Università di Pavia Econometria Esercizi 5
|
|
- Lazzaro Feliciano Bevilacqua
- 4 anni fa
- Visualizzazioni
Transcript
1 Università di Pavia Econometria Esercizi 5 Maggio, Una regressione lineare multipla di y su una costante, x 2 e x 3 produce i seguenti risultati: ŷ t = x t x t3 con X X = ɛ ɛ = 520 N = 29 Testate l ipotesi nulla che = 0. Per testare l ipotesi = 0 contro 0 usiamo il test t s.e.( ) s.e.( ) = [ s 2 e 1(X X) 1 e 1 ] 1/2 dove e 1 = (0, 1, 0). Per calcolare lo standard error di abbiamo bisogno di (X X) 1 = = s 2 = = /
2 la statistica test t è s 2 e 1(X X) 1 e 1 = s.e.( = [ [ ] s 2 e 1(X X) 1 ] 1/2 16 1/2 e 1 = = 0, , 4 = 0, , 6405 con p value = 0, 0818, accettiamo l ipotesi nulla al 5% di significatività. 2. Considerate il seguente modello di regressione lineare multipla con disturbi gaussiani y t = β 1 + x t2 + β 3 x t3 + β 4 x t4 + ɛ t t = 1, 2,..., 25 dove ɛ t N(0, σ 2 ). Riparametrizzate il modello in modo tale che le ipotesi seguenti (a) H 0 : β 3 = vs H 1 : β 3 >. (b) H 0 : β 1 = 1 vs H 1 : β 1 1 possano essere verificate con un test t. Indicate i valore critici dei test corrispondenti ad un livello di significatività del 5%. (a) H 0 : = β 3 vs H 1 : β 1 > β 3. Possiamo definire = β 3 + γ quindi l ipotesi nulla corrisponde a γ = 0 mentre l alternativa è γ > 0 (ipotesi complessa unilaterale). Il modello può essere riscritto come: y t = β 1 + γx t2 + β 3 (x t2 + x t3 ) + β 4 x t4 + ɛ t t = 1, 2,..., 25 Sotto l ipotesi nulla γ = 0 la statistica test t è: γ s.e.( γ) Sotto l ipotesi nulla il rapporto t è distribuito come una t 21, il valore critico per un test unilaterale al 5% di significatività è 1, 721. (b) H 0 : β 1 = 1 vs H 1 : β 1 1 possono essere riscritte come H 0 : β 1 β 3 = 0 vs H 1 : β 1 0. Definiamo α = β 1 da cui β 1 = α + + β 3 2
3 (1) (2) (3) costante 6,0131 5,6700 5,0603 s.e. 0,0787 0,2305 0,1125 S 0,1032 0,1134 0,1224 s.e. 0,0058 0,0086 0,0059 PWE - 0, s.e. 0,0065 AWE - - 0,0435 s.e. 0,0038 R 2 0,1274 0,1284 0,1776 RSS ,8 987,7 sostituiamo nel modello ed otteniamo: y t = α + (1 + x t2 ) + β 3 (1 + x t3 ) + β 4 x t4 + ɛ t t = 1, 2,..., 25 L ipotesi nulla di partenza corrisponde ora a α = 0 e la statistica test t è: α s.e.( α) che, sotto l ipotesi nulla, è distribuita come una t 21 con valori critici di ±2, 080 al 5% di significatività. 3. Un ricercatore analizza un data set costituito dalle risposte, registrate nell anno 2000, di un campione di 2185 uomini statunitensi con età compresa tra 35 e 42 anni. Il data set include gli anni di scolarità S, l età AGE ed i guadagni orari in dollari EARN IN GS. Definendo LGEARN come il logaritmo naturale degli EARN IN GS, il ricercatore regredisce LGEARN su S con i risultati riportati nella colonna (1) della tabella (dove s.e. indica gli standard error e RSS è la Residual Sum of Squares). Il ricercatore si rende conto che l esperienza di lavoro è una determinante dei guadagni ma non dispone di questi dati per i rispondenti. A questo fine, definisce una misura della esperienza potenziale di lavoro, P W E come P W E = ETA S 6 dove S sono gli anni di scuola. Regredisce LGEARN su S e P W E con i risultati riportati nella colonna (2). Se il data set includesse anche l esperienza di lavoro effettiva, AW E e il ricercatore avesse regredito LGEARN su S e AW E egli avrebbe ottenuto i risultati mostrati nella colonna (3). Ai fini di questo esercizio possiamo assumere che la terza regressione sia la specificazione corretta. (a) Lo standard error della stima del coefficiente di S nella terza regressione è più piccolo di quello nella seconda regressione. Da che cosa dipende questo risultato? 3
