Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

Recommendations

Info

ln(e ) =α +α x +α x + ... +α x + v 2 i 0 1 1 2 2 p p i 2 i = α 0 +α 1 1+α 2 2 + +α p p + i e exp( x x ... x v ) 184 o A Park F -próba, ahol a függvény (h) hatványkitevős: 1 2 p i v 2 α α α e =α x x ...x e i 0 1 2 p 2 i = α 0 +α 1 1+α 2 2 + +α p p + i ln(e ) ln ln x ln x ... ln x v • 185 Koenker-Bassett (KB) F - próba: 2 2 ei = α ˆ 0 +α 1yi + vi A regresszio.xls fájlban a pótlólagos regresszió többszörös determinációs együtthatóját 2 R 2 2 e ; y ˆ jelöléssel láttuk el. ( ) A fenti képletekben: k = az eredeti regressziós függvényben a magyarázó változók száma; i=1,2,…,n a megfigyelések száma; e i = az eredeti modell reziduális változójának abszolút értéke; 2 e i = az eredeti modell reziduális változójának négyzete; ˆy = az eredeti függvénnyel becsült eredményváltozó négyzete; 2 i a becsült paraméterek ( j , j 0,1, 2, , k) α = … száma: k+1 v i : a pótlólagos regresszió reziduális változója. A regresszió paramétereinek együttes szignifikanciája a globális F-próba segítségével mindegyik bemutatott teszt esetében vizsgálható. Ha a számított F-érték nagyobb, mint a táblabeli érték, akkor az alternatív hipotézist fogadjuk el, tehát a modell heteroszkedasztikus, ellenkező esetben homoszkedasztikus. A heteroszkedaszticitás lokalizálása Glejser-, és Breusch-Pagan-Godfrey (BPG)-próbával. A Glejser- és a BPG-próba lehetővé teszi a heteroszkedaszticitás lokalizálását. Amennyiben feltételezzük, hogy a magyarázó változók függvényei a reziduális változók abszolút értékei vagy a varianciái, akkor felírható magyarázó változónként egy-egy pótlólagos regressziós egyenlet. 186 A pótlólagos, j. magyarázó változóra vonatkozó regressziós egyenletek az alábbiak F : • Glejser-próba esetén: ei = α 0 +α 1xji + vi • BPG-próba esetén: 2 ei = α 0 +α 1xji + vi ahol x ji a j-edik magyarázó változó i-edik értéke. A regressziós együtthatót (meghatározó szerepe az α1 együtthatónak van) a Student-féle t-próbával teszteljük, ha a számított érték nagyobb, mint a táblabeli érték, akkor az alternatív hipotézist fogadjuk el, tehát a modell heteroszkedasztikus, (piros szám jelzi) ellenkező esetben homoszkedasztikus (zöld szám jelzi). 4.2 Gyakorlati alkalmazások bemutatása idősoros és keresztmetszeti adatok alapján 184 Park R. E. [1966]: 888. 185 Gujarati Damodar N. [2003] 186 A számításokat hatványkitevős (log-log) és exponenciális (log-lin) függvények esetében is elvégezhetjük, ha a változókat linearizáljuk. Park és Harvey-Godfrey-próba. 168
