abonnementen ibood.com bol.com Gearbest
pi_167189734
registreer om deze reclame te verbergen
Hoi kan iemand mij helpen met mijn vraag?

Het gaat namelijk om het volgende:
Ik heb een logistische regressie analyse uitgevoerd in SPSS. Nu geeft de goodness of fit test van hosmer and lemeshow een significant resultaat aan, wat betekent dat mijn data niet goed past met het model.

Mijn vraag is: is dit problematisch of kan ik gewoon verder gaan wetende dat mijn data niet goed past bij het model?

Hoop dat iemand mij kan helpen!!
Thanks
pi_167192666
Stel ik heb data die, als ik ze zou plotten, een beetje op een parabool zou lijken. Vervolgens voer ik een lineaire regressie uit. In dat geval past data die niet in de fit van het model, en dat heeft ten gevolge dat mijn voorspelde waarden (onder een lineair model) niet passen bij mijn geobserveerde waarden (want: exponentieel model). Je fit is slecht, dus je voorspelde waarden hebben een heel grote error component.

Wat denk je dan, dat je daarmee door kunt werken of dat je iets moet doen?
"The best way to cheer yourself is to try to cheer someone else up." - Mark Twain
pi_167193052
quote:
0s.gif Op donderdag 8 december 2016 16:56 schreef Sarasi het volgende:
Stel ik heb data die, als ik ze zou plotten, een beetje op een parabool zou lijken. Vervolgens voer ik een lineaire regressie uit. In dat geval past data die niet in de fit van het model, en dat heeft ten gevolge dat mijn voorspelde waarden (onder een lineair model) niet passen bij mijn geobserveerde waarden (want: exponentieel model). Je fit is slecht, dus je voorspelde waarden hebben een heel grote error component.

Wat denk je dan, dat je daarmee door kunt werken of dat je iets moet doen?
Hmm, maar ik las dat het dan meestal aan je sample size ligt.
Mijn scriptiebegeleider wilde namelijk per se dat ik deze analyse ging uitvoeren terwijl mijn data niet ervoor geschikt was. De data heb ik vervolgens zo moet omgooien dat een binary logistic regression analyse uitvoerbaar was.
Anyway enig idee hoe ik dit kan oplossen?
pi_167193822
registreer om deze reclame te verbergen
Met je begeleider gaan overleggen. Als hij wil dat je een analyse doet op data die daar niet geschikt voor zijn, klopt daar iets niet. Als hij wil dat je de data transformeert zodat de analyse wel mogelijk is, moet je even je oude statistiekboeken induiken. Als je dat nooit geleerd hebt, hoort je begeleider je te helpen.

Als je zelf wat meer opzoekt, kun je straks met een concrete vraag waarschijnlijk beter terecht in het centrale statistiektopic.

Succes! :)
"The best way to cheer yourself is to try to cheer someone else up." - Mark Twain
pi_167447461
Ik ben momenteel bezig met een onderzoek naar de expertise van Nederland op het gebied van zeldzame ziekten. Hiervoor gebruik ik o.a. publicatie-data die ik nu redelijk netjes heb staan. Het format is:
Instituut X, uitland Y heeft in jaartal Z n aantal publicaties geschreven over ziekte Q.

Nu wil ik de ontwikkeling van het aantal publicaties over een ziekte over de tijd weergeven...en de invloed van de markt introductie van medicijnen en/of oprichting van patientenverenigingen hierop in kaart brengen.

Het gaat niet zo zeer om de absolute aantallen want die nemen eigenlijk altijd wel toe over de tijd. Ik wil vooral kijken naar de ontwikkeling van Nederland t.o.v. de wereld output en de ontwikkeling van de concentratie in Nederland binnen een instituut.

Eigenlijk zou ik na deze studie iets meer willen kunnen zeggen over de invloed van de onderstaande evenementen:
- Na marktintroductie medicijn nam het aandeel van Nederland in de wereld output af...
- Na oprichting patientenvereniging nam het aantal publicaties in Nederland toe
- Over de loop van de tijd zijn de publicaties van Nederland steeds meer geconcentreerd in Instituut X.

