Ökonomeetria mõisted

Punnison, Eveli

Ökonomeetria mõisted (2)

5 VÄGA HEA

Ökonomeetria mõisted

Autokorrelatsioon ja heteroskedastatiivsus võivad mudelis olla kahel põhjusel: 1) mudeli spetsifikatsioon on vale. Mudelist on välja jäetud mõned olulised muutujad ja/või mudeli funktsionaalne kuju on vale. Mudel tuleb ümber vaadata. 2) Tavalise vähimruutude meetodi rakendamise protseduur võib anda standardhälvete nihkega hinnangud . Tuleb kasutada uusi lähenemisi mudeli parameetrite hindamiseks. Autokorrelatsiooni testitakse aegridade puhul. Kui juhuslikud vead korreleeruvad omavahel, siis on olemas autokorrelatsioon. Kui autok . Esineb, tuleb mudel ümber vaadata, tuleb muuta spetsifikatsiooni.

Asümptootilised hinnangud – kui juhuslike vigade normaaljaotuse eeldus ei ole täidetud, siis usalduspiirid on asümptootilised. Nad on täpsed siis, kui valimi maht on lõpmatu; lõpliku valimi mahu korral usalduspiirid on ligikaudsed.

Determinatsioonikordaja – (D=R²) väljendab regressioonimudeli poolt kirjeldatud hajuvuse suhet (ESS – explained sum of squares) modelleeritava näitaja (endogeense muutuja ) koguhajuvusse (TSS – total sum of squares).

Dispersioon – iseloomustab juhusliku suuruse Xi erinevust keskväärtusest, seega iseloomustab tunnuse hajuvust. Valimi dispersiooni kui üldkogumi dispersiooni hinnangu tähiseks on tavaliselt S-ruut, üldkogumi dispersiooni tähiseks σ-ruut (kasutatakse teisi tähiseid ka: var, D(X)). Seega, mida suurem on Xi väärtus võrreldes keskväärtusega, (aritmeetilise keskmisega) seda suurem on hajuvus e dispersiooni.

Dispersiooni meetod

Diskreetne arvuline tunnus – omab vaid täisarvulist väärtust, n laste arv perekonnas, eesti elanike arv.

Durbin-Watsoni test. Kasut 1. järku autokorrelatsiooni avastamiseks. Kasut.tingimused: reg.mudel sisaldab vabaliiget. Mudel ei sisalda sõltuva muutuja viitajaga liikmeid (nt Yt-1, Yt-2)

Fiktiivne muutuja (dummy) – iseloomustavaid binaarseid muutujaid. Binaarne muutuja – nominaalsel tunnusel vaid 2 erinevat väärtust, näiteks abielus v vallaline.

Entroopia – määramatus (Prognoosi entroopia E on see osa infost tuleviku kohta, mida olemasoleva lähteinfo põhjal ei olnud võimalik leida).

Heteroskedastiivsusega on tavaliselt tegemist siis: a) parameetrite hinnangud on lineaarsed nihketa hinnangud, kuid nad ei ole parimad, st nad ei ole vähima dispersiooniga b) standardvead ei ole korrektsed ja seega ei ole korrektsed ka parameetrite hinnangute usaldusvahemikud. F-kriteeriumi hinnang ei pruugi olla õige; c) mudel võib viia uurija valedele järeldustele, kui tegemist on statistiliste hüpoteeside kontrollimisega. Kasutatakse graafilist analüüsi. Juhuslik liige ehk jääkliige ui on juhuslik suurus, mille keskväärtus ehk matemaatiline ootus on võrdne nulliga. E (ui) = 0. Kui juhuslike liikmete dispersioon pole konstantne ning tema jaotus oleneb X-st, on tegemist heteroskedestatiivsusega. Parki test – kui sõltumatute muutujate ln(Xi) vastava regressioonikordaja hinnang a1 on statistiliselt olulisel määral erinev nullist, siis esialgses mudelis on heteroskedestatiivsus.

