1. Technikai kérdések Adminisztratív ügyek Tudnivalók a félévről... 3
|
|
- Dávid Aurél Bogdán
- 7 évvel ezelőtt
- Látták:
Átírás
1 Tartalom Tartalomjegyzék 1. Technikai kérdések Adminisztratív ügyek Tudnivalók a félévről Bevezetés, alapgondolatok Alapvetés az ökonometriai modellezéshez Az ökonometria modelljeiről Az ökonometria módszertana és adatai Korreláció és kauzalitás Az ökonometriai munka Ökonometriai elemzések kivitelezése Technikai kérdések 1.1. Adminisztratív ügyek Hol vagyunk most? Bevezetés az ökonometriába (de formálisan: Ökonometria) kurzus (4MK24NAK01M) G Kar, pénzügy mesterszak, nappali munkarend Egy félév (szemben például a K Karos alapszakos ökonometria oktatással) A kurzus honlapja: Konkrétabban: Oktatók és oktatás Előadás: Ferenci Tamás BCE Statisztika Tsz., óraadó (ÓE, egyetemi adjunktus) tamas.ferenci@medstat.hu Hétfő 11:40 13:10, E.332 (régi épület) Gyakorlatvezető: Ruzsa Gábor BCE Statisztika Tsz., e. tanársegéd Csütörtök, 9:50-11:20, S (G3) Csütörtök, 11:40-13:10, S (G2) Csütörtök, 13:40-15:10, S (G1) 1
2 Osztályozás A kurzus státusza: vizsgával záruló (V); 5 kredit A félév során 80 pontot lehet szerezni, összetételt lásd mindjárt Pontok jegyre konvertálása a szokásos Statisztika Tanszékes stílusban (40-től elégséges, onnan 10-esével felfelé) Megszerezhető pontok A félév során 80 pontot lehet szerezni, a következő összetételben: Pluszpontok Gyakorlatokon 4 alkalommal röpzh, 3 legjobb számít, egyenként 5, összesen 15 pont Félév végéig 2 házi feladat beadása, 5 és 10, összesen 15 pont Két teljesen kidolgozott adatelemzés (pontos specifikáció a honlapon) Valós adatokon, gretl használatával Írásban kell beadni, az első vizsga kezdete mínusz 24 óráig, a gyakorlatvezetőnek Vizsgaidőszakban vizsga, 50 pont Írásban (mintavizsga a honlapon, formát mutatja) Feleletválasztás, többszörös feleletválasztás (oda-vissza), példamegoldás és kifejtős (elméleti) kérdések A félév során pluszpontok is szerezhetőek, jellemzően a 0,25 3 pont tartományban: ezek közvetlenül hozzáadódnak a többi ponthoz az évvégi elszámolásnál! Pluszpontot három dologért lehet szerezni: 1. Gyakorlati aktivitás honorálása 2. Kiadott pluszmunka (jellemzően valamilyen kutatási feladat) elvégzése, jelentkezés alapján 3. Cikkfeldolgozás, egyéb önálló munka, jelentkezés alapján Gyakorlaton: szokatlanul nehéz kérdés megválaszolása, illetve kiemelkedően jó észrevétel (ez lényegében a gyakorlati aktivitás honorálása). A cikkfeldolgozásra külön ( -ben) kell jelentkeznie; érdeklődő (esetleg hosszabb távú tervekkel rendelkező) hallgatóknak kimondottan ajánlott. Segédanyagok, ajánlott irodalom Két szóba jövő könyv: R. Ramanathan: Bevezetés az ökonometriába, alkalmazásokkal (Panem Kiadó, 2003) G. S. Maddala: Bevezetés az ökonometriába (Nemzeti Tankönyvkiadó, 2004) Ramanathan: gyakorlatorientáltabb, idősoros rész problémás; beszerezhetőség? 2
3 Maddala: sokkal mélyebb elmélet, több téma; idősorhoz egyébként is ajánlott; beszerezhetőség? Angolul Jeffrey M. Wooldridge: Introductory Econometrics, A Modern Approach című műve az alapolvasmány Előadásdiák (és egyéb anyagok) elérhetőek a honlapon ( html) Diasor handout és lecture note stílusban is fent lesz A Ramanathan jóval kevésbé részletes elméletileg, gyakorlatorientáltabb (jobban is illeszkedik a kurzusunkhoz). Az esettanulmányai egyébként is az erősségét jelentik. Hátránya, hogy állítólag már nem könnyen szerezhető be, másrészt az idősoros rész nem igen felel meg ennek a kurzusnak. A Maddala sokkal-sokkal mélyebben tárgyalja az elméletet és több témát is érint mint a Ramanathan; ilyen szempontból jóval komolyabb könyv, amit az igényesebb hallgatóknak ajánlok. (Nekik viszont határozottan!) Az idősoros részt ellenben mindenkinek a Maddalából ajánlom. (A Maddalában néha szemet szúróan sok elgépelés van, de általában nem értelemzavaróak.) Sajnos az utóbbi időben a Maddala beszerezhetősége is kérdéses lett. Wooldridge könyve talán az egész világon legelterjedtebb általános, bevezető szinttől induló ökonometria tankönyv. Az idősoros részhez készül egy saját jegyzet is, meglátjuk, hogy félév végéig meddig jut. Egy kis copyright Ezen diasor alapját jelentő diák, valamint a legtöbb gyakorlaton használt adatbázis Hajdu Ottó munkája 1.2. Tudnivalók a félévről Miről fog szólni a félév Ismerkedés az ökonometriával... Elmélet röviden Módszerek és alkalmazási területek bőven... tehát inkább horizontális ismeretbővítés Szemléletünk modellorientált lesz A vizsgált jelenségekre (elsősorban: társadalmi-gazdasági) ökonometriai modelleket alkotunk hogy azok alapján a jelenségeket előrejelezzük elemezzük Tehát: társadalmi-gazdasági jelenségek kvantitatív elemzésére adunk eszközt 3