Ik zit te denken om een regressie te doen over de periode voor en na een evenement.
Op zich is dit niet een heel gecompliceerde vraagstuk maar ik zit er toch mee te stoeien...hoe dit op een wetenschappelijk verantwoorde manier weer te geven. Hierbij loop ik aan tegen zaken als:
- Wat doe je met jaren waarin geen publicaties geschreven zijn? (als ik output Nederland dan deel door wereld-output dan krijg ik uiteraard 0/0)
- Wat doe je met jaren waarin Nederland geen publicaties schreef?(Als ik de concentratie van de Nederlandse expertise in een instituut zou willen weergeven over de tijd dan moet ik publicaties instiuut delen door publicaties nederland...en dan krijgen we weer 0/0)

En stel ik krijg de volgende twee regressielijnen:
Voor evenement: y=1,5x +2
Na evenement: y= 2,0+ 3

- Hoe zou ik op basis van deze twee lijnen de invloed van het evenement kunnen quantificeren?

Alle hulp wordt gewaardeerd en vraag maar raak als iets je niet duidelijk is.
pi_167461267
quote:
0s.gif Op maandag 19 december 2016 17:13 schreef Mynheer007 het volgende:
Ik ben momenteel bezig met een onderzoek naar de expertise van Nederland op het gebied van zeldzame ziekten. Hiervoor gebruik ik o.a. publicatie-data die ik nu redelijk netjes heb staan. Het format is:
Instituut X, uitland Y heeft in jaartal Z n aantal publicaties geschreven over ziekte Q.

Nu wil ik de ontwikkeling van het aantal publicaties over een ziekte over de tijd weergeven...en de invloed van de markt introductie van medicijnen en/of oprichting van patientenverenigingen hierop in kaart brengen.

Het gaat niet zo zeer om de absolute aantallen want die nemen eigenlijk altijd wel toe over de tijd. Ik wil vooral kijken naar de ontwikkeling van Nederland t.o.v. de wereld output en de ontwikkeling van de concentratie in Nederland binnen een instituut.

Eigenlijk zou ik na deze studie iets meer willen kunnen zeggen over de invloed van de onderstaande evenementen:
- Na marktintroductie medicijn nam het aandeel van Nederland in de wereld output af...
- Na oprichting patientenvereniging nam het aantal publicaties in Nederland toe
- Over de loop van de tijd zijn de publicaties van Nederland steeds meer geconcentreerd in Instituut X.

Ik zit te denken om een regressie te doen over de periode voor en na een evenement.
Op zich is dit niet een heel gecompliceerde vraagstuk maar ik zit er toch mee te stoeien...hoe dit op een wetenschappelijk verantwoorde manier weer te geven. Hierbij loop ik aan tegen zaken als:
- Wat doe je met jaren waarin geen publicaties geschreven zijn? (als ik output Nederland dan deel door wereld-output dan krijg ik uiteraard 0/0)
- Wat doe je met jaren waarin Nederland geen publicaties schreef?(Als ik de concentratie van de Nederlandse expertise in een instituut zou willen weergeven over de tijd dan moet ik publicaties instiuut delen door publicaties nederland...en dan krijgen we weer 0/0)

En stel ik krijg de volgende twee regressielijnen:
Voor evenement: y=1,5x +2
Na evenement: y= 2,0+ 3

- Hoe zou ik op basis van deze twee lijnen de invloed van het evenement kunnen quantificeren?

Alle hulp wordt gewaardeerd en vraag maar raak als iets je niet duidelijk is.
Leuk onderzoek met raakvlakken op mijn PhD!

Ik raad je een difference-in-differences estimatie aan met Nederland als treatment group.


290px-Illustration_of_Difference_in_Differences.png

Dus twee dummies: Nederland (0/1), Ex-post (0/1). Periode na (ex-post) marktintroductie voor nederland is dus 1 & 1 voor beide dummies. Ik zou een periode nemen (bijv. 5 jaar na introducie, 5 jaar voor introductie) dan takkel je het probleem met nullen, per jaar kan ook, dan wordt het lastiger werk maar dan kan je zien of het effect na x jaar af neemt.

Y(publicaties?) = B0 + B1*Nederland + B2*ExPost + B3*Nederland*ExPost + BnXn + E.

Als de interactie NL*Expost significant en positief is dan heeft marktintroductie een positief effect op publicaties.

Mooist zou zijn als je een aantal landen neemt (US/UK/FR/DE/NL), dan kan je wellicht meerdere marktintroducties in meerdere landen bekijken.

Wellicht kan je ipv landen instituten gebruiken (en dan daarna bij resultaten ook bekijken of alle NL instituten vooruitgang boekten?