Jääkliige – u`t ( katusega , väike t) – väljendab sõltuva muutuja mõõdetud väärtuse Yt ja regressioonimudeliga saadud hinnangu Y`t (katusega, väike t) erinevust aastal (vaatlusel) t-1

Juhuslik viga (ui) – (juhuslik suurus, mis võib omada nii positiivseid kui negatiivseid väärtusi).

Keskväärtus – tunnuste väärtuste kui juhuslike suuruste aritmeetiline keskmine. Suur X katusega, üldkogumi korral müü (väike u, vasakul allapoole kriips ).

Klassikaline ökonomeetriline modelleerimine – üksikult üldisele lähenemine. Majanduslikku seost püütakse tõestada, mitte võltsida. Maj. seost ei testita, vaid hinnatakse.

Kalibreerimine – täpse mõõdu andmine, kontrollimine. Lähtutakse seisukohast , et majandusagendid optimeerivad oma käitumist ning turud saavutavad tasakaalu. Kontrollitakse modelleerimise kaudu reaalseid andmeid ja vaadatakse, kas need vastavad.

Korrelatsioon – punktid paiknevad mingi joone ümber. Mida lähemal on punktid joonele, seda tugevam on korrelatsioon. Korrelatsioon puudub – punktid on kõik laiali, seost pole –joont ei moodustu. Negatiivne korrelatsioon – joon on langev vasakult paremale. Positiivne – tõusev – vasakult paremale. Lineaarse korrelatsiooni tugevust näitab Pearsoni korralatsioonikordaja (r). Pearson tõestab ka põhjusliku seose esitatud andmete vahel, sest korrelatsioon võib olla, aga samas ei pruugi kahe näitaja vahel olla põhjuslikku seost. Vajalik intervallskaala. Erind –näiteks üks punkt on teistest eraldi, see võib tugevalt vähendada või suurendada korrelatsiooni. Seetõttu vajalik vaadata ka hajuvusdiagrammi. Erindit tuleb analüüsida – vajadusel välja jätta. Lineaarse korrelatsioonikordaja puuduste tõttu kasutatakse ka teisi seosekordajaid – Spearmanni, Kendalli. Siis kui arvad , et nähtuste vahel peaks tulema tugev seos, aga r tuleb väga väike siiski. Korrelatsioon puudub: r=0; korrel on nullist erinev r =/ 0 (võrdusmärg läbiva kriipsuga)

Korrelatsioonikordaja (p) – 2 juhusliku suuruse X ja Y vahelise lineaarse, seose tugevust ja suunda võimaldab mõõta lineaarne paariskorrelatsioonikordaja. Võib olla positiive/negatiivne. Saab olla vahemikus -1/+1. Kordaja märk näitab 2 juhusliku suuruse X ja Y ühise muutumise suunda. Mida suurem on kor.kordaja absoluutväärtus, seda tugevam on uuritavate nähtuste vaheline lineaarne seos. Kor.kordaja ruut ehk determinatsioonikordaja näitab kui suure osa ühe tunnuse hajuvusest saab kirjeldada teise tunnuse abil. Kui H0 on õige, siis 2 juhusliku suuruse vahel seost ei ole.

Korrelatsioonianalüüs – võimaldab selgitada nähtuste (muutujad X1 ja X2) vahelise lineaarse seose olemasolu, suunda ja tugevust.

Kollineaarsus – vektorid on samasihilised, kollineaarsete vastavad koordinaardid on võrdsed.

Konsistentne hinnang – hinnang konvergeerub parameetri tegelikuks väärtuseks kui valimi maht kasvab lõpmatult.

Lineaarne - joon-, sirgjooneline, pikiulatuseline.