A regresszio.xls parancsfájl minden esetben közli az Autokorreláció és a Homoszkedaszticitás munkalapokon a számításokat. Az autokorreláció idősoros adatok esetén jelentkezik, ebben az esetben az adatok sorrendje kötött. A keresztmetszeti adatok sorrendje változtatható, ebben az esetben a homoszkedaszticitást szoktuk vizsgálni. Megjegyezzük, hogy keresztmetszeti adatoknál is előfordul, hogy a szomszédos hibatagok korrelálnak egymással, amit térbeli korrelációnak neveznek. Az autokorreláció 187 vizsgálatánál az ökonometriai szakirodalomban F ettől eltekintenek és kizárólag az idősorok hibatagjainak vizsgálata tartozik e témakörbe. A maradékváltozó (reziduális változó) vizsgálatánál tehát lényeges kérdés, hogy idősoros vagy keresztmetszeti adatokkal dolgozunk-e. Idősoros adatbázis esetén az autokorrelációt, míg keresztmetszeti adatoknál a homoszkedaszticitást teszteljük. Ennek megfelelően két példát mutatunk be, mindkét példa valós magyarországi adatokat tartalmaz. 1. Idősoros példa. A cementtermelés és a cementtermelést befolyásoló tényezők vizsgálata Magyarországon 1985 és 2008 188 között F . A regressziós modell változói: y Cementtermelés (ezer tonna) x1 x2 GDP volumenindexe (1985=100) Épített lakások száma (darab) x3 Épitőanyagipar volumenindexe (1985=100) x4 Népesség száma (ezer fő) A rendszerváltás idején a hazai cement előállítás megközelítette a négymillió tonnát, ezt követőn azonban drasztikusan visszaesett és 2000-ig közel egymillió tonnával alatta maradt a csúcsévek termelésének, majd 2001-től emelkedett ugyan a kibocsátás, de 2008-ban is közel félmillió tonnával maradt el az 1990es szinthez képest. A számítások megkezdése előtt célszerű az adatokat ábrázolni, hogy feltárjuk az adatok tendenciáit. A cementtermelés és a vizsgált magyarázó változók alakulását az alábbi ábra mutatja, az ábrakészítés során a vizsgált mutatók arányosságának biztosítása érdekében mindegyik mutatót (tehát a cementtermelést, az épített lakások számát és a népességszámot is) 1985-ös bázison számítottuk. 187 Ld.: Maddala G. S. [2004]: 273-274. Ramanathan Ramu [2003]: 361-363. és 399-400. Gujarati Damodar N. [2003]: 401-403. és 441-443. 188 Az adatok forrásai: Polt Rita [2005]: 996. Hunyadi László – Vita László [2008] II. kötet 204. Ipari és építőipari <strong>statisztikai</strong> évkönyv. KSH 1985-2005. Magyar <strong>statisztikai</strong> évkönyv. KSH. 1985-2008. 169
Page 1 and 2:
Kehl Dániel - Dr. Sipos Béla Exce
Page 3 and 4:
3.8 AZ ARIMA MODELLEZÉS MENETE 106
Page 5 and 6:
szoftvereket nem képesek megvásá
Page 7 and 8:
Bevezetés, az Excel beállításai
Page 9 and 10:
Excel 2007 segítség a felhasznál
Page 11 and 12:
INVERZ.F Az F-eloszlás inverzének
Page 13 and 14:
Az Analysis ToolPak betöltése. Az
Page 15 and 16:
tak: pl. nem, kor, beosztás és sz
Page 17 and 18:
A legmegfelelőbb ábrázolási mó
Page 19 and 20:
4. Elemezze az egy főre jutó GDP
Page 21 and 22:
5.1. Foglalkoztatottak számának a
Page 23 and 24:
delkezésre álló adatok jelennek
Page 25 and 26:
A legegyszerűbb statisztikai műve
Page 27 and 28:
(k) ahol q j a j-edik k-ad rendű k
Page 29 and 30:
A szóródás terjedelme: T = 70 -
Page 31 and 32:
Mindkét helyzeti középértéknek
Page 33 and 34:
(Q − Me) −(Me −Q ) 3 1 F = (Q
Page 35 and 36:
( ) ( ) 2 m3 S = 3 m2 c c = 0,037 A
Page 37 and 38:
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0
Page 39 and 40:
N ∑ y t t=1 y= N Az állapot idő
Page 41 and 42:
sj = a j-edik szezonhoz tartozó sz
Page 43 and 44:
- a függvény növekedésének ir
Page 45 and 46:
ˆy t b0 ˆy t =b 0 +b1lnt b 1>0 b
Page 47 and 48:
ˆy t b0 2 3 ˆy t =b 0 +b1t+b2t +
Page 49 and 50:
0 =a bázisérték, p = az éves n
Page 51 and 52:
ˆy t 1 1 ˆy = b +bt+b t b0 t 2 0
Page 53 and 54:
1 2 A mélypont T 3 A csúcspont 3-
Page 55 and 56:
tunk úgy is, hogy először a tren
Page 57 and 58:
tében. A tőzsdeindexek átlagolá
Page 59 and 60:
nyereséget eredményezhet, de más
Page 61 and 62:
2 ei SDE = i= 1 T−1 5. Átlagos r
Page 63 and 64:
e, utána az eredeti adatoknak a tr
Page 65 and 66:
80 lítődési pontok. F A Descarte
Page 67 and 68:
2 dyt 2 cm ( + t) ( − ) ( cm + ct
Page 69 and 70:
A telítődési szint: lim yˆ = K
Page 71 and 72:
Az 3-15 ábra mutatja be a függvé
Page 73 and 74:
ˆy0= 0, lim yˆ = K. t→∞ t Joh
Page 75 and 76:
( K−A) ˆy = A + , cm ( 1+ ve ) 0
Page 77 and 78:
Hubbert-trendfüggvény A Hubbert-f
Page 79 and 80:
den esetben adnak tökéletes javas
Page 81 and 82:
6. Grafikusan ábrázolja az Amerik
Page 83 and 84:
dosítása, vagyis a prognosztizál
Page 85 and 86:
( ) i ˆy = y × Me t+i t+− i 4
Page 87 and 88:
Ha nagy α-t választunk [pl . α =
Page 89 and 90:
stabilnak tekinthető és a módsze
Page 91 and 92:
T- 4 Szezonalitás - nincs, Trend a
Page 93 and 94:
Multiplikatív szezonalitás: D t =
Page 95 and 96:
Előrejelzés m periódusra előre:
Page 97 and 98:
S 1 =X 1 (X2-X 1)+(X4-X 3) b 1 = 2
Page 99 and 100:
hullámzás kisebb, nagyobb, illetv
Page 101 and 102:
W(-1)=B(-1/4)=[1-(-1/4) 2 ] 2 = 0,8
Page 103 and 104:
sbl, out a fájl neve, amelybe az e
Page 105 and 106:
PJ 400 300 200 100 0 -100 Energia f
Page 107 and 108:
ARMA modell Az ilyen típusú idős
Page 109 and 110:
Nem stacionárius idősorok 135 : S
Page 111 and 112:
dy ∆Y Y(t+∆t) - Y(t) =lim =lim
Page 113 and 114:
2. Az ln-transzformációt (λ=0) a
Page 115 and 116:
5. A reciprok transzformációt (λ
Page 117 and 118: Mind az elméleti idősort alkotó
Page 119 and 120: A determináns a diagonálisok szor
Page 121 and 122: 1 2 2 2 2 s(r k) = ⎡1 2( r1 r2 r
Page 123 and 124: (0, d, 1) MA(1), ha d = 0 vagy IMA
Page 125 and 126: ARIMA (0, 0, 1) vagy MA (1) modell
Page 127 and 128: Statisztikai programcsomagok össze
Page 129 and 130: (T−m) −k ∑ ( y −y)( y − y
Page 131 and 132: A következő szöveg jelenik meg:
Page 133 and 134: DW statisztika. (Durbin-Watson d-pr
Page 135 and 136: Az illesztésre (becslésre) felhas
Page 137 and 138: A reziduumok száma: Becslésre fel
Page 139 and 140: 4. szezonális autoregressziós mod
Page 141 and 142: Kieső adatok száma= p+d+q+s(P+D+Q
