ö keskmine väärtus ehk see tunnuse väärtus, millest väiksemate väärtuse osa on 50% ehk pool. 25. Mudeli diagnostika kas sõltuv/sõltumatu muutuja on valitud õigesti. Kontrolli multikollineaarsust. Kas funktsionaalne kuju on õige? (logaritm, lineaarne, hüperbool jne). reg.mudeli statistiline analüüs, heteroskedestatiivsus, autokorrelatsioon, erindid. 26. Multikollineaarsus maj. nähtused on omavahel tihedalt seotud. Nende modelleerimisel esineb sageli multikollineaarsust, mille põhjuseks on regressioonimudelisse lülitavate tunnuste omavaheline korrelatsioon. Sellisel juhul on raske eristada nende mõju. Mõned mult. koll. tunnused a) Mõne sõltumatute tunnuste paari omavaheline korrelatsioon on tugevam kui korrelatsioon sõltuva muutujaga
lülitamine mudelisse on põhjendatud. Vastupidisel juhul tuleks tunnus mudelist eemaldada ja viia läbi uue mudeli hindamine. Väiksem valim -> suuremad standardvead -> tekib mitteolulisus. 37. Parameetrite mitteolulisuse võimalikud põhjused. 1. Tunnus ei sobi mudelisse. 2. Teooriast lähtudes peaks tunnus suurust Y mõjutama ja mudelis olema, kuid valimi maht on liiga väike ja standardviga tuleb liiga suur. 3. Esineb multikollineaarsus · Mudelisse võetud tunnused on omavahel tugevas korrelatsioonis, ei ole sõltumatud · Parameetrite standardvigade hinnangud tulevad sel juhul suured. 4. Vabadusastmete arv n-k liiga väike, st kui tunnuste arv on suur ja valimi maht n väike. · Soovitatav, et parameetrite arv k on oluliselt väiksem valimi mahust n 38. Mis juhtub parameetrite hinnangutega, kui vealiikmete keskväärtus ei ole 0? Kui mõni eeldus pole täidetud, siis parameetrite hinnangud ei ole enam korraga nihketa,
Kasutatakse mudelite võrdlemisel kui lisatakse või eemaldatakse tunnuseid. Mida suurem korrigeeritud determinatsioonikordaja seda täpsem/parem mudel. Mudelite võrdlemiseks tunnuste lisamisel. Kui R suureneb uue tunnuse lisamisel, siis mudel paranes ja on õigustatud 34) Parameetrite mitteolulisuse võimalikud põhjused Tunnus ei sobi mudelisse Teoorias peaks tunnus mõjutama suurust Y ja mudelis olema, aga valimi maht liiga väike (standardviga liiga suur) Multikollineaarsus (parameetrite standardvigade hinnangud tulevad suured) Vabadusastmete arv n-k liiga väike. Tunnuste arv liiga suur ja valimi maht väike (valimi maht vähemalt 2 korda suurem kui tunnuste summa) 35) Klassikalise lineaarse mudeli eeldused (loeng 3) mudel on lineaarne parameetrite suhtes, vaatluste arv ei tohi olla väiksem kui hinnatavate parameetrite arv (n>=k), regressori väärtused valimis ei tohi olla
Kui suur osa koguhajuvusest on mudeliga seletatud, näitab ikka tavaline determinatsioonikordaja R2 . Korrigeeritud determinatsioonikordaja on vaid üks kvantitatiivne näitaja, mida kasutatakse erinevat arvu tunnuseid sisaldavate mudelite võrdlemiseks. 34. Parameetrite mitteolulisuse võimalikud põhjused. 1. Tunnus ei sobi mudelisse. 2. Teooriast lähtudes peaks tunnus suurust Y mõjutama ja mudelis olema, kuid valimi maht on liiga väike ja standardviga tuleb liiga suur. 3. Esineb multikollineaarsus. • Mudelisse võetud tunnused on omavahel tugevas korrelatsioonis, ei ole sõltumatud. • Parameetrite standardvigade hinnangud tulevad sel juhul suured. 4. Vabadusastmete arv n-k liiga väike, st kui tunnuste arv on suur ja valimi maht n väike. • Soovitatav, et parameetrite arv k on oluliselt väiksem valimi mahust n. 35. Klassikalise lineaarse mudeli eeldused. 1. Eeldus: mudel on lineaarne parameetrite suhtes Eristada tuleb: • lineaarsus regressorite suhtes;