Lineaarne mudel – kõige tavalisem mudel. Y=a0+a1x1+a2x2+…+akxk. Tähendab, et reg.võrrand on lineaarne parameetrite (ei pruugi olla lineaarne muutujate) suhtes.
A0 – vabaliige, annab y väärtuse kui kõigi teiste sõltumatute tunnuste väärtused on nullid ;
A1 – x1 kordaja, näitab kui palju suureneb y kui x1 suureneb 1 ühiku võrra, kui teised sõltumatud tunnused jäävad samaks;
A2 – x2 kordaja, näitab kui palju suureneb y kui x2 suureneb 1 ühiku võrra ja teised sõltumatud tunnused jäävad samaks.
K, see on vist i – st vaatluste arvu

Mood – on tunnuse kõige sagedamini esinev väärtus. Paiknevuse karakteristik.

Mediaan - tunnuse väärtuste järjestamisel leitud n.ö keskmine väärtus ehk see tunnuse väärtus, millest väiksemate väärtuse osa on 50% ehk pool.

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.

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. B) Mudeli parameetritel on väga suured usalduspiirid ja suured standardhälbed c) Regressioonimudeli ühe või mitme parameetri märk on ebaloogiline. Kui VIF on suurem kui 5 või 10 ja Tolerance väiksem kui 0,1, siis võib esineda, muidu mitte. Kui konditsiooniindeks CI väärtus on 10 ja 30 vahel, siis on mudelis mul.kollineaarsuse oht. Kui see on üle 30, siis on suur oht.
Mult.Kollineaarsuse avastamiseks viiakse lisaks regressioonianalüüsile läbi ka korrelatsioonianalüüs. St leitakse paarikaupa kõigi tunnuste korrelatsioonikordajad ja võrreldakse sõltuvate tunnuste omavahelist korrelatsiooni ja korrelatsiooni sõltuva tunnusega.
Nihketa hinnang – hinnangu keskväärtus võrdub parameetri tegeliku väärtusega.

Negatiivne korrelatsioon — ühe suuruse kasvades teine suurus kahaneb.

Normaaljaotus – On pidev jaotus. Kirjeldatav 2 parameetriga: keskväärtusega (müü - σ) ja dispersiooniga (σ 2 st. ruut). Normaaljaotuse korral keskväärtus, mood ja mediaan ühtivad. Sobib tunnuste kirjeldamiseks, millel on teatud keskmine tase. Selle keskmise taseme lähedased väärtused esinevad tihti, suuri kõrvalekaldeid keskmisest väärtusest on harva. Graafiku joon: siil vaiba all – sümmeetriline keskväärtuse suhtes. PS. Tavaliselt esitatakse juhusliku suuruse X normaaljaotus standardiseeritud juhusliku suuruse Z kaudu, mille korral µ=0 ja σ=1.

Olulisuse nivoo – α (level of significance) on hüpoteeside testimisel raske (ehk 1.liiki) vea esinemise suurim lubatav tõenäosus. Uurija paneb paika, sõltuvalt sellest kui raskeks loeb uurija hüpoteeside testimisel tekkivat võimalikku viga. N: Tulemus on arvatavasti 90% -liselt tõenäoline ( usaldusnivoo ) ehk siis olulisuse nivoo sellest tulenevalt 0.10 (α=0,1). Kasutatakse nivood 0,05 ja 0,01. Vea tõenäosus vastavalt 1 või 5 %.

Olulisuse tõenäosus – p – (significance probability) – väikseim olulisuse nivoo, mille puhul saab vastu võtta sisuka hüpoteesi.

Osakorrelatsioon – mõõdab 2 juhusliku suuruse (näiteks Y ja X1) vahelist korrelatsiooni juhul, kui kolmanda juhusliku suuruse (näiteks X2) võimalik mõju on elimineeritud. N: Ristandmete puhul – kordaja näitab seost tarbimiskulude ja sissetuleku vahel, kui hoiused on ühesugused, nende võimalik mõju likvideeritud. Aegridade puhul – (valimi maht T, perioodi pikkus, aastate arv): osakorrelatsioonikordaja näitab seost tarbimiskulude ja sissetulekuu vahel, kui hoiused ei muutu.

