Ökonomeetria testid vastused - sarnased materjalid

Ökonomeetria kontrolltöö kordamisküsimused 2020

● 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 kasutame valimit. Valimi parameetrite põhjal leitakse üldkogumi parameetrite hinnangud. Valimi põhjal leiame mudeli parameetrite hinnangud. Valim on juhuvalim => hinnang on juhuslik suurus. 4. Punkthinnang, intervallhinnang. Punkthinnang (point estimate) on statistik, mis annab parameetrile ühese väärtuse. Näiteks valimi aritmeetiline keskmine on punkthinnang kogumi keskväärtusele. Intervallhinnang (interval estimate) on lõik, mis sisaldab parameetri tegelikku väärtust mingi etteantud tõenäosusega. Ka usaldusvahemik (confidence interval) 5. Hinnangfunktsioon

KORDAMINE ÖKONOMEETRIA KONTROLLTÖÖKS

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

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) hinnangu(te) leidmiseks 6) Hinnangute omadused:

Mitmene regressioonmudel I

loomaliha.gdt Mudel 2, toome sisse ka sealiha hinna ps Loomaliha ja sealiha hind on omavahel seotud qli 79, 3 0,540 pli 0,195 psi ui Kui mudelis ainult loomaliha hind pl Kui oli ainult loomaliha hind pl NB! Loomaliha kordaja on qli 85, 2 0, 466 pli ui erinev! qli 85, 2 0, 466 pli ui Siin avaldub kaudselt ka sealiha hinna mõju. Kui sealiha hinda mudelis pole, saame

Ökonomeetria kordamisküsimustele vastused

Sõltuvate fiktiivsete muutujate kasutamiseks valitakse lineaarse tõenäosuse, logit ja probit mudeleid. Nende kasutamise põhiliseks probleemiks on see, et jääkliikmed on heteroskedastiivsed. Samuti probleemiks võib olla see, et tõenäosuste näitajad võivad mitte olla lineaarses seoses selgitava muutujaga. Tõenäosuse koefitsiendid võivad olla suurem kui üks või negatiivsed. (seda ei tohi olla) Determinatsioonikordaja võib olla väike. Millised on negatiivse autokorrelatsiooni vähendamise võimalused:  Andmete teisendamine (nt logaritmeerimine)  Faktoranalüüsi kasutamine  Andmerea pikendamine  Autokorrelatsiooni omapära (trendi) elimineerimine  Sesoonsuse kasutamine, diferentside võtmine, uute andmete mudeli juurde võtmine Milles seisneb VAR mudelite põhimõte? Põhimõtte seisneb selles, et majanduses ei ole võimalik vahet teha eksogeensetel ja endogeensetel muutujatel

Harilik lineaarne regressioonmudel

Harilik lineaarne regressioonmudel Kas on võimalik leida seost kirjeldavat matemaatilist mudelit? Et teades tarbija sissetulekut, saaks prognoosida elektrienergia keskmist tarbimist. Tinglik keskväärtus Regressioonanalüüs Eesti meeste keskmine pikkus on 179 cm E [ PIKKUS] = 179 cm See on tingimusteta keskväärtus (unconditional mean) Regressioonmudel koosneb deterministlikust ja juhuslikust komponendist Ühe konkreetse mehe pikkus (cm) PIKKUS = 179 + u y = deterministlik komponent + juhuslik komponent kus u on juhuslik komponent

Ökonomeetria mõisted

Ökonomeetria mõisted 1. 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. 2. Asümptootilised hinnangud ­ kui juhuslike vigade normaaljaotuse eeldus ei ole täidetud, siis usalduspiirid on asümptootilised

Ökonomeetria-BA.