4 (b) La riduzione nella RSS aggiungendo P W E alla regressione è molto minore della riduzione che si ottiene aggiungendo AW E nella (3). Mostrate numericamente la relazione tra la RSS in ogni equazione e la rispettiva statistica t per P W E e AW E. (a) Per capire perchè lo standard error di S è minore in una delle due regressioni dobbiamo esaminarne l espressione. Partiamo con la seconda regressione LGEARN t = β 1 + S t + β 3 P W E t + ɛ t riesprimiamo la regressione in variabili in deviazione dalla media. Questo significa che la costante viene eliminata LGEARN t LGEARN = (S t S) + β 3 (P W E t P W E) + ɛ t definiamo y t LGEARN t LGEARN, x t1 (S t S) e x t2 P W E t P W E y t = x t1 + β 3 x t3 + ɛ t con il teorema di Frisch-Waugh-Lowell abbiamo lo stimatore di = (X 1M X2 X 1 ) 1 X 1M X2 y lo standard error di è: [ s 2 (X 1M X2 X 1 ) 1] 1/2. Ora X 1M X2 X 1 = X 1X 1 X 1P X2 X 1 X 1X 1 = t (S t S) 2 X 1P X2 X 1 = X 1X 2 (X 1X 1 ) 1 X 1X 1 = [ t (S t S)(P W E t P W E)] 2 t (P W E t P W E) 2 X 1M X2 X 1 = X 1X 1 X 1P X2 X 1 = t (S t S) 2 [ t (S t S)(P W E t P W E)] 2 t (P W E t P W E) 2 ( X 1 M X2 X 1 ) 1 = = [ [ t (S t S) (1 2 (S t S)(P W E t P W E) ] 2 t t (P W E t P W E) 2 t (S t S) 2 [ NV ] 1 ar(s) (1 ρ 2 S,P W E ) 1 )] 1 4
5 In conclusione lo standard error di diminuisce all aumentare della variabilità campionaria di S mentre aumenta al crescere della correlazione tra S e P W E e di s 2. Nel caso in esame s 2 nella seconda regressione è maggiore di quello della terza perche RSS è più grande. Inoltre potrebbe esserci una maggiore correlazione tra S e P W E di quella tra S e AW E; questi due fattori insieme producono un aumento dello standard error. (b) Le statistiche t per P W E e AW E nella seconda e nella terza regressione sono 0,0103 0,0435 0,0065 = 1, 58 e 0,0038 = 11, 45. Ma quando il numero delle restrizioni r = 1: t = F Inoltre la statistica F può essere calcolata come F = ɛ ɛ ɛ ɛ ɛ ɛ N K r cioè come un test per l aumento della somma dei quadrati dei residui del modello ristretto ( ɛ ɛ cioè la RSS della regressione 1) rispetto al modello non ristretto ( ɛ ɛ, cioè la RSS della 2 o della 3). La statistica F per la prima vs la seconda regressione (quindi per la significatività di P W E): , 8 F = 1046, 8/2182 = 2, 5 2, 5 = 1, 58. La statistica F della prima vs la terza (cioè per la significatività di AW E) , 7 F = = 133, , 7/ , 21 = 11, 54 (la differenza è dovuta agli arrotondamenti). 4. Considerate i dati nella tabella 1 sulla produzione e i costi di breve periodo di una certa merce: Stimate il seguente modello y t = β 1 + x t + β 3 x 2 t + β 4 x 3 t + ɛ t t = 1,..., 10 dove E(ɛ t x t ) = 0, E(ɛ 2 t x t ) = σ 2 e E(ɛ t ɛ τ x t ) = 0, τ t. Sottoponete a verifica le seguenti ipotesi H 0 : β 1 0 H 1 : β 1 < 0 H 0 : β 3 0 H 1 : β 3 < 0 H 0 : β 3 = β 4 H 1 : β 3 β 4 Si tratta di un modello di regressione polinomiale per i costi totali di produzione (y t ) 5