Paiknevuse karakteristikud – annavad teavet tunnuse väärtuse paiknemise kohta tunnuste väärtuste hulgas (keskväärtus, mood, mediaan, kvantiilid). Kui mood, mediaan, keskväärtus langevad kokku, on tegu normaaljaotusega.

Parim hinnang – ka efektiivne hinnang. Hinnang, mille varieeruvus Var(…) (dispersioon) on kõige väiksem. Vähima dispersiooniga hinnang.

Pidev arvuline tunnus – võib omandada kõiki arvulisi väärtusi mingist piirkonnast. N: SKP, kasum, toodangu maht.

Positiivne korrelatsioon — ühe suuruse kasvades teine suurus samuti kasvab.

Regressioonianalüüs – kui kahe näitaja vahel on mingil nivool statistiliselt oluline seos (Pearson; Spearman), siis peab seda analüüsima regressioonianalüüsiga. Reg.analüüsi eesmärgiks on leida arvutusvalem, mis võimaldab argumentsuuruse X põhjal leida funktsioonsuuruse Y vastava väärtuse `y (kolmnurkse katusega). Regressioonianalüüs võimaldab mõõta nähtuste vahelise seose olemasolu, suunda ja tugevust, kuju ning välja tuua regressivõrrandi eristamaks sõltuvat ja sõltumatuid ehk seletavaid muutujaid. Reg.analüüs uurib sõltuva muutuja Y sõltuvust ühest või mitmest sõltumatus (seletavast) muutujast (X).

Reg.mudeli statistiline analüüs – mudeli parameetrite statistiline olulisus, usalduspiirid (t- statistik , t-jaotus). Usalduspiiride ja parameetrite kohta käivate hüpoteeside testimiseks on vaja teada parameetrite standardvigasid ja hinnangut regressiooni standardveale. Reeglina testitakse, kas parameetri hinnang erineb etteantud olulisuse nivoo korral nullist (st parameeter on statistiliselt oluline). Hüpoteeside testimisel leitakse t-statistiku väärtus ja vaadeldakse, kas ta kuulub –t ja t vahele. Kui I t I >t tab vabadusastmetel n-k (n on valimi maht ja k mudeli parameetrite arv) ja olulisuse nivool a2, siis saab vastu võtta sisuka (alternatiivse hüpoteesi) H1, mille kohaselt parameetri hinnang erineb statistiliselt oluliselt nullist (või c-st). Kui hüpoteesi H1 vastu võtta ei saa (jäädakse 0-hüpoteesi juurde), siis etteantud olulisuse nivool puudub statistiliselt oluline seos muutujate Y ja X vahel .

Standardhälve – so ruutjuur dispersioonist. Mida suurem on standardhälve, seda suurem on tunnuse kui juhusliku suuruse hajuvus. Seda suurem on tunnuse erinevus keskväärtusest.

Statistilistel seostel baseeruv modelleerimine, hõlmab üldiselt üksikule lähenemist. Lähenemine kehtib aegridade jaoks. Teooriat ei püüta ümber lükata, vaid analüüsitakse teooria ja andmete kooskõla.

T-jaotus, lk 27-28. Üks kasutatavamaid jaotusi. Sümmeetriline jaotus. Keskväärtus 0, dispersioon k/(k-2). Defineeritav vaid juhul kui vabadusastmete arv on suurem kui 2. Mida suurem on vabadusastmete arv, seda enam läheneb t-jaotus normaaljaotusele.

Vabadusastmete arv – vt reg.mudeli statistiline analüüs.

Vabaliige – lülitatakse mudelisse selleks, et vealiikme tinglik keskväärtus oleks null. Kui mudelisse mittelülitatud sõltumatute muutujate keskmine mõju sõltuvale muutujale Y on 0, siis vabaliige on nihketa.