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 tõenäosus p  0.001 on väiksem kui 0.05. Mudeli sõltumatud muutujad kirjeldavad ära 82% tarbimise varieeruvusest. b) Kuna muutujate X ja D t-statistikute absoluutväärtused on suuremad kui kriitiline väärtus ( 22.54  1.99; 2.34  1.99) , siis statistiliselt olulised muutujad mudelis on muutuja X ja muutuja D. Muutujate X ja D koostoimemuutuja DX on statistiliselt ebaoluline c) Usalduspiiride leidmiseks on esmalt vaja leida parameetri hinnangu standardviga ˆ  vastavalt valemile se ˆ  . Antud juhul se  0.93 / 22.54  0.041 . Parameetri t 

Statistika testid

h. need inimesed, kelle sissetulek on väiksem kui 5000 kr ­ osakogum i. inimese sissetulek ­ tunnus 3. Milliste vaatlustega on tegemist? a. küsimustiku täitmine veebis ­ ankeetvaatlus b. andmete hankimine internetist ­ dokumentaalvaatlus c. ettevõte saadab perioodiliselt andmeid statistikaametile ­ korrespondentvaatlus d. küsitleja vestleb inimesega ja täidab vastuste põhjal küsitlusankeeti ­ suuline vaatlus e. ülevaade ettevõtte telefoniarvetest ­ dokumentaalvaatlus 4. Andmete kogumise meetodid on vaatlus ja eksperiment 5. Jäme mõõtmisviga, mis enamasti on põhjustatud inimlikust eksimusest, on ekse 6. Inimese vanus täisaastates on diskreetne intervallskaala. 7. Kogumi maht on kogumi elementide arv 8. Kauplusse sisenejate loendamine on otsene vaatlus. 9. Tööjõu-uuringu ankeedis oli järgmine küsimus: -------------------------------------

Statistika kordamisküsimused

Pidev suurus - väärtused täidavad mingi vahemiku täielikult ära Jaotusseadus - Diskreetse juhusliku suuruse X jaotusseaduseks nimetatakse vastavust suuruse kõikvõimalike väärtuste xi ja nende tõenäosuste pi vahel. Jaotusfunktsioon - tõenäosus, et juhusliku suuruse X väärtus on väiksem-võrdne mingist reaalarvust x. Valem: F(x)=P(X<=x) Keskväärtus ehk oodatav väärtus - Kui juhusliku suuruse X väärtuse xi esinemise tõenäosus on pi , siis selle juhusliku suuruse keskväärtus ehk oodatav väärtus. Oodatav väärtus on otsustamisel kriteeriumiks. Valitakse see alternatiiv, mille korral oodatav väärtus on ekstremaalne. Näiteks: oodatav kasum maksimaalne,oodatav kulu minimaalne Valem: µ=E[X]= ∑ pixi Dispersioon – diskreetse juhusliku suuruse dispersioon σ^2=∑(xi-µ)^2*pi Pidev juhuslik suurus - Pideva juhusliku suuruse korral ei saa rääkida mingi üksiku konkreetse väärtuse esinemise tõenäosusest

Ökonomeetriline projekt - Brutopalga sõltuvus haridustasemest, meeste osakaalust ning linlaste osakaalust maakondade lõikes

on r=0,4201 (p=0,001), r=-0,6028 (p=0,000) ja r=-0,2652 (p=0,0406). Meeste osakaal tööjõust ja linlaste osakaal keskmise brutopalgaga statistiliselt olulist seost ei oma. Samal ajal on tugev korrelatsioon ka osade sõltumatute muutujate vahel, näiteks kõrghariduse ja linnalises asulas töötajate vahel (r = 0,5873) ja fiktiivsete muutujate D1, D2 ja D3 vahel (kõigi fiktiivsete muutujate vahel r = -0,3333). Mudeli parameetritele hinnangud leiti leiti vähimruutude meetodil. Lisas 6 toodud esialgse lineaarse mudeli koefitsientide tabelist on näha, et kõrgharitute osakaau hõivatutest X1 (p=0,000), fiktiivse muutuja D1 (p=0,000), D2 (p=0,000) ning fiktiivse muutuja D 3 (p=0,000) parameetrite hinnangud on statistiliselt olulised usaldusnivool 0,95. Saame väita, et keskmise brutopalga kujunemine sõltub olulisel määral vaid kõrghariduse määrast ning on mõjutatud ka ajaperioodist