4 Miért bevezetés? A modern ökonometria rendkívül matematika-igényes, ha precízen csinálják Bár gyakorlati tudomány, de ha szabatosan tárgyalják, akkor jó öreg definíció-tételbizonyítás tudomány, nagyon-nagyon komoly matematikai apparátussal Mi ezt szinte teljesen megspóroljuk!... ettől bevezetés Nem bizonyítunk semmit, precíz tétel-kimondás is alig Ehelyett a módszerek alkalmazására koncentrálunk, az alapok matematikailag precíz tárgyalását megspórolva Előkövetelmények Formálisan Statisztika I. és Statisztika II., de facto: Statisztika I. gyakorlatilag semmi Statisztika II. intenzíven, különösen: becsléselmélet és hipotézisvizsgálat (mintavételi helyzet, mintavételi ingadozás, becslőfüggvény, becslések tulajdonságai, konfidenciaintervallum, hipotézisvizsgálat alapfogalmai, tesztstatisztika, p-érték) Valószínűségszámítás különösen az idősoros részhez (alapfogalmak, valószínűségi változó, eloszlás- és sűrűségfüggvény, momentumok, korreláció, kovariancia, többdimenziós eloszlások, együttes- és vetületi eloszlás) Analízis (derivált, parciális derivált, optimalizálás) Lineáris algebra (skalár, vektor, mátrix, mátrix szorzása skalárral, mátrixok összeadása, mátrix szorzása mátrixszal, transzponálás, determináns, inverz) Amit még tudni kell A tanszéki honlap nem frissül, nem is a mostani félévre vonatkozik (ld. helyette a kurzus honlapját, ott minden fent van) Előadások interaktívak Gyakorlatokon a tanult módszerek alkalmazása Használt programok: Excel és gretl gretl-ről még lesz szó gyakorlaton Akit ez sem rémített meg, bátran jelentkezzen, ha van kedve a tananyagon túl is foglalkozni ökonometriával: egyéni kutatásokat, TDK-sokat szívesen látunk! 4
5 2. Bevezetés, alapgondolatok 2.1. Alapvetés az ökonometriai modellezéshez Mi az ökonometria? Nem statisztika alkalmazása történetesen gazdasági adatokra nem matematika, amihez történetesen adatok is rendelhetőek a hangsúly az adatok és a módszerek kölcsönös egymásra hatásán van. Definíció (Ökonometria). Az ökonometria feladata gazdasági-társadalmi jelenségek statisztikai modellezése. Beszéljünk mindhárom komponensről! Statisztikai ( módszertani bázis) Modellorientált ( lásd később) Gazdasági-társadalmi jelenségekkel foglalkozik A modellezésről általában Ökonometriai modelleket alkotunk... de mit mondhatunk a modellekről általában? A modellezés torzított lényegkiemelés! Azaz: a valóság egyszerű mását hozzuk létre Motiváció: a valóság túl bonyolult, hogy a maga eredeti formájában vizsgáljuk Épp azért egyszerűsítünk, hogy vizsgálni tudjuk valamilyen számunkra kényelmes eszközzel ez legtöbbször matematikai A modell épp azért egyszerűsít, hogy vizsgálható legyen... de közben szükségképp torzít is lásd a turistatérkép példáját Ebből is látszik: a modellezés kulcsa az absztrakciós szint helyes megválasztása Kompromisszumos döntés, optimum keresése: egyensúly a kezelhetőség és a valósághűség között I. esettanulmány: a lakásár-adatbázis Az adatbázis budai használt lakások kínálati árát [M Ft], és bizonyos jellemzőit tartalmazza, jelesül: Alapterület [m 2 ] Teraszméret [m 2 ] Szobák száma [db] Félszobák száma [db] Fürdőszobák száma [db] 5
6 Hányadik emeleten van? [N] Déli fekvésű? [I/N] Valós adatok a 2000-es évek elejéről n = 1406 megfigyelési egység Ez lesz a mintánk (mi a sokaság?) 2.2. Az ökonometria modelljeiről Modellezési feladat megfogalmazása Adjunk ökonometriai modellt a kínálati árra! Tehát: hogyan magyarázhatjuk a kínálati ár alakulását a lakás jellemzőivel? Elemzés Előrejelzés Az ökonometriában matematikai, még közelebbről: algebrai modelleket ( egyenletek ) fogunk használni Mire akarhatunk egy modellt ha már megvan felhasználni? Például egy lehetséges modell erre a kérdésre: Ár = 4,3 + 0,4 Alapterület, Természetesen nem csak algebrai modellek használhatóak modellezésre, de kényelmesek, mert jól kézbentarthatóak, rendkívül jól kiismertek. Determinisztikus modell Kínálati ár [MFt] Alapterület [m^2] Mi ezzel a baj? Függvényszerű kapcsolat az ár és az alapterület között? Hihető ez...? 6
7 Következő ötlet Próbálkozzunk így: Ár = 4,3 + 0,4 Alapterület + u, ahol u valamiféle hibát foglal magába (kihagyott változó, rossz függvényforma, valóság változékonysága stb.) Kínálati ár [MFt] Alapterület [m^2] Sztochasztikus modellek Csak ennek van értelme! sztochasztikusan fogjuk modellezni a vizsgált jelenségeket Ne foglalkozzunk vele, hogy hogyan jött ki az egyenlet, a lényeg, hogy valahogy kijött Ez az egyenlet tehát egy teljes értékű ökonometriai modell! (Hogy mennyire jó vagy rossz, az persze más kérdés) Modell megfogalmazása Érezhető, hogy a fenti modell két részre bontható: Struktúra: Ár = α + β Alapterület + u Paraméter-becslés: α = 3 és β = 4 E kurzus keretében csak ilyen modellekkel fogunk foglalkozni: a struktúrát előre megadjuk de ez a megadás tartalmaz ismeretlen paramétereket E paraméterek értékét a minta alapján kell megbecsülnünk (valamilyen értelemben a lehető legjobban) Ezt paraméteres modellnek nevezzük; a továbbiakban csak ilyennel fogunk foglalkozni Elemzés? Előrejelzés? A modell előrejelzésre (alapterület behelyettesítésével becslést kapunk az árra) és elemzésre (a becsült paramétereknek tárgyterületi értelmet tulajdonítunk) egyaránt alkalmas. Az elnevezés logikus: gondoljunk arra, hogy paraméteres becslésről beszélünk, ha előre eldöntöttük, hogy az adataink pl. normális eloszlást követnek, és emiatt csak µ-re és σ-ra vagyunk kíváncsiak a mintából. (Szemben a nemparaméteres sűrűségbecsléssel, amikor nem teszünk fel semmilyen eloszlást, hanem megnézzük, hogy milyen sűrűségfüggvény írja le legjobban az adatokat.) 7