6 Output Costo totale Table 1: Dati costi e output in funzione dell output (x t ). Le prime due ipotesi nulle hanno alternative complesse unilaterali, il valore critico della densità t 6 è 1.94 con il 5% di significatività. Per il terzo sistema di ipotesi, trattandosi di un alternativa complessa bilaterale il valore critico della distribuzione F (1,6) è 5, 99 con il 5% di significatività. Model 1: OLS estimates using the 10 observations 1 10 Dependent variable: cost Variable Coefficient Std. Error t-statistic p-value const 141,767 6, ,2368 0,0000 output 63,4777 4, ,2837 0,0000 output 2 12,961 0, ,1501 0,0000 output 3 0, , ,8968 0,0000 Mean of dependent variable 276,100 S.D. of dependent variable 65,8136 Sum of squared residuals 64,7438 Standard error of residuals (ˆσ) 3,28491 Unadjusted R 2 0, Adjusted R 2 0, F (3, 6) 1202,22 Durbin Watson statistic 2,70021 First-order autocorrelation coeff. 0, Log-likelihood 23,528 Akaike information criterion 55,0573 Schwarz Bayesian criterion 56,2676 Hannan Quinn criterion 53,7296 Accettiamo le nulle β 1 0 e β 3 0. La terza ipotesi β 3 = β 4 ha una statistica test 6
7 F (1,6) = 177, 235 con un p value = 1, 11093e 005, rifiutiamo quindi l ipotesi nulla. 5. Nel file risparmi USA ci sono i dati dei risparmi e dei redditi personali disponibili negli USA negli anni Un semplice modello per il risparmio è s t = β 1 + y t + ɛ t con ɛ t i.i.d.n(0, σ 2 ) dove s t è il risparmio e y t è il reddito personale disponibile. L anno 1982 è un anno di forte recessione per gli Stati Uniti. Verificate che la propensione marginale al risparmio e la quota di risparmio indipendente dal reddito non siano diverse nei periodi pre e post I risultati della regressione OLS sull intero campione sono: Model 1: OLS estimates using the 26 observations Dependent variable: SAVINGS Variable Coefficient Std. Error t-statistic p-value const 62, ,7607 4,8918 0,0001 INCOME 0, , ,8938 0,0000 Mean of dependent variable 162,088 S.D. of dependent variable 63,2045 Sum of squared residuals 23248,3 Standard error of residuals (ˆσ) 31,1236 Unadjusted R 2 0, Adjusted R 2 0, Degrees of freedom 24 Durbin Watson statistic 0, First-order autocorrelation coeff. 0, Log-likelihood 125,23 Akaike information criterion 254,478 Schwarz Bayesian criterion 256,994 Hannan Quinn criterion 255,203 Il test di Chow per il cambiamento strutturale a partire dall anno 1982: F(2,22) = 10, con p value = 0, Concludiamo rifiutando l ipotesi nulla di stabilità dei parametri nella funzione del risparmio. 7
Università di Pavia Econometria Esercizi 4 Soluzioni
Università di Pavia Econometria 2008-2009 Esercizi 4 Soluzioni Maggio, 2009 Istruzioni: I commenti devono essere concisi! 1. Dato il modello di regressione lineare, con K regressori con E(ɛ) = 0 e E(ɛɛ
DettagliRestrizioni lineari nel MRLM: esempi
Restrizioni lineari nel MRLM: esempi Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi Restrizioni lineari: esempi Econometria - 2013 1 / 22 Funzione di produzione Cobb-Douglas Esempio GDP
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
DettagliECONOMETRIA: Laboratorio III
ECONOMETRIA: Laboratorio III Luca De Angelis CLASS - Università di Bologna Programma Laboratorio III Analisi della specificazione del modello e test diagnostici: Test per la forma funzionale del modello
