1 Modelli per serie storiche univariate
|
|
- Elena Testa
- 4 anni fa
- Visualizzazioni
Transcript
1 1 Modelli per serie storiche univariate Caratteristiche delle serie storiche: fy t g l ordine t non puo essere variato; v.c. non indipendenti; non replicabili (i dati si ottengono da una sola realizzazione) bisogna dunque essere rigorosi nello speci care la natura stocastica del modello, i.e. valora atteso, varianza, covarianza, autocovarianza, autocorrelazione. Le serie storiche sono soprattutto utili a fare previsioni Un processo tipico e fra l altro già incontrato e il processo Autoregressivo di ordine uno y t = + y t 1 + " t (1) non ha un interpretazione casuale. Assumendo che
2 1. jj < 1 2. " t e un processo white noise, omoschedastico e privo di autocorrelazione. Otteniamo: = E(y t ) = + E(y t 1 ) + " t E(y t ) = + E(y t 1 ) = 1 de nendo c y t come y t centrato c y t = y t riscriviamo la (1) come cy t = c y t 1 + " t V (y t ) = V ( + y t 1 + " t ) = ( 2 V (y t 1 ) + 2 ) dato che V (y t ) = V (y t 1 ) 2 V (y t ) = 1 2 Cov(y t y t 1 ) = E( c y t c y t 1 )
3 = E [( c y t 1 + " t ) ( c y t 1 )] = V (y t ) = potete ottenere allo stesso modo che Cov(y t y t k ) = k Nota che i valori di media e varianza non dipendono dale tempo t mentre la Cov(y t y t k ) dipende solo da k e non da t. Processo a Media Mobile di ordine uno y t = + " t + " t 1
4 V (y t ) = E(" t + " t 1 ) 2 = E(" t ) E(" t 1 ) 2 = (1 + 2 ) 2 Cov(y t y t 1 ) = E [(" t + " t 1 ) (" t 1 + " t 2 )] Cov(y t y t 2 ) = 0 = E h " 2 t 1 = 2 Cov(y t y t k ) = 0 per k = 2; 3; 4:: Se jj < 1 un processo AR puo essere riscritto come un processo MA per sostituzione di y t 1 = +y t 2 +" t 1 ; y t 1 = (y t 2 ) + " t 1 in (1) otteniamo y t = + 2 (y t 2 ) + " t + " t 1 sostituendo ancora y t 2 = (y t 3 ) + " t 2 abbiamo y t = + 2 ( (y t 3 ) + " t 2 ) + " t + " t 1 = + 3 (y t 3 ) + " t + " t " t 2 continuando le sostituzioni si ottiene y t = + n (y t n ) + n P 1 j " t i j=0 j
5 dove n P 1 j " t j=0 j e una componente MA
6 1.0.1 Operatore ritardo Un modo alternativo di rappresentazione Ly t = y t 1 L j y t = y t j AR(1) ) y t = 1 y t 1 + " t y t 1 y t 1 = " t (1 1 L)y t = " t " t y t = 1 1 L 1.1 Stazionarieta La stazionarieta e importantissima per la previsione
7 In senso stretto l intera distribuzione di probabilita congiunta a qualsiasi insieme di date non e in uenzata da uno slittamento arbitrario lungo l asse del tempo. In senso debole Media, Varianza e Covarianza sono indipendenti dal tempo. La covarianza dipende solo dalla lunghezza dell intervallo che separa due osservazioni. E(y t ) = < 1 V (y t ) = 0 < 1 Cov(y t y t k ) = k ; k = 1; 2; 3:: Stazionarieta in senso debole. Esempio Processo White Noise autocovarianza " t N(0; 2 " ) k = Cov(y t ; y t k ) = Cov(y t k ; y t ) autocorrelazione k = Cov(y t; y t k ) V (y t ) = k 0
8 Funzione di autocorrelazione ACF: autocorrelazioni in funzione di k. Descrive la dipendenza fra le osservazioni. Per k = 2; 3; 4:: processo AR(1) y t = + y t k = k 0 = k 1 + " t = k 1 2
9 processo MA(1) y t = + " t + " t 1 1 = 1 0 = e k = k 0 = 2 (1 + 2 ) 2 = 0 (1 + 2 ) 2 =