Analüürimeetodid äriuuringutes kordamisküsimused

5. Mis on kummagi mängija eesmärgiks kahe isiku nullsumma mängus? Kahe isiku nullsummaline maatriksmäng tähendab, et mängijate huvid on diametraalselt vastupidised. Mängijate eesmärgiks kahe isiku nullsumma mängus on võita, ja kuna ühe mängija võit tuleb nn ,,teise taskust", siis võita saab ainult üks, seega iga mängija eesmärgiks on seatud, et just tema võidab. 6. Mida nimetatakse mängu hinnaks? Mängija A võidu ja mängija B kaotuse ühine keskväärtus on mängu hind. 7. Mitu võimalikku käiku on reamängijal ja millises vahekorras peab ta neid valima, kui tema optimaalne strateegia on P 0; 0,75; 0,25 ? Tõenäosus P=(0;0,75;0,25) näitab, et tegemist on reamängija tõenäosustega, veerumängija tõenäosus oleks Q=(q1;q2). Kuna 1.käigu tõenäosus on 0, siis esimesi käike mängija üldse teha ei saa, seega on mängijal kokku 2·2=4 käiku. Mängija teeb käike vastavalt 75% juhtudest 2. käiku ja 25% juhtudest 3. käiku. 8

ÖKONOMEETRIA loegn 1

Bakalaureuseõppe TAAB 3. kursus (vana õppekava) hindamismeetodid, õppematerjalid). Õppejõud Ako Sauga. · Ökonomeetria mõiste, ökonomeetriline Sisu sama, mis TES0040, mudel. ökonomeetria algtase. · Hinnangud ja nende omadused. Magistriõpe (uus õppekava) · Hüpoteeside kontrollimine. Rakenduslik ökonomeetria MEM5220 Õppejõud Kadri Männasoo.

Rakendusstatistika kokkuvõte

Seega saab juhuslike suuruste liitumisel tekkivate juhuslike suuruste jaotust vähemalt ligikaudu kirjeldada normaaljaotusega. Ei ole vaja suur liidetavate arvu, lubatav on liidetavate mõningane vastastikune sõltuvus, normaaljaotusega liidetavate summa jaotus on täpselt normaaljaotus, katseandmete analüüsi kogemus paljudes valdkondades on näidanud, et suur enamus katseandmeid on hästi kirjeldatavad normaaljaotusega. Normaaljaotusel on kaks parameetrit, mis on vastava juhusliku suuruse keskväärtus ja standardhälve. Normaaljaotus on sümmeetriline. Normeeritud normaaljaotus on normaaljaotuse erijuhtum, kui keskväärtus ja standardhälve on vastavalt 0 ja 1. Tähistatakse X-N(0,1). K sigma reegel: näitab, kui suur on juhusliku suuruse normaaljaotuse korral tõenäosus sattude piirkonda keskväärtus pluss-miinus k standardhälve. Lognormaalne jaotus tekib, kui vaadeldava juhusliku suuruse logaritm on jaotunud

ÜLEVAADE TÕENÄOSUSTEOORIA PÕHIMÕISTETEST

vähemalt ligikaudu kirjeldada normaaljaotusega. Ei ole vaja suur liidetavate arvu, lubatav on liidetavate mõningane vastastikune sõltuvus, normaaljaotusega liidetavate summa jaotus on täpselt normaaljaotus, katseandmete analüüsi kogemus paljudes valdkondades on näidanud, et suur enamus katseandmeid on hästi kirjeldatavad normaaljaotusega. Normaaljaotusel on kaks parameetrit, mis on vastava juhusliku suuruse keskväärtus ja standardhälve. Normaaljaotus on sümmeetriline. Normeeritud normaaljaotus on normaaljaotuse erijuhtum, kui keskväärtus ja standardhälve on vastavalt 0 ja 1. Tähistatakse X~N(0,1). K sigma reegel: näitab, kui suur on juhusliku suuruse normaaljaotuse korral tõenäosus sattude piirkonda keskväärtus pluss-miinus k standardhälve. Lognormaalne jaotus tekib, kui vaadeldava juhusliku suuruse logaritm on jaotunud normaaljaotuse