DettagliAnalisi della regressione multipla
Analisi della regressione multipla y = β 0 + β 1 x 1 + β 2 x 2 +... β k x k + u 2. Inferenza Assunzione del Modello Classico di Regressione Lineare (CLM) Sappiamo che, date le assunzioni Gauss- Markov,
DettagliLaboratorio di Statistica Aziendale Modello di regressione lineare multipla
Laboratorio di Statistica Aziendale Modello di regressione lineare multipla Michela Pasetto michela.pasetto2@unibo.it Definizione del modello OLS (semplice) L obiettivo della regressione lineare è di valutare
DettagliFacoltà di Scienze Statistiche, Rimini Corso di Laurea in Statistica ed Informatica per l Azienda PROVA PARZIALE DEL
Facoltà di Scienze Statistiche, Rimini Corso di Laurea in Statistica ed Informatica per l Azienda PROVA PARZIALE DEL 07-06-2006 1. Si consideri il seguente modello di regressione dinamico π t = β 0 + β
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
DettagliREGRESSIONE MULTIPLA E CORRELAZIONE. Nicola Tedesco (Statistica Sociale) REGRESSIONE MULTIPLA E CORRELAZIONE 1 / 16
REGRESSIONE MULTIPLA E CORRELAZIONE Nicola Tedesco (Statistica Sociale) REGRESSIONE MULTIPLA E CORRELAZIONE 1 / 16 y a b 1 x 1 (x 2 0) a b 2 x 2 (x 1 0) a a b 1 x 1 b 2 x 2 0 x 2 x 1 x 2 Plane x 1 Nicola
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliAnalisi di Regressione Multipla
Analisi di Regressione Multipla Stima OLS della relazione Test Score/STR : TestScore! = 698.9.8 STR, R =.05, SER = 18.6 (10.4) (0.5) E una stima credibile dell effetto causale sul rendimento nei test di
DettagliRegressione. Monica Marabelli. 15 Gennaio 2016
Regressione Monica Marabelli 15 Gennaio 2016 La regressione L analisi di regressione é una tecnica statistica che serve a studiare la relazione tra variabili. In particolare, nel modello di regressione
DettagliUniversità di Pavia. Test diagnostici. Eduardo Rossi
Università di Pavia Test diagnostici Eduardo Rossi Test diagnostici Fase di controllo diagnostico: controllo della coerenza tra quanto direttamente osservato e le ipotesi statistiche adottate Ipotesi MRLM
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi MRLM Econometria - 2013 1 / 54 Sommario Verifica di ipotesi e intervalli
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliEsercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017
Esercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017 Contents 1 Inferenza sulla regressione semplice 1 1.1 Test sulla pendenza della retta................................... 1 1.2 Test sull
Dettagli0.1 Percorrenza e Cilindrata
0.1 Percorrenza e Cilindrata Iniziamo ora un analisi leggermente più complessa basata sempre sui concetti appena introdotti. Innanzi tutto possiamo osservare, dal grafico ottenuto con il comando pairs,
DettagliEsercitazioni di Statistica Dott.ssa Cristina Mollica
Esercitazioni di Statistica Dott.ssa Cristina Mollica cristina.mollica@uniroma.it Regressione Esercizio. Siano dati i seguenti valori per le due variabili X ed Y: 4 5 3 5 3 3 Con riferimento al modello
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5
Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
Dettaglis a Inferenza: singolo parametro Sistema di ipotesi: : β j = β j0 H 1 β j0 statistica test t confronto con valore t o p-value
