6. Hinnangute omadused. 1. Nihe (bias). Iseloomustab süstemaatilist viga. 2. Efektiivsus (efficiency). Iseloomustab hinnangute hajuvust. 3. Mõjusus (consistency). Iseloomustab koondumist suurte valimite korral – suure valimi korral 4. Asümptootiline jaotus – suure valimi korral 5. Asümptootiline efektiivsus – suure valimi korral 7. Hinnangu nihe, nihketa hinnang. Hinnangu nihe võrdub parameetri hinnangu keskväärtuse ning parameetri tegeliku väärtuse β vahega: Parameetri hinnang on nihketa (unbiased), kui hinnangu keskväärtus võrdub parameetri tegeliku väärtusega: ● Kahest hinnangfunktsioonist on parem see, mis on nihketa. ● Nihketa hinnangfunktsioone võib olla mitmeid nt sümmeetrilise jaotuse korral on üldkogumi mediaani nihketa hinnanguteks valimi aritmeetiline keskmine ja valimi mediaan. 8. Hinnangu efektiivsus, efektiivne hinnang.
juhuslik komponent ehk vealiige (u) 2. Andmetüübid. Kvalitatiivsed, kvantitatiivsed, ristandmed, aegread, paneelandmed 3. Valimvaatlused ja parameetri hinnangu mõiste. Uuritav objekt on üldvalim, andmebaas on üldjuhul valim. Järledusi teeme üldkogumi kohta ja selleks kasutame valimit. Valimi parameetrite põhjal leitakse üldkogumi parameetrite hinnangud. Valim on juhuvalim, hinnang on juhuslik suurus. Suvaline valimi andmete põhjal arvutatud funktsioon on statistik ning erinevad valimid annavad statistikutele erinevad väärtused. Statistik on juhuslik suurus. 4. Punkthinnang, intervallhinnang. Punkthinnang on statistik, mis annab parameetrile ühese väärtuse (nt valimi arit. Keskmine on punkthinnang kogumi keskväärtusele). Intervallhinnang on lõik, mis sisaldab parameetri tegelikku väärtust mingi etteantud tõenäosusega. 5. Hinnangfunktsioon. Hinnangfunktsioon on reegel parameetrite hinnangute leidmiseks. Tuntudmad
Ülesanne 1. Analüüsime regressioonimudelit Yi 800 0.93 X i 50 Di 0.01Di X i uˆ i , i 1,2,..,100 , (t ) (22.54) (2.34) (0.56) R 2 0.82, F 15.342 ( p 0.001) kus Y – küsitletu tarbimine eurodes, X – küsitletu sissetulek eurodesning D – küsitletu sugu (D = 1, kui mees ning D = 0, kui naine); t – statistiku kriitiliseks väärtuseks on t 0.025,96 1.99 . Vastake järgmistele küsimustele ning põhjendage vastuseid a) kas mudel on statistiliselt oluline olulisuse nivool 0.05; mida saate öelda mudeli kirjeldatuse taseme kohta. b) millised muutujad on statistilised olulised olulisuse nivool 0.05; c) Leida muutuja X ees oleva kordaja 95% usalduspiirid. Lahendus. a) Mudel on statistiliselt oluline olulisuse nivoo 0.05 korral, kuna F-testi olulisuse
keskmine on valimi punkthinnang kogumi keskväärtusele) Intervallhinnang – usaldusvahemik, lõik, mis sisaldab parameetri tegelikku väärtust mingi etteantud tõenäosusega. 5) Hinnangufunktsioon: Reegel üldkogumi parameetri(te) hinnangu(te) leidmiseks 6) Hinnangute omadused: Nihe, efektiivsus, mõjusus, asümptootiline jaotus, asümptootiline efektiivsus 7) Hinnangu nihe, nihketa hinnang Hinnangu nihe võrdub parameetri hinnangu keskväärtuse ning parameetri tegeliku väärtuse vahega. Iseloomustab süstemaatilist viga. Nihketa hinnang – Parameetri hinnang on nihketa kui hinnangu keskväärtus võrdub parameetri tegeliku väärtusega. 8) Hinnangu efektiivsus, efektiivne hinnang: Hinnangu efektiivsus – Parameetri nihketa hinnang, kus dispersioon on väiksem on efektiivseim. Kasutatakse hinnangute võrdlemisel. Efektiivne hinnang – nihketa vähima dispersiooniga hinnang kõigi nihketa hinnangute seas
