Korrelation kausalitet. ˆ Y =bx +a KAPITEL 6: LINEAR REGRESSION: PREDICTION
|
|
- Gunnar Andersson
- för 7 år sedan
- Visningar:
Transkript
1 KAPITEL 6: LINEAR REGRESSION: PREDICTION Prediktion att estimera "poäng" på en variabel (Y), kriteriet, på basis av kunskap om "poäng" på en annan variabel (X), prediktorn. Prediktion heter med ett annat svenskt ord förutsägelse. Linjär regressionslinje genomsnittlig förändring i en variabel (X) relativt förändring i en annan variabel (Y). Om vi använder variabeln X för att predicera variabeln Y kallas linjen för regression av Y på X. Korrelation kausalitet där ˆ Y = predicerad poäng b = linjens lutning a = int ercept med Y ˆ Y =bx +a (6.1; s.135) 1
2 X = 0, Y = 2 X = 3, Y = 3.5 X = 1, Y = 2.5 X = 4, Y = 4 X = 2, Y = 3 X = 5, Y = 4.5 Y = 0.5X
3 Exempel 1. Blyghetsdata. 10 autentiska datapunkter (personer) på blyghetsmått (X) och nervositetsmått (Y). "Anser Du att Du är blyg/nervös"? "Nej, inte alls" till "Ja, mycket" (0 101). X Y X2 Y2 XY M s r =.86 n = 10 3
4 s X = x 2 (x) 2 n n 1 (3.14; s. 77) r XY = n XY X Y n X 2 ( X ) 2 [ ][ n Y 2 ( Y ) 2 ] (5.3; s. 113) Beräkningsformler för lutningskoefficient och intercept: b = n XY X Y n X 2 ( X ) 2 (6.2; s. 138) a = ( Y b X ) n = Y bx (6.3; s.138) 4
5 Lutningskoefficienten, alternativt beräkningssätt: där b = (r) s Y s X (6.4; s. 138) r = korrelation mellan variablerna X och Y s Y = standardavvikelse för Y-poängen s X = standardavvikelse för X-poängen Ex 1: Blyghetsdata. b = 10(9418) (233)229 10(10835) (233) 2 =.76 a = 229 (0.76) = 5.19 ˆ Y = 0.76X ˆ Y = 0.76(20) =
6 X Y Y ˆ e=y Y ˆ e 2 =(Y ˆ Y ) * *Skall vara 0, men blev 0.02 p.g.a. avrundningsfel. 6
7 Standardpoäng: ˆ Y = bx + a; z = X X s Alltså: ˆ Y = bx + (Y bx ), därför: ˆ Y = Y + b(x X ). där a = Y bx (3.15; s. 79) Genom att byta ut b-värdet från formeln blir ekvationen via ˆ Y = Y + (r) s Y s X (X X ) ˆ Y Y s Y = r X X s X till slut z ˆ Y = rz X (6.6; s. 141) 7
8 Andra personen i Blyghetsdata, exempel 1: X = 72; X = 23.30; s X = 24.51; r =.86 z X = ( )/24.51 = 1.99 z ˆ Y = (.86)(1.99) =
9 Prediktionsfel e = (Y ˆ Y ) (6.7; s. 142) Medelvärdet för felen (e ) = 0; eftersom e = e n = 0 n = 0 Variansen för estimatet: 2 s Y X = ( e e ) 2 n 2 Eftersom e = 0, kan man förenkla formeln till 2 s Y X = e 2 n 2 (6.8; s. 142) (6.9; s. 142) Standardfelet för estimatet: s Y X = e 2 n 2 (6.10; s. 142) 9
10 Alternativt (snabbare att beräkna) s Y X = s [ Y 1 r 2 ][ (n 1) (n 2) ] (6.11; s. 143) När (n 1)/(n 2) 1 kan formeln förenklas till s Y X = s Y 1 r 2 (6.12; s. 143) Exempel 1. Blyghetsdata s Y X = = alternativt [ ] s Y X = (.86) =
11 Betingade fördelningar: Fördelningen av de observerade Y-värden som har samma X-värde kallas för betingad fördelning (conditioned distribution). X 1 : X 2 : X 3 : ˆ Y 1 = 0.76(10) = ˆ Y 2 = 0.76(15) = ˆ Y 3 = 0.76(20) =
12 X = poäng på blyghetsskalan; Y = poäng på nervositetsskalan X Y X 2 Y 2 XY M r =.86 12
13 X Y Y ˆ e=y Y ˆ e 2 =(Y Y ˆ )
14 KAPITEL 17: LINEAR REGRESSION: ESTIMATION AND HYPOTHESIS TESTING Predicerade värden och betingade fördelningar Om X = 70, vad är då sannolikheten att Y är större än 80? Om X = 20, vad är då sannolikheten att Y är mellan 15 och 23? ˆ Y = 0.76(70) = z = X X s z = Y ˆ Y s Y X (3.15; s. 79) (17.1; s.465) Exempel ur Blyghetsdata 14
15 z = =
16 Konfidensintervall i linjär regression Om X = 70, vilka är de sannolika värdena på Y? Vad är sannolikheten att Y ligger i ett visst intervall? Blyghetsdata-exemplet: X = 70 och ˆ Y = 58.39; där CI = ˆ Y ± (t cv )(s ˆ Y Y ˆ = predicerat värde t cv = kritiskt värde för t (df = n - 2) s ˆ Y ) (17.3; s. 466) = standardfel för det predicerade värdet s ˆ Y = s Y X n + (X X )2 SS X där SS X = (n 1)s X 2 (17.2; s. 466) 16
17 För exemplet i Blyghetsdata: s ˆ Y = n + ( )2 (10 1) = 7.40 CI = Y ˆ ± (t kv )(s ) Y ˆ CI 95 = ± (2.306)(7.40) = ± = (41.33; 75.45) 17
18 Signifikanstesta lutningskoefficienten H 0 : β = 0 = H 0 : ρ = 0 b = r(s Y s X ) b = 0(s Y s X ) = 0 a = Y bx a = Y 0(X ) = Y När r = 0: ˆ Y = bx + a ˆ Y = 0(X) + Y = Y (s. 468) 18