8 Egyetlen példa nem-paraméteres modellekre Kínálati ár [MFt] Alapterület [m^2] Elemzés? Előrejelzés? Egy példa nem-paraméteres modellre: az adatbázisunkban a megfigyelési egységeket csoportokra osztjuk az alapterületük szerint (pl m 2, m 2, m 2 stb.), majd a modell egy adott alapterülethez azt adja vissza becslésként, hogy a mintában lévő, ugyanabba az alapterületcsoportba (pl. 53 m 2 esetén az m 2 csoportba) tartozó megfigyelési egységeknek mennyi az átlagos kínálati ára. Jól látható, hogy ez a modell semmilyen struktúrát nem feltételezett az alapterület és a kínálati ár közötti kapcsolatról. Bár ennek tárgyalása meghaladja a mostani kurzus kereteit, az is érzékelhető, hogy ez a modell akkor fog jól működni, ha minél nagyobb a mintánk (hogy a csoportok minél jobban sűríthetőek legyenek), illetve, hogy érzékeny a csoportok határainak megválasztására. A mintanagyság fontossága egyébként a fenti ábrán is jól látható: azért mutat egyre furcsább ingadozásokat a görbénk a jobb szélen, mert ott már nagyon kevés pontból becsültük az átlagot. Ez más szóval azt jelenti, hogy a nem-paraméteres modellek kevésbé hatásosak, mint a paraméteresek. Általában igaz, hogy ha van elég nagy mintánk, tehát az előbbi problémától eltekintünk, akkor a nem-paraméteres modell jobb illeszkedést tud adni, hiszen nem érzékeny arra, hogy a függvényformát (a struktúrát) esetleg rosszul adjuk meg. Ez azonban előrejelzési kérdés: a nem-paraméteres modellek hátránya, hogy elemzésre nem alkalmasak (hiszen jellemzően nincsenek benne olyan paraméterek, melyek becsült értéke tárgyterületen interpretálható lenne, úgy, mint egy egyenes meredeksége). Struktúra megválasztása paraméteres modellnél Paraméteres modelleknél a struktúra a priori jellege azért nem azt jelenti, hogy az adatoktól teljesen függetlenül kell döntenünk, és ha rossz lóra teszünk, akkor így jártunk Ugyanis mód van arra, hogy egy adott modell (struktúra) jóságát az adatok fényében megítéljük (modelldiagnosztika) majd, ha azt tapasztaljuk, hogy baj van, akkor új modellt keressünk 8
9 Újrabecsüljük az új modellt, majd újra modelldiagnosztikát végzünk és így tovább: a modellezés iteratív feladat lesz (Azért ezen iterációk száma sem lehet túl sok, különben egyéb problémák jelentkeznek de erről majd később) 2.3. Az ökonometria módszertana és adatai Modell használata Nem törődve most azzal, hogy mennyire jó a fenti modell (és egyáltalán, hogyan jött ki), mire használhatjuk? Elemzés: minden mást változatlanul tartva, önmagában az alapterület hogyan hat a kínálati árra? (mennyivel kell többet fizetni modellünk szerint várhatóan egy m 2 -rel nagyobb lakásért?) Előrejelzés: modellünk szerint várhatóan mennyi az ára egy 30 m 2 -es lakásnak? Ha a modellünk értelmes lenne, akkor ezekre a kérdésekre értelmes válaszokat kapnánk! (A konkrét gazdasági felhasználás, gazdasági kérdések megválaszolása nyilvánvaló) Már a fenti primitív egyenlet mint ökonometriai modell is meg tud ilyen releváns kérdéseket válaszolni Az ökonometriai modellezés módszertana Az ökonometriai modellezés tipikus lépései 1. Hipotézis felállítása (tipikusan: elmélet állítását empirikusan ellenőrizni vagy társadalmi-gazdasági kérdést kvantitatíve megválaszolni) 2. Adatgyűjtés 3. Modell kiválasztása (nem csak a jellege, a bonyolultsága is) 4. Modell becslése 5. A modell és a valóság szembesítése, modelldiagnosztika Iteratív folyamat! Ha viszont már jó a modell, akkor használhatjuk: Elemzés Előrejelzés Cél tehát: kérdések megválaszolása (döntéselőkészítés, hatásvizsgálat, policy-választás stb.) 9
10 Az ökonometriai adatok természetéről Pontosság kérdése Az adatok jellegük szerint csoportosíthatóak: Keresztmetszeti adatok (több megfigyelési egység egyetlen időpontban) Idősoros adatok (egy megfigyelési egység több időponton keresztül) A kettő kombinációja: paneladatok Érdemes észrevenni, hogy egységesen keresztmetszeti adatokról szoktak beszélni két, némiképp azért eltérő esetben is. Az egyik, amikor valódi keresztmetszeti adataink vannak, azaz a megfigyelések tényleg fizikailag is egy időpontban készültek; pl. 10 ország adott évi GDP-je és munkanélkülisége. (Ha az munkanélküliség GDP-re gyakorolt hatását akarjuk vizsgálni.) Hasonlóan keresztmetszeti adatnak nevezik azonban azt is, amikor eredetileg idősoros adatokat keresztmetszetizálnak, pl. egyetlen ország 10 egymást követő évben megfigyelt GDP-jét és munkanélküliségét használják fel az említett kérdés vizsgálatára. Ez utóbbi némiképp trükkösebb eset, hiszen ekkor elképzelhető, hogy az egyes változók alakulása, időben késleltetve, kihat más változókra is. Más szóval: figyelembe kell venni az adatok dinamikáját is. Az ökonometria egyik partikuláris jellemzője a dinamika kezelése. Az ilyen hatások, ha valóban léteznek, legtöbbször mint ún. autokorreláció jelentkeznek a modellben. Ez problémákat okozhat, melyeket észlelni és kezelni kell; e kérdésekkel később foglalkozunk. Megjegyezzük, hogy jobban belegondolva világos, hogy ilyen jelenség elméletileg a valódi keresztmetszeti adatok esetben is előállhat, jelesül, ha az egyes országok adatainak alakulása nem független egymástól. Elegánsan az előbb