Inferenza: singolo parametro Sistema di ipotesi: H 0 : β j = β j0 H 1 : β j β j0 statistica test t b j - b s a jj j0 > t a, 2 ( n-k) confronto con valore t o p-value Se β j0 = 0 X j non ha nessuna influenza
DettagliMetodi Statistici per il Management
Metodi Statistici per il Management Statistica Multivariata I Simone Borra - Roberto Rocci Introduzione e obiettivi La statistica multivariata si occupa di analizzare e studiare in modo simultaneo un set
DettagliRAPPORTO CER Aggiornamenti
RAPPORTO CER Aggiornamenti 12 Ottobre 2012 LO SPREAD PROSSIMO VENTURO Quanto potrà scendere lo spread Btp-Bund dopo le misure di austerità fiscale? Per rispondere, forniamo una semplice stima derivata
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 7 Luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 7 Luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
DettagliMinimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi
Minimi quadrati ordinari Interpretazione geometrica Eduardo Rossi Il MRLM Il modello di regressione lineare multipla è usato per studiare le relazioni tra la variabile dipendente e diverse variabili indipendenti
DettagliModelli Statistici per l Economia. Regressione lineare con un singolo regressore (terza parte)
Modelli Statistici per l Economia Regressione lineare con un singolo regressore (terza parte) 1 Verifica di ipotesi su β 1 H 0 : β 1 = β 1,0 H 1 : β 1 β 1,0 Se è vera H 0 (cioè sotto H 0 ) e n è grande,
Dettagli1. variabili dicotomiche: 2 sole categorie A e B
Variabile X su scala qualitativa (due categorie) modello di regressione: variabili quantitative misurate almeno su scala intervallo (meglio se Y è di questo tipo e preferibilmente anche le X i ) variabili
DettagliUniversità di Pavia Econometria. Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi
Università di Pavia Econometria Minimi quadrati ordinari Interpretazione geometrica Eduardo Rossi Università di Pavia Introduzione L econometria si interessa all analisi dei dati economici. I dati economici
DettagliConfronto fra gruppi: il metodo ANOVA. Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23
Confronto fra gruppi: il metodo ANOVA Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23 1 Nella popolazione, per ciascun gruppo la distribuzione della variabile risposta
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliIl modello di regressione lineare multipla
Il modello di regressione lineare multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2014 Rossi MRLM Econometria - 2014 1 / 31 Outline 1 Notazione 2 3 Collinearità Rossi MRLM Econometria - 2014
DettagliESERCITAZIONE REGRESSIONE MULTIPLA
ESERCITAZIONE REGRESSIONE MULTIPLA Dati delle Nazioni Unite del 2005 riferiti, per diverse nazioni, al tasso di feconditá (bambini per donna) (variabile Fert), alla percentuale di donne che usa contraccettivi
DettagliSoluzioni ottava esercitazione
Soluzioni ottava esercitazione. (a) Notiamo subito che la densità f(x θ) appartiene alla famiglia esponenziale con t(x) = ln(x) e c(θ) =, funzione strettamente decrescente. Quindi anche il rapporto di
DettagliEsercizio Dire quale variabile debba essere usata come regressore e quale sia la variabile risposta.
