, svinger med den nominelle valutakurs P P. Endvidere antages prisniveauet i ud- og indland at være identisk, hvorved

Økonometri 1. Dummyvariabler 13. oktober Økonometri 1: F10 1

Kvantitative metoder 2

Økonometri: Lektion 2 Multipel Lineær Regression 1/27

Fastlæggelse af strukturel arbejdsstyrke

Transkript:

Program for dag: Kvanttatve metoder Den smple regressonsmodel 9. februar 007 Regressonsmodel med en forklarende varabel (W..3-5) Varansanalyse og goodness of ft Enheder og funktonel form af varabler modellen Antagelser for den smple lneære regressonsmodel: SLR Statstske egenskaber: Mddelret estmaton KM: F5 KM: F5

Egenskaber ved OLS Egenskaber ved OLS (fortsat) Den afhængge varabel y dekomponeres to komponenter: Forudsagte værd: y ˆ ˆ ˆ = β0 + βx + Resdualet: uˆ = Faktsk observaton: y Postve resdualer: Modellens forudsagte værd for observaton lgger under den faktske observaton af y Negatve resdualer: Modellens forudsagte værd for observaton lgger over den faktske observaton af y Bemærk: Resdual og fejlled er to forskellge tng. Den totale varaton kan også dekomponeres to dele: SST=SSE+SSR Total sum of squares Explaned sum of squares Resdual sum of squares n SST = ( y y) = n SSE = ( yˆ y) = n SSR = uˆ = KM: F5 3 KM: F5 4

Egenskaber ved OLS (fortsat) Goodness of ft: På baggrund af varansanalysen kan man defnere et mål, determnatonskoeffcenten R : SSE SSR R = = SST SST Mål for, hvor meget af varatonen, modellen (den forklarende varabel) forklarer. Hvlke værder kan R antage? Hvad kan R bruges tl? Funktonel form Ikke altd rmelgt at antage en lneær relaton mellem varablerne Nemt at lade kke-lneære transformatonener af varablerne ndgå (så længe modellen stadg er lneær parametrene) g( y) = β0 + βf( x) + u Man skal dog være opmærksom på, at fortolknngen af parametrene ændrer sg! KM: F5 5 KM: F5 6 3

Funktonel form (fortsat) Funktonel form (fortsat) I eksemplet med tmelønnen benytter man ofte følgende model log( tmelon) = β0 + β( uddaar) + u Fortolknngen af parameteren β : Den relatve ændrng lønnen ved ét års ekstra uddannelse (gvet alt-andet-lge betngelser) 00β er approxmatvt det procentvse afkast af et års mere uddannelse Samme afkast uanset uddannelsesnveau! Model Lneær Log-ln Ln-log Log-lneær Afhængg varabel y log(y) y log(y) Forklarende varabel x x log(x) Log(x) Hældnng β y x y y x x y x x y y x Elastctet y mht. x x β y β β x y β KM: F5 7 KM: F5 8 4

6 4 Funktonel form (fortsat) y=0.*x y=0.*log(x) log(y)=0.*x log(y)=0.*log(x) Funktonel form (fortsat) Defntonen på den lneære regressonsmodel er at modellen er lneær parametrene kke nødvendgvs varablerne. Er følgende modeller lneære regressonsmodeller? β y = β x + u y ( ) = β0 + β x + u Y = AL β U 0 0 0 5 0 x Kan de gøres lneære? KM: F5 9 KM: F5 0 5

Hvornår er OLS mddelret? Defnton (se appendx C. sde 766-67) Se på en gven estmator ( regneregel ) b En estmator b af β er mddelret (unbased) hvs Eb ( ) = β for alle værder af β Mddelret er en statstsk egenskab ved estmatoren Hvorfor er det vgtgt at estmatoren er mddelret? Mddelret.. (fortsat) Antagelser: SLR. (lneær parametrene): y = β0 + βx+ u Den afhængge varabel y kan beskrves ved følgende model: SLR. (tlfældg stkprøve): V har en tlfældg stkprøve (y,x ) =,..,n fra populatonen SLR.3 (varaton x): I data må kke alle x erne være lg den samme værd. SLR.4 (betnget mddelværd af fejlled): Eu ( x ) = 0 KM: F5 KM: F5 6

Mddelret.. (fortsat) Teorem. (OLS er mddelret) Under betngelserne SLR.-SLR.4 er OLSestmatoren mddelret: E( ˆ β ) = β E( ˆ β ) = β 0 0 Bevs for teorem. (tavlegennemgang) NB er fra denne forelæsnng Mddelret estmaton betyder kke, at det konkret beregnede estmatet vl være lg den sande værd (kun at mddelværden af estmatoren er lg den sande værd). SLR.-4 er nødvendge og tlstrækkelge for mddelret estmaton: Antagelse omkrng varansen på fejlleddet er kke nødvendg; Nogen bestemt fordelng, fx normaltet, er heller kke krævet. KM: F5 3 KM: F5 4 7

Næste gang Onsdag om resten af W. Mere om statstske egenskaber: Varansen på OLS estmatoren Homoskedastctet vs. heteroskedastctet Estmaton af varansen på OLS estmatoren Regressonslne gennem orgo. KM: F5 5 8