tárgyaltat időbeli, ezt pedig térbeli autokorrelációnak nevezhetjük, ám e kérdés tárgyalása már bőven meghaladja a kurzus kereteit Korreláció és kauzalitás a társadalmi-gazdasági jelenségek elemzésében Korreláció és kauzalitás Vegyük észre, hogy a statisztikai modell semmit nem mond a változók közti okozati kapcsolatokról (Pontosan ugyanolyan jól megmagyarázható a lakásár az alapterülettel, mint az alapterület a lakásárral!) Az előbbi példában elég nyilvánvaló, hogy az alapterület befolyásolja az lakásárat, és nem a lakásár az alapterületet, de sok más esetben ez nem ilyen egyértelmű Még egy egyértelmű példa: tűzoltók száma és a tűzben esett anyagi kár Confounding jelensége, zavaró változók: akkor van probléma, ha ez egyszerre hat az eredményváltozóra és függ össze a felhasznált magyarázóváltozóval Azaz: a korreláció nem implikál kauzalitást! Ez a probléma az ún. endogenitási problémák családjába tartozik, melyeknek épp a fenti a legalapvetőbb, és gyakorlatban egyik legfontosabb képviselője (szép neve: kihagyott változó okozta torzítás). 10
11 Példák a confounding-ra A confounding problémája teljesen általános a társadalmi-gazdasági jelenségek vizsgálatában! A több iskolát végzetteknek nagyobb a fizetése (a több iskolát végzettek nem oktatással összefüggő munkaalkalmassága is jobb akkor mi a valódi ok, illetve melyik milyen arányban?) A több előadást kihagyó hallgatók rosszabb pontszámot érnek el a vizsgán (a több előadást kihagyók nem csak kevesebbet hallanak az előadásból, de egyúttal tendenciájában kevésbé motiváltak is, ezért előadáshallgatástól függetlenül is kevesebbet tanulnak akkor mi a valódi ok, illetve melyik milyen arányban?) A cigányok többet bűnöznek (a cigányok inkább találhatóak az alsó szocioökonómiai szegmensben, ami önmagában nagyobb bűnőzövé válási kockázattal jár együtt akkor mi a valódi ok, illetve melyik milyen arányban?) Ebben az iskolában magasabb a továbbtanulási arány, tehát jobban tanítanak a tanárok (bizonyos iskolákban, logikus módon, mivel a múltbeli eredményeik is imponálóak az iskolát választó szülők számára, eleve a jobb diákok kerülnek be akkor mi a valódi ok, illetve melyik milyen arányban?) Figyelem: vegyük észre, hogy ezek a problémák csak elemzésnél jelentkeznek, ha pusztán előrejelezni akarunk, akkor ezt akár figyelmen kívül is hagyhatjuk (az alapterület jól előrejelezhető a kínálati árral!), bár sok szempontból ez nem túl jó ötlet A confounding megoldása: kísérlet Tökéletes megoldást csak a randomizált, kontrollált kísérlet elvégzése tud szolgáltatni Ez az egyetlen ugyanis, ami biztosan kiszűr minden confoundert (azokat is, amiket nem tudunk jól mérni, sőt, azokat is, amikről eszünkbe sem jut, hogy confounder-ek!) Azonban a társadalmi-gazdasági vizsgálatokban (ökonometrián túl tipikus példa még az epidemiológia) ez sok eseteben kivihetetlen: embereknek véletlenszerűen különböző fokú oktatást adunk (4 általánostól a PhD-ig), majd megnézzük, hogy mekkora lesz a fizetésük?! Khm... A confounding megoldása: megfigyelés Gyengébb bizonyítóerejű adatokból kell dolgozni (megfigyeléses adatok, kvázi-kísérlet, természetes kísérlet stb.) A statisztikai modellezés egyik felhasználása épp az lesz, hogy ilyen gyengébb adatokon is képesek legyünk kiszűrni a confounding-ot és ez által a gyengébb adataink ellenére is a valódi okozati viszonyokra következtetni! Ökonometriai modellekkel a modellfeltevések teljesülésének erejéig szét tudjuk választani az egyes hatásokat Statisztikai modellek a confounding szűrésében Például építhetünk modellt, melyben az iskolai eredményt magyarázzuk az iskola valamely jellemzőjével (például típusával, helyével, fenntartójával stb.) és a belépő diákok teljesítményével Egy ilyen modellben el tudjuk különíteni, hogy a kimeneti eredményben milyen szerepet játszanak az egyes tényezők önmagukban! Ha a budapesti iskolákat hasonlítjuk a falusiakkal, nyilván a budapestiek a jobbak de ekkor a budapesti mivolt hatásába belemérjük azt is, hogy itt tendenciájában a diákok már belépéskor is jobbak a fenti modellel viszont ki tudjuk mutatni, hogy önmagában a budapesti mivolt (azaz ha a belépő teljesítmény adott, állandó értéken tartjuk) hogyan hat a kimeneti eredményre! 11
12 Confoundig szűrése: kontrollálás bizonyos változókra Sokszor tényleg így jelenik meg a feladat, tehát nem mindegyik hatás érdekel, csak egy kiemelt, de a többi zavaró hatását ki akarjuk szűrni, ezt úgy is szokás mondani, hogy kontrollálunk a többire ( budapesti mivolt hatása, kontrollálva a belépő teljesítményre ) Ez hatalmas fegyvertény, de természetesen az alapproblémát nem oldja tökéletesen meg: csak azt tudjuk szűrni, amiről egyáltalán tudunk (és le is tudjuk mérni ez sem feltétlenül triviális: hogyan mérhető le a szocioökonómiai státusz?), és persze azt is csak a modell jóságának erejéig Szimultaneitás A helyzet lehet még ennél komplexebb is Nagyon sok esetben ugyanis nem csak az a probléma, hogy mi hat mire, hanem az is, hogy változók kölcsönösen hatnak egymásra Egészségügyi állapot és GDP, kínálat és kereslet, rendőri létszám és bűnözés stb. stb. Ez a szimultaneitás problémája A valós társadalmi-gazdasági