10 1.2 Stazionarieta e radici unitarie I processi MA(1) sono sempre stazionari. Un processo AR(1) si dice stazionario quando jj < 1 y t = + y t 1 + " t Processi autoregressivi non stazionari:
11 1. Processi Di erenza Stazionari (DS), (in (1) = 1) Es.: Random Walk y t = y t Random Walk plus drift y t = + y t V ( c y t ) = V ( c y t 1 ) " t 1 + " t Non c è soluzione a meno che 2 = 0, la varianza è in nita sia che = 1 e > 1. In alcuni casi e su ciente calcolare le di erenze per trasformare una serie non stazionaria in stazionaria. Un random walk (processo non stazionario) si trasforma in un white noise ( processo stazionario) y t y t 1 = + " t Integrato di ordine uno I(1) y t = (y t y t 1 ) Integrato di ordine due I(2) 2 y t = (y t y t 1 )
12 1. Processi Trend Stazionari (TS). Processi di lungo periodo che hanno la media non costante nel tempo. y t = + t + " t f + tg trend deterministico. E un processo trend stazionario nel senso che basta inserire un trend e diventa stazionario. Detrendizzazione
13 1.3 Test di radice unitaria Per il processo AR(1) y t = + y t 1 + " t = 1 corrisponde al test di radice unitaria. Dickey Fuller (1979) dimostrano che, dato che y t non e stazionario, lo stimatore OLS di ^ non ha una distribuzione t. Dunque in alternativa e stata proposta la seguente statistica DF = 1 s:e:(^) dove ^ e stimato tramite un OLS ma i valori critici sono ricavati da una distribuzione corretta. H 0 : = 1 Random Walk DS H 1 : jj < 1 Stazionario al 5% t DF = 2; 86
14 Per convenienza di solito si riscrive il modello come dato che y t = + ( 1) y t 1 + " t (2) y t y t 1 = + y t 1 y t 1 + " t e si sottopone a test H 0 : ( 1) = 0: Nota che questa speci cazione e robusta a problemi di autocorrelazione dei residui. Di solito siamo interessati a 2 casi in particolare: 1. Processo stazionario attorno ad una intercetta y t = + y t 1 + " t H 0 : Random Walk H 1 : Stazionario con intercetta y t = + ( 1) y t 1 + " t H 0 : = ( 1) = 0 si procede con un F test
15 2. Processo stazionario attorno ad un trend con intercetta y t = + y t 1 + t + " t H 0 : Random Walk H 1 : Stazionario ad un trend con intercetta y t = + ( 1) y t 1 + t + " t H 0 : = ( 1) = = 0 Le statistiche di DW sono dunque,, t ed F Nota che poiche i test di radice unitaria hanno potenza piu bassa dei test di signi cativita dei coe cienti e stata
16 proposta una alternativa: il KPSS. Questo test si basa sull idea che ogni serie storica e una somma di un trend deterministico, un random walk e un termine d errore stazionario. Sotto H 0 di processo stazionario attorno ad un trend o no 1. primo passo OLS y t = + t + " t ) ^" t = e t 2. somme parziali s t = P t s=1 e s per ogni t: KP SS = P Tt=1 s 2 t ^ 2 e una statistica LM:^ 2 Newey West standard error. 1.4 Processi AR di ordine superiore al primo y t = c + 1 y t y t 2 + " t " t W N(0; 2 ")
17 e un AR(2). Utilizzando gli operatori del ritardo ricaviamo le condizioni necessarie e su cienti per la stazionarita. Un processo AR(2) si dice stazionario se tutte le radici di (1 1 L 2 L 2 ) = 0 cadono al di fuori del cerchio unitario nel campo complesso. y t = c + 1 y t y t 2 + ::: p y t p + " t " t W N(0; 2 " ) e un AR(p). (1 1 L 2 L 2 ::: p L p ) = 0 (L)y t = c + " t cioe le cui radici devono cadere al di fuori del cerchio unitario nel campo complesso AR(p) e un processo stazionario solo se 1P i=0 j i j < 1
