Funzioni di regressione non lineari
|
|
- Gianfranco Neri
- 7 anni fa
- Visualizzazioni
Transcript
1 Funzioni di regressione non lineari Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi Regressione nonlineare Econometria / 25
2 Sommario Funzioni di regressione non lineari - note generali Funzioni non lineari a una variabile Funzioni non lineari a due variabili: interazioni Applicazione al dataset dei punteggi nei test della California Rossi Regressione nonlineare Econometria / 25
3 Funzioni di regressione non lineari Le funzioni di regressione viste finora erano lineari rispetto alla variabile X Ma l approssimazione lineare non è sempre la migliore Il modello di regressione multipla può gestire funzioni di regressione non lineari in una o più X. Rossi Regressione nonlineare Econometria / 25
4 La relazione tra punteggio nei test e reddito distrettuale sembra non lineare Rossi Regressione nonlineare Econometria / 25
5 Funzioni di regressione non lineari: concetti generali Se una relazione tra Y e X è non lineare: L effetto su Y di una variazione in X dipende dal valore di X ovvero, l effetto marginale di X non è costante Una regressione lineare è mal specificata: la forma funzionale è errata Lo stimatore dell effetto su Y di X è distorto: in generale non è corretto nemmeno sulla media La soluzione consiste nell applicare una funzione di regressione che sia non lineare in X Rossi Regressione nonlineare Econometria / 25
6 Funzione di regressione non lineare Y i = f(x 1i,..., X ki ) + u i i = 1,..., n Assunzioni E[u i X 1i,..., X ki ] = 0 (identica); implica che f è il valore atteso di Y condizionato alle X. X 1i,..., X ki sono i.i.d. (identica). Gli outlier sono rari (stessa idea; la condizione matematica precisa dipende dalla f in esame). Assenza di multicollinearità perfetta (stessa idea; la formulazione precisa dipende dalla f in esame). La variazione in Y associata a una variazione in X 1, mantenendo X 2,..., X k costanti è: Y i = f(x 1i + X 1i,..., X ki ) f(x 1i,..., X ki ) Rossi Regressione nonlineare Econometria / 25
7 Funzione di regressione non lineare Rossi Regressione nonlineare Econometria / 25
8 Funzioni non lineari di un unica variabile indipendente Vedremo due approcci complementari: Polinomiali in X: La funzione di regressione della popolazione viene approssimata da una quadratica, una cubica o una polinomiale di grado più alto. Trasformazioni logaritmiche: Le Y e/o le X vengono trasformate prendendone il logaritmo, che ne fornisce un approssimazione percentuale utile in molte applicazioni. Rossi Regressione nonlineare Econometria / 25
9 Polinomiali X Approssimiamo la funzione di regressione della popolazione con una polinomiale: Y i = β 0 + β 1 X i + β 2 X 2 i β r X r i + u i E proprio il modello di regressione lineare multipla salvo che i regressori sono potenze di X! Per stima, verifica delle ipotesi, ecc. si procede come nel modello di regressione multipla con OLS. I coefficienti sono difficili da interpretare, ma la funzione risultante è interpretabile Rossi Regressione nonlineare Econometria / 25
10 Esempio: la relazione tra punteggio nei test e reddito distrettuale Income i = reddito distrettuale medio nel distretto iesimo (migliaia di dollari pro capite) Approssimazione quadratica: TestScore i = β 0 + β 1 Income i + β 2 Income 2 i + u i Approssimazione cubica: TestScore i = β 0 + β 1 Income i + β 2 Income 2 i + β 3 Income 3 i + u i Rossi Regressione nonlineare Econometria / 25