hatások nagyon sokszor nem könnyen kibogozhatóak. Hogy egy konkrét példát is mondjunk: vajon az egy főre jutó GDP hat egy ország lakosainak egészségi állapotára, vagy fordítva? Mindkettő mellett meggyőzően lehet érvelni (egészségesebb lakosok hatékonyabban termelik a GDP-t, hiszen kevesebb időt töltenek betegszabadságon, vagy: gazdaságilag fejlettebb országban jobb az egészségügyi ellátás, hatékony megelőző programok futnak stb. ezért egészségesebbek az emberek), egyáltalán nem nyilvánvaló, hogy a kettő közül melyik áll fenn. Hát még ha figyelembe vesszük a további összefüggéseket is (pl. civilizációs betegségek). Ha módunkban állna a városokba véletlenszerű adott mennyiségű rendőri állományt telepíteni, majd lemérnénk valahogy a bűnözést, akkor könnyen meg tudnánk határozni, hogy az előbbi hogyan hat az utóbbira. A valóságban ilyet nem tehetünk, hiszen ezt a rendőrség központilag határozza meg, ráadásul úgy és most ez lesz a lényeg, hogy az nem független a bűnözéstől: ahol magasabb, oda inkább vezényel több rendőrt. A kettő tehát megint csak kölcsönösen hat egymásra. E kérdés tárgyalása túlmutat a jelen kurzus keretein. 3. Az ökonometriai munka 3.1. Ökonometriai elemzések kivitelezése Számítógépes ökonometriai programcsomagok Ma már ökonometriai munka elképzelhetetlen számítógépes támogatás nélkül Számítógépet használunk adatok tárolásához, feldolgozásához (pl. vizualizálás) és a tényleges modellezéshez is A legismertebb, ökonometriai munkára (is) alkalmas programcsomagok: gretl Egyszerű, nagyon kényelmesen használható, ingyenes, de némileg limitált tudású 12
13 EViews Az ipar egyik legnépszerűbb, dedikáltan ökonometriai programcsomagja, nagy tudással bír, felhasználóbarát Stata Komplex statisztikai programcsomag, mely ökonometriai támogatást is nyújt R Ingyenes, hatalmas tudású, de nem célirányosan ökonometriára tervezett környezet, a kezdeti beletanulás komolyabb befektetést igényel 13
Ökonometria. Adminisztratív kérdések, bevezetés. Ferenci Tamás 1 tamas.ferenci@medstat.hu. Első fejezet. Budapesti Corvinus Egyetem
Adminisztratív kérdések, bevezetés Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Első fejezet Tartalom Technikai kérdések 1 Technikai kérdések Adminisztratív
RészletesebbenÖkonometria. Adminisztratív kérdések, bevezetés. Ferenci Tamás 1 Első fejezet. Budapesti Corvinus Egyetem
Adminisztratív kérdések, bevezetés Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Első fejezet Tartalom 1 2 Alapvetés az ökonometriai modellezéshez Az ökonometria
Részletesebben1. Technikai kérdések 1 1.1. Adminisztratív ügyek... 1 1.2. Tudnivalók a félévről... 3
Tartalom Tartalomjegyzék 1. Technikai kérdések 1 1.1. Adminisztratív ügyek....................................... 1 1.2. Tudnivalók a félévről....................................... 3 2. Bevezetés, alapgondolatok
Részletesebben1. Technikai kérdések Adminisztratív ügyek Tudnivalók a félévről... 3
Tartalom Tartalomjegyzék 1. Technikai kérdések 1 1.1. Adminisztratív ügyek....................................... 1 1.2. Tudnivalók a félévről....................................... 3 2. Bevezetés, alapgondolatok
RészletesebbenBevezetés, tudnivalók, ökonometriai alapok
Orlovits Zsanett orlovits@kgt.bme.hu BME GTK Közgazdaságtan Tanszék 2019. február 6. Adminisztratív ügyek BMEGT30A107, BMEGT35A016 - Ökonometria kurzusok Honlap: http://kgt.bme.hu/tantargyak/bsc oldalon
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter. 2010. június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék, az MTA
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenÚt az ökonometriához
Út az ökonometriához Ferenci Tamás tamas.ferenci@medstat.hu 2018. február 13. Tartalom Tartalomjegyzék 1. Bevezetés, alapgondolatok 1 1.1. A közgazdasági megismerés módszerei........................ 1
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok 2. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok 2. útmutató 2015/2016. tanév I. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenTémaválasztás, kutatási kérdések, kutatásmódszertan
Témaválasztás, kutatási kérdések, kutatásmódszertan Dr. Dernóczy-Polyák Adrienn PhD egyetemi adjunktus, MMT dernoczy@sze.hu A projekt címe: Széchenyi István Egyetem minőségi kutatói utánpótlás nevelésének
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
Részletesebbentársadalomtudományokban
Gépi tanulás, predikció és okság a társadalomtudományokban Muraközy Balázs (MTA KRTK) Bemutatkozik a Számítógépes Társadalomtudomány témacsoport, MTA, 2017 2/20 Empirikus közgazdasági kérdések Felváltja-e
RészletesebbenTANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS
TAD_ BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM GAZDASÁG- ÉS TÁRSADALOMTUDOMÁNYI KAR TANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS 1 ALAPADATOK 1.1 Tantárgy neve (magyarul, angolul) ÖKONOMETRIA ECONOMETRICS
RészletesebbenA confounding megoldásai: megfigyelés és kísérlet
A confounding megoldásai: megfigyelés és kísérlet Ferenci Tamás tamas.ferenci@medstat.hu 2018. szeptember 24. Ferenci Tamás tamas.ferenci@medstat.hu A confounding megoldásai: megfigyelés és kísérlet 2018.
