Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione"

Transcript

1 Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Esercizio 1 Si consideri il seguente modello ad effetti fissi con variabili binarie: a) supponete che N=3. Si mostri che i regressori binari e la costante sono perfettamente collineari, ovvero che una delle variabili 1,2,3 e x 0,it possono essere espressi come funzione lineare perfetta delle altre variabili, dove X 0,it =1 per ogni i,t. b) Si estenda il risultato al punto a) ad un N generico. c) Cosa accadrebbe se si tentasse di stimare i coefficienti della regressione con gli OLS? Soluzione Scriviamo le osservazioni relative alle variabili binarie e alla costante per ognuna delle 3 i e per l istante generico t. (a) Per ciascuna osservazione i, c è un solo regressore binario uguale a 1. Cioè, D1 + D2 + D3 = 1 = X. i i i 0, it Consideriamo per esempio i=1. Avremo che D1 1 =1, D 2 1 =0, D 3 1 =0 e X 01 =1, perciò D1 1 = D2 1 +D3 1 + X 01 =1; oppure X 01 = D1 1 +D2 1 +D3 1 =1. Per i=1 ciascun regressore binario =1 (per i=1 ne abbiamo 2: D1 e X 0 ) può essere scritto come combinazione lineare perfetta degli altri 3 regressori binari, pertanto uno dei due è ridondante. Stessa cosa per i= 2 e per i=3. Per i=2 avremo: D1 1 =0, D 2 1 =1, D 3 1 =0 e X 01 =1, perciò D2 1 = D1 1 +D3 1 + X 01 =1. (b) Per ciascuna osservazione i, c è un solo regressore binario uguale a 1. Cioè, D1i + D2i + L + Dni = 1 = X0, it. (c) L inclusione di tutti i regressori binari e della costante causa perfetta multicollinearità. La costante è una funzione lineare perfetta degli n regressori binari. In questo caso lo stimatore OLS non può essere calcolato. Il software che usate per le stime di solito produce un avvertimento in questo caso o elimina uno dei regressori binari. Esercizio 2 Si consideri il modello con effetti fissi: a) Nel modello di regressione con effetti fissi, gli effetti fissi sono stimati in modo consistente per con T fisso? b) Se N è grande (per esempio 2000) ma T è piccolo (T=4), si può pensare che i valori stimati di siano approssimativamente normalmente stimati? Perché sì e perché no? 1

2 Soluzione (a) Scriviamo il modello senza il regressore x:. Se l errore è in media zero, il valore medio degli effetti fissi per l entità i sarà che ha varianza. Questa varianza non si riduce all aumentare di N, pertanto non è consistente. (b) La media in a) è calcolata su T osservazioni. In questo caso T è piccolo (T=4) pertanto l assunzione di normalità non ha una probabilità elevata di essere vera. Esercizio 3 Il seguente è un panel di dati sugli investimenti (y) e sui profitti (x) di n=3 imprese su T=2 periodi. a) Considerate i dati pooled e calcolate i coefficienti della regressione OLS del modello y it = α + βx it + ε it