18 se almeno una radice e uguale a 1 1 P i=0 j i j = 1 Il Test di Dickey Fuller per un AR(p) si basa sulla seguente speci cazione (seguendo gli stessi passaggi visti per (2)) y t = + t + 'y t 1 + p P 1 i y t dove ' =! pp i i=1 i=1 1; i = p P i i=1 i + " t 1.5 Processi ARMA ARMA(1,1) y t = + y t 1 + " t + " t 1 ARMA(p,q) y t = + 1 y t y t 2 + :: + p y t p +" t + 1 " t 1 + :: + q " t q
19 1.6 Funzione di autocorrelazione parziale Autocorrelazione parziale fra y t e y t p denominata pp e un legame di correlazione fra y t e y t p al netto dell in uenza esercitata dai termini intermedi y t 1 ; :::y t p+1 y t = + 1 y t 1 + " t ) ^11 y t = + 1 y t y t 2 + " t ) ^22 stima di 2 Nota che per un AR(p) il ^ kk = 0 8k > p. Per esempio AR(1) il ^ 22 = ^ 33 = ::: = 0 Per un MA(1) PACF convergono verso zero piu o meno rapidamente In un ARMA (p,q) sia la ACF che la PACF non tagliano mai zero ma convergono a zero asintoticamente.
20 2 Speci cazione stima e controllo diagnostico - Regole generali 1) Identi cazione 2) Stima 3) Controllo diagnostico E una procedura iterativa 2.1 Identi cazione Scelta del tipo di modello AR o MA e del loro ordine. Guardare le AFC e PACF e confrontare
21 1. AR (p) stazionaria la ACF decade geometricamente la PACF taglia dopo p periodi 2. MA(q) ACF taglia dopo q periodi mentre la PACF decade geometricamente 3. ARMA(p,q) non c è in nessuno dei due casi un taglio netto 2.2 Stima ARMA 1. AR(p) OLS corretto consistente ed e ciente MLE 2. MA(q) OLS non e possibile perche i regressori sono incogniti. Si utilizza la stima M LE che richiede un ipotesi sulla distribuzione dei termini di disturbo e procedure numeriche di massimizzazione 3. ARMA(p,q) vedi punto 2
22 2.3 Controllo diagnostico La speci cazione scelta e adatta ai ni previsivi? 1. SOVRAPARAMETRIZZATO i coe cienti sono signi cativi? coe cienti relativi all ordine p o q scelti! se i coe relativi agli ordini troppo alti sono non signi cativi si possono ridurre i parametri da stimare t test o F test 2. SOTTOPARAMETRIZZATO y t = ^c + ^1 y t 1 + ^2 y t 2 + ^3 y t 3 + ^" t + ^1^" t 1 + ^2^" t 2 + ^3^" t 3 + ^4^" t 4 ^4 e signi cativo? fondamentale La parsimonia e un principio Veri care l ipotesi di autocorrelazione dei residui =)errata speci cazione
23 Model selection criteria: Akaike Information Criterion e Schwarz Bayesian Criterion AIC(p) = T log(^ 2 ) + 2p SBC(p) = T log(^ 2 ) + p log T ^ 2 = RSS=(n p). La regole e di scegliere il modello con piu basso AIC e SBC 3 Modelli dinamici con variabili stazionar Modello autoregressivo a ritardi distribuiti y t = + y t x t + 1 x t 1 + " t (3) dove " t W N indipendente da y t 1 ; y t 2 e x t ; x t 1. Calcolando le derivate parziali possiamo calcolare il moltiplicatore d impatto. E etto di x t su y t = 0
24 L e etto dopo un periodo e dato t dopo due periodi t + 1 = 0 + t = ( ) Se jj < 1 gli e etti superiori al primo sono decrescent. iil moltiplicatore di lungo periodo (o moltiplicatore di equilibrio) t t t + ::: = 0 + ( ) + ( ( )) + ::: = Allo stesso risultato si giunge calcolando il valore atteso della (3) E(y t ) = + E(y t 1 ) + 0 E(x t ) + 1 E(x t 1 ) = E(x t) Il modello (3) puo essere stimato con il metodo OLS a condizione che E(x t " t ) = 0