19 SIGNIFIKANSPRÖVNING AV LUTNINGS- KOEFFICIENTEN: 1. Ställ upp hypoteserna H 0 : β = 0 H a : β 0 2. Ställ upp kriteriet för att förkasta H 0 t-fördelningen med n 2 frihetsgrader Exempel ur Blyghetsdata: ˆ Y = 0.76X α =.05: tcv (8) = ±
20 Standardfelet för regressionskoefficienten: s b = s Y X SS X (17.4; s. 470) där s Y X = standardfelet för prediktionen eller skattningen SS X = sum of squares för prediktorvariabeln (X), eller (X X ) 2 2, eller (n 1)s X s b = (10 1) = 0.16 Two-tailed vid α =.05, tcv (8) = ±
21 3. Utför det statistiska testet: t = statistik parameter standardfelet av statistiken t = b β s b eller (17.5; s. 470) alt. t = b β s Y X SS X (17.6; s. 470) t = b β s Y X (X X ) 2 alt. t = b β s Y X (n 1)s X 2 (alltså: standardfelet för statistiken kan uttryckas på olika sätt beroende på hur man väljer att uttrycka de kvadrerade avvikelserna från medelvärdet i X-variabeln...) t = =
22 4. Tolka resultaten! tobs = 4.75 > tcv = ± H0: β = 0 vs. H0: ρ = 0 t obs = r n 2 1 r 2 (10.7; s. 236) där df = n 2 Blyghetsdata: t obs = (.86) 2 = 4.77 α =.05: tcv (8) = ±
23 KAPITEL 18: MULTIPLE LINEAR REGRESSION ˆ Y = b 1 X 1 + b 2 X b k X k + a Multipel regression i formen av standardiserade poäng: (18.1; s. 480) Geometriskt förändras mätskalan på axlarna till en standardskala och hyperplanet kommer därmed att gå genom origo i systemet (punkten med koordinaterna [0, 0,..., 0]). z ˆ Y = β 1z 1 + β 2 z β k z k (18.3; s. 482) Regressionskonstanten (a) har försvunnit eftersom interceptet är 0. 23
24 Vid två prediktorer: β 1 = r Y 1 (r Y 2 )(r 12 ) 1 r 12 2 β 2 = r Y 2 (r Y 1 )(r 12 ) 1 r 12 2 där r Y 1 = korrelationen mellan kriteriet (Y) och den första prediktorvariabeln (X 1 ) (18.4; s. 482) r Y 2 = korrelationen mellan kriteriet (Y) och den andra prediktorvariabeln (X 2 ) r 12 = korrelationen mellan de två prediktorvariablerna (X 1 och X 2 ) 24
25 Multipel regression i formen av råpoäng: b 1 = β 1 b 2 = β 2 s Y s 1 s Y s 2 (18.5; s. 482) Därefter kan man beräkna regressionskonstanten (a): a = Y k b i X i (18.6; s. 483) i=1 25
26 1. Bestäm regressionsmodellen β 1 = r Y 1 (r Y 2 )(r 12 ) 1 r 12 2 β 1 =.8597 (.8872)(.8965) =.3277 β 2 = r Y 2 (r Y 1 )(r 12 ) 1 r 12 2 β 2 =.8872 (.8597)(.8965) = zy = z z2 26
27 b 1 = (.3277) =.2878 b 2 = (.5934) =.6568 a = (. 2878)(23. 30) (. 6568)(16. 00) = Råpoängsformen: Y = X X
28 2. Bestäm R och R2 ˆ Y = b 1 X 1 + b 2 X b k X k + a Obs! R går mellan 0 och 1. R Y 12 k = z Y z ˆ Y ns zy s z ˆ Y (18.7; s. 486) Genom att byta ut z Y och z ˆ Y samt förenkla ekvationen får vi: R Y 12 k = β 1 r Y 1 + β 2 r Y β k r Yk (18.8; s. 486) Exempel 2. R Y 12 k = (.3277)(.8597)+(.5934)(.8872)=
29 R är korrelationskoefficienten mellan poäng på kriterievariabeln (Y) och predicerade poäng för kriterievariabeln ( Y ˆ ), beräknat med den linjära kombinationen av prediktorvariablerna. R2 = = Bestäm om multipla R är signifikant H0: Rpop = 0 F = R 2 / k (1 R 2 ) / (n k 1) (18.9; s. 486) där k = antalet prediktorer F-fördelningen med df (k, n - k - 1) 29
30 Exempel 2. α =.05; Fcv (2, 7) = 4.74 F =.6532/2 (1.6532) /(10 2 1) = 6.59 Fobs > Fkv: förkasta H0! 30
31 4. Bestäm signifikansen på prediktorerna För varje regressionskoefficient: Om vi testar H 0 : β = 0, så: t = b β s b = b β s b = b i 0 s bi t = b i s bi (18.10; s. 487) där b i = regressionskoefficient s bi = standardfel för respektive koefficient t-fördelningen med n k 1 frihetsgrader 31
32 Standardfelet för estimatet för den multipla regressionen: s Y X = e 2 n 2 = (Y ˆ Y ) 2 n 2 = SS Y (1 r2 ) n 2 s Y 12 k = (Y Y ˆ ) n 2 k 1 = SS Y (1 R 2 ) n k 1 (18.11; s. 488) 32
33 Standardfelet för den första regressionskoefficienten (b1): s b1 = 2 s Y 12 k 2 SS X1 (1 R 1 23 k ) (18.12; s. 488) där 2 s Y 12 k = det kvadrerade standardfelet av skattningen SS X 1 = den kvadrerade avvikelsen för den första prediktorn, eller (X i1 X 1 ) 2 =(n 1)s 2 X 1 2 R 1 23 k = kvadrerade multipla R när X 1 är kriteriet och X 2 t.o.m. X k är prediktorer (När man har två prediktorer blir det r2 12 i stället se 18.13; s.489!) 33