majandussuuruste omavahelise sõltuvuse analüüsi tegemine, mille jaoks ei ole vaja parameetreid identifitseerida. Milles seisneb paneelandmete mudelite eripära? Paneelandmed – paljude objektide karakteristikud mitmel ajahetkel. Paneelandmete puhul ei pöörata tähelepanu aegridade analüüsile. Efekte ajas vaadeldakse tavaliselt kui üleminekud ühest olekust teise. Paneelandmete korral ei ole tingimata vaja, et objekte jälgitaks võrdsete ajavahemike tagant. Kui mudelis esineb multikollineaarsus, siis ei saa samaaeglaselt mudelis esineda autokorrelatsiooni, sest nende probleemide tekkepõhjused on teinetesit välistavad Multikol. tekkepõhjused: x-de vahel on tugev seos (kui nad on sisuliselt sarnased; üks on teine tulemus; sarnane trend). Autokorrelatsiooni tekkepõhjused: mudelis on jäetud arvastamata tähtsad x-id, samuti kui on jäetud arvestamata vähetähtsad x-id, kui on ülereageerimine, inertsus, sessoonsus, trend
järeldused on õiged, regressioonimudel lineaarset mudelit kolme erineva sõltumatute tunnuste komplekti korral, determinatsioonikordaja ja korrigeeritud determinatsioonikordaja regressioonmudeli hindamisel saadud anova tabelid regressioonmudeli hindamisel saadud aruanne, tunnused on statistiliselt olulised x1 x2 x3 x4 regressioonmudelis olevate sõltumatute tunnuste omavaheline korrelatsioon, heteroskedastiivsus, multikollineaarsus Test 11 momentrida, perioodrida, voosuurus, vaosuurus momentrida, kronoloogiline keskmine alusjuurdekasv, aheljuurdekasv, alusjuurdekasvutempo, aheljuurdekasvutempo, juurdekasvutempo, kasvutempo absoluutne aheljuurdekasv absoluutne alusjuurdekasv, aegrea silutud väärtus eksponentsilumine aditiivne mudel, trendi mudel, keskmine sesoonne komponent, prognoositav väärtus
Parameetri 1 nihketa hinnang a1 on efektiivsem kui parameetri 1 nihketa hinnang a2, kui hinnangu a1 dispersioon on väiksem kui hinnangu a2 dispersioon. Efektiivne hinnang on selline hinnang, ille dispersioon on minimaalne, st hinnangu kui juhusliku suuruse varieeruvus on minimaalne. 10. Multikollineaarsuse olemus. Multikollineaarsuse avastamine. Tolerants (TOL), varieeruvusindeks (VIF). Multikollineaarsuse tagajärjed. Terminiga multikollineaarsus iseloomustatakse olukorda või seisundit, kui regressioonivõrrandi sõltumatute muutujate arvväärtused on omavahelises sõltuvuses. Kaks erinevat multikollineaarsuse taset: · y täielik multikollineaarsus · y mittetäielik multikollineaarsus AVASTAMINE · Korrelatsioonikordaja kahe sõltumatu muutuja korral on suurem kui > 0,8 · Suurema arvu sõltumatute muutujate korral ei pea mittetäieliku
1. Kas mudel on statistiliselt oluline, st kas F - testi olulisuse 2. Teooriast lähtudes peaks tunnus suurust Y mõjutama ja tõenäosus p < ? mudelis olema, kuid valimi maht on liiga väike ja 2. Kas parameetrite hinnangud on statistiliselt olulised, st kas standardviga tuleb liiga suur. parameetrite t-testi olulisuse tõenäosused p < ? 3. Esineb multikollineaarsus. Mitteolulised tunnused eemaldatakse ühekaupa mudelist: viiakse · Mudelisse võetud tunnused on omavahel tugevas korrelatsioonis, läbi uue mudeli hindamine ilma nende tunnusteta. ei ole sõltumatud. 3. Statistiliselt oluliste parameetrite märk (kas vastav tunnus · Parameetrite standardvigade hinnangud tulevad sel juhul suured.