11 Interpretazione della funzione di regressione stimata : Testscr = 607, 302 (3,0462) + 3, (0,30426) Income 0, Income 2 (0, ) T = 420 R2 = 0, 5540 F (2, 417) = 261, 28 ˆσ = 12, 724 (errori standard tra parentesi) Rappresentiamo graficamente i valori della stima 720 Effettivi Stime testscr: valori effettivi e stimati, rispetto a avginc testscr avginc Rossi Regressione nonlineare Econometria / 25
12 Interpretazione della funzione di regressione stimata Variazione predetta in TestScore per una variazione del reddito da $5.000 pro capite a $6.000 pro capite: TestScore i = β 0 + β 1 (Income i + Income i ) + β 2 (Income i + Income i ) 2 TestScore i = 607, 3 + 3, , (607, 3 + 3, , ) = 3, 4 Rossi Regressione nonlineare Econometria / 25
13 Interpretazione della funzione di regressione stimata Testscr = 607, 302 (3,0462) + 3, (0,30426) Effetti attesi in base ai diversi valori di X: Income 0, Income 2 (0, ) Variazione del reddito ($1000 pro capite) Testscr da 5 a 6 3,4 da 25 a 26 1,7 da 45 a 46 0,0 L effetto di un cambiamento del reddito è maggiore per i redditi più bassi (forse un beneficio marginale decrescente con l aumento dei budget delle scuole?) Attenzione! Qual è l effetto di una variazione da 65 a 66? Non estrapolate al di fuori dell intervallo dei dati! Rossi Regressione nonlineare Econometria / 25
14 Verifica dell ipotesi nulla di linearità Verifica dell ipotesi nulla di linearità, contro l alternativa che la funzione di regressione della popolazione sia quadratica e/o cubica, ovvero sia una polinomiale di grado fino a 3. Modello non vincolato: TestScore i = β 0 + β 1 Income i + β 2 Income 2 i + β 3 Income 3 i + u i H 0 : β 2 = β 3 = 0 H 1 : β 2 0 e/o β 3 0 F (2, 416) = 37, 69 L ipotesi che la funzione di regressione della popolazione sia lineare viene rigettata al livello di significatività dell 1% contro l alternativa che sia una polinomiale di grado fino a 3. Rossi Regressione nonlineare Econometria / 25
15 Riepilogo: funzioni di regressione polinomiali Y i = β 0 + β 1 X i + β 2 X 2 i β r X r i + u i Stima: via OLS dopo aver definito nuovi regressori I coefficienti hanno interpretazioni complicate Per interpretare la funzione di regressione stimata: rappresentare graficamente i valori predetti come funzione di X calcolare gli scarti predetti Y/ X per i diversi valori di X Le ipotesi sul grado r possono essere verificate tramite test t e F sugli appropriati blocchi di variabili. Scelta del grado r rappresentare i dati graficamente, effettuare i test t e F. In alternativa usare il criterio di scelta del modello. Rossi Regressione nonlineare Econometria / 25
16 Funzioni logaritmiche di Y e/o X Le trasformazioni logaritmiche permettono di modellare le relazioni in termini percentuali (come l elasticità) invece che linearmente. Ecco perchè: ( ln(x + x) ln(x) = ln 1 + x ) x x x Numericamente: d ln x dx = 1 x ln (1, 01) = 0, , 01 ln (1, 10) = 0, , 10 circa Rossi Regressione nonlineare Econometria / 25
17 Tre specificazioni della regressione logaritmica Caso lineare-log log-lineare log-log Funzione di regressione della popolazione Y i = β 0 + β 1 ln X i + u i ln Y i = β 0 + β 1 X i + u i ln Y i = β 0 + β 1 ln X i + u i L interpretazione del coefficiente pendenza è diversa in ciascun caso. L interpretazione si trova applicando la regola generale prima e dopo : predire la variazione in Y per una data variazione in X. Ogni caso ha una diversa interpretazione naturale (per piccole variazioni in X) Rossi Regressione nonlineare Econometria / 25
18 Funzione di regressione della popolazione lineare-logaritmica Calcolare Y prima e dopo aver modificato la X. Prima: Y i = β 0 + β 1 ln X i + u i Dopo: ora quindi o Y i + Y i = β 0 + β 1 ln (X i + X i ) + u i Y i = β 1 [ln (X i + X i ) ln X i ] ln (X i + X i ) ln X i X i X i Y i β 1 X i X i β 1 Y i X i /X i Rossi Regressione nonlineare Econometria / 25
