Bilag 1: Beregning af omkostningsækvivalenter

More documents

Recommendations

Info

Ekstreme observationer og observationer med stor indflydelse Enkelte observationer i et datasæt kan have en uhensigtsmæssig stor påvirkning af bestemmelsen af B-værdierne. Det er derfor nødvendigt at overveje, hvordan sådanne observationer skal behandles. Forsyningssekretariatet har vurderet, at Cook’s afstand er et passende mål til at identificere observationer med stor indflydelse på analysen. Metoden med Cooks d er i overensstemmelse med statistisk praksis og anvendes også som standard i det statistikprogram, der benyttes til regressionskørslerne 1 . Cook’s afstand siger noget om, hvor meget B-værdierne ændres, hvis en given observation fjernes fra analysen. Hver eneste observation får således beregnet en Cook’s afstand. Der er ikke nogen faste statistiske regler for, hvornår en observations Cook’s afstand er så stor, at observationen bør fjernes fra datasættet. Forsyningssekretariatet anvender en metode, der forslår, at observationer, som falder udenfor 50 pct.-fraktilen i en F-fordeling med (p,n-p) 2 frihedsgrader, bør fjernes fra datasættet. I en model med en forklarende variabel svarer dette til en Cook’s afstand på ca. 0,5. I takt med at antallet af forklarende variable øges, bliver kravet til Cooks afstand sænket. Forsyningssekretariatet vil af forsigtighedshensyn holde fast i en Cooks afstand på 0,5. Figur 4 illustrerer, hvordan ekstreme observationer kan have indflydelse på modellens resultater. De ekstreme observationer er de observationer, der ikke ligger inden i den blå oval i figur 4 nedenfor. Figuren illustrerer, hvordan punktet ved den højrevendte pil kan påvirke linjen uhensigtsmæssigt meget, da den vil trække tendenslinien ned mod sig. Det skyldes, at en observation kan påvirke regressionsanalysen på samme måde som en vægtstang og dermed få stor betydning for resultaterne af regressionsanalysen. Samtidig kan det også være tilfældet, at andre punkter der måske skiller sig en del ud fra mængden, ikke har særlig stor indflydelse på resultaterne, jf. de to punkter i figur 4 med venstrevendte pile. I forhold til vægtstangen i nulpunktet (ved den røde trekant) vil de ikke påvirke tendenslinien i nævneværdig grad, og punkterne har derfor ikke nogen væsentlig betydning for analysens resultater. 1 Jf. standardbetingelser for Cook’s D i statistikprogrammet ”R”, samt Gross, Jürgen, Linear Regression, Springer 2003. 2 Her er n antal observationer og p er antal parametre. 8
Figur 3: Observationer med stor indflydelse Y Ved beregningen af hver enkel omkostningsækvivalent kontrolleres ved hjælp af Cook’s afstand for, om der er ekstreme observationer, der har en uhensigtsmæssig indflydelse på resultaterne og derfor bør fjernes fra datasættet. Transformationer Hvis det viser sig, at data ikke er lineært, kan problemet løses ved hjælp af forskellige transformationer af data. De mest udbredte transformationer er at tage logaritmen, kvadratroden eller andre potenser til variablene i ligningen. Problemet med andre sammenhænge i data end lineære er, at mindste kvadraters metode kun kan bruges på et lineært datasæt. Derfor er det nødvendigt at vælge en transformation, der skaber en lineær sammenhæng i forhold til den forventede sammenhæng i det oprindelige datasæt. Et eksempel kan være, at det forventes, at en produktion kan beskrives ved en klassisk Cobb-Douglas funktion af formen: (2) Y = B0X1 B1 X2 B2 I dette tilfælde er det nødvendigt at lave en såkaldt ”log-log”transformation. Det vil sige, at logaritmen tages på begge sider af lighedstegnet. Det giver følgende lineære form: (3) logY = logB0 + B1logX1 + B2logX2 X 9
Page 1 and 2: Bilag 1: Beregning af omkostningsæ
Page 3 and 4: Indledning Dette bilag har en relat
Page 5 and 6: Den generelle model, som Forsynings
Page 7: Fejlled Figur 2: Fordeling af fejll
Page 11 and 12: Intuitiv og teoretisk baggrund. Sta
Page 13 and 14: Bestemmelse af omkostningsækvivale
Page 15 and 16: umiddelbart under 5 pct. af observa
Page 17 and 18: (8) Y = B1X1 + B2X2 +B3X3 B-værdie
Page 19 and 20: Indsamlingen af data er foretaget p
Page 21 and 22: fem intervaller af trykforøgerstat
Page 23 and 24: Regressionen i ligning (11) er blan
Page 25 and 26: Figur 7: Fejlledsplot for rentvands
Page 27 and 28: (14) Y = B1(X1+X2) + B2X3 + B3X4 Ov
Page 29 and 30: Figur 8: Fejlledsplot for stik Plot
Page 31 and 32: Figur 9: Fejlledsplot for målere A
Page 33 and 34: Tabel 10: Regressionsanalysens resu
Page 35 and 36: Regressionerne, der inddrager ledni
Page 37 and 38: Figur 11: Fejlledsplot for pumpesta
Page 39 and 40: 600 m 3 /t sammen til en samlet kat
Page 41 and 42: Modellens baggrund Forsyningssekret
Page 43 and 44: Der har været nødvendigt at fjern
Page 45 and 46: Figur 14: Fejlledsplot for minirens
Page 47 and 48: B-værdierne afspejler enhedsomkost
Page 49 and 50: Figur 15: De faktiske omkostninger
Page 51 and 52: · Renseanlæggets dimensionerede o
Page 53 and 54: Endelig har Forsyningssekretariatet
Page 55 and 56: Yderligere lader det ikke til, at d
Page 57: Figur 18: Fejlledsplot for målere

Bilag 1: Beregning af omkostningsækvivalenter

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?