Paljudel juhtudel me võime teooriast tulenevalt või vastava analüüsi tulemusena jõuda järeldusele, et üks või teine tegur on käsitletava probleemi jaoks oluline,kuid selle kohta puuduvad arvandmed. Multikollineaarsuse mõju regressioonianalüüsi tulemustele(lab. tööde järeldused).Multikokollineaarsus -; olukord, kus regressioonivõrrandi sõltumatute muutujate arvväärtused on omavahelises sõltuvuses. Eristatakse kolme erinevat multikollineaarsuse taset:1.täpne (täielik) multikollineaarsus 2.peaaegu täielik multikollineaarsus,3.sõltumatud muutujad on omavahelises korrelatiivses sõltuvuses.Täpne (täielik) multikollineaarsus -; esineb siis, kui üks sõltumatutest muutujatest kujutab endast teiste sõltumatute muutujate lineaarset funktsiooni.Sel juhul regressioonivõrrandi parameetreid ei saa leida (hinnata). Täielik multikollineaarsus analüüsitulemusi ei mõjuta, sest täieliku multikollineaarsuse olemasolu korral vähimruutude meetod ja ka sellel meetodil põhinevad
standardseid statistilisi hüpoteese reg.võrrandi ja reg.kordajate kohta, siis selle põhjuseks on ebakorrektne mudel. b) kui ei ole täidetud reg.jääkide homoskedastiivsuse eeldus, siis on tegemist nn heteroskedastiivsete reg.jääkidega. 6. Multikollineaarsuse mõju regressioonanalüüsi tulemustele. Multikollineaarsusega isel. olukorda, kus regressiioonvõrrandi sõltumatute muutujate arvväärtused on omavahelises sõltuvuses. 3 taset: 1)täpne (täielik); multikollineaarsus esineb siis, kui 1 sõltumatutest muutujatest kujutab endast teiste sõltumatule muutujate lineaarset funktsiooni. Täieliku multikol. põhjus tuleb üles otsida ja see kõrvaldada. 2)peaaegu täielik multikolli-neaarsus.- teatud liiki arvandmete omadus, mis muudab mudeli parameetrite hinnangud muutuvad väga ebastabiilseteks. 2 sõltumatu muutuja korral on nendevahelise sõltuvuse korrel.kordaja väga suur r>0,9.Kui reg.kor. varieeruvus on suur, siis on suur ka vahemik, kus asub reg.kor
Analüüsitava mudeli puhul autokorrelatsiooni testimine tarkvaraprogrammiga ei ole teostatav. Kuna testitavat mudelit võib käsitleda kui ristandmete mudelit (aastaid käsitletakse kui fiktiivseid tunnuseid), siis võib eeldada, et mudelis autokorrelatsiooni ei esine, sest ristandmete puhul ei ole erinevad andmed omavahel seotud (Paas, Raus 2012, 76). Seega loevad autorid ka kolmanda klassikalise mudeli eelduse täidetuks. Kui VIF > 10 siis on mudelis tugev multikollineaarsus. Reeglina viitab juba VIFj > 5 sellele, et tuleb arvestada multikollineaarsuse ning sellega kaasnevate ohtudega modelleerimise tulemuste tõlgendamisel. (Paas, Raus 2012, 38) Testitava mudeli korral on maksimaalseks VIF väärtuseks 1.505 (vt lisa 11), mis tõestab multikollineaarsuse puudumist testitavas mudelis Sellega on täidetud ka neljas klassikalise mudeli eeldus.