19 Funzione di regressione della popolazione lineare-logaritmica Per piccole variazioni X, β 1 Y i X i /X i Ora 100 X i X i = variazione percentuale in X, quindi un incremento dell 1% in X è associato a una variazionedi 0,01 β 1 in Y. 1% incremento in X 0,01 incremento in ln (X) 0,01 β 1 incremento in Y. Rossi Regressione nonlineare Econometria / 25
20 Funzione di regressione della popolazione log-lineare ln Y = β 0 + β 1 X Variamo X: Sottraiamo: da cui o per X piccole. ln (Y + Y ) = β 0 + β 1 (X + X) ln (Y + Y ) ln Y = β 1 X Y Y β 1 X β 1 Y/Y X Rossi Regressione nonlineare Econometria / 25
21 Caso log-lineare per X piccole. β 1 Y/Y X 100 β 1 X = 100 Y Y = percentuale di variazione in Y. quindi una variazione in X di un unità, X = 1, si associa a una variazione di 100 β 1 % incremento in Y. Un unità di incremento in X produce: una variazione pari a β 1 in ln Y. una variazione pari a 100 β 1 % in Y. Rossi Regressione nonlineare Econometria / 25
22 Funzione di regressione della popolazione log-log Variamo X: sottraiamo: ln (Y i ) = β 0 + β 1 ln (X i ) + u i E[ln (Y i ) X i ] = β 0 + β 1 ln (X i ) E[ln (Y i + Y ) X i ] = β 0 + β 1 ln (X i + X) E[ln (Y i + Y ) X i ] E[ln (Y i ) X i ] = β 1 [ln (X i + X) ln (X i )] con l approssimazione ln (Y + Y ) ln (Y ) Y Y [ ] Y E Y X X β 1 X per X piccolo. β 1 Y Y X X Rossi Regressione nonlineare Econometria / 25
23 Funzione di regressione della popolazione log-log Y 100 Y β X X β 1 rapporto tra la variazione percentuale di Y e quella di X. Se la variazione di X è dell 1%, ( X/X = 0, 01), β 1 misura la variazione percentuale di Y. Nella specifica log-log, β 1 ha l interpretazione di un coefficiente di elasticità. Esempio: ln (T estscore i ) = 6, , 0554 ln (Income i ) A un aumento dell 1% in Income si associa un aumento dello % in TestScore (Income aumenta di un fattore 1,01, TestScore di un fattore 1,000554). Rossi Regressione nonlineare Econometria / 25
24 Esempio ln (T estscore i ) = 6, , 0554 ln (Income i ) Per esempio, supponiamo che il reddito salga da $ a $, o del 10%. Quindi TestScore cresce approssimativamente di 0, % = 0, 554%. Rossi Regressione nonlineare Econometria / 25
25 Riepilogo: trasformazioni logaritmiche Tre casi, differiscono in base alla o alle variabili Y e/o X trasformate in logaritmi. La regressione diventa lineare sulla(e) nuova(e) variabile(i) ln(y) e/o ln(x), mentre i coefficienti possono essere stimati attraverso l OLS. I test di ipotesi e gli intervalli di affidabilità possono essere implementati e interpretati nel solito modo L interpretazione di β 1 differisce caso per caso. La scelta della specificazione (forma funzionale) dev essere guidata dal ragionamento - quale interpretazione ha più senso nella vostra applicazione? - da test e dall analisi grafica dei valori predetti Rossi Regressione nonlineare Econometria / 25
Regressioni 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
DettagliFunzioni di Regressioni Non Lineari
Funzioni di Regressioni Non Lineari Nelle precedenti lezioni abbiamo assunto che le funzioni di regressione della popolazione siano lineari. Cioè che l effetto su Y di una variazione unitaria di X non
Dettaglilezione 10 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Redditi svedesi - il dataset contiene i dati di reddito di 838 individui - il dataset contiene le variabili: sex = sesso age = età edu = anni di istruzione y_gross = reddito
DettagliRegressione lineare multipla