Statistika moodle vastused

nihketa, efektiivne, optimaalne keskväärtus, normaaljaotus, suur valim keskväärtuse standardviga standardhälve standardviga, keskväärtuse usalduspiirid valimvaatlus usaldatavus suur valim, usaldatavus suurem üldkogumi keskväärtuse usaldusvahemiku laius, vabadusastmete arv studenti jaotus mediaani usalduspiiride leidmisel kasutatakse binoomjaotust, loend on ülekaetud ankeetküsitluse läbiviimisel, mõõtmisvahendi viga Test nr 8 sisukas hüpotees, järeldus peale parameetri empiirilise väärtuse võrdlust kriitilisega z-testi parameetri kriitiline väärtus t-testi parameetri empiiriline väärtus sisukas hüpotees, sõltuv valim, sõltumatu valim empriiline väärtus, kriitiline, nullhüpotees, sisukas hüpotees t-testi parameetri empiiriline väärtus mittekehtiv nullhüpotees, I liiki viga, ii liiki viga, teststatistiku empiiriline väärtus olulisuse nivoo olulisuse nivoo vähendamine

Tõenäosusteooria ja statistika

järeldused või prognoosid kehtiksid. Valim – liikmed tuleb valida juhuslikult, st igal üldkogumi liikmel peab olema võrdne võimalus saada valitud valimisse. Valimimaht – Valimisse valitavate objektide arv. Tunnuste- all mõistetakse liikmeid kirjeldavaid erinevaid omadusi. 2. Statistilise uurimistöö etapid. Mingi probleemi statistilise uurimisel läbitakse 4 tööetappi:  Uuringu ettevalmistamine  Statistiline vaatlus või eksperiment  Vaatlusandmete kokkuvõtte ja esialgne töötlemine  Andmete analüüs, järelduste ja üldistuste sõnastamine. 3. Statistlise vaatluse vead. Eristatakse vaatlusmeetodist tulenevaid metodoloogilisi vigu ja registreerimisvigu. Metodoloogilised nt : valimivaatlusel esinevad representatiivsusvead – valim ei kirjelda üldkogumit adekvaatselt. Vaatluse eesmärk ja objekt pole täpselt piiritletud, vaatlusviis on ebaõnnestunult valitud..

Statistiline modelleerimine teooria kokkuvõte 2020

Hüpoteeside testimine ehk keskmiste võrdlemine: Vaja vastata küsimustele: (1) kas rühmad (või valimid ja nende jaotused) on nii sarnased, et võime öelda, et nad kuuluvad samasse üldkogumisse või (2) on nad nii erinevad, et esindavad kahte erinevat üldkogumit? (Nt. Kas naissoost üliõpilased saavad sõnavaratestis paremaid tulemusi kui meessoost üliõpilased?) Hüpoteesi kontrollimine:  püstitada nullhüpotees (nt erinevust ei ole) ning alternatiivne e. sisuline hüpotees (erinevus on)  defineerida testimise protseduur, sealhulgas olulisuse nivoo (psühholoogias 95%)  otsustada, millist keskmiste erinevuste testi kasutada  arvutada teststatistikud ja nendega seotud olulisuse tõenäosused  arvutada efekti suuruse näitajad  teha järeldus, kas andmed on kooskõlas nullhüpoteesiga või mitte Nullhüpotees ja alternatiivne hüpotees:  Alustatakse eeldusest, et valimid ei erine; H0: μ1= μ 2 (nullhüpotees)

Ökonomeetria kordamisküsimused

kirjeldatud regressioonimudeli poolt. Determinatsioonikordaja mõõdab, kui hästi regressioonisirge lähendab vaatlusandmeid. Determinatsioonikordaja väljendab regressioonimudeli poolt kirjeldatud hajuvuse (ESS) suhet modelleeritava näitaja (endogeense - sõltuva muutuja) koguhajuvusse (TSS). KOVARIATSIOONIKORDAJA Kahe muutuja vahelise seose tugevuse ja suuna kirjeldamiseks võib kasutada kovariatsioonikordajat: · muutujate X ja Y hälvete korrutiste keskväärtus · andmepaaride hälvete keskmine (murrujoone pealne osa on jagatud n-ga) iseloomustab tunnuse ühismuutuvuse (kovariatsiooni) astet Kovariatsiooni väljendav juhuslik suurus cov(X,Y) võib olla vahemikus (-, ) Kovariatsioon on : · positiivne, kui muutujate X ja Y keskmine hajumine ümber nende keskväärtuste toimub samas suunas; · negatiivne kui vastassuunas; · cov (X, Y)= 0, kui juhuslikud suurused on sõltumatud.