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós regresszió: nemlineáris modellek Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hetedik előadás, 2010. november 10.
RészletesebbenLineáris algebra (10A103)
Lineáris algebra (10A103) Dr. Hartmann Miklós Tudnivalók Honlap: http://www.math.u-szeged.hu/~hartm Jegyzet: Megyesi László: Lineáris algebra. Vizsga: írásbeli, feltétele a Lineáris algebra gyakorlat teljesítése.
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenStatisztika 1. Tantárgyi útmutató
Módszertani Intézeti Tanszék Nappali tagozat Statisztika 1. Tantárgyi útmutató 2015/16 tanév II. félév 1/6 Tantárgy megnevezése: Statisztika 1. Tantárgy kódja: STAT1KAMEMM Tanterv szerinti óraszám: 2+2
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenLineáris algebra (10A103)
Lineáris algebra (10A103) Kátai-Urbán Kamilla (1. előadás) Mátrixok 2019. február 6. 1 / 35 Bevezetés Előadás Tudnivalók (I.) Honlap: http://www.math.u-szeged.hu/~katai Jegyzet: Az előadáson készített
RészletesebbenAz Excel táblázatkezelő program használata a matematika és a statisztika tantárgyak oktatásában
Az Excel táblázatkezelő program használata a matematika és a statisztika tantárgyak oktatásában Hódiné Szél Margit SZTE MGK 1 A XXI. században az informatika rohamos terjedése miatt elengedhetetlen, hogy
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenAdminisztratív kérdések. A makroökonómiáról általánosan. Fontos fogalmak 01: GDP. Az előadás-vázlatok és segédanyagok megtalálhatók a moodle-ön!
1 Adminisztratív kérdések. A makroökonómiáról általánosan. Fontos fogalmak 01: GDP. Az előadás-vázlatok és segédanyagok megtalálhatók a moodle-ön! 2 Van Tematika! Az előadás A szeminárium is 3 Van 60 pont
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok I. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok I. útmutató 2014/2015. tanév I. félév Tantárgyi program Tantárgy megnevezése Matematikai alapok
RészletesebbenGazdasági matematika II. Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdálkodási és menedzsment, pénzügy és számvitel szakok távoktatás tagozat Gazdasági matematika II. Tantárgyi útmutató 2016/17 tanév II. félév 1/6 A KURZUS ALAPADATAI Tárgy
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenDöntési módszerek Tantárgyi útmutató
Gazdálkodási és menedzsment alapszak Nappali tagozat Döntési módszerek Tantárgyi útmutató 2015/16 tanév II. félév 1 Tantárgy megnevezése Tantárgy jellege/típusa: Döntési módszerek. D Kontaktórák száma/hét:
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenMatematikai alapok 1 Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdaságinformatikus szak nappali tagozat Matematikai alapok 1 Tantárgyi útmutató 2015/16 tanév II. félév 1/5 Tantárgy megnevezése Matematikai alapok 1 Tantárgy jellege/típusa:
RészletesebbenNormák, kondíciószám
Normák, kondíciószám A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris egyenletrendszerek Nagyon sok probléma közvetlenül lineáris egyenletrendszer megoldásával kezelhetı Sok numerikus
RészletesebbenDöntési módszerek Tantárgyi útmutató
Gazdálkodási és menedzsment alapszak Nappali tagozat Döntési módszerek Tantárgyi útmutató 2018/19. tanév II. félév 1 Tantárgy megnevezése Tantárgy jellege/típusa: Döntési módszerek. D Kontaktórák száma/hét:
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenTANTÁRGYI ÚTMUTATÓ. Operációkutatás. tanulmányokhoz
II. évfolyam szakirány BA TANTÁRGYI ÚTMUTATÓ Operációkutatás tanulmányokhoz TÁVOKTATÁS Tanév (2014/2015) I. félév A KURZUS ALAPADATAI Tárgy megnevezése: Operációkutatás Tanszék: BGF Módszertani Intézeti
RészletesebbenANOVA összefoglaló. Min múlik?