Esercizio 1 Il file elettr.txt contiene dei dati sui consumi in miliardi di kilowatt/ora (eleccons) e sul prodotto interno lordo in miliardi di dollari (gdp) su 30 paesi in un determinato anno. Il prodotto
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliR - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
DettagliUniversità di Pavia Econometria. Cambiamento di regime nei parametri Test di stabilità. Eduardo Rossi
Università di Pavia Econometria Cambiamento di regime nei parametri Test di stabilità Eduardo Rossi Università di Pavia Cambiamento di regime nei parametri Funzione del consumo C t = β 1 + β 2 Y t + ǫ
DettagliIl modello di regressione lineare multivariata
Il modello di regressione lineare multivariata Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2015 Rossi MRLM Econometria - 2015 1 / 39 Outline 1 Notazione 2 il MRLM - Assunzioni 3 OLS 4 Proprietà
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 28-Intervalli di confidenza vers. 1.1 (21 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliCorso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti
Corso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti Professor Paolo Vitale Anno Accademico 2017-8 UdA, Scuola d Economia Domanda 1 [6 punti]. (a) La multi-collineartità
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 5 Test d Ipotesi
Metodi Quantitativi per Economia, Finanza e Management Lezione n 5 Test d Ipotesi Test per lo studio dell associazione tra variabili Nella teoria dei test, il ricercatore fornisce ipotesi riguardo la distribuzione
DettagliTest F per la significatività del modello
Test F per la significatività del modello Per verificare la significatività dell intero modello si utilizza il test F Si vuole verificare l ipotesi H 0 : β 1 = 0,, β k = 0 contro l alternativa che almeno
DettagliCorrelazione e regressione
Correlazione e regressione Il termine associazione è largamente usato nella letteratura scientifica ed esprime la relazione che esiste tra due variabili Per studiare l associazione tra due variabili bisogna
DettagliFacoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a.
Facoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a. 2008 PARTE I 1. Si consideri il seguente modello di regressione lineare su dati cross
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliRegressione Lineare Semplice e Correlazione
Regressione Lineare Semplice e Correlazione 1 Introduzione La Regressione è una tecnica di analisi della relazione tra due variabili quantitative Questa tecnica è utilizzata per calcolare il valore (y)
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliAnova e regressione. Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011
Anova e regressione Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011 Nella sperimentazione agronomica e biologica in genere è normale organizzare
DettagliCAPITOLO 3 Esperimenti con un singolo fattore: l Analisi della Varianza
Douglas C. Montgomery Progettazione e analisi degli esperimenti 006 McGraw-Hill CAPITOLO 3 Esperimenti con un singolo fattore: l Analisi della Varianza Metodi statistici e probabilistici per l ingegneria
DettagliFasi del modello di regressione
Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori
DettagliTest di restrizioni lineari nel MRLM: Esempi
Test di restrizioni lineari nel MRLM: Esempi Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Test F: esempi 2012 1 / 23 Funzione di produzione Cobb-Douglas Esempio GDP
DettagliUna stima aggregata dell effetto Brunetta Risultati molto preliminari
Una stima aggregata dell effetto Brunetta Risultati molto preliminari Leonello Tronti (Consigliere economico del Ministro) Seminario Assenteismo: i lavori della commissione 22 giugno 2009 Ipotesi di lavoro
DettagliIntroduzione alla regressione multipla. Giovanni Battista Flebus Lezioni di psicometria
Introduzione alla regressione multipla Giovanni Battista Flebus Lezioni di psicometria 1 Che cos è la regressione multipla A differenza della regressione semplice, utilizza più variabili indipendenti Usa