Põhimõisted rakendusstatistika eksamiks

jaoks usaldusvahemike arvutamisel. F-jaotus (Fisheri jaotus) on kasutusel kahe normaaljaotusega juhusliku suuruse dispersioonide hinnangute võrdlemisel osana mitmetes hüpoteeside kontrolli skeemides. Momentide meetod: Meetodi põhimote seisneb selles, et üldkogumile vastavad seosed jaotuse parameetrite ja arvkarakteristikute vahel kantakse üle valimile ja vastavalt valimist saadud arvkarakteristikute hinnangutele arvutatakse nende seoste järgi parameetrite hinnangud. Meetodi sammud on seega järgmised: 1) Leida üldkogumile vastava juhusliku suuruse jaotuse jaoks arvkarakteristikute avaldised/seosed sõltuvalt jaotuse parameetritest 2) Leida nendest seostest poordseosed, avaldades parameetrid arvkarakteristikute kaudu (st lahendada vastav võrrandisüsteem) 3) Arvutada valimi järgi arvkarakteristikute hinnangud 4) Arvutada valimi arvkarakteristikute järgi parameetrite hinnangud, kasutades leitud

Analüüsimeetodid äriuuringutes loengukonspekt

x erineva kujuga ja mõõtühikutega regressioonimudelite arvutamine x mudelite headuse hindamine determinatsioonikoefitsientide abil x mudelite usaldatavuse kontroll F- kriteeriumi abil x mudelite adekvaatsuse hindamine (jääkstandardhälve ja keskmine aproksimeerimisviga) x regressioonikoefitsientide statistilise olulisuse kontroll t-kriteeriumi abil ja usalduspiiride leidmine x autokorrelatsiooni kontroll (Durbin - Watsoni jt kriteeriumitega) ja vähendamise võimalused (autokorrelatsioon- järgnevad andmed sõltuvad eelneva perioodi omadest; firma toodang antud kuul sõltub toodangust eelmisel kuul)  x heteroskedastiivsuse hindamine (regressioonimudeli üheks eelduseks on juhusliku liikme dispersioonide konstantsus s.t. dispersioonid (e. hälbed keskväärtuse ümber) on samad iga i korral. Näiteks, kui

Spikker

See meetod võib tekitada kaudu. Kahe juhusliku jada x(m) ja y(n) vaheline spektraalhinnang ehk kõigepealt arvutatakse autokorrelatsiooni- ja PSD teste olemasolevatest ebastabiilse mudeli, kuid annab parema sageduse (rist-, vastastikune) korrelatsioon on signaali autokorrelatsiooni ja seepärast leitakse selle andmetest. Tulemused aga võrdleme lahutusvõime kui Yule-Walker'i meetod. FFT. Korrelatsiooni arvutamisel osutub, et suure teoreetiliselt saadud mudelitega. Niisugune esmane 18. Lineaarennustus ja funktsioon lpc() Kui x(n)=y(n), siis on tegemist autokorrelatsiooniga

