Wraz ze wzrostem wielkości dochodu g.d. wzrasta także wielkość wydatków g.d. na tran
jest to test dodatniości
jest to test istotności parametru
jest to test dodatniości
Wielkość dochodu g.d. istotnie wpływa na wielkość wydatków g.d. na transport:
jest to test dodatniości
jest to test istotności parametru
jest to test istotności parametru
W hipotezie Zdecydowanie się na którychś z wariantów jednostronnych musi być podyktowane jakimiś
dodatkowymi przesłankami
prawda
fałśz
prawda
Co do postaci hipotezy alternatywnej, w praktyce domyślnie przyjmuje się
dwustronny wariant testu
jednostronny wariant testu
dwustronny wariant testu
W hipotezie To o parametrach chcemy
wnioskować ponieważ
nie znamy ich prawdziwych wartości
interesują nas, bo mówią o tej prawdziwej naturze modelowanego zjawiska, o tych prawdziwych zależnościach, które tylko częściowo są odzwierciedlone w informacji zawartej w (zawsze przecież ograniczonej) próbie i tym samym w oszacowaniach parametrów.
znamy ( ich prawdziwych wartości i chcemy je potwierdzić
nie znamy ich prawdziwych wartości
interesują nas, bo mówią o tej prawdziwej naturze modelowanego zjawiska, o tych prawdziwych zależnościach, które tylko częściowo są odzwierciedlone w informacji zawartej w (zawsze przecież ograniczonej) próbie i tym samym w oszacowaniach parametrów.
W hipotezie zerowej
może lecz nie musi być znak równości
zawsze jest/musi być znak równości
występują parametry (bez daszka), a NIE ich oceny (te z daszkiem).
Błędny byłby zapis np. 𝐻0:𝛽 ̂ 𝑖 = 𝛽𝑖 ∗
zawsze jest/musi być znak równości
Testowaniu może
podlegać tylko pojedynczy parametr
podlegać pojedynczy parametr (np. 𝛽1) lub pewna ich grupa;
podlegać tylko pewna ich grupa;
podlegać pojedynczy parametr (np. 𝛽1) lub pewna ich grupa;
Testowaniu zawsze podlega
układ dwóch wykluczających się wzajemnie hipotez
jedna hipoteza którą należy potwierdzić
układ trzech wykluczających się wzajemnie hipotez
układ dwóch wykluczających się wzajemnie hipotez
Do wnioskowania statystycznego Kluczowa jest tu więc relacja wartości oceny
punktowej parametru od wartości błędu jej szacunku.
fałśz
prawda
prawda
Błąd średnim
szacunku stanowi przeciętną (in.: spodziewaną, oczekiwaną) różnicę pomiędzy prawdziwą (lecz
nieznaną) wartością parametru 𝛽1 a jego oceną punktową 𝛽 ̂ 1
prawda
fałsz
prawda
Ważna jest przede wszystkim
niepewność związana z tą oceną (czyli tzw. niepewność estymacji). Ta mierzona jest
błędem średnim szacunku, 𝑑(𝛽 ̂ 1),
wariancja
odchyleniem standardowym
błędem średnim szacunku, 𝑑(𝛽 ̂ 1),
Do wnioskowania statystycznego o parametrach
nie wystarczą same ich oszacowania.
wystarczą same ich oszacowania.
nie wystarczą same ich oszacowania.
wnioskowanie statystyczne
to formułowanie pewnych sądów (wniosków, zdań) o (z gruntu nieznanych) wartościach pewnych
parametrów na podstawie ich oszacowań
prawda
fałsz
prawda
do czego w praktyce można wykorzystać Klasyczny Model Normalnej Regresji Liniowej
wnioskowania praktycznego
wnioskowania statystycznego
prognozowania
wnioskowania statystycznego
to co odróżnia KMNRL (Klasyczny Model Normalnej Regresji Liniowej) od
wprowadzonego wcześniej KMRL (Klasycznego Modelu Regresji Liniowej) to
dodatkowe założenie o normalności składnika nielosowego et
dodatkowe założenie o normalności składnika losowego et
dodatkowe założenie o normalności składnika losowego et
po drugie, duża liczba parametrów przyczynia się do zwiększenia “elastyczności” modelu
fałsz
prawda
prawda
po pierwsze, wysoka liczba parametrów podlegających estymacji skutkuje znaczącym wzrostem jej
pewnosci
niepewności
niepewności
włączając do modelu regresji kolejną, dowolną zmienną objaśniającą suma kwadratów reszt nie zmaleje
prawda
fałsz
fałsz
Wszystkie cztery mierniki są oparte na sumie kwadratów reszt (SSE) – im jest ona niższa, tym na lepsze dopasowanie
modelu one wskazuj
fałsz
prawda
prawda
współczynnik zmienności resztowej,
Ve > 0 zawsze
10%< model bardzo dobrzre dopasowany do danych
30%< Ve model słabo dopasowany do danych
jest wielkością niemianowaną
jest wielkością mianowaną
Model jest tym lepiej dopasowany do danych, im niższa wartość Ve
wyrażoną w procentach
Ve > 0 zawsze
10%< model bardzo dobrzre dopasowany do danych
30%< Ve model słabo dopasowany do danych
jest wielkością niemianowaną
Model jest tym lepiej dopasowany do danych, im niższa wartość Ve