ECONOMETRIA 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
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
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 13 aprile 211 Programma 1 Approccio stocastico all analisi delle serie storiche Programma 1 Approccio stocastico
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 205/206 Appello 27 Giugno 206 Per lo svolgimento della prova completa si ha un massimo di due ore. Invece
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
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
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliEconomia Pubblica e Storia Economica Fausto Pacicco
Economia Pubblica e Storia Economica Fausto Pacicco fpacicco@liuc.it 1 Possiamo estendere il modello di regressione lineare includendo più di una xx, ottenendo un modello di regressione lineare multipla
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 (8448) 70 minuti Cognome Nome Matricola Rispondi alle seguenti domande scegliendo la/e risposta/e che ritieni più appropriata/e. Per ogni domanda
DettagliIl modello di regressione lineare multipla con regressori stocastici
Università di Pavia Il modello di regressione lineare multipla con regressori stocastici Eduardo Rossi Il valore atteso condizionale Modellare l esperimento casuale bivariato nel quale le variabili casuali
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Associazione, correlazione e dipendenza tra caratteri In un collettivo di 11 famiglie è stata
DettagliCicli economici: misurazione e aspetti metodologici. Introduzione
Cicli economici: misurazione e aspetti metodologici Introduzione L analisi quantitativa dei cicli economici si basa sull utilizzo di serie storiche Le serie storiche o temporali rappresentano l'evoluzione
DettagliElementi di analisi matematica
Elementi di analisi matematica Microeconomia Vincenzo Merella Corso di Laurea in Economia e Gestione Aziendale Microeconomia (EGA) Vincenzo Merella Elementi analisi matematica 1 / 21 La retta: de nizione
DettagliSegnali (processi) aleatori (casuali)
Segnali (processi) aleatori (casuali) Definizione di processo aleatorio Descrizione statistica di un processo aleatorio Media, potenza, varianza Autocorrelazione e autocovarianza Filtraggio di un processo
DettagliIntroduzione a regressioni temporali e previsioni
Introduzione a regressioni temporali e previsioni Definizione di serie temporali. Domande le cui risposte necessitano dell analisi di serie temporali: Qual è l effetto causale su una variabile di interesse
DettagliEsercizi di Econometria nanziaria c.a. parte I (2012/2013) Work in Progress 1. Si consideri il modello ARCH(1) r t = t " t (1)
Esercizi di Econometria nanziaria c.a. parte I (01/013) Work in Progress 1. Si consideri il modello ARCH(1) r t = t " t (1) t = 0 + 1 r t 1: () Assumendo le condizioni di stazionarietà, si derivino E(r
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliIndice. Prefazione...