Regressione lineare multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2014 Rossi Regressione lineare Econometria - 2014 1 / 31 Outline 1 La distorsione da variabili omesse 2 Causalità 3 Misure
DettagliEconometria. lezione 13. validità interna ed esterna. Econometria. lezione 13. AA 2014-2015 Paolo Brunori
AA 2014-2015 Paolo Brunori popolazione studiata e popolazione di interesse - popolazione studiata: popolazione da cui è stato estratto il campione - popolazione di interesse: popolazione per la quale ci
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
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
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 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
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
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
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
Dettaglilezione 7 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove siamo arrivati? - se siamo interessati a studiare l andamento congiunto di due fenomeni economici - possiamo provare a misurare i due fenomeni e poi usare la lineare semplice
Dettaglilezione 12 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Interazione di - potrebbe essere che l effetto dell esperienza dipenda dal livello di istruzione stime su dati Canadesi: www.statcan.gc.ca Interazione di - in questo caso vorremmo
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
Dettaglilezione 13 AA Paolo Brunori
AA 2016-2017 Paolo Brunori popolazione studiata e popolazione di interesse - popolazione studiata: popolazione da cui è stato estratto il campione - popolazione di interesse: popolazione per la quale ci
DettagliRegola dei trapezi. a, b punti fissi a priori. non fissi a priori (indeterminati) errore di integrazione. a, b
INTEGRAZIONE NUMERICA (Quadratura di Gauss) Regola dei trapezi I ( b a) f ( a) + f ( b) f (x) errore di integrazione f (x) f (a) f (b) a b x a a ' b' b x a, b punti fissi a priori a, b non fissi a priori
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
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
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
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
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
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
DettagliFacoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 27/12/2010 Regressione lineare Modello geometrico
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
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. 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
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
DettagliB il suo coe ciente si interpreta come la variazione di Y dovuta alla variazione unitaria di X (0! 1)
Principi di Econometria 55 di tempo prof. Brunori Nome e cognome 01/02/2017 Matricola Potete consegnare solo le risposte multiple o sia le risposte multiple che quelle aperte. Nel secondo caso per passare
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 =
DettagliConvergenza non condizionata
Economia Internazionale Economia dello Sviluppo Lezione 5 La convergenza nelle dinamiche di crescita A.A 2007-2008 Stefano Usai Convergenza non L ipotesi di convergenza non e basata sull assunzione che
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
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
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
Dettaglilezione 11 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Cos è successo in US? - andamento dei sondaggi Come si prevede un risultato elettorale? - Y = β i X i + u - quali variabili includedereste nel modello? - perchè hanno sbagliato?