DettagliIntroduction to Econometrics - (Gretl Lab 2)
Introduction to Econometrics - (Gretl Lab 2) Roberto Casarin Ca Foscari Summer School Venice, July 11, 2012 Introduzione Analisi dei residui Abbiamo discusso delle assunzioni alla base del modello di regressione
DettagliRegressione multipla
Regressione multipla L obiettivo è costruire un modello probabilistico per spiegare la variabile y tramite più di una variabile indipendente x 1, x 2,..., x k. Esempio: Per un efficiente progettazione
DettagliLABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE
LABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE 5.1 ESEMPIO DI ANOVA AD UNA VIA In un esperimento un gruppo di bambini è stato assegnato a caso a 3 trattamenti, allo scopo di determinare
DettagliMetodologie Quantitative
Metodologie Quantitative Regressione Lineare Nozioni di base M Q Marco Perugini Milano-Bicocca 1 I COMUNICAZIONE MERCOLEDI 11 NOVEMBRE NON CI SARA LEZIONE DI MQ Concetti base Con l analisi di regressione
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliREGRESSIONE lineare e CORRELAZIONE. Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori
REGRESSIONE lineare e CORRELAZIONE Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori Y X La NATURA e la FORZA della relazione tra variabili si studiano con la REGRESSIONE
DettagliMetodi statistici per la ricerca sociale Capitolo 12. Confronto fra gruppi: L analisi della varianza. Esercitazione
Metodi statistici per la ricerca sociale Capitolo 12. Confronto fra gruppi: L analisi della varianza Esercitazione Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università
DettagliParametri statistici
SMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Parametri statistici 24/1/2005 Deviazione standard della media La variabilità di una distribuzione può quindi essere espressa da un indice
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliRegressioni Non Lineari
Regressioni Non Lineari Fino ad ora abbiamo solo considerato realazioni lineari Ma le relazioni lineari non costituiscono sempre le migliori approssimazioni La regressione multipla può anche essere formulata
DettagliStima dei parametri di modelli lineari
Stima dei parametri di modelli lineari Indice Introduzione................................ 1 Il caso studio................................ 2 Stima dei parametri............................ 3 Bontà delle
DettagliESERCITAZIONE ECONOMETRIA
ESERCITAZIONE ECONOMETRIA Giovanni Angelini giovanni.angelini3@unibo.it 0541-434058 Ricevimento: Venerdì 10-12, piano terra di palazzo Diamante Novembre 2012 ESERCITAZIONE ECONOMETRIA I. BREVE INTRODUZIONE
DettagliRegressione & Correlazione
Regressione & Correlazione Monia Ranalli Ranalli M. Dipendenza Settimana # 4 1 / 20 Sommario Regressione Modello di regressione lineare senplice Stima dei parametri Adattamento del modello ai dati Correlazione
DettagliMetodi di regressione multivariata
Metodi di regressione multivariata Modellamento dei dati per risposte quantitative I metodi di regressione multivariata sono strumenti utilizzati per ricercare relazioni funzionali quantitative tra un
DettagliAntonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR
Antonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR Materiale ad uso dei ricercatori che hanno seguito il corso di formazione interna in Statistica, edizione
DettagliAnalisi delle serie storiche parte V Modelli autoregressivi
Analisi delle serie storiche parte V Modelli autoregressivi a.a. 2016/2017 Economiche Internazionali 1 Definizioni introduttive Autoregressione: modello di regressione che spiega una serie temporale con
DettagliIl modello di regressione
Il modello di regressione Capitolo e 3 A M D Marcello Gallucci Milano-Bicocca Lezione: II Concentti fondamentali Consideriamo ora questa ipotetica ricerca: siamo andati in un pub ed abbiamo contato quanti
DettagliData Mining. Prova parziale del 20 aprile 2017: SOLUZIONE
Università degli Studi di Padova Corso di Laurea Magistrale in Informatica a.a. 2016/2017 Data Mining Docente: Annamaria Guolo Prova parziale del 20 aprile 2017: SOLUZIONE ISTRUZIONI: La durata della prova