STATISTIKA konspekt

· Normaaljaotus kirjeldab tunnust, mille käitumine on normaalne. Normaaljaotus on piirjaotus, millele lähenevad paljud teised jaotused. · Normaaljaotuse üks parameetritest on standardhälve ehk sigma. · Normaaljaotuse omadused: * normaaljaotus on pidev jaotus *normaaljaotus on täielikult kirjeldatav kahe parameetriga: keskväärtusega ja dispersiooniga 2 *normaaljaotusele vastav kõver on sümmeetriline keskväärtuse suhtes * normaaljaotuse keskväärtus, mood ja mediaan ühtivad. · Mida suurem on standardhälve seda laugem (suurem) on äärmuste vahe!!! · Mediaan jaotab normaaljaotuse tagurpidi U kaheks osaks. Artitmeetiline keskmine on samas kohas kus mediaan kuna äärmused on normaaljaotusel võrdsed. Mood on samuti keskel ehk seal kus mediaan ja aritmeetiline keskmine kuna kõige suurem sagedus on seal (tipp). Aritmeetiline keskmine = Mood = Mediaan. · Normaaljaotuse puhul on tegu sümeetriaga.

Statistika eksamiks

2. on alati moodist suurem 3. on alati geomeetrilisest keskmisest suurem 4. normaaljaotuse puhul on moodiga võrdne 5. ei ükski Standardhälve 1. leitav dispersiooni ruuduga 2. paikneb alati vahemikus 0 ... lõpmatus 3. ei saa olla lineaarhälbest suurem 4. varieeruvas reas = 0 5. ei ükski Normaaljaotuse korral 1. puudub sümmeetria 2. st. hälve = 0 3. Mo = Me ei võrdu aritmeetilise keskmisega 4. keskväärtus on alati = 0 5. ei ükski Seos Y = 18,5 + 0,48 X 1. kirjeldab X-i mõju Y-le 2. kirjeldab seose tugevust 3. kirjeldab Y-i mõju X-le 4. on pööratav ka kujule X = 18,5 + 0,48 Y 5. ei ükski Tasandusjoon Y = 18,5 – 0,48 X 1. näitab kasvavat lineaarset tendentsi 2. parameeter b ei tohi olla negatiivne 3. vabaliige 18,5 kirjeldab joone tõusu 4. igal ajaperioodil väärtused vähenevad 0,48 korda 5. ei ükski Eksponentkeskmine

Standardhälve, SEOSED JA DISPERSIOONANALÜÜS

Mo=Me ei võrdu aritmeetilise keskmisega (kõik peaks võrduma) 4. geom. Keskmine ja aritm. Keskmne on alati sama tähendusega 5. kolmandat järku standardmoment on võrdne nulliga 6. neljandat järku standardmoment on võrdne kolmega 7. kui ekstsess on neg, siis jaotuskõver on lamedam ja laiem 8. puudub sümmeetria (esineb sümmeetria) 9. standarthälve = 0 (siis on sirge) 11. keskväärtus on alati = 0 (ei ole alati, näiteks vanus või pikkus) Kümne aasta pikkusele aegreale arvutati tasandusjoone võrrand Y=20,5 ­ 2,5X. Kuidas saadud tulemus tõlgendada? 1. See funktsioon näitab sõltuva ja sõltumatu muutuja vahel väga tugeva seose olemasolu 2. Mitte kuidagi, sest parameeter b ei saa tulla negatiivne 3. Näitab sõltuva muutuja 2,5 ühikulist vähenemist x-i ühe ühikulise juurdekasvu korral 4

RAKENDUSSTATISTIKA ARVUTUSGRAAFILINE TÖÖ

MHT0030 RAKENDUSSTATISTIKA ARVUTUSGRAAFILINE TÖÖ Andmete kood: 248199 Osa A 1. Keskväärtus Dispersioon Standardhälve Mediaan Haare 2. Eeldades üldkogumi normaaljaotust ning võttes olulisuse nivooks leian usaldus- vahemikud. Keskväärtuse usaldusvahemik on arvutatud MS Exceli TINV-funktsiooniga: Dispersiooni usaldusvahemik ja on arvutatud MS Exceli CHIINV-funktsiooniga 3. Eeldades üldkogumi normaaljaotust ning võttes olulisuse nivooks kontrollin hüpoteese 3.1 alternatiiviga