22. Mis on faktoranalüüsi eesmärk? Faktoranalüüsi eesmärgiks on leida ühisosa omavad tunnused ja moodustada nende põhjal uued ühist laiemat aspekti kirjeldavad summamuutujad e faktorid. Sotsiaalteadustes on uuritav näitaja sageli sõltuv paljudest argumentidest, mille omavahelise sõltuvuse kohta on raske teha järeldusi. Faktoranalüüsi abil asendatakse mõõdetud argumendid (tunnused) vähema arvu üksteisest sõltumatute üldistatud tunnustega (faktoritega), mille puhul multikollineaarsus on välistatud. Faktorid on tavaliselt kvalitatiivsed suurused. Kuna tunnuste arv väheneb ja seos esialgsete muutujatega on ligikaudne, siis osa infot läheb paratamatult kaduma. 23. Mida näitab esialgse muutuja kommunaliteet? Mingi tunnuse (muutuja) kommunaliteediks nimetatakse faktormaatriksi vastava rea elementide ruutude summat, see näitab sellist osa selle tunnuse koguhajuvusest, mida faktorid suudavad kirjeldada. Kui faktorite
a. Predictors: (Constant), kaalutud_hinnad_HICP, SKP_pc Eemaldasime mudelist töötuse näitaja ning viisime läbi regressioonianalüüsi. Nüüd on kõik sõltumatud muutujad ja ka mudel ise statistiliselt oluline (sig ≤0,05). Samuti puudub mudelist mulitkollineaarsus, mida näeme Tolerantsuse näitajast ja VIFist. Tolerantsuse näitaja peab olema suurem kui 0,1, et mudelist puuduks multikollineaarsus ning VIF peab olema alla 10. Mõlemad tingimused on täidetud. Tabel 8. Regressiooni analüüs. Coefficientsa Mudel Standardiseerimata Standardi t Olulisu Kollineaarsuse statistikud koefitsendid seeritud s koefitsend id
Informaatika ja biomeetria teooria eksam 1.LOENG Informaatika - info struktuuri, hankimist, töötlemist ja esitamist käsitlev teaduse ning tehnika haru. Arvutiõpetus - sama asi aga kitsam Infotehnoloogia - sama asi aga laiem Informatsioon ehk teave - andmeid ja teateid ● Informatsioon eristub teadmetest selle poolest, et andmed võivad olla töötlemata kujul faktid, millest üldistamise või muu töötlemise järel saab informatsioon. Vahetu info - kogud/ õpid midagi sinule uut (isegi kui ühiskonnale on vana info) Vahendatud info - teatud, räägid informatsioon ● Suurem osa meie infost on vahendatud Bait on kõige levinum infohulga mõõtühik, tähis B. Infoühiskonna ajalooline areng Kirjakeele ja tähestiku leiutamine võimaldas edastada inimkonna talletatud kogemusi ja infot, ilma et oleks vajalik vahetu kontakt info koguja ja selle hilisema o...
TEOORIA Kordamisküsimused 1. Nimetage palun aruandluse kolm tasandit Eesti Vabariigis? Majandusaasta aruanne Raamatupidamisaruanne Ettevõttesisene aruanne ehk juhtimisarvestus 2. Millest koosneb majandusaasta aruanne? Raamatupidamise aastaaruanne Tegevusaruanne 3. Millest koosneb raamatupidamise aastaaruanne? EV raamatupidamisseaduse kohaselt on raamatupidamiskohustuslane kohustatud lõppenud majandusaasta kohta koostama raamatupidamise aastaaruande, mis koosneb: põhiaruannetest bilansist, kasumiaruandest, rahavoogude aruandest ja omakapitalimuutuste aruandest ning lisadest (nt kasutatud arvestusmeetodid). 4. Mida kujutab endast bilanss? Bilanss kujutab endast firma finantsseisukorra aruannet teatud kuupäeva seisuga, hõlmates firma varasid ja selle soetamise allikaid. 5. Mida näitab kasumiaruanne? Kasumiaruanne mõõdab firma puhaskasumit või kahjumit teatud perioodi...