Je moet laten zien dat in gevallen zonder evenement er geen verschil is tussen beide groepen (dus dat ze bijv. beiden stijgen in publicaties)... kan je doen door naar vergelijkbare wetenschapspublicaties te kijken voor beide groepen (zie --->> parallel assumption test). Anders zou het kunnen dat een stijging van NLse publicaties komt omdat NL relatief meer subsidie is gaan geven terwijl andere landen dat minder zijn gaan doen.

Ik kan je eventueel mijn (in November gesubmit naar journal) working paper sturen, heeft raakvlakken in de zin dat het over wetenschap(pers) gaat en diff-in-diff na een evenement gaat.

[ Bericht 2% gewijzigd door Zith op 20-12-2016 00:40:31 ]
I am a Chinese college students, I have a loving father, but I can not help him, he needs to do heart bypass surgery, I can not help him, because the cost of 100,000 or so needed, please help me, lifelong You pray Thank you!
pi_167463264
registreer om deze reclame te verbergen
quote:
0s.gif Op maandag 19 december 2016 23:08 schreef Zith het volgende:

[..]

Leuk onderzoek met raakvlakken op mijn PhD!

Ik raad je een difference-in-differences estimatie aan met Nederland als treatment group.


[ afbeelding ]

Dus twee dummies: Nederland (0/1), Ex-post (0/1). Periode na (ex-post) marktintroductie voor nederland is dus 1 & 1 voor beide dummies. Ik zou een periode nemen (bijv. 5 jaar na introducie, 5 jaar voor introductie) dan takkel je het probleem met nullen, per jaar kan ook, dan wordt het lastiger werk maar dan kan je zien of het effect na x jaar af neemt.

Y(publicaties?) = B0 + B1*Nederland + B2*ExPost + B3*Nederland*ExPost + BnXn + E.

Als de interactie NL*Expost significant en positief is dan heeft marktintroductie een positief effect op publicaties.

Mooist zou zijn als je een aantal landen neemt (US/UK/FR/DE/NL), dan kan je wellicht meerdere marktintroducties in meerdere landen bekijken.

Wellicht kan je ipv landen instituten gebruiken (en dan daarna bij resultaten ook bekijken of alle NL instituten vooruitgang boekten?

Je moet laten zien dat in gevallen zonder evenement er geen verschil is tussen beide groepen (dus dat ze bijv. beiden stijgen in publicaties)... kan je doen door naar vergelijkbare wetenschapspublicaties te kijken voor beide groepen (zie --->> parallel assumption test)

Ik kan je eventueel mijn (in November gesubmit naar journal) working paper sturen, heeft raakvlakken in de zin dat het over wetenschap(pers) gaat en diff-in-diff na een evenement gaat.
Bedankt voor je uitgebreide reactie. Ik ga er morgen even goed voor zitten om te kijken hoe ver ik hier mee kan komen. Ik stuur je morgen ook wel even een pm want ik ben wel geÔnteresseerd in hoe jij het hebt aangepakt.

[ Bericht 0% gewijzigd door Mynheer007 op 20-12-2016 00:08:19 ]
  dinsdag 20 december 2016 @ 00:36:43 #133
343486 KingRoland
#TEAMJOHANNES
pi_167464263
tvp

ook ik moet eraan geloven
pi_167467254
quote:
1s.gif Op maandag 19 december 2016 23:58 schreef Mynheer007 het volgende:

[..]

Bedankt voor je uitgebreide reactie. Ik ga er morgen even goed voor zitten om te kijken hoe ver ik hier mee kan komen. Ik stuur je morgen ook wel even een pm want ik ben wel geÔnteresseerd in hoe jij het hebt aangepakt.
Je kunt ook kijken naar een Chow test. Dan kijk je of er een structural break zit op een vooraf gespecificeerd punt. In jouw geval zou dat prima kunnen volgens mij, dan bekijk je de data voor en na de oprichting van een patientenvereniging etc.
Op dinsdag 23 november 2010 02:22 schreef Braddie het volgende:
Haal van internet af man.
pi_167501771
quote:
0s.gif Op dinsdag 20 december 2016 09:43 schreef wimjongil het volgende:

[..]