Indice Prefazione... IX 1 Introduzione... 1 1.1 L'econometria.... 1 1.2 Struttura del volume... 2 1.3 Esempi ed esercizi... 4 2 Introduzione al modello di regressione lineare... 6 2.1 I minimi quadrati
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 8 Aprile 2016
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 5/6 Appello 8 Aprile 6 Chi fa il compito relativo alla prima parte di corso (Esercizio e Esercizio )
DettagliDestagionalizzazione, detrendizzazione delle serie storiche
DATA MINING PER IL MARKETING (63 ore) Marco Riani mriani@unipr.it Sito web del corso http://www.riani.it/dmm Destagionalizzazione, detrendizzazione delle serie storiche 1 Serie storica della vendita di
DettagliIndice generale PREFAZIONE
Indice generale PREFAZIONE xix CAPITOLO 1 UN INTRODUZIONE ALL ECONOMETRIA 1 1.1. Perché studiare l econometria? 2 1.2. Di che cosa parla l econometria? 3 1.2.1. Alcuni esempi 4 1.3. Il modello econometrico
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
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,
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Introduzione ai Modelli Dinamici
Serie Storiche 29 1 ECONOMETRIA APPLICATA PER L IMPRESA Introduzione ai Modelli Dinamici Davide Raggi davide.raggi@unibo.it 8 marzo 21 Serie Storiche 29 2 Introduzione In econometria viene fatto largo
DettagliUniversità 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
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
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
DettagliMACROECONOMIA ESERCITAZIONE N. 1. Soluzioni
MACROECONOMIA ESERCITAZIONE N. Soluzioni ESERCIZIO : PIL NOMINALE E PIL REALE a) Il PIL nominale $Y rappresenta la somma della quantità dei beni nali, valutati al loro prezzo corrente. Dunque, nel periodo
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
DettagliUniversità degli Studi di Padova Dipartimento di Scienze Statistiche Corso di Laurea Triennale in. Statistica e Gestione delle Imprese
Università degli Studi di Padova Dipartimento di Scienze Statistiche Corso di Laurea Triennale in Statistica e Gestione delle Imprese RELAZIONE FINALE GLI EFFETTI DEL VALORE INIZIALE SUI TEST DI RADICE
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015 Tempo a disposizione: 60 Minuti Cognome Nome Matricola Rispondete a tutte le domande. Nel caso delle domanda a risposta
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
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliUniversità di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
DettagliEsercizi di riepilogo Lezioni
Esercizi di riepilogo Lezioni 16-17-18 1 Es1: Statistiche del secondo ordine [Pap, 9-2] Si ha un processo X con Determinare media, varianza, e covarianza delle v.a. Z=X(5) e W=X(8) Il processo X è stazionario?
Dettagli1 Serie temporali. 1.1 Processi MA
1 Serie temporali Un processo stocastico 1 {X t, t T }, dove T = N o T = Z, si dice stazionario se (X 1,..., X n ) e (X k+1,...,x k+n ) hanno la stessa distribuzione per ogni n 1 e per ogni k T. Un processo
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2006-07 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
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
DettagliUna Breve Introduzione a E-views
1 Dipartimento di Economia Politica e Metodi Quantitativi Università di Pavia 19 Febbraio 2008 Outline Introduzione 1 Introduzione Che cos è E-views La schermata iniziale Creare File di Lavoro Caricare
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
Dettagli5. Per determinare il miglior grado del polinomio di una regressione polimoniale
Principi di Econometria 55 di tempo prof. Brunori Nome e cognome 16/01/2017 Matricola versione A Potete consegnare solo le risposte multiple o sia le risposte multiple che quelle aperte. Nel secondo caso
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
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.