ANOVA összefoglaló Min múlik? Kereszt vagy beágyazott? Rögzített vagy véletlen? BIOMETRIA_ANOVA5 1 I. Kereszt vagy beágyazott Két faktor viszonyát mondja meg. Ha több, mint két faktor van, akkor bármely
Részletesebben0-49 pont: elégtelen, pont: elégséges, pont: közepes, pont: jó, pont: jeles
Matematika szigorlat, Mérnök informatikus szak I. 2013. jan. 10. Név: Neptun kód: Idő: 180 perc Elm.: 1. f. 2. f. 3. f. 4. f. 5. f. Fel. össz.: Össz.: Oszt.: Az elérhető pontszám 40 (elmélet) + 60 (feladatok)
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenA MODELLALKOTÁS ELVEI ÉS MÓDSZEREI
SZENT ISTVÁN EGYETEM GÖDÖLLŐ MECHANIKAI ÉS GÉPTANI INTÉZET A MODELLALKOTÁS ELVEI ÉS MÓDSZEREI Dr. M. Csizmadia Béla egyetemi tanár, az MMK Gépészeti Tagozatának elnöke Budapest 2013. október. 25. BPMK
RészletesebbenSTATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés
Mit nevezünk idősornak? STATISZTIKA 10. Előadás Idősorok analízise Egyenlő időközökben végzett megfigyelések A sorrend kötött, y 1, y 2 y t y N N= időpontok száma Minden időponthoz egy adat, reprodukálhatatlanság
RészletesebbenValószínűségszámítás és statisztika
Valószínűségszámítás és statisztika Programtervező informatikus szak esti képzés Varga László Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Természettudományi Kar Eötvös Loránd Tudományegyetem
RészletesebbenTANTÁRGYI ÚTMUTATÓ. Statisztika 1.
I. évfolyam BA TANTÁRGYI ÚTMUTATÓ Statisztika 1. TÁVOKTATÁS Tanév 2014/2015 II. félév A KURZUS ALAPADATAI Tárgy megnevezése: Statisztika 1. Tanszék: Módszertani Tantárgyfelelős neve: Sándorné Dr. Kriszt
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenA bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:
A. Matematikai Statisztika 2.MINTA ZH. 2003 december Név (olvasható) :... A feladatmegoldásnak az alkalmazott matematikai modell valószínűségszámítási ill. statisztikai szóhasználat szerinti megfogalmazását,
RészletesebbenPPKE ITK, 2014/2015 tanév. I. félév. Tantárgyi adatok és követelmények
PPKE ITK, 2014/2015 tanév I. félév Tantárgyi adatok és követelmények Tantárgy neve: Óraszám: Lineáris algebra 2 óra előadás, kedd, 8-10, Simonyi terem 2 óra gyakorlat Honlap: digitus.itk.ppke.hu/~b_novak
RészletesebbenÖkonometria. Logisztikus regresszió. Ferenci Tamás 1 Nyolcadik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék
Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Nyolcadik fejezet Tartalom V. esettanulmány 1 V. esettanulmány Csődelőrejelzés 2 Általános gondolatok 3 becslése
RészletesebbenTANTÁRGYI ÚTMUTATÓ. Gazdasági matematika I. tanulmányokhoz
I. évfolyam BA TANTÁRGYI ÚTMUTATÓ Gazdasági matematika I. tanulmányokhoz TÁVOKTATÁS 2015/2016-os tanév I. félév A KURZUS ALAPADATAI Tárgy megnevezése: Gazdasági matematika I. (Analízis) Tanszék: Módszertani
Részletesebben1. Ismétlés Utóbbi előadások áttekintése IV. esettanulmány Uniós országok munkanélkülisége... 1
Tartalom Tartalomjegyzék 1. Ismétlés 1 1.1. Utóbbi előadások áttekintése.................................. 1 2. IV. esettanulmány 1 2.1. Uniós országok munkanélkülisége................................
RészletesebbenÖkonometria. Dummy változók használata. Ferenci Tamás 1 tamas.ferenci@medstat.hu. Hetedik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék
Dummy változók használata Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hetedik fejezet Tartalom IV. esettanulmány 1 IV. esettanulmány Uniós országok munkanélkülisége
Részletesebben12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor
12. előadás Egyenletrendszerek, mátrixok Dr. Szörényi Miklós, Dr. Kallós Gábor 2015 2016 1 Tartalom Matematikai alapok Vektorok és mátrixok megadása Tömbkonstansok Lineáris műveletek Mátrixok szorzása
RészletesebbenExponenciális kisimítás. Üzleti tervezés statisztikai alapjai
Exponenciális kisimítás Üzleti tervezés statisztikai alapjai Múlt-Jelen-Jövő kapcsolat Egyensúlyi helyzet Teljes konfliktus Részleges konfliktus: 0 < α < 1, folytatódik a múlt, de nem változatlanul módosítás:
RészletesebbenOperációkutatás II. Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdinfo Nappali Operációkutatás II. Tantárgyi útmutató 2015/16 tanév II. félév 1/4 Tantárgy megnevezése: Operációkutatás II. Tantárgy kódja: OPKT2KOMEMM Tanterv szerinti óraszám:
RészletesebbenAz SPC (statisztikai folyamatszabályozás) ingadozásai
A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.