Je kunt ook kijken naar een Chow test. Dan kijk je of er een structural break zit op een vooraf gespecificeerd punt. In jouw geval zou dat prima kunnen volgens mij, dan bekijk je de data voor en na de oprichting van een patientenvereniging etc.
Bedankt voor de tip. Ik heb er al een paar mooie plaatjes mee kunnen maken en heb gevonden wat ik wilde; een hele duidelijk break op het moment dat er een medicijn geÔntroduceerd werd. Echter is dat bij sommige ziekten weer net anders maar dan blijken er dus verschillende ontwikkelmodellen zijn:)
pi_168006703
Ik zit te klooien met de correlatie tussen meerdere metingen van dezelfde objecten in verschillende laboratoria. De schaal is continue, maar de waarden zijn niet normaal verdeeld, dus ik zou de spearmans rho kunnen gebruiken om de 2 laboratoria te kunnen vergelijken. Echter zit ik met het volgende.

De metingen in het lab zijn in duplo uitgevoerd. Met dat laatste weet ik niet goed om te gaan.

Vraag: hoe bepaal ik de correlatie tussen de metingen in 2 verschillende labs (lab-A en lab-B) waarbij de metingen n=80 (01_lab-A en 02_lab-A .... 80_lab-A) in de laboratoria ook in duplo (01_lab-A_1 en 01_lab-A_2) zijn uitgevoerd.
Dosis sola venenum facit
"An' though the rules of the road have been lodged
It's only people's games that you've got to dodge
And it's alright, Ma, I can make it"
pi_168268753
Hoi,

Ik heb tweemaal een correlogram gemaakt:

76a709e549.png

8c18ab9fcb.png

Wat is het verschil als ik kijk naar een correlogram van Y1 uit het model en als ik naar een correlogram kijk van de residuals uit het model? Meestal gaan de autocorrelaties van lags via de residuals het model binnendringen wat niet goed is en betekent dat je extra lags moet toevoegen, toch? Maar is de betekenis en intuitie als je kijkt naar een correlogram van de Y1 variabele ansich? En wat is het verschil tussen het kijken naar een correlogram van Y1 en het kijken naar een correlogram van de residuals?


Daarnaast... Waar moet ik naar kijken om te weten of er een autocorrelatie is en vanaf welke lag etc.?
  vrijdag 20 januari 2017 @ 12:56:02 #138
304004 KaBuf
#teamfriet
pi_168290540
Vraagje O+
Even eenvoudig gesteld. Ik heb variabele A, B en ik meet interactie A*B.
Voor A heb ik hypothese 1.
Voor B heb ik hypothese 2.
Voor A*B heb ik hypothese 3.

Naar mijn idee moet ik dan drie losse regressies draaien:
Eerste egressie met de controlevariabelen en variabele A, om hypothese 1 te meten.
Tweede regressie 1 met de controlevariabelen en variabele B, om hypothese 2 te meten.

Maar ik twijfel over de derde regressie om hypothese 3 te meten, met de invloed van A*B. Moet ik dan enkel de interactie A*B meenemen, of ook de twee losse variabelen A en B?
Kan iemand mij uit de brand helpen? :@
I hope your day is as nice as your butt.
Please consider the environment before printing this post.
Op zaterdag 27 mei 2017 00:36 schreef d4v1d het volgende:
Kabuf is af en toe best een prima kerel.
pi_168291028
quote:
2s.gif Op vrijdag 20 januari 2017 12:56 schreef KaBuf het volgende:
Vraagje O+
Even eenvoudig gesteld. Ik heb variabele A, B en ik meet interactie A*B.
Voor A heb ik hypothese 1.
Voor B heb ik hypothese 2.
Voor A*B heb ik hypothese 3.

Naar mijn idee moet ik dan drie losse regressies draaien:
Eerste egressie met de controlevariabelen en variabele A, om hypothese 1 te meten.
Tweede regressie 1 met de controlevariabelen en variabele B, om hypothese 2 te meten.

Maar ik twijfel over de derde regressie om hypothese 3 te meten, met de invloed van A*B. Moet ik dan enkel de interactie A*B meenemen, of ook de twee losse variabelen A en B?
Kan iemand mij uit de brand helpen? :@
Je moet 1 enkel model doen, waarin zowel beide variabelen als de interactie staan. Voor robistness checks eventueel een paar extra met verschillende extra controlevariabelen, maar wel elke keer met beide variabelen en de interactie. Als je daar een deel van uitlaat meet je immers niet langer het pure effect dat je zoekt.