TEOORIA Kordamisküsimused 1. Nimetage palun aruandluse kolm tasandit Eesti Vabariigis? Majandusaasta aruanne Raamatupidamisaruanne Ettevõttesisene aruanne ehk juhtimisarvestus 2. Millest koosneb majandusaasta aruanne? Raamatupidamise aastaaruanne Tegevusaruanne 3. Millest koosneb raamatupidamise aastaaruanne? EV raamatupidamisseaduse kohaselt on raamatupidamiskohustuslane kohustatud lõppenud majandusaasta kohta koostama raamatupidamise aastaaruande, mis koosneb: põhiaruannetest – bilansist, kasumiaruandest, rahavoogude aruandest ja omakapitalimuutuste aruandest ning lisadest (nt kasutatud arvestusmeetodid). 4. Mida kujutab endast bilanss? Bilanss kujutab endast firma finantsseisukorra aruannet teatud kuupäeva seisuga, hõlmates firma varasid ja selle soetamise allikaid. 5. Mida näitab kasumiaruanne? Kasumiaruanne mõõdab firma puhaskasumit või kahjumit teatud perioo...
Lahendus. a) Ainus statistiliselt oluline muutuja on intressimäär. Regressioonimudeli tulemused ei ole kooskõlas sisuliste kaalutluste ja korrelatsioonanalüüsi tulemustega, kuna korrelatsioonanalüüs näitas tugevat seost autode müügi ning keskmise palga ja SKP-ga inimese kohta, kuid regressioonimudelis tulid need muutujad ebaolulised. Samuti on mudelis SKP inimese kohta ebaloogilise märgiga. b) Mudelis on (väga) suur multikollineaarsus, mis on põhjustatud palga ja SKP (inimese kohta) tugevast omavahelisest seosest. Sellele viitab SKP ja palga vaheline korrelatsioonikordaja, mis on suurem kui 0.9. Samuti on SKP ja palga vaheline korrelatsioonikordaja suurem kui autode müügi ja SKP ning autode müügi ja palga vahelised korrelatsioonikordajad. Tugevat multikollineaarsust näitavad ka VIF väärtused, mis SKP ja palga korral on suuremad kui 10 ning suurim konditsiooniindeks, mis on suurem kui 30.