Eristada tuleb · lineaarsus regressorite suhtes; astmes 1. Ei ole liikmeid, kus x 2 , x , ln x . Graafikuks sirge. · lineaarsus parameetrite suhtes. Näiteks yi b1 b2 x2i b3 x3i ui Kui mudel ei ole lineaarne regressorite suhtes, aga on lineaarne parameetrite suhtes, saab seda lineariseerida ning parameetrite Ka lineariseeritavad mudelid! hindamiseks kasutada harilikku vähimruutude meetodit OLS. Näiteks yi 1 2 x2i 3 x22i ui Mudeli saab kirjutada kujul yi b1 b2 x2i b3 x3i ... ui Teisendus zi x22i yi 1 2 x2i 3 zi ui On lineaarne
Kas on tõestatud, et nooremad inimesed võtavad kiirlaenu rohkem? Jah, nivool 0,01 10. I liiki viga - kehtiva H0 tagasilükkamine, II liiki viga - mittekehtiva H0 vastuvõtmine 1. (1) → log-lin mudel, (2) → log-log mudel (3) → hüperboolne mudel (4) → lin-log mudel 2. On leitud ökonomeetriline mudel y = 3,4 + 7,8 x + u 3,4 → vabaliikme hinnang, 7,8 → tõusuparameetri hinnang, y → sõltuv tunnus, x → sõltumatu tunnus, u → juhuslik component 3. Gnp kordaja = 0,901, standardviga = 0,253, olulisuse p = 0,0020, on stat oluline, unemp ei ole oluline, uute majade arvu varieerumisest seletab mudel ära 44,5%, kui intressimäär suureneb 1 protsendipunkti võrra, siis uute majade arv väheneb aastas 187 tuhande võrra 4
1. PRAKTIKUM 1) JÄRJESTAMINE NOOREMAST VANIMANI Parmeklõps Sort Ascending/Descending -> Kasvavas/Kahanevas järjestuses Data Sort cases Sort Ascending/Sort Descending (tuleb valida muutujad ka) 2) VARIABLE VIEW 3) KIRJELDAVAD ANDMED Leiame vanusele antud hinnangute keskmise, moodi, mediaani, maksimaalse ning minimaalse hinnangu. + HISTOGRAMM Käsklusrida: Analyze - Descriptive statistics Frequencies. Muutujatekasti liigutage muutuja. Statistics -Mean, Mode, Median, Minimum, Maximum. Charts - Histograms 2. PRAKTIKUM 1) UUE MUUTUJA ARVUTAMINE Tihtipeale tuleb andmete töötlemise jooksul tekitada uusi muutujaid eelmiste muutujate põhjal. Käesolevas praktikumis tutvume uue muutuja arvutamise põhitõdedega
Kui on vaja muutujat iseloomustada, on kaks põhilist viisi, kuidas seda teha: o Milline on selle muutuja tüüpiline väärtus? o Kui hästi iseloomustab see tüüpiline väärtus kõiki mõõdetud juhtumeid? Ehk kui palju on varieeruvust selle tüüpilise väärtuse “ümber”? Statistika jagunemine: Kirjeldav statistika (descriptive stat.) meetodid andmetest kokkuvõtete tegemiseks ning kirjeldamiseks. („65-70% USA elanikest on ülekaalulised või rasvunud.“) Järeldav statistika (inferential stat.) kasutab andmeid baasina hinnangute andmiseks ja prognooside tegemiseks. („Ülekaalulisus on II tüübi diabeedi riskifaktorite hulgas.“) Kirjeldav statistika tegeleb valimi resümeerimisega, järeldava statistika ülesanne on üldistuste tegemine üldkogumi kohta.
Kõik kommentaarid