Föreläsning 5 Kap 13 Tidsserier- vad är det? Trend/Säsong/Konjuktur/Slump Identifiering av trender (Glidande medelvärde) Säsongsmedelvärdesmetoden Säsongsdummymetoden.

Slides:



Advertisements
Liknande presentationer
Punkt- och intervallskattning Felmarginal
Advertisements

Icke-linjära modeller:
Regressions- och tidsserieanalys
FL10 732G81 Linköpings universitet.
Linda Wänström och Elisabet Nikolic (Karl Wahlin)
Statsvetenskap 3, statsvetenskapliga metoder
Förvaltningshögskolan Makroekonomi Osvaldo Salas
Föreläsning 12 Sammanfattning
Syfte Att belysa den framtida befolkningsutvecklingen och vilka finansiella konsekvenser det medför vid den kvalitet och omfattning av kommunal service.
Produktivitet och penningpolitik Vice riksbankschef Svante Öberg Juni 2007.
Något om val mellan olika metoder
Robert Gidehag & Jonas Arnberg. Studiens frågeställningar Övergripande: Är den svenska alkoholpolitiken effektiv på 2000-talet?
Antag att följande värden hos kapitalet har gällt:
Tidsvärdets utveckling över tiden
Presskonferen s 15 dec Stark konjunktur och stigande inflation Stark tillväxt i omvärlden och i Sverige Kraftig ökning i sysselsättningen Utlåning.
Kvartalsstatistik från Strama kvartal 3, 2008 Antibiotika som förskrivs på recept: Antibiotika (J01 exkl. metenamin), per månad, DDD/1000 invånare och.
Chitvå-test Regression forts.
2. Enkel regressionsanalys
Jämvikt på arbetsmarknaden
Regressionsanalys Vi vill ha svar på frågan hur mycket kommer y att förändras om x ändras med enhet. Sambandets funktionsform Tillåta att andra saker än.
Förelasning 6 Hypotesprövning
Prognoser En prognos i tidsserieanalysen görs för ett framtida värde i tidsserien. Syftet med en prognosmodell är att göra en prognos, inte att förklara.
Skattning av trendkurvor/trendytor och förändringar över tiden Claudia von Brömssen SLU.
Lönebildning och penningpolitik
Statsvetenskap 3, statsvetenskapliga metoder
1 Regression Analysis: Hyra versus Kv-meter The regression equation is Hyra = Kv-meter Predictor Coef SE Coef T P Constant
Multipel linjär regressionsanalys
Tidsserieanalys Vad karaktäriserar data? Exempel:
Hur bra är modellen som vi har anpassat?
Från att värdera ett enstaka fastighetsobjekt till att göra en fastighetsprisprognos avseende Mats Wilhelmsson KTH.
Regressionsanalys Vi vill ha svar på frågan hur mycket kommer y att förändras om x ändras med enhet. Sambandets funktionsform Tillåta att andra saker än.
Centralt avtalad löneökning i näringslivet Procent.
Penningpolitik och produktivitet Vice riksbankschef Svante Öberg Januari 2008.
KONJUNKTURBILDEN 30 juli 2009 Kerstin Hallsten. Konjunkturbilden i stort oförändrad Ny information visar att BNP-fallet i Sverige bromsar upp – mindre.
Exempel: Vad påverkar kostnaden för produktion av korrugerat papper, dvs sådant som ingår i wellpapp och kartonger? Amerikansk studie: Kostnaden kan förmodligen.
Mål Matematiska modeller Biologi/Kemi Statistik Datorer
Tidsserieregression fungerar statistiskt som vanlig regression. Regression Analysis The regression equation is Sold = 5,78 + 0,0430 time Predictor.
Regression Analysis The regression equation is Sold = 5,78 + 0,0430 time Predictor Coef StDev T P Constant 5,7761 0,9429 6,13 0,000 time 0, ,03420.
Regressions- och tidsserieanalys
1 Om sambandet inte är linjärt? Om sambandet till en variabel inte är linjärt så kan vi inkludera ytterligare en term i regressionsmodellen I en modell.
Säsongrensning: Serien rensas från säsongkomponenten genom beräkning av centrerade och viktade glidande medelvärden (centered moving averages, CMA): där.
Kvadratisk regression, forts.
Tidsserieanalys Exempel:
Global varuhandel och industriproduktion Procentuell förändring, 3-månaders glidande medelvärde, säsongsrensade månadsvärden.
Medicinsk statistik II Läkarprogrammet T5 HT 2013 Susann Ullén FoU-centrum Skåne Skånes Universitetssjukhus.
Modell för konsumtionen i Sverige Från Baudins kompendium.
1 Icke-linjär regression Sid (i kapitel 16.1)
Statistisk hypotesprövning. Test av hypoteser Ofta när man gör undersökningar så vill man ha svar på olika frågor (s.k. hypoteser). T.ex. Stämmer en spelares.
Föreläsning 4 (Kajsa Fröjd) Multipel regression Kap 11.3 A.Man har en kvantitativ responsvariabel som är linjärt relaterad till en/flera kvantitativa förklarande.
Föreläsning 8 (Kajsa Fröjd) Logistisk regression Kap Man har en binär responsvariabel som är relaterad till en/flera kvantitativa och/ eller.
Jesper Hansson KONJUNKTURINSTITUTET 21 december 2015 Konjunkturläget, december 2015.
1 Numeriska Deskriptiva Tekniker. 2 Centralmått §Vanligtvis fokuserar vi vår uppmärksamhet på två typer av mått när vi beskriver en population: l Centraläge.
1 Multipel Regression Kapitel Modell Vi har p oberoende variabler som vi tänker oss kan vara relaterade till den beroende variabeln. Y ~ N( , 
Föreläsning 5 (Kajsa Fröjd) Tidsserier Kap 13.1 Man har en kvantitativ responsvariabel som mäts vid olika tidpunkter. 1.
Regression Har långa högre inkomst?. Världsrekord på engelska milen.
Föreläsning 4 Kap 11.3 Icke-linjära modeller Indikatorvariabel (dummyvariabel) Interaktionsterm.
Spridningskonferens Projektet Sociala risker Bakgrund Projektet bedrivits under Tvärsektoriellt samarbete, både inom Lst och kommunerna.
Enkel Linjär Regression. 1 Introduktion Vi undersöker relationer mellan variabler via en matematisk ekvation. Motivet för att använda denna teknik är:
Tidsserieanalys Kap 18, samt Baudin Tidsserieanalys En tidsserie är en mängd mätningar som är tidsordnade. Med tidsserieanalys försöker man upptäcka.
Sju sätt att visa data Sju vanliga och praktiskt användbara presentationsformat vid förbättrings- och kvalitetsarbete.
Föreläsning 7 Observation som datainsamlingsmetod
Vetenskapsprojekt, rubrik
Varför finns vi som grupp? Syfte. Uppdragsbeskrivning.
Icke-linjära modeller:
Multipel regression och att bygga (fungerande) modeller
Trender och fluktuationer
Data och att presentera data
Fördelning av data och index
Ekonomisk tillväxt Mäta ekonomin Konjunktur Arbetslöshet
Mall för definition av mått ________________________
Presentationens avskrift:

Föreläsning 5 Kap 13 Tidsserier- vad är det? Trend/Säsong/Konjuktur/Slump Identifiering av trender (Glidande medelvärde) Säsongsmedelvärdesmetoden Säsongsdummymetoden Exponentiell trend

Tidsserie En tidsserie är ett antal observationer på en variabel, mätta vid olika tidpunkter Arbetslöshet Försäljningsvärden Export- och importmängder Ozonhalten i luften i större tätorter Efterfrågan på sjukvård Födelsetalen

Komponenter i en tidsserie Man brukar karakterisera en tidsserie som en process under påverkan av fyra faktorer. Dessa är: – Trend (T) – Säsong (S) – Konjuktur (K) – Slump (E)

Trend: Beskriver den långsiktiga utvecklingen. Säsong: Beskriver den regelbundna variationen kring trenden (dag, månad, kvartal). Konjuktur: Beskriver den cykliska variationen över tiden (hög- och lågkonjuktur). (Denna variation är oftast svår att identifiera.) Slump: Den variation som inte kan förklaras.

Syftet med tidsserieanalys är att bygga modeller som kan användas för att prognostisera framtiden. I tidsserieanalys så brukar man skilja på två olika typer av modeller: Additativ modell: yt=T+S+K+E (konstant ökning) Multiplikativ modell: yt=T*S*K*E (procentuell ökning) Vi kommer att lägga störst fokus på den additativa modellen.

Identifiering av trend För att lättare kunna identifiera trenden i en tidsserie så kan man säsongsrensa data. En metod för att göra det är glidande medelvärdesmetoden. Wikipedias definition: Glidande medelvärde är en metod att skapa en serie av medelvärden av annan data. Ett vanligt sätt är ta medelvärdet av alla värden i ett viss tidsintervall, ett fönster, så att medelvärdet kan förändras när fönstret flyttas, eller glider, fram eller tillbaka i tiden.

Exempel 1 (utdelat material) Exemplet behandlar – Glidande medelvärde – Säsongsmedelvärdes-metoden – Säsongsdummy-metoden

Exponentiell trend Ibland går det inte att beskriva trenden med en linjär modell. Ett typiskt exempel på en sådan trend är de så kallade tillväxtmodellerna. Där β 1 tolkas som tillväxtfaktorn. Ex: Om β 1 är 1.08 så betyder det att y t ökar med 8% för varje ökning i tidsenhet (från t till t+1).

För att kunna skatta β 0 och β 1 så måste man först logaritmera y t. Detta gör man för att modellen ska bli linjär.

Exempel 2 tytyt

tytln(yt) 1102, , , , , , ,46147 Modell: The regression equation is ln(yt) = 1,37 + 0,735 t Predictor Coef SE Coef T P Constant 1,3699 0,2706 5,06 0,004 t 0, , ,15 0,000 S = 0, R-Sq = 96,7% R-Sq(adj) = 96,1% 1.37 är en skattning av lnβ 0 → e 1,37 = 3,94 är en skattning av β 0 0,735 är en skattning av lnβ 1 → e 0,735 = 2,09 är en skattning av β 1 Gör en prognos för t=7 och t=8

Autoregressiva modeller Vid en autoregressiv modell så använder man tidigare responsvärden för att prediktera framtida värden. Modell: y t = β 0 +β 1 *y t-1 +ε t (Autoregression = ”regression på sig själv”) Upptäcks genom att residualerna är beroende.

Exempel 3 ty(t)y(t-1) 110*

The regression equation is y(t) = 33,5 + 1,63 y(t-1) Predictor Coef SE Coef T P Constant 33,49 41,94 0,80 0,469 y(t-1) 1,6329 0,2405 6,79 0,002 S = 78,2625 R-Sq = 92,0% R-Sq(adj) = 90,0% Gör en prognos för t=7 och t=8