Is het overigens bijna nooit het geval dat je het pure effect meet dat je zoekt, maar je probeert het uiteraard wel zo dicht mogelijk te benaderen.
  vrijdag 20 januari 2017 @ 13:31:28 #140
42322 MCH
Voyage Voyage
pi_168291277
Wel een slechte eerste begeleider die het op de manier zoals je het eerst hebt gedaan goedkeurt :')
Weihnachtsbaumschmuckausstattungsspezialgeschaeft
  vrijdag 20 januari 2017 @ 14:05:02 #141
304004 KaBuf
#teamfriet
pi_168292065
Tweede lezer zegt letterlijk:

quote:
volgens mij zou de student vier regressies kunnen draaien:
- Een zonder interacties (alleen main effects)
- Een met interactie RvC x PBetr
- Een met interactie AC x PBetr
- Een met interacties RcC x PBetr en AC x PBetr. (volledig model)
Dus die zegt ook verschillende regressies :P
I hope your day is as nice as your butt.
Please consider the environment before printing this post.
Op zaterdag 27 mei 2017 00:36 schreef d4v1d het volgende:
Kabuf is af en toe best een prima kerel.
  vrijdag 20 januari 2017 @ 14:06:01 #142
304004 KaBuf
#teamfriet
pi_168292085
quote:
0s.gif Op vrijdag 20 januari 2017 13:31 schreef MCH het volgende:
Wel een slechte eerste begeleider die het op de manier zoals je het eerst hebt gedaan goedkeurt :')
Mijn begeleider heeft letterlijk naar de tweede lezer gemaild:
quote:
ik denk dat ik het allemaal al significant genoeg vond
:X
I hope your day is as nice as your butt.
Please consider the environment before printing this post.
Op zaterdag 27 mei 2017 00:36 schreef d4v1d het volgende:
Kabuf is af en toe best een prima kerel.
pi_168292307
quote:
2s.gif Op vrijdag 20 januari 2017 14:05 schreef KaBuf het volgende:
Tweede lezer zegt letterlijk:

[..]

Dus die zegt ook verschillende regressies :P
Het voordeel aan meerdere en steeds uitgebreidere regressies is ook dat je zo kunt zien hoe de coŽfficiŽnten en p-waardes van de variabelen die je onderzoekt per model veranderen. Dat biedt meer zekerheid (of juist niet) over de werkelijke waardes ervan.
  vrijdag 20 januari 2017 @ 14:18:51 #144
304004 KaBuf
#teamfriet
pi_168292406
quote:
0s.gif Op vrijdag 20 januari 2017 14:14 schreef Kaas- het volgende:

[..]

Het voordeel aan meerdere en steeds uitgebreidere regressies is ook dat je zo kunt zien hoe de coŽfficiŽnten en p-waardes van de variabelen die je onderzoekt per model veranderen. Dat biedt meer zekerheid (of juist niet) over de werkelijke waardes ervan.
Zover was ik al ja :P

Maar als mijn hypothese dan is: A beinvloedt X.
Moet ik voor beantwoording dus wel het definitieve model pakken (dus incl B en A*B), maar kan ik (zoals jij zegt) wel overwegen in hoeverre A beinvloedbaar is door die kleinere regressies mee te nemen?

Oh man ik ben zo slecht in statistiek :')
I hope your day is as nice as your butt.
Please consider the environment before printing this post.
Op zaterdag 27 mei 2017 00:36 schreef d4v1d het volgende:
Kabuf is af en toe best een prima kerel.
pi_168292671
quote:
2s.gif Op vrijdag 20 januari 2017 14:18 schreef KaBuf het volgende:

[..]

Zover was ik al ja :P

Maar als mijn hypothese dan is: A beinvloedt X.
Moet ik voor beantwoording dus wel het definitieve model pakken (dus incl B en A*B), maar kan ik (zoals jij zegt) wel overwegen in hoeverre A beinvloedbaar is door die kleinere regressies mee te nemen?

Oh man ik ben zo slecht in statistiek :')
Als in al die verschillende modellen A een p-waarde heeft die lager is dan bijvoorbeeld .01 of .05 en dat de coŽfficiŽnt ook telkens redelijk gelijk is, en je daarnaast ook kwalitatief kan beredeneren waarom het logisch is dat A een directe invloed heeft op X en dat het niet door andere zaken komt, dan kan je prima stellen dat je bewijs hebt gevonden voor die hypothese.
  vrijdag 20 januari 2017 @ 14:33:28 #146
304004 KaBuf
#teamfriet
pi_168292680
quote:
7s.gif Op vrijdag 20 januari 2017 14:32 schreef Kaas- het volgende:

[..]