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
DettagliCarta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016
Esercitazione 12 maggio 2016 ESERCIZIO 1 Si supponga che in un sondaggio di opinione su un campione di clienti, che utilizzano una carta di credito di tipo standard (Std) o di tipo business (Bsn), si siano
DettagliNOTE DI MATEMATICA APPLICATA ALL ECONOMIA
NOTE DI MATEMATICA APPLICATA ALL ECONOMIA «[ ] lo scopo dell analisi infinitesimale è quello di fare acquisire strumenti di calcolo atti alla ricerca ottimale di funzioni vincolate, soprattutto di natura
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
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliRegressione lineare con un solo regressore
Regressione lineare con un solo regressore La regressione lineare è uno strumento che ci permette di stimare e di fare inferenza sui coefficienti incogniti di una retta. Lo scopo principale è di stimare
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
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
Dettaglilezione 5 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - le stime OLS ci consentono di approssimare linearmente la relazione fra una variabile dipendente (Y) e una indipendente (X) - i parametri stimati su un
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
DettagliMODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,
MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di
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
DettagliPARTE I ARGOMENTI PROPEDEUTICI
SOMMARIO Introduzione PARTE I ARGOMENTI PROPEDEUTICI CAPITOLO I ALGEBRA LINEARE 1 1.1. Introduzione 1 1.2. Operazione tra scalari e vettori 2 1.3. Operazione tra vettori 2 1.4. Operazioni tra matrici 4
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)
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 Numerico - A.A Laboratorio 6
Calcolo Numerico - A.A. 2011-2012 Laboratorio 6 Approssimazione ai minimi quadrati Siano (x i, y i ), per i = 0,..., n, n + 1 coppie di dati di origine sperimentale o originati dal campionamento y i =
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 4-6-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
DettagliPrincipi di analisi causale Lezione 3
Anno accademico 2007/08 Principi di analisi causale Lezione 3 Docente: prof. Maurizio Pisati Approccio causale Nella maggior parte dei casi i ricercatori sociali utilizzano la regressione per stimare l
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 7-2-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
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,
DettagliREGISTRO DELLE LEZIONI*
UNIVERSITÀ DEGLI STUDI DI GENOVA Dipartimento di Matematica Corso di laurea in Statistica matematica e trattamento informatico dei dati Nome: Statistica Inferenziale codice: 483847 codice padre (se ins.
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
DettagliFacoltà di Scienze Politiche Corso di laurea in Servizio sociale. Compito di Statistica del 7/1/2003
Compito di Statistica del 7/1/2003 I giovani addetti all agricoltura in due diverse regioni sono stati classificati per età; la distribuzione di frequenze congiunta è data dalla tabella seguente Età in
DettagliFUNZIONI LOGARITMICHE
La funzione f: R R + dove f(x) = b x b>0, b 1, è invertibile. La funzione inversa si chiama logaritmo in base b log b : R + R, essendo la funzione inversa si ha log b (b x ) = x b log b x = x In particolare
DettagliInsegnamento di Complementi di idrologia. Esercitazione n. 3
Insegnamento di Complementi di idrologia Esercitazione n. 3 Si vogliono determinare le relazioni statistiche che legano i parametri t p (ascissa del picco) e k 1 (costante di tempo dell'esponenziale decrescente
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
DettagliMETODI E TECNICHE DELLA RICERCA IN PSICOLOGIA CLINICA E LABORATORIO MEDIAZIONE
METODI E TECNICHE DELLA RICERCA IN PSICOLOGIA CLINICA E LABORATORIO AA 2016/2017 PROF. V.P. SENESE http://psiclab.altervista.org/mettecpsicclinica2016/2016_2017.html https://goo.gl/iuaiqx Seconda Università
DettagliSTATISTICA. Regressione-3 L inferenza per il modello lineare semplice
STATISTICA Regressione-3 L inferenza per il modello lineare semplice Regressione lineare: GRAFICO DI DISPERSIONE & & analisi residui A. Valutazione preliminare se una retta possa essere una buona approssimazione
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
DettagliLa multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative.