jääkhajumisega? Mudel c, vastav suhe F on kõige suurem 16. Toodud on regressioonmudeli hindamisel saadud aruanne. Millised tunnused on statistiliselt olulised nivool 0,05? X1, X3, X4. 17. Toodud on regressioonmudeli hindamisel saadud aruanne. Millised tunnused on statistiliselt olulised nivool 0,01? X3, X4. 18. Regressioonmudelis olevate sõltumatute tunnuste omavaheline korrelatsioon on multikollineaarsus. Aegread & prognoos - Test 11 1. Vali, millise alljärgneva suuruse aegrida on momentrida, millisel perioodrida. a. sündide arv perioodrida, b. liiklusõnnetuste arv perioodrida, c. veemõõtja näit momentrida, d. ettevõtete arv äriregistris momentrida 2. Vali, milline allpool toodud suurustest on varusuurus ja milline voosuurus. a. sissetulek voosuurus, b. summa pangakontol varusuurus, c
Save Residuals Unstandardized. Pärast analüüsi läbiviimist tuleb selle uue, salvestatud muutujaga läbi viia normaaljaotuslikku test. Tulemused: a) Multikollineaarsuse statistikud koefitsientide tabelis: Kui Tolerance on alla 0.1, on tõenäoliselt tõsine probleem multikollineaarsusega, väärtused vahemikus 0.1-0.2 viitavad võimalikule problemaatilisusele; kui VIF on üle 10, siis on tõenäoliselt meie mudelis multikollineaarsus. b) Nüüd tasub koefitsientide tabelist vaadata, millised prediktorid ei ole statistiliselt olulised (kui kasutatud on Enter meetodit). Mõistlik on need prediktorid enda mudelist eemaldada ning uus regressioonianalüüs läbi viia. 10. PRAKTIKUM: 1) LOGISTILINE REGRESSIOON Logistilise regressiooni olemus on sarnane lineaarse ja mitmese regressiooni omaga põhiline erinevus seisneb selles, et logistilise regressiooniga ennustame kategooriat väljendavat tunnust
ehk valemid (3) + (6) = (9) x Isokvandid - sama toodangu koguse jooned x Isokliinid näitavad ressursside asendatavust x Isokost - sama maksumuse joon 3.4. Faktoranalüüs Sotsiaalteadustes on uuritav näitaja sageli sõltuv paljudest argumentidest, mille omavahelise sõltuvuse kohta on raske teha järeldusi. Faktoranalüüsi abil asendatakse mõõdetud argumendid tunnused) vähema arvu üksteisest sõltumatute üldistatud tunnustega (faktoritega), mille puhul multikollineaarsus on välistatud. Faktorid on tavaliselt kvalitatiivsed suurused. Kuna tunnuste arv väheneb ja seos esialgsete muutujatega on ligikaudne, siis osa infot läheb paratamatult kaduma. Erinevad tunnused, millele leitakse ühine nimetaja (faktor) (hind, kvaliteet, säilivus majanduslikkus). Analüüsima hakatakse faktoreid. Ei teki multikollineaarsust. Tekivad faktorite panused, mis näitavad kõige olulisemaid faktoreid. Samuti saab välja arvutada lähtetegurite
OTSUSTUSPROTSESSI ALUSED EKSAMI KORDAMISKÜSIMUSED LK 70 14. Selgitage alternatiivide elluviimise ,,tulemuste välja" olemust. Kui palju neid väljasid peaks otsuse ettevalmitusprotsessis koostama? Alternatiivsed tegevusvariandid, väliskeskkonna võimalikud seisundid, erinevate väliskeskkonna seisundite tekkimise tõenäosused ja alternatiivide kasulikkusehinnangud konkreetsete väliskeskkonna seisundite korral on need otsuse ettevalmistusprotsessi põhielemendid, mis kajastuvad baasmudelis. Otsuse ettevalmistamise baasmudelit iseloomustatakse kui tegutsemise tulemuste välja riski oludes. Alternatiivide elluviimise tulemused (Yij) on otsuse ettevalmistamise informatsiooniliseks aluseks. Neid tuleb hinnata kasu...
Struktuurivõrrandite süsteemi koostamine on kahtlemata sammuks edasi alternatiivide ruumi piiritlemise probleemi põhjendatud lahendamisel. Nende võrrandite lülitamine matermaatilisse modelleerimisse võimaldab oluliselt tõsta lahendusvariantide kvaliteeti. Samal ajal tuleb juhtida tähelepanu ka struktuurivõrrandite kasutamise mõningatele puudustele: statistilised raskused koostamisel – multikollineaarsus tegurnäitajate vahel põhjustab seosevõrrandite parameetrite ebastabiilsust ja madalat usaldusväärsust; analüütilised raskused – mitmemõõtmeliste struktuurivõrrandite parameetreid ei ole tegurinäitajate statistilise seotuse korral võimalik kasutada analüütilistel eesmärkidel, seetõttu jääb tunnetamata konkreetsete alternatiivide kujunemise protsess;