DettagliMetodi di previsione
Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
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)
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
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
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
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
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
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,
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliLa likelihood. , x 2. } sia prodotto a partire dal particolare valore di a: ; a... f x N. La probabilità che l'i ma misura sia compresa tra x i
La likelihood E' dato un set di misure {x 1, x 2, x 3,...x N } (ciascuna delle quali puo' essere multidimensionale) Supponiamo che la pdf (f) dipenda da un parametro a (anch'esso eventualmente multidimensionale)
DettagliUn applicazione della modellistica ARCH-GARCH
Un applicazione della modellistica ARCH-GARCH Federico Andreis Tesina per l esame di Metodi Statistici per la Finanza e le Assicurazioni A.A. 2005/2006 Prof. Diego Zappa Il grafico della serie storica
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
8 CAPIOLO 9. IMA DEI PARAMERI MEODO DEI MINIMI QADRAI 9.3 Il metodo dei minimi quadrati in formalismo matriciale Nel caso si debba applicare il metodo minimi quadrati con molti parametri risulta vantaggioso
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
DettagliEsercitazione su Filtraggio Adattativo (17 Giugno 2008)
Esercitazione su Filtraggio Adattativo 17 Giugno 008) D. Donno Esercizio 1: Stima adattativa in rumore colorato Una sequenza disturbante x n è ottenuta filtrando un processo bianco u n con un filtro FIR
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
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliUniversità di Pavia Econometria Esercizi 5
Università di Pavia Econometria 2007-2008 Esercizi 5 Maggio, 2008 1. Una regressione lineare multipla di y su una costante, x 2 e x 3 produce i seguenti risultati: ŷ t = 4 + 0.4x t2 + 0.9x t3 con X X =
DettagliMacroeconometria. Introduzione alle Serie Storiche. Carolina Castagnetti Universitá di Pavia
Macroeconometria Introduzione alle Serie Storiche Carolina Castagnetti Universitá di Pavia Definizione:Convergenza in Probabilitá Il vettore di vc x n converge in probabilitá alla costante c se: lim n
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, -..
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliTutorato di Complementi di Analisi Matematica e Statistica 26 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 26 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliSERIE STORICHE - AA Alessandra Luati
SERIE STORICHE - AA2004-2005 Alessandra Luati Programma dettagliato del corso di Analisi delle serie storiche, Laurea triennale in Finanza e assicurazioni, sede di Rimini, I ciclo, periodi 1,2: 27/09/04-29/10/04,
DettagliMetodi statistici per la ricerca sociale Capitolo 15. Regressione logistica: modellare variabili risposta categoriali
Metodi statistici per la ricerca sociale Capitolo 15. Regressione logistica: modellare variabili risposta categoriali Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Esempio di serie storica Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca stagionalità) Esempio di serie storica Esportazioni italiane
Dettagli0.1 Veri ca di ipotesi
0.1 Veri ca di ipotesi Test bilaterale Sistema di ipotesi h H 0 : k = 0 k H 1 : k 6= 0 k Dalla quarta proprieta OLS per il singolo coe ciente b N(; 2 (X 0 X) 1 ) b k N( k ; 2 c kk ) =) b k k q 2 c kk N(0;
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 25 febbraio 2016 (9.00/13.00)
DettagliDi seguito le componenti stocastiche e(t), t = 1, 2,..., T sono v.c. di Gauss con Valore atteso nullo e varianza σ 2 e stocasticamente indipendenti
I BISNONNI Di seguito le componenti stocastiche e(t), t = 1, 2,..., T sono v.c. di Gauss con Valore atteso nullo e varianza σ 2 e stocasticamente indipendenti MODELLO DI MISURA (LA BISNONNA) MA(0) y(t)
Dettaglilezione 9 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Dove siamo arrivati? - la regressione lineare multipla ci permette di stimare l effetto della variabile X sulla Y tenendo ferme tutte le altre variabili osservabili che hanno
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
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
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliCorrelazione tra due variabili
Correlazione tra due variabili Federico Plazzi 26 Novembre 2015 Correlazione tra due variabili Correlazione tra due variabili Variabili dipendenti e variabili indipendenti La variabile indipendente è quella
Dettagli5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana)
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana) Esercizio 1: Una variabile casuale e caratterizzata da una distribuzione uniforme tra 0 e 10. Calcolare - a) la probabilità
DettagliRichiami di Statistica
Università di Pavia Richiami di Statistica Eduardo Rossi Popolazione e campione casuale Un idea centrale della statistica è che un campione sia una rappresentazione della popolazione. Si possono sfruttare
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
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)
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2017.html
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 (8448) 7 minuti Cognome Nome Matricola Rispondete alle seguenti domande scegliendo la/e risposta/e che ritenete più appropriata/e. Per ogni domanda
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
Dettagli