Analüürimeetodid äriuuringutes eksam V1

Kui põhivaraga varustatus kasvab 1 võrra, siis ettevõtte tootlikkus kasvab 133,6 võrra (energiaga varustatuse muutumatuks jäädes). Vabaliige b=23,2; vabaliige näitab, milline on sõltuva tunnuse y väärtus, kui sõltumatu tunnus x=0. St, kui energiaga ja põhivaraga varustatus on 0, siis y=23,2. R=0,64, seega ühe suuruse kasvamine suurendab teise keskväärtust. Korrelatsioonikordaja absoluutväärtus iseloomustab korrelatsiooni tugevust: mida suurem on lineaarse korrelatsiooni-kordaja keskväärtus, seda tugevam on seos suuruste vahel. Siin keskmine seos. Kuna F>Ftabeli(p=0,95), siis regressioonvõrrand on statistiliselt usaldatav. DW=1,6 - autokorrelatsioon puudub. Astmefunktsioon: =0,31 =0,52 Kuna +<1, siis tootlikkuse tõstmine on kahjulik. R=0,5, seega ühe suuruse kasvamine suurendab teise keskväärtust. Siin keskmine seos. Kuna F>Ftabeli(p=0,95), siis regressioonvõrrand on statistiliselt usaldatav. DW=1,5 ­ autokorrelatsioon puudub.

Aegread

............................... 4. Statsionaarsuse ja mittestatsionaarsuse aegreadede statistika saamiseks näited........ Aegrea karakteristikud Kui meil on juba antud vaid üks realisatsiooni protsess - aegrida, siis ei ole meil võimalik täpselt aru saada stohhastilise protsessi karakteristikuid. Kuid me saame vaadelda aegrea keskmist väärtust, standardviga ning k-järku autokorrelatsioonikordajad statsionaarse juhuslikku protsessi keskväärtusse, dispersiooni ja autokorrelatsiooni funktsiooni hinnangutena. Kui aegread sisaldavad arengutendentsi, trendi, siis need karakteristikud on kindlasti suhteliselt väheinformatiivsed aegrea iseloomustamiseks, kuna nende väärtused sõltuvad oluliselt vaadeldava ajaperioodi pikkusest. Üheks oluliseks aegrea omaduse jaoks on aegrea väärtuse perioodil t sõltuvus varasemate perioodide väärtustest, millega on seotud sellega autokorrelatsioonikordaja.

Rakendusstatistika

Andmed-B: valimid B1 ja B2 (regressioonimudeli leidmine ja analüüs) xi 4,0 1,0 5,0 3,0 2,0 yi 0,1 5,5 0,2 1,2 3,5 Valim B1: Paarisvalim (xi, yi) regressioonimudeli leidmiseks (mahuga N=5) Valim B2: Korduskatsete sari väljundi dispersiooni leidmiseks (mahuga w=7) 3,3 2,0 4,6 3,9 3,0 2,7 6,3 Lahenduse kontrollelemendid Ülesanne/alamülesanne 1 Keskväärtus: Dispersioon:814,0567 Standardhälve:28,53 Mediaan: Me = 41 Haare: 2 Keskväärtuse usaldusvahemik: (35,08 ; 54,60) Dispersiooni usaldusvahemik: (536,45 ; 1410,64) 3. 3.1 t-statistik: t=0,90 Järeldus: võetakse vastu 3.2 - statistik: Järeldus: võetakse vastu 4 4.1 44,84 27,97 - statistik: Järeldus: peab paika 4

Statistika proovitest

Kvalitatiivse suuruse keskväärtuse muutumist, mis on tingitud nii kvantitatiivse teguri muutustest kui ka kvalitatiivse teguri enda muuutustest, iseloomustab Vali üks vastus. a. püsiva struktuuri indeks b. struktuurinihete indeks c. muutuva struktuuri indeks Vale Selle esituse hinded: 0/1. Question 2 Hinded: 1 Hüpoteesi statistilisel kontrollimisel võetakse vastu sisukas hüpotees, kui Vali üks vastus. a. parameetri empiiriline väärtus on suurem kui kriitiline b. parameetri empiirilise väärtuse absoluutväärtus on väiksem kui kriitilise väärtuse absoluutväärtus. c. parameetri empiirilise väärtuse absoluutväärtus on suurem kui kriitilise väärtuse absoluutväärtus; Vale Selle esituse hinded: 0/1. Question 3 Hinded: 1 Diskreetsel juhuslikul suurusel võib olla kolm väärtust : väärtus "2" tõenäosusega 0,2; väärtus