Als in al die verschillende modellen A een p-waarde heeft die lager is dan bijvoorbeeld .01 of .05 en dat de coŽfficiŽnt ook telkens redelijk gelijk is, en je daarnaast ook kwalitatief kan beredeneren waarom het logisch is dat A een directe invloed heeft op X en dat het niet door andere zaken komt, dan kan je prima stellen dat je bewijs hebt gevonden voor die hypothese.
Dank O+
I hope your day is as nice as your butt.
Please consider the environment before printing this post.
Op zaterdag 27 mei 2017 00:36 schreef d4v1d het volgende:
Kabuf is af en toe best een prima kerel.
pi_168292760
quote:
2s.gif Op vrijdag 20 januari 2017 14:33 schreef KaBuf het volgende:

[..]

Dank O+
Het is zo basic en iets dat je veel gebruikt dat de meeste studenten er volgens mij al niet eens meer bij stil staan, maar een p-waarde van ca. 0 in een regressie betekent eigenlijk niets anders dan dat die coŽfficiŽnt significant van nul afwijkt en er binnen je geschatte model dus een invloed van die onafhankelijke variabele op de afhankelijke variabele is.

Zonder robustness checks en zonder kwalitatieve analyse is dat echter op zichzelf nog geen bewijs dat er dus sprake is van een causaal verband.

Leuk trouwens dat je nu zo ver bent. Nog even de laatste wijzigingen en dan zal je wel klaar zijn. ^O^
  vrijdag 20 januari 2017 @ 14:45:11 #148
304004 KaBuf
#teamfriet
pi_168292911
quote:
7s.gif Op vrijdag 20 januari 2017 14:37 schreef Kaas- het volgende:

[..]

Het is zo basic en iets dat je veel gebruikt dat de meeste studenten er volgens mij al niet eens meer bij stil staan, maar een p-waarde van ca. 0 in een regressie betekent eigenlijk niets anders dan dat die coŽfficiŽnt significant van nul afwijkt en er binnen je geschatte model dus een invloed van die onafhankelijke variabele op de afhankelijke variabele is.

Zonder robustness checks en zonder kwalitatieve analyse is dat echter op zichzelf nog geen bewijs dat er dus sprake is van een causaal verband.

Leuk trouwens dat je nu zo ver bent. Nog even de laatste wijzigingen en dan zal je wel klaar zijn. ^O^
Ja heb ook (natuurlijk) robuustheidschecks enzo in mn onderzoek verwerkt. :Y
Op 9 februari staat mijn verdediging gepland, dus even knallen nog :Y
I hope your day is as nice as your butt.
Please consider the environment before printing this post.
Op zaterdag 27 mei 2017 00:36 schreef d4v1d het volgende:
Kabuf is af en toe best een prima kerel.
pi_168573570
Hoi,

Kan iemand die verstand heeft van statistiek mij uit de brand helpen? Het gaat over de unit-root case van de Dickey and Fuller test... en het gaat om dit stukje:

''Consider the equation: Yt = 2Yt-1 - Yt-2 + ut

This is a I(2) series. This latter piece of terminology states that I(2) series contains two unit roots, a I(1) series contains one unit root and I(0) series is completely stationary. Because of the I(2) series in this case, we will need to difference the equation 2 times to get rid of the two unit roots and get a I(0) equation''

Wat ik mij dus afvraag is:

Als je het volgende hebt:

ffdc578621.png

Waarbij sprake is van een unit root als :

d1d6942ffc.png

Dan kan dat toch maar ťťn keer gebeuren? Hoe kan er mťťr dan 1 unit roots zijn?!
pi_168743943
Weet iemand hoe ik dit moet interpreteren?:

3a52672f03.png

Ik begrijp dat een GARCH-model hetzelfde is als ARMA-model, maar dan een GARCH model er is voor de volatiliteit/varianties. Maar ik begrijp niet hoe de effecten van de volatiliteit te kunnen interpreteren door middel van een schatting van de regressie via STATA..
abonnementen ibood.com bol.com Gearbest
Forum Opties
Forumhop:
Hop naar:
(afkorting, bv 'KLB')