Valim – andmete alusel hinnatud mudel on valimi põhine mudel, mille alusel testitakse hüpoteese üldkogumi e maj.protsessi kohta.

Variatsioonikordaja (V) – leitakse standardhälbe ja keskväärtuse alusel. Näitab kui palju protsentuaalselt moodustab standardhälve keskväärtusest. Mida suurem on variatsioonikordaja (ehk hajuvuse kordaja), seda suurem on uuritava muutuja (tunnuse) hajuvus ümber keskväärtuse.

Vähimruutude meetod – tingimused selle kasutamiseks. Reg.mudel on lineaarne. Valimi maht, mille põhjal mudeli parameetreid hinnatakse (n) peab olema suurem (või võrdne) kui hinnatavate parameetrite arv: n ->k + 1 (suurem-võrdne). Sõltumatud muutujad ei tohi olla omavahel täpses lineaarses sõltuvuses.

Vähimruutude meetodil saadud hinnangud – tavaline vähimruutude meetod (OLS) sobib nii determineeritud kui stohhastiliste protsesside kirjeldamiseks. Stohhastiliste protsesside modelleerimisel (ökon.mudelid) tuleb analüüsida hinnangute ja juhuslike suuruste omadusi. Eesmärgiks on saada parimad lineaarsed nihketa hinnangud e efektiivsed hinnangud (BLUE – best linear unbiased estimator).

Väärkorrelatsioon – korrelatsioonikordaja on statistiliselt oluline, kuid tegelik põhjuslik seos nähtuste vahel puudub.

Usaldusnivoo (level of confidence) - tõenäosus 1 – α, mille korral parameetri vahemikhinnang katab tema tegeliku väärtuse. Parameeter satub lubatud piiridesse .

Üldkogum – ökon.modelleerimisel on üldkogumiks modelleeritav majandusprotsess.

Spearmani korrelatsioonikoefitsent (rs) – järjenumbrite korrelatsioonikordaja. N: on vaja reastada 2 erineva grupi arvamused ning need järjestada ja võrrelda (järjenumbrid – astakud-astakkorrelatsioon) N: tippjuhtide ja töötajate arvamused. Siis saab Spearmani kasutada. Spearmani saab kasutada ka siis kui on vaja intervallskaalas esitatud andmeid analüüsida ning vähendada erindite mõju. Pearson mõõdab lineaarse seose tugevust, Spearman monotoonse seose tugevust. Monotoonne seos – ühe tunnuse kasvamine toob kaasa teise kasvu, ühe tunnuse kahanemine toob kaasa teise kahanemise.

Statistilised hüpoteesid – sõnastatakse tavaliselt hüpoteeside paarina H0 ja Ha või siis H0 ja H1. Hüpoteesi H0 nimetatakse nullhüpoteesiks (näitajate vahel seost ei ole) ning hüpoteesi Ha alternatiivseks ehk sisukaks hüpoteesiks. Neist saab tõene olla ainult üks.

.DOC Laadi alla originaalfail 5 lk · .doc · 103 allalaadimist

50 punkti Autor soovib selle materjali allalaadimise eest saada 50 punkti.

~ 5 lehte Lehekülgede arv dokumendis

2010-02-11 Kuupäev, millal dokument üles laeti

103 laadimist Kokku alla laetud

2 arvamust Teiste kasutajate poolt lisatud kommentaarid

Eveli Punnison Õppematerjali autor

Ökonomeetria mõistete seletused

multikollineaarsus heteroskedastiivsus statistilised hüpoteesid olulisuse nivoo regressioonanalüüs