Lezione 14 (a cura di Ludovica Peccia) MULTICOLLINEARITA La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative. In un modello di regressione Y= X 1, X 2, X 3
DettagliRichiami di statistica
Richiami di statistica Eduardo Rossi 2 2 Università di Pavia (Italy) Marzo 2014 Rossi Statistica Econometria - 2014 1 / 61 Indice 1 Esempio 2 Elementi di probabilità 3 Stima 4 Verifica di ipotesi Rossi
DettagliMISURA DELLA VARIAZIONE CONCOMITANTE (COVARIAZIONE/ CONTROVARIAZIONE) DI VARIABILI CARDINALI O QUASI- CARDINALI
ANALISI DELLA CORRELAZIONE MISURA DELLA VARIAZIONE CONCOMITANTE (COVARIAZIONE/ CONTROVARIAZIONE) DI VARIABILI CARDINALI O QUASI- CARDINALI VINCOLI CHE SI IMPONGONO ALLA SUA UTILIZZAZIONE: LA RELAZIONE
DettagliGRAFICI DI PROBABILITÀ Prof. Antonio Lanzotti
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 GRAFICI DI PROBABILITÀ Prof. Antonio Lanzotti A cura di: Ing. Giovanna
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
DettagliRegressione lineare semplice: inferenza
Regressione lineare semplice: inferenza Eduardo Rossi 2 2 Università di Pavia (Italy) Marzo 2014 Rossi Regressione lineare semplice Econometria - 2014 1 / 60 Outline 1 Introduzione 2 Verifica di ipotesi
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
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
DettagliIl Modello di Scomposizione
Approccio Classico: Metodi di Scomposizione Il Modello di Scomposizione Il modello matematico ipotizzato nel metodo classico di scomposizione è: y t =f(s t, T t, E t ) dove y t è il dato riferito al periodo
Dettagliβˆ (pendenza della retta) =
LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7 Maria Elena Bontempi e.bontempi@economia.unife.it V LEZIONE: OLS multivariato: effetti parziali, multicollinearità Scopo dell
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
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
DettagliStatistica - metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill
- metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill Es. Soluzione degli esercizi del capitolo 8 home - indice In base agli arrotondamenti effettuati nei calcoli, si
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
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Il modello di regressione semplice
Il modello di regressione semplice 1 ECONOMETRIA APPLICATA PER L IMPRESA Il modello di regressione semplice Davide Raggi davide.raggi@unibo.it 24 febbraio 2010 Try me. Il modello di regressione semplice
DettagliUniversità degli Studi di Enna Kore Facoltà di Scienze Economiche e Giuridiche Anno Accademico
Università degli Studi di Enna Kore Facoltà di Scienze Economiche e Giuridiche Anno Accademico 2017 2018 A.A. Settore Scientifico Disciplinare CFU Insegnamento Ore di aula Mutuazione 2017/18 SECS-P/06
DettagliANALISI MULTIVARIATA
ANALISI MULTIVARIATA Marcella Montico Servizio di epidemiologia e biostatistica... ancora sulla relazione tra due variabili: la regressione lineare semplice VD: quantitativa VI: quantitativa Misura la
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 7-2-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
DettagliStima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro
Stima del valore di una costante in presenza di rumore esponenzialmente correlato Carlo Fisicaro OBIETTIVO Stimare il valore della costante β adimensionale per mezzo di misurazioni soggette a rumore stocastico
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,
DettagliRELAZIONE FINALE DEL DOCENTE. Materia: MATEMATICA E COMPLEMENTI DI MATEMATICA Classe 4BPT A. S. 2015/2016
RELAZIONE FINALE DEL DOCENTE Materia: MATEMATICA E COMPLEMENTI DI MATEMATICA Classe 4BPT A. S. 2015/2016 In relazione alla programmazione curricolare sono stati conseguiti, in termini di livello medio,
DettagliTest non parametrici (cap. 6)
Test non parametrici (cap. 6) A M D Marcello Gallucci marcello.gallucci@unimib.it Lezione 11 Modello Lineare Generale La regressione semplice e multipla e l'anova sono sottocasi del modello lineare generale
DettagliMODULO 1: EQUAZIONI E DISEQUAZIONI 15 ore 1 quadrimestre
MODULI CLASSE TERZA TEMA ALGEBRA MODULO 1: EQUAZIONI E DISEQUAZIONI 15 ore 1 quadrimestre COMPETENZE: utilizzare le tecniche e le procedure del calcolo aritmetico e algebrico, rappresentandole anche sotto
Dettagli