34 Exempel 2. R 2 =.8082 n = 10 k = 2 SS Y = SS X1 = SS X 2 = r 12 2 = (.8965) 2 = s Y 12 = (1.6532)/7 = s b1 = / (1.8037) = s b2 = / (1.8037) = H 0 : β 1 = 0 (vs. b 1 = ) t cv (7) = (vid α =.05) t obs = / = * H 0 : β 2 = 0 (vs. b 2 = ) t obs = / = * 34
35 Att välja prediktorer Man vill finna de variabler som: korrelerar högt med kriteriet och som inte korrelerar särskilt högt med varandra. Antalet prediktorer: Om k + 1 = n, så blir R 2 = 1 Adjusted R 2 = 1 (1 R 2 n 1 ) n k 1 där (18.14; s. 491) R 2 = unadjusted R 2 k = antalet prediktorer n = antalet observationer Finess: ger mer konservativ skattning av andelen varians i kriteriet som kan attribueras till de kombinerade prediktorerna. 35
36 PARTIELL KORRELATION OCH PARTKORRELATION 36
37 Partiell korrelation, beräkningsformel: r YZ X = r YZ r XY r XZ 2 2 (1 r XY )(1 r XZ ) (18.16; s. 503) Exempel 3. r YZ X =.4535 (.9512)(.5112) (1.9048)(1.2613) r YZ X = =
38 Partkorrelation, beräkningsformel: r Z(Y X ) = r YZ r XY r XZ 2 1 r XY (18.17; s. 504) Exempel 3. r Z(Y X ) =.4535 (.9512)(.5112) 1 (.9512) 2 r Z(Y X ) = =
39 Varianter av multipel regression Backward Forward Stepwise 39
40 Multipelregression och ANOVA Exempel individer delades upp i tre åldersgrupper. Personerna fick svara på följande fråga: "Hur stor risk är det, anser Du, att Du ska råka ut för en allvarlig trafikolycka när Du reser med bil (som förare)?". Svaren kunde gå från 0 ("Ingen risk alls") till 101 ("Stor risk"). Åldersgrupper 30 år år51 år H0: µ1 = µ2 = µ3 Ha: µi µk för några i, k K = 3 och N = 18 α =.05 Fcv = 3.68 df (K 1, N K) = 2, 15 40
41 Summary ANOVA Table: Source SS df MS F Fcv SS B /K-1 = MS B /MS W = Between SS W /N-K = Within N 1 = Total
42 X1 X2 Y X1Y X2 1 Y2 X2Y X2 2 X1X
43 Beräkning av R 2 och signifikanstest: r Y1 = r Y1 = r Y 2 = r 12 = n X 1 Y X 1 Y n X 2 1 ( X1 ) 2 [ ][ n Y 2 ( Y ) 2 ] (108 36)( ) = (108 36)( ) = (108 36)(108 36) =.5 β 1 = r Y1 (r Y 2 )(r 12 ) 1 r 2 12 =.7503 (.8895)(.5) 1 (.5) 2 =.4075 β 2 = r Y 2 (r Y1 )(r 12 ) 1 r 2 =.8895 (.7503)(.5) 12 1 (.5) 2 =.6858 R Y 12 k = β 1 r Y 1 + β 2 r Y β k r Yk R = (. 4075)(. 7503) + (. 6858)(. 8895) =
44 R 2 = =.9158 H 0 :R pop = 0 α =.05 df (k, n k 1) = 2, 15 F cv = 3.68 F obs = R 2 /k (1 R 2 )(n k 1) =.9158/2 (1.9158)/15 =
45 R 2 SS T = Förklarad sum of squares (.9158)( ) = = SSB ( ) (1 R 2 ) SS T = oförklarad (error) sum of squares (1.9158)( ) = = SS W (94.83) 45
46 Y = blyghet, X 1 = nervositet, X 2 = osäkerhet Y X 1 X M r Y 1 =.8597 s r Y 2 =.8872 r 12 =.8965 X 2 1 =10835; X 2 2 = 5964; Y 2 = 9415; X 1 Y = 9418; X 2 Y = 7007; X 1 X 2 =
47 X = ålder; Y = upplevd risk; Z = upplevd oro X Y Z YZ = 2571 Y 2 =13409 Z 2 =1039 XY = 4483 X 2 =15059 XZ =1740 r YZ =.4535 r XY =.9512 r XZ =
48 30 år år 51 år (I) (II) (III) ANOVA-tabell Källa SS df MS F Fkv Mellan Inom Totalt
49 X1 X2 Y (I) (II) (III)
Multipel Regressionsmodellen
Multipel Regressionsmodellen Koefficienterna i multipel regression skattas från ett stickprov enligt: Multipel Regressionsmodell med k förklarande variabler: Skattad (predicerad) Värde på y y ˆ = b + b
Läs merRegressionsanalys. - en fråga om balans. Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet
Regressionsanalys - en fråga om balans Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Innehåll: 1. Enkel reg.analys 1.1. Data 1.2. Reg.linjen 1.3. Beta (β) 1.4. Signifikansprövning 1.5. Reg.
Läs merHöftledsdysplasi hos dansk-svensk gårdshund
Höftledsdysplasi hos dansk-svensk gårdshund Sjö A Sjö B Förekomst av parasitdrabbad öring i olika sjöar Sjö C Jämföra medelvärden hos kopplade stickprov Tio elitlöpare springer samma sträcka i en för dem
Läs merInstuderingsfrågor till avsnittet om statistik, kursen Statistik och Metod, Psykologprogrammet på KI, T8
1 Instuderingsfrågor till avsnittet om statistik, kursen Statistik och Metod, Psykologprogrammet på KI, T8 Dessa instuderingsfrågor är främst tänkta att stämma överens med innehållet i föreläsningarna,
Läs merFöreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad
Läs merF18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT
Stat. teori gk, ht 006, JW F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT 1.1, 13.1-13.6, 13.8-13.9) Modell för multipel linjär regression Modellantaganden: 1) x-värdena är fixa. ) Varje y i (i = 1,, n) är
Läs merStatistik B Regressions- och tidsserieanalys Föreläsning 1
Statistik B Regressions- och tidsserieanalys Föreläsning Kurskod: 732G7, 8 hp Lärare och examinator: Ann-Charlotte (Lotta) Hallberg Lärare och lektionsledare: Isak Hietala Labassistenter Kap 3,-3,6. Läs
Läs merFöreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3
Föreläsning Kap 3,7-3,8 4,1-4,6 5, 5,3 1 Kap 3,7 och 3,8 Hur bra är modellen som vi har anpassat? Vi bedömer modellen med hjälp av ett antal kriterier: visuell bedömning, om möjligt F-test, signifikanstest
Läs merFÖRELÄSNINGSMATERIAL. diff SE. SE x x. Grundläggande statistik 2: KORRELATION OCH HYPOTESTESTNING. Påbyggnadskurs T1. Odontologisk profylaktik
Grundläggande statistik Påbyggnadskurs T1 Odontologisk profylaktik FÖRELÄSNINGSMATERIAL : KORRELATION OCH HYPOTESTESTNING t diff SE x 1 diff SE x x 1 x. Analytisk statistik Regression & Korrelation Oberoende
Läs merForskningsmetod II Korrelation och regression
Forskningsmetod II Korrelation och regression Idag: Bivariat korrelation (Pearsons r) Enkel regression Multipel korrelation Multipel regression Leo Poom 018-471 17 leo.poom@psyk.uu.se Samband: Mest frekvent
Läs merRegressions- och Tidsserieanalys - F1
Regressions- och Tidsserieanalys - F1 Kap 3: Enkel linjär regression Linda Wänström Linköpings universitet November 4, 2013 Wänström (Linköpings universitet) F1 November 4, 2013 1 / 25 Statistik B, 8 hp
Läs merLinjär regressionsanalys. Wieland Wermke
+ Linjär regressionsanalys Wieland Wermke + Regressionsanalys n Analys av samband mellan variabler (x,y) n Ökad kunskap om x (oberoende variabel) leder till ökad kunskap om y (beroende variabel) n Utifrån
Läs merEnvägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper
Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Tobias Abenius February 21, 2012 Envägs variansanalys (ANOVA) I envägs variansanalys utnyttjas att
Läs merANOVA Mellangruppsdesign
ANOVA Mellangruppsdesign Envägs variansanlays, mellangruppsdesign Variabler En oberoende variabel ( envägs ): Nominalskala eller ordinalskala. Delar in det man undersöker (personerna?) i grupper/kategorier,
Läs merPreliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet
Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) 2016-01-13 Statistiska institutionen, Uppsala universitet Uppgift 1 (20 poäng) A) (4p) Om kommunens befolkning i den lokala arbetsmarknaden
Läs merRegressions- och Tidsserieanalys - F1
Regressions- och Tidsserieanalys - F1 Kap 3: Enkel linjär regression Linda Wänström Linköpings universitet May 4, 2015 Wänström (Linköpings universitet) F1 May 4, 2015 1 / 25 Regressions- och tidsserieanalys,
Läs merMVE051/MSG Föreläsning 14
MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x
Läs mer732G71 Statistik B. Föreläsning 1, kap Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20
732G71 Statistik B Föreläsning 1, kap. 3.1-3.7 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20 Exempel, enkel linjär regressionsanalys Ett företag vill veta
Läs merFöreläsning 9. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs merFACIT!!! (bara facit,
STOCKHOLMS UNIVERSITET Psykologiska institutionen Psykologi III, VT 2012. Fristående kurs FACIT!!! (bara facit, inga tolkningar) Skrivning i Psykologi III metod, fristående kurs: Metod och Statistik avsnitt
Läs merTENTAMEN I REGRESSIONSANALYS OCH TIDSSERIEANALYS
STOCKHOLMS UNIVERSITET Statistiska institutionen Marcus Berg VT2014 TENTAMEN I REGRESSIONSANALYS OCH TIDSSERIEANALYS Fredag 23 maj 2014 kl. 12-17 Skrivtid: 5 timmar Godkända hjälpmedel: Kalkylator utan
Läs merFöreläsning 9. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs mer2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna. 4. Lära sig skatta en linjär regressionsmodell med interaktionstermer
Datorövning 2 Regressions- och tidsserieanalys Syfte 1. Lära sig skapa en korrelationsmatris 2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna mot varandra 3. Lära sig beräkna