Statistika testid

Kvalitatiivse suuruse keskväärtuse muutumist, mis on tingitud nii kvantitatiivse teguri muutustest kui ka kvalitatiivse teguri enda muuutustest, iseloomustab Vali üks vastus. a. püsiva struktuuri indeks b. struktuurinihete indeks c. muutuva struktuuri indeks Vale Selle esituse hinded: 0/1. Question 2 Hinded: 1 Hüpoteesi statistilisel kontrollimisel võetakse vastu sisukas hüpotees, kui Vali üks vastus. a. parameetri empiiriline väärtus on suurem kui kriitiline b. parameetri empiirilise väärtuse absoluutväärtus on väiksem kui kriitilise väärtuse absoluutväärtus. c. parameetri empiirilise väärtuse absoluutväärtus on suurem kui kriitilise väärtuse absoluutväärtus; Vale Selle esituse hinded: 0/1. Question 3 Hinded: 1 Diskreetsel juhuslikul suurusel võib olla kolm väärtust : väärtus "2" tõenäosusega 0,2; väärtus

Rakendusstatistika arvestustöö lühikokkovõte

3) Normaal- olulisim, ka Gaussi jaotus, seotud keskse piirteoreemiga: suvalise ühtmoodi jaotunud sõltumatute juh.su. summa v keskv jaotus läheneb liidetavate arvu kasvades norm.jaotusele. aspektid: 1)pole vaja suurt liidet. Arvu 2) lubatav mõningane vastastikune sõltuvus 3)normjaotusega liidetavate summa on normajaotus ERIJUHT: keskv=0, standrdh= 1, normeeritud normjaotus. ,,k-sigma reegel" ­ näitab, kui suur on juh.su. P normajaotuse korral sattuda piirkonda keskväärtus + - k standardhälvet. 4)Lognormaalne: kui juh.su. logaritm on jaotunud normaaljaotuse kohaselt. Kui Y on norm.jaotuse järgi, siis X=exp Y on lognormaalse järgi. Juh. Vektor ­ vektor, mille komponentideks juh.su. Olulised aspektid:komponentide arv ja vastastikune sõltuvus ning jaotusseadus Diskr 2-komp vektor ­ jaotus antakse 2mõõtmelise jaotustabelina v valemina Pidev ­ x ja y funktsioon, saab esitada jaotusfunkts v tihedus Marginaaljaotus ­ 1 komp jaotus nö eraldi vaadatuna

Arvutusgraafiline rakendusstatistika kodutöö

OSA A 1. Hindame valimi parameetreid Hindamiseks kasutame järgmised valemid: Keskväärtus: 44,12 Dispersioon: 673,44 Standardhälve: 25,95 Mediaani ja haarde leidmiseks teeme valimi liikmete ümberjärjestuse: Mediaan: 51 Haare: 92-4= 88 2. Leiame keskväärtuse ja dispersiooni usaldusvahemikud (usaldusnivoo = 0,10), eeldades üldkogumi normaaljaotust Keskväärtuse jaoks kasutame t-statistikut f = N ­ 1 = 24 t0,95(24) = 1,7109 = 8,88 (poollaius) P(35,24 < < 53) = 0,9 Dispersiooni jaoks kasutame 2-statistikut f = N ­ 1 = 24 20.95(24) = 36,415 20.05(24) = 13,848 P (443,9 < 2 < 1167,15) = 0,9 3. Kontrollime hüpoteese keksväärtuse ja dispersiooni kohta, eeldades üldkogumi normaaljaotust, ja kasutades usaldusnivood = 0,10 3.1 H0: = 50; H1: 50 Kontrollimiseks kasutame t-statistikut: t = ­ 1,1329 f = N ­ 1 = 24 Kriitiline t-statistiku väärtus t0,95(24) = 1,711 Kuna t < tkr, siis võtame hüpoteesi H0 vastu