Sarnased õppematerjalid

docx

1) Ökonomeetrilise mudeli komponendid: Endogeensed muutujad - sõltuvad muutujad, väärtused mudeli siseselt Y Eksogeensed muutujad – sõltumatud muutujad, modelleeritavat nähtust mõjutavad X Statistiliste meetoditega hinnatavad mudeli parameetrid β Juhuslik komponent – vabaliige u Y= f (X, β, u) 2) Andmetüübid: Arvandmed, ristandmed (erinevad objektid samal ajamomendil), aegread (sama objekti erinevatel ajamomentidel), paneelandmed (ristandmed + aegread) 3) Valimivaatlused ja parameetri hinnangu mõiste: Valimi parameetrite põhjal leitakse üldkogumi parameetrite hinnangud. 4) Punkthinnang, intervallhinnang Punkthinnang – statistik, mis annab parameetrite ühese väärtuse (aritmeetiline keskmine on valimi punkthinnang kogumi keskväärtusele) Intervallhinnang – usaldusvahemik, lõik, mis sisaldab parameetri tegelikku väärtust mingi etteantud tõenäosusega. 5) Hinnangufunktsioon: Reegel üldkogumi parameetri(te)

Kategoriseerimata

docx

KORDAMINE ÖKONOMEETRIA KONTROLLTÖÖKS

KORDAMINE ÖKONOMEETRIA KONTROLLTÖÖKS 2013 sügissemester kasutatud 2017. aasta sügissemestri KT õppimiseks Teooria 1. Ökonomeetrilise mudeli komponendid. Endogeensed (sõltuvad Y), eksogeensed (sõltumatud, X), hinnatavad parameetrid (beeta) ja 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 paramee

Ökonomeetria

docx

Ökonomeetria kontrolltöö kordamisküsimused 2020

Ökonomeetria KT kordamisküsimused 1. Ökonomeetrilise mudeli komponendid. ● Modelleeritavad näitajad: endogeenselt (sisemiselt) määratud ehk sõltuvad muutujad (Y). Väärtused määratakse mudeli siseselt ● Modelleeritavat nähtust mõjutavad näitajad: eksogeenselt (väliselt) määratud ehk sõltumatud, seletavad muutujad (X). Väärtused määratakse mudeli väliselt. ● Statistiliste meetoditega hinnatavad mudeli parameetrid (b). ● Juhuslik komponent ehk vealiige (u). 2. Andmetüübid. Ökonomeetriline mudel baseerub arvandmetel: ● Ristandmed (cross-sectional) ● Aegread (time series) ● Paneelandmed (panel data) Andmed saavad olla kas ● Kvalitatiivsed (ei saa mõõta arvudega, nt haridustase) ● Kvantitatiivsed (mõõdetakse arvudega, nt vanus) 3. Valimvaatlused ja parameetri hinnangu mõiste. ● Uuritav objekt on üldkogum ● Andmebaas on üldjuhul valim Järeldusi soovime teha üldkogumi kohta, selleks kasuta

Ökonomeetria

pdf

Harilik lineaarne regressioonmudel

Loenguplaan · Seos kahe tunnuse vahel kovariatsioon korrelatsioon Harilik lineaarne · Harilik lineaarne regressioonmudel Vähimruutude meetod parameetrite hinnangute leidmiseks regressioonmudel

Ökonomeetria

pdf

Loeng2

Harilik lineaarne regressioonmudel Loenguplaan • Seos kahe tunnuse vahel – kovariatsioon – korrelatsioon • Harilik lineaarne regressioonmudel – Vähimruutude meetod parameetrite hinnangute leidmiseks – Parameetrite tõlgendamine – Standardvead, usalduspiirid – Parameetrite statistilise olulisuse kontrollimine – Determinatsioonikordaja – Mudeli korrektne esitamine – Erindi mõju – Vabaliikme olulisus – Mittelineaarsed lineariseeritavad mudelid Kovariatsioon  = E ( X − X )   2 2 Dispersioon: ühe suuruse hajumine    XY = E ( X −  X )(Y − Y )  Kovariatsioon:

Kategoriseerimata

docx

Rakendusstatistika kokkuvõte

Juhuslik sündmus on midagi, mis mingi katse tulemusel võib toimuda. Katse on mingi tingimuste kompleksi realiseerumine. Elementaarsündmused on mingid üksteist välistavad sündmused, millest iga katse korral üks tingimata toimub. Juhuslikud sündmused: *vastastikku välistuvad sündmused- ei sisalda samu elementaarsündmusi *vastastikku mittevälistuvad sündmused- sisaldavad samu elementaarsündmusi *sündmuste sisalduvus- kui toimub A, toimub ka B *vastansündmus- kõik elementaarsündmused, mis ei sisaldu sündmuses Tõenäosus iseloomustab sündmuse esinemissagedust katsetes. Tõenäousese määramisviisid: klassikalised(kombinatoorne, geomeetriline, statistiline), mtteklassikalised(subjektiivne,intersubjektiivne) Juhuslikuks suuruseks nim suurust, mis järjekordse katse tulemusel omandab mingi mittennustatava väärtuse mingist võimalikust väärtuste hulgast. Diskreetne juhuslik suurus: võimalike väärtuste hulk on lõplik Pidev juhuslik suurus: võimelike

Rakendusstatistika

pdf

Ökonomeetria testid vastused

1. Regressioonmudelis y=B0+B1x+u x - eksogeenne muutuja, y - endogeenne muutuja, u - juhuslik liige 2. Milline hinnangute omadus mida iseloomustab? efektiivus - hinnangute hajuvust, nihe - süstemaatilist viga, mõjusus - hinnangute koondumist suurte valimite korral 3. Asümptootiline omadus kehtib juhul, kui valimi maht läheneb lõpmatusele 4. Sinised punktid - hinnangfunktsiooni A abil saadud hinnanguid ja sinine kriipsjoon on nende keskväärtus. Rohelised - funktsiooni B abil. Hinnang A on nihketa, Hinnang B on nihketa, Hinnang B on efektiivsem kui hinnang A 5. Valimi põhjal saab leida mudeli parameetrite hinnangud 6. Ülikooli juhtkond soovis teada saada, kui palju tunde nädalas kulutavad üliõpilased keskmiselt isesisvale tööle. Selleks küsitleti juhuslikult väljavalitud 50 üliõpilast. Nende keskmine iseseisva töö tundide arv nädalas oli 15,3. Tulemus 15,3 tundi nädalas on kõigi üliõpilaste keskmise nädalatundide arvu punk

Ökonomeetria

docx

Statistika kordamisküsimused

1. MÕÕTMINE Mõõtmine on objektide võrdlemine - Korraga saab võrrelda ainult kaht objekti omavahel. Kui objekte palju, valitakse välja üks (etalon) ning teisi võrreldakse sellega. Otsene mõõtmine ja kaudne mõõtmine – otseste mõõtmiste kaudu Nimi- ehk nominaalskaala – objektide eristamiseks – sugu, rahvus, huvid, kaubakood, ettevõtte registrinumber Järjestusskaala – võimaldab objekte järjestada mingi tunnuse alusel – nt ettevõtted: väikesed, keskmised, suured – küsitlus: "poolt", pigem poolt kui vastu", "pigem vastu kui poolt", "vastu" – intervallid skaalajaotuste vahel pole võrdsed Intervallskaala – skaalajaotuste intervallid on võrdsed  Vahemikskaala – nullpunkti asukoht kokkuleppeline – ajaskaala, Celsiuse skaala temperatuuri mõõtmiseks – võib leida vahesid, ei tohi leida suhteid  Suhteskaala – nullpunkt fikseeritud absoluutselt – objekti pikkus, kaal, töötajate arv, käive, m

Statistika

Rohkem sarnaseid

Kommentaarid (2)

pkrissu: 50 vastatud definitsiooni, natuke ikka abiks.

17:11 30-05-2010

HeiliKaa: Oli abiks.

21:20 16-01-2011

Kõik kommentaarid

.DOC Laadi alla originaalfail 5 lk