Dettagliobbligatorio - n. iscrizione sulla lista
02.09.2015 - appello di STATISTICA per studenti ENE - docente: E. Piazza obbligatorio - n. iscrizione sulla lista il presente elaborato si compone di 5 (cinque) pagine se non ve lo ricordate siete fritti;
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione
DettagliStatistica economica
Statistica economica a.a. 013/14 Dr. Luca Secondi 10.a. Output tipico di un modello di regressione lineare multipla 1 Le analisi basate sul modello di regressione prevedono la stima dei coefficienti associati
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliDAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI
DAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Università degli Studi di Perugia Versione on-line: http://www.unipg.it/ onofri/rtutorial/index.html
DettagliAnalisi descrittiva: calcolando medie campionarie, varianze campionarie e deviazioni standard campionarie otteniamo i dati:
Obiettivi: Esplicitare la correlazione esistente tra l altezza di un individuo adulto e la lunghezza del suo piede e del suo avambraccio. Idea del progetto: Il progetto nasce dall idea di acquistare scarpe
DettagliUNIVERSITA DEGLI STUDI DI PADOVA
UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE COSA CAUSA IL TASSO DI CRESCITA DEL CONSUMO? UNA VERIFICA EMPIRICA PER GLI STATI UNITI Relatore: Prof. Castelnuovo Efrem Laureanda: Nicoletta
DettagliBORSA DI STUDIO PER UN GIOVANE LAUREATO ISTITUITA DAL ROTARY CLUB PARMA EST
BORSA DI STUDIO PER UN GIOVANE LAUREATO ISTITUITA DAL ROTARY CLUB PARMA EST Valorizziamo un giovane laureato di Parma, per Parma, per l Università di Parma. "Le principali determinanti dei corporate bond
DettagliSTATISTICA. Regressione-2
STATISTICA Regressione-2 Esempio Su un campione di =5unità sono state osservate due variabili, ed : x i 1 2 3 4 5 y i 1.5 2.5 3 2.5 3.5 1. Rappresentare l andamento congiunto di in funzione di mediante
DettagliRegressione Lineare con regressori multipli
Regressione Lineare con regressori multipli L idea chiave della regressione multipla è che, se sono disponibili i dati sulle variabili omesse, possiamo aggiungerle come regressori addizionali. In altre
DettagliTest delle ipotesi sulla media.
. Caso di un singolo campione. Varianza nota.. Ipotesi alternativa bilaterale Test delle ipotesi sulla media. Valore medio η e deviazione standard σ della popolazione note. η è il valore stimato dal nostro
DettagliSTATISTICA ESERCITAZIONE 13
STATISTICA ESERCITAZIONE 13 Dott. Giuseppe Pandolfo 9 Marzo 2015 Errore di I tipo: si commette se l'ipotesi nulla H 0 viene rifiutata quando essa è vera Errore di II tipo: si commette se l'ipotesi nulla
DettagliStatistiche di sintesi
Esercizio 2 E stato condotto uno studio per valutare la variazione della pressione sistolica in funzione dell etá. I dati sono riportati nel file sbp.xls. Effettua un analisi di regressione e disegna gli
DettagliAnalisi della varianza a due fattori
Laboratorio 11 Analisi della varianza a due fattori 11.1 Analisi del dataset PENICILLIN.DAT I dati contenuti nel file penicillin.dat, si riferiscono ad un esperimento di produzione di penicillina tendente
Dettaglilezione 8 AA Paolo Brunori
AA 2016-2017 Paolo Brunori regressione multipla con n = k Immaginate di voler studiare i determinanti del voto all esame di econometria Y = β 1 X 1 + u Y i = β 1 H i + u i H=ore studiate alla settimana
DettagliStrumenti di indagine per la valutazione psicologica
Strumenti di indagine per la valutazione psicologica 1.5 Correlazione e causazione Davide Massidda davide.massidda@gmail.com Metodi simmetrici vs asimmetrici Relazioni tra variabili Nei metodi di studio
DettagliAnalisi grafica residui in R. Da output grafico analisi regressionelm1.csv Vedi dispensa. peso-statura
Analisi grafica residui in R Da output grafico analisi regressionelm1.csv Vedi dispensa peso-statura 1) Il plot in alto a sinistra mostra gli errori residui contro i loro valori stimati. I residui devono
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
Dettagli