RészletesebbenKorrelációs kapcsolatok elemzése
Korrelációs kapcsolatok elemzése 1. előadás Kvantitatív statisztikai módszerek Két változó közötti kapcsolat Független: Az X ismérv szerinti hovatartozás ismerete nem ad semmilyen többletinformációt az
RészletesebbenMódszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
RészletesebbenPIACKUTATÁS (MARKETINGKUTATÁS)
PIACKUTATÁS (MARKETINGKUTATÁS). FŐBB PONTOK A kutatási terv fogalmának meghatározása, a különböző kutatási módszerek osztályozása, a feltáró és a következtető kutatási módszerek közötti különbségtétel
RészletesebbenPTE PMMFK Levelező-távoktatás, villamosmérnök szak
PTE PMMFK Levelező-távoktatás, villamosmérnök szak MATEMATIKA (A tantárgy tartalma és a tananyag elsajátításának időterve.) Összeállította: Kis Miklós adjunktus Tankönyvek (mindhárom félévre): 1. Scharnitzky
RészletesebbenGazdasági matematika 1 Tantárgyi útmutató
Módszertani Intézeti Tanszék Emberi erőforrások, gazdálkodási és menedzsment, pénzügy és számvitel szakok nappali tagozat Gazdasági matematika 1 Tantárgyi útmutató 2016/17 tanév I. félév 1/5 Tantárgy megnevezése
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok I. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok I. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Matematikai alapok
RészletesebbenBevezetés, tudnivalók, ökonometriai alapok
Orlovits Zsanett orlovits@math.bme.hu BME GTK Közgazdaságtan Tanszék 2018. szeptember 5-6. Tartalom 1 Technikai kérdések Adminisztratív ügyek Tudnivalók a félévről 2 Bevezetés, alapgondolatok Modellezés
RészletesebbenVIZSGADOLGOZAT. I. PÉLDÁK (60 pont)
VIZSGADOLGOZAT (100 pont) A megoldások csak szöveges válaszokkal teljes értékűek! I. PÉLDÁK (60 pont) 1. példa (13 pont) Az egyik budapesti könyvtárban az olvasókból vett 400 elemű minta alapján a következőket
RészletesebbenMatematika szigorlat június 17. Neptun kód:
Név Matematika szigorlat 014. június 17. Neptun kód: 1.. 3. 4. 5. Elm. Fel. Össz. Oszt. Az eredményes szigorlat feltétele elméletből legalább 0 pont, feladatokból pedig legalább 30 pont elérése. A szigorlat
RészletesebbenA matematikai feladatok és megoldások konvenciói
A matematikai feladatok és megoldások konvenciói Kozárné Fazekas Anna Kántor Sándor Matematika és Informatika Didaktikai Konferencia - Szatmárnémeti 2011. január 28-30. Konvenciók Mindenki által elfogadott
RészletesebbenTANTÁRGYI ÚTMUTATÓ. Alkalmazott számítástechnika. tanulmányokhoz
2. évfolyam szakirány BA TANTÁRGYI ÚTMUTATÓ Alkalmazott számítástechnika tanulmányokhoz TÁVOKTATÁS Tanév (2014/2015) 1. félév A KURZUS ALAPADATAI Tárgy megnevezése: Alkalmazott Számítástechnika Tanszék:
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenTANTÁRGYPROGRAM 2015/16. ŐSZI FÉLÉV
TANTÁRGYPROGRAM 2015/16. ŐSZI FÉLÉV A tantárgy neve: Közgazdasági Elmélettörténet/History of Economic Thought A tantárgy kódja: BMEGT30MN09 Heti tanóraszám (Előadás/Gyakorlat): 2/2 Tantárgy teljesítésértékelésének
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenTeljesítmény és erőforrás controlling
IV. évfolyam GM szak TANTÁRGYI ÚTMUTATÓ Teljesítmény és erőforrás controlling 2012/2013 2. félév Tantárgyi útmutató Tantárgy megnevezése Tantárgy kódja: Tantárgy jellege/típusa: Kontaktórák száma: Teljesítmény
RészletesebbenSzerzők: Kmetty Zoltán Lektor: Fokasz Nikosz TÁMOP A/1-11/ INFORMÁCIÓ - TUDÁS ÉRVÉNYESÜLÉS
Kutatásmódszertan és prezentációkészítés 2. rész: Kutatási terv készítése Szerzők: Kmetty Zoltán Lektor: Fokasz Nikosz Második rész Kutatási terv készítése (Babbie 2008 alapján) Tartalomjegyzék Kutatási
RészletesebbenGazdasági matematika
Gazdasági matematika Tantárgyi útmutató Pénzügy és számvitel, Gazdálkodási és menedzsment, Emberi erőforrások alapképzési szakok nappali tagozat új tanrendűek számára 2017/18 tanév II. félév 1 Tantárgy
RészletesebbenSZÁMVITEL INTÉZETI TANSZÉK TANTÁRGYI ÚTMUTATÓ. Vezetői számvitel. Pénzügy - számvitel alapszak Távoktatás tagozat 2015/2016. tanév II.
SZÁMVITEL INTÉZETI TANSZÉK TANTÁRGYI ÚTMUTATÓ Vezetői számvitel Pénzügy - számvitel alapszak Távoktatás tagozat 2015/2016. tanév II. félév 1 SZÁMVITEL INTÉZETI TANSZÉK A tárgy oktatásának célja: A Budapesti
RészletesebbenTények és tévhitek az Országos kompetenciamérés adatairól. Oktatási Hivatal Köznevelési Programok Főosztálya
OH Tények és tévhitek az Országos kompetenciamérés adatairól Oktatási Hivatal Köznevelési Programok Főosztálya OH Sokan hiányoznak! A hiányzók arányának alakulása 2010-2015 között I. 14% 12% 12,0% 12,1%
Részletesebben5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
Részletesebben6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió
6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V
RészletesebbenBiztosítási és pénzügyi matematika mesterszak
Biztosítási és pénzügyi matematika mesterszak 2009-ben indult Mit jelez a hosszú név: biztosítási és pénzügyi matematika szak? a mesterszak oktatási programja több tudományterületre épül, multidiszciplináris
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenLineáris egyenletrendszerek Műveletek vektorokkal Geometriai transzformációk megadása mátrixokkal Determinánsok és alkalmazásaik
1. Bevezetés A félév anyaga. Komplex számok Műveletek Kapcsolat a geometriával Gyökvonás Polinomok A gyökök száma A gyökök és együtthatók összefüggése Szorzatra bontás, számelméleti kérdések A harmad-
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
Részletesebben