Läs mer1. Lära sig plotta en beroende variabel mot en oberoende variabel. 2. Lära sig skatta en enkel linjär regressionsmodell
Datorövning 1 Regressions- och tidsserieanalys Syfte 1. Lära sig plotta en beroende variabel mot en oberoende variabel 2. Lära sig skatta en enkel linjär regressionsmodell 3. Lära sig beräkna en skattning
Läs mer732G71 Statistik B. Föreläsning 4. Bertil Wegmann. November 11, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 4 Bertil Wegmann IDA, Linköpings universitet November 11, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 11, 2016 1 / 34 Kap. 5.1, korrelationsmatris En korrelationsmatris
Läs merTillämpad statistik (A5), HT15 Föreläsning 11: Multipel linjär regression 2
Tillämpad statistik (A5), HT15 Föreläsning 11: Multipel linjär regression 2 Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-23 Faktum är att vi i praktiken nästan alltid har en blandning
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 7. Multipel regression. (LLL Kap 15) Multipel Regressionsmodellen
Finansiell Statistik (GN, 7,5 hp,, HT 8) Föreläsning 7 Multipel regression (LLL Kap 5) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course,
Läs merSkrivning i ekonometri torsdagen den 8 februari 2007
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STA2:3 Skrivning i ekonometri torsdagen den 8 februari 27. Vi vill undersöka hur variationen i lön för 2 belgiska löntagare = WAGE (timlön i euro)
Läs merResidualanalys. Finansiell statistik, vt-05. Normalfördelade? Normalfördelade? För modellen
Residualanalys För modellen Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F7 regressionsanalys antog vi att ε, ε,..., ε är oberoende likafördelade N(,σ Då
Läs merF19, (Multipel linjär regression forts) och F20, Chi-två test.
Partiella t-test F19, (Multipel linjär regression forts) och F20, Chi-två test. Christian Tallberg Statistiska institutionen Stockholms universitet Då man testar om en enskild variabel X i skall vara med
Läs merANOVA Faktoriell (tvåvägs)
ANOVA Faktoriell (tvåvägs) Faktoriell ANOVA (tvåvägs) Två oberoende variabel ( tvåvägs ): Nominalskala eller ordinalskala. Delar in det man undersöker (personerna?) i grupper/kategorier, dvs. betingelser.
Läs merHypotestestning och repetition
Hypotestestning och repetition Statistisk inferens Vid inferens använder man urvalet för att uttala sig om populationen Centralmått Medelvärde: x= Σx i / n Median Typvärde Spridningsmått Används för att
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 9 Statistiska metoder 1 Dagens föreläsning o Regression Regressionsmodell Signifikant lutning? Prognoser Konfidensintervall Prediktionsintervall Tolka Minitab-utskrifter o Sammanfattning Exempel
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merRegressions- och Tidsserieanalys - F3
Regressions- och Tidsserieanalys - F3 Multipel regressionsanalys kap 4.8-4.10 Linda Wänström Linköpings universitet 7 maj Wänström (Linköpings universitet) F3 7 maj 1 / 26 Lite som vi inte hann med när
Läs merI. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Parametriska Icke-parametriska
Innehåll I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Hypotesprövnig Statistiska analyser Parametriska analyser Icke-parametriska analyser Univariata analyser Univariata analyser
Läs merKapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA
Kapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA 12.1 ANOVA I EN MULTIPEL REGRESSION Exempel: Tjänar man mer som egenföretagare? Nedan visas ett utdrag ur ett dataset som innehåller information
Läs merF16 MULTIPEL LINJÄR REGRESSION (NCT , 13.9) Anpassning av linjär funktion till givna data
Stat. teori gk, ht 006, JW F16 MULTIPEL LINJÄR REGRESSION (NCT 13.1-13.3, 13.9) Anpassning av linjär funktion till givna data Data med en beroende variabel (y) och K stycken (potentiellt) förklarande variabler
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 3 Statistiska metoder 1 Dagens föreläsning o Samband mellan två kvantitativa variabler Matematiska samband Statistiska samband o Korrelation Svaga och starka samband När beräkna korrelation?
Läs merTentamen på Statistik och kvantitativa undersökningar STA001, 15 hp. Exempeltenta 4
MÄLARDALENS HÖGSKOLA Akademin för hållbar samhälls- och teknikutveckling Statistik Tentamen på Statistik och kvantitativa undersökningar STA001, 15 hp Tillåtna hjälpmedel: Miniräknare (Formelsamling bifogas
Läs merMetod och teori. Statistik för naturvetare Umeå universitet
Statistik för naturvetare -6-8 Metod och teori Uppgift Uppgiften är att undersöka hur hjärtfrekvensen hos en person påverkas av dennes kroppstemperatur. Detta görs genom enkel linjär regression. Låt signifikansnivån
Läs mer10.1 Enkel linjär regression
Exempel: Hur mycket dragkraft behövs för att en halvledare skall lossna från sin sockel vid olika längder på halvledarens ben. De halvledare vi betraktar är av samma storlek (bortsett benlängden). 70 Scatterplot
Läs mer1/23 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/23 REGRESSIONSANALYS F4 Linda Wänström Statistiska institutionen, Stockholms universitet 2/23 Multipel regressionsanalys Multipel regressionsanalys kan ses som en utvidgning av enkel linjär regressionsanalys.
Läs merMedicinsk statistik II
Medicinsk statistik II Läkarprogrammet termin 5 VT 2013 Susanna Lövdahl, Msc, doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Dagens föreläsning Fördjupning
Läs merBild 1. Bild 2 Sammanfattning Statistik I. Bild 3 Hypotesprövning. Medicinsk statistik II
Bild 1 Medicinsk statistik II Läkarprogrammet T5 HT 2014 Anna Jöud Arbets- och miljömedicin, Lunds universitet ERC Syd, Skånes Universitetssjukhus anna.joud@med.lu.se Bild 2 Sammanfattning Statistik I
Läs merLösningsförslag till tentamen på. Statistik och kvantitativa undersökningar STA100, 15 hp. Fredagen den 13 e mars 2015
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik Statistik Lösningsförslag till tentamen på Statistik och kvantitativa undersökningar STA100, 15 hp Fredagen den 13 e mars 015 1 a 13 och 14
Läs merStatistiska samband: regression och korrelation
Statistiska samband: regression och korrelation Vi ska nu gå igenom något som kallas regressionsanalys och som innebär att man identifierar sambandet mellan en beroende variabel (x) och en oberoende variabel
Läs merFormler och tabeller till kursen MSG830
Formler och tabeller till kursen MSG830 Deskriptiva mått För ett datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x 1 + + x n n s = 1 n (x i x)
Läs merForskningsmetod II Korrelation och regression
Forskningsmetod II Korrelation och regression Idag: 1. Korrelation (Pearsons r). Regression 3. Multipel korrelation 4. Multipel regression Leo Poom 018-471 17 leo.poom@psyk.uu.se 1. Korrelation (bivariat)
Läs merTAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval
TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval Martin Singull Matematisk statistik Matematiska institutionen Innehåll Repetition (t-test för H 0 : β i = 0) Residualanalys Modellval Framåtvalsprincipen
Läs merMälardalens Högskola. Formelsamling. Statistik, grundkurs
Mälardalens Högskola Formelsamling Statistik, grundkurs Höstterminen 2015 Deskriptiv statistik Populationens medelvärde (population mean): μ = X N Urvalets medelvärde (sample mean): X = X n Där N är storleken
Läs merMultipel regression och Partiella korrelationer
Multipel regression och Partiella korrelationer Joakim Westerlund Kom ihåg bakomliggande variabelproblemet: Temperatur Jackförsäljning Oljeförbrukning Bakomliggande variabelproblemet kan, som tidigare
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merTENTAMEN GRUNDLÄGGANDE STATISTIK FÖR EKONOMER
Statistiska institutionen Frank Miller Dan Hedlin Skrivtid: 09.00-14.00 TENTAMEN GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2014-03-21 Hjälpmedel: Miniräknare utan lagrade formler eller text, bifogade tabeller
Läs mer34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD
6.4 Att dra slutsatser på basis av statistisk analys en kort inledning - Man har ett stickprov, men man vill med hjälp av det få veta något om hela populationen => för att kunna dra slutsatser som gäller
Läs merRegressionsanalys med SPSS Kimmo Sorjonen (2010)
1 Regressionsanalys med SPSS Kimmo Sorjonen (2010) 1. Multipel regression 1.1. Variabler I det aktuella exemplet ingår följande variabler: (1) life.sat, anger i vilket utsträckning man är nöjd med livet;
Läs merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merStandardfel (Standard error, SE) SD eller SE. Intervallskattning MSG Staffan Nilsson, Chalmers 1
Standardfel (Standard error, SE) Anta vi har ett stickprov X 1,,X n där varje X i has medel = µ och std.dev = σ. Då är Det sista kalls standardfel (eng:standard error of mean (SEM) eller (SE) och skattas
Läs merTentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle
Tentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle Lärare: Mikael Elenius, 2006-08-25, kl:9-14 Betygsgränser: 65 poäng Väl Godkänt, 50 poäng
Läs merFöreläsning 12: Linjär regression
Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera
Läs merSTOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB DATORLABORATION 3: MULTIPEL REGRESSION.
MATEMATISKA INSTITUTIONEN Tillämpad statistisk analys, GN STOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB 2011-04-13 DATORLABORATION 3: MULTIPEL REGRESSION. Under Instruktioner och data på
Läs merMedicinsk statistik II
Medicinsk statistik II Läkarprogrammet T5 HT 2014 Susann Ullén FoU-centrum Skåne Skånes Universitetssjukhus Hypotesprövning Man sätter upp en nollhypotes (H0) och en mothypotes (H1) H0: Ingen effekt H1:
Läs merTentamen Tillämpad statistik A5 (15hp)
Uppsala universitet Statistiska institutionen A5 2014-08-26 Tentamen Tillämpad statistik A5 (15hp) 2014-08-26 UPPLYSNINGAR A. Tillåtna hjälpmedel: Miniräknare Formelsamlingar: A4/A8 Tabell- och formelsamling
Läs merExaminationsuppgifter del 2
UMEÅ UNIVERSITET Institutionen för Matematik och Matematisk statistisk Statistik för ingenjörer, poäng, Anders Lundquist 7-- Examinationsuppgifter del Redovisas muntligt den / (Ö-vik) samt / (Lycksele).
Läs merF12 Regression. Måns Thulin. Uppsala universitet Statistik för ingenjörer 28/ /24
1/24 F12 Regression Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 28/2 2013 2/24 Dagens föreläsning Linjära regressionsmodeller Stokastisk modell Linjeanpassning och skattningar
Läs merMultipel linjär regression. Geometrisk tolkning. Tolkning av β k MSG Staffan Nilsson, Chalmers 1
Multipel linjär regression l: Y= β 0 + β X + β 2 X 2 + + β p X p + ε Välj β 0,β,β 2,, β p så att de minimerar summan av residualkvadraterna (Y i -β 0 -β X i - -β p X pi ) 2 Geometrisk tolkning Med Y=β
Läs merInStat Exempel 4 Korrelation och Regression
InStat Exempel 4 Korrelation och Regression Vi ska analysera ett datamaterial som innehåller information om kön, längd och vikt för 2000 personer. Materialet är jämnt fördelat mellan könen (1000 män och
Läs merFöreläsning 6. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 6 Statistik; teori och tillämpning i biologi 1 Analysis of Variance (ANOVA) (GB s. 202-218, BB s. 190-206) ANOVA är en metod som används när man ska undersöka skillnader mellan flera olika
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merFöreläsning 7. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 7 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Fortsättning envägs-anova Scheffes test (kap 11.4) o Tvåvägs-ANOVA Korsade faktorer (kap 12.1, 12.3) Randomiserade blockförsök
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-05-31 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merRegressions- och Tidsserieanalys - F4
Regressions- och Tidsserieanalys - F4 Modellbygge och residualanalys. Kap 5.1-5.4 (t.o.m. halva s 257), ej C-statistic s 23. Linda Wänström Linköpings universitet Wänström (Linköpings universitet) F4 1
Läs merSpridningsdiagram (scatterplot) Fler exempel. Korrelation (forts.) Korrelation. Enkel linjär regression. Enkel linjär regression (forts.
Spridningsdiagram (scatterplot) En scatterplot som visar par av observationer: reklamkostnader på -aeln and försäljning på -aeln ScatterplotofAdvertising Ependitures ()andsales () 4 Fler eempel Notera:
Läs merKapitel 15: INTERAKTIONER, STANDARDISERADE SKALOR OCH ICKE-LINJÄRA EFFEKTER
Kapitel 15: INTERAKTIONER, STANDARDISERADE SKALOR OCH ICKE-LINJÄRA EFFEKTER När vi mäter en effekt i data så vill vi ofta se om denna skiljer sig mellan olika delgrupper. Vi kanske testar effekten av ett
Läs mer1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att
Läs merStatistiska analysmetoder, en introduktion. Fördjupad forskningsmetodik, allmän del Våren 2018
Statistiska analysmetoder, en introduktion Fördjupad forskningsmetodik, allmän del Våren 2018 Vad är statistisk dataanalys? Analys och tolkning av kvantitativa data -> förutsätter numeriskt datamaterial
Läs merPrediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval
Läs merUppgift 1. Deskripitiv statistik. Lön
Uppgift 1 Deskripitiv statistik Lön Variabeln Lön är en kvotvariabel, även om vi knappast kommer att uppleva några negativa värden. Det är sannolikt vår intressantaste variabel i undersökningen, och mot
Läs merTentamen för kursen. Linjära statistiska modeller. 17 februari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 17 februari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312,
Läs merF13 Regression och problemlösning
1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell
Läs merAnalys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken
Analys av medelvärden Jenny Selander jenny.selander@ki.se 524 800 29, plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111 Innehåll Normalfördelningen
Läs merSkrivning i ekonometri lördagen den 29 mars 2008
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STAB, Ekonometri Skrivning i ekonometri lördagen den 9 mars 8.Vi vill undersöka hur variationen i antal arbetande timmar för gifta kvinnor i Michigan
Läs mer7.5 Experiment with a single factor having more than two levels
7.5 Experiment with a single factor having more than two levels Exempel: Antag att vi vill jämföra dragstyrkan i en syntetisk fiber som blandats ut med bomull. Man vet att inblandningen påverkar dragstyrkan
Läs merTentamen för kursen. Linjära statistiska modeller. 22 augusti
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE302 Sannolikhet och statistik 2019-06-05 kl. 8:30-12:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 031-7725325 Hjälpmedel: Valfri miniräknare.
Läs merGör uppgift 6.10 i arbetsmaterialet (ingår på övningen 16 maj). För 10 torskar har vi värden på variablerna Längd (cm) och Ålder (år).
Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 4, 21 MAJ 2018 REGRESSION OCH FORTSÄTTNING PÅ MINIPROJEKT II Syfte Syftet med dagens laboration är att du ska bekanta
Läs merLinjär Regressionsanalys. Centrum för allmänmedicin Henrik Källberg
Linjär Regressionsanalys Centrum för allmänmedicin Henrik Källberg Henrik.kallberg@ki.se www.henrikkallberg.com/undervisning Linear regression(dag 1) Upplägg Dag 1 Kort repetition - Deskriptiv statistik
Läs merRegressionsanalys Enkel regressionsanalys Regressionslinjen
--9 Regreionanaly - en fråga om balan Kimmo Sorjonen Sektionen för Pykologi Karolinka Intitutet. Enkel reg.analy.. Data.. Reg.linjen.. Beta (β).. Signifikan.. Reg. om Var..6. Korr. & Förklarad var..7.
Läs meroberoende av varandra så observationerna är
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 1, 1-5-7 REGRESSION (repetition) Vi har mätningarna ( 1, 1 ),..., ( n, n
Läs merAnvändning. Fixed & Random. Centrering. Multilevel Modeling (MLM) Var sak på sin nivå
Användning Multilevel Modeling (MLM) Var sak på sin nivå Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Kärt barn har många namn: (1) Random coefficient models; () Mixed effect models; (3)
Läs merEn scatterplot gjordes, och linjär regression utfördes därefter med följande hypoteser:
1 Uppgiftsbeskrivning Syftet med denna laboration var att utifrån uppmätt data avgöra: (i) Om något samband finnes mellan kroppstemperatur och hjärtfrekvens. (ii) Om någon signifikant skillnad i sockerhalt
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE32 Sannolikhet och statistik 219-6-5 kl. 8:3-12:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merStat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence
Läs merTENTAMEN PC1307 PC1546. Statistik (5 hp) Onsdag den 20 oktober, Ansvarig lärare: Bengt Jansson ( , mobil: )
GÖTEBORGS UNIVERSITET Psykologiska institutionen TENTAMEN PC1307 PC1546 Statistik (5 hp) Onsdag den 20 oktober, 2010 Tid: 9 00 13 00 Lokal: Viktoriagatan 30 Hjälpmedel: räknedosa Ansvarig lärare: Bengt
Läs merLUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL. Skrivning i ekonometri onsdagen den 1 juni 2011
LUNDS UNIVERSITET STATISTISKA INSTITUTIONEN MATS HAGNELL STAB2 Skrivning i ekonometri onsdagen den 1 juni 211 1. Vi vill undersöka hur variationen i försäljningspriset för ett hus (i en liten stad i USA
Läs merHypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University
Hypotesprövning Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Liksom konfidensintervall ett hjälpmedel för att
Läs merLTH: Fastighetsekonomi 23-24 sep 2008. Enkel och multipel linjär regressionsanalys HYPOTESPRÖVNING
LTH: Fastighetsekonomi 23-24 sep 2008 Enkel och multipel linjär regressionsanalys HYPOTESPRÖVNING Hypotesprövning (statistisk inferensteori) Statistisk hypotesprövning innebär att man med hjälp av slumpmässiga
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merMatematiska Institutionen Silvelyn Zwanzig 13 mar, 2006
UPPSALA UNIVERSITET Sannolikhetslära och Statistik Matematiska Institutionen F Silvelyn Zwanzig 3 mar, 006 Tillåtna hjälpmedel: Miniräknare, Formel- och Tabellsamling med egna handskrivna tillägg Skrivtid:5-0.
Läs mer