Page 143 and 144: 3.8.6 R+ interneten elérhető: Fre
Page 145 and 146: transzformált adatok ábráit és
Page 147 and 148: The R code is based on : Borghers,
Page 149 and 150: 4.1 A regresszió.xls parancsfájl
Page 151 and 152: ⎡q q q q ⎤ yy y1 y2 yk ⎢ q1y
Page 153 and 154: A bj regressziós paraméter konfid
Page 155 and 156: yj n−2 t = 2 1−r yj Ahol: n =
Page 157 and 158: 157 magyar nyelvű összefoglalój
Page 159 and 160: togonális, tehát nincs multikolli
Page 161 and 162: 2 R /(k−1) F= < F 2 ( 1−R ) / (
Page 163 and 164: z 1 =a11x 1+a21x 2 +...+ak1xk z 2 =
Page 165 and 166: A fenti autoregresszív modellben,
Page 167: sziós együtthatók becslése torz
Page 171 and 172: Regressziós együtthatók Eható S
Page 173 and 174: 600 400 200 e t 0 -600 -400 -200 0
Page 175 and 176: pen azt kaptuk, hogy az első háro
Page 177 and 178: Ezt az egyenletet átírhatjuk a k
Page 179 and 180: ahol a hi súlyszámokat az alábbi
Page 181 and 182: 3.1 Ha nincs konstans a lineáris r
Page 183 and 184: 5. A próbafüggvény: 2 2 F= 2 1
Page 185 and 186: A b 12 = x1 és x2 változók egysz
Page 187 and 188: ugyanis ez nem más, mint X margin
Page 189 and 190: Súly Súly 0,30 0,25 0,20 0,15 0,1
Page 191 and 192: A paraméterek közötti összefüg
Page 193 and 194: ( ) ( ) Y − λ Y =α 1−λ +β X
Page 195 and 196: 4.7 A hatványkitevős, Cobb-Dougla
Page 197 and 198: fizikaiak említett kategóriáit.
Page 199 and 200: Átlagtermelékenységek (y/x1 és
Page 201 and 202: yˆ = MPx * x 1 1+ MPx * x ˆ 2 2 /
Page 203 and 204: A termelési tényező hozadéka n
Page 205 and 206: Évek (t) y x1 x2 1 1009 1787 1008
Page 207 and 208: 1. A cipőgyár adatainak felhaszn
Page 209 and 210: ⎧ 1 -P -P ⎫ ln y = ln h + e v
Page 211 and 212: ln h h = e transzformációval az e
Page 213 and 214: A homoszkedaszticitás tesztelésé
Page 215 and 216: 4-6. tábla: Feltételes megoszlás
Page 217 and 218: A min jelöli, hogy az s és o köz
Page 219 and 220:
A Yule-féle asszociációs együtt
Page 221 and 222:
= 0, 267 ≈ 0,3 A függetlenség v
Page 223 and 224:
Függelék F.1 Internetes ingyenes
Page 225 and 226:
age and sex) és az összes évet (
Page 227 and 228:
Egységmátrix (E): egy négyzetes
Page 229 and 230:
Karl Pearson időskori képe F 284
Page 231 and 232:
R. Aylmer Fisher F 294 Kvantilis. (
Page 233 and 234:
Oil Company alkalmazottja, ezután
Page 235 and 236:
Standard normális eloszlás sűrű
Page 237 and 238:
2 n χ 310 -eloszlás kritikus ért
Page 239 and 240:
F-eloszlás kritikus értékei 2,5%
Page 241 and 242:
5% k = 11 k = 12 k = 13 k = 14 k =
Page 243 and 244:
1% k = 11 k = 12 k = 13 k = 14 k =
Page 245 and 246:
Colin P. D. Birch [1999]: A New Gen
Page 247 and 248:
Kehl Dániel - Sipos Béla [2007b]:
Page 249 and 250:
John C. Nash [2008] Teaching statis
show all

Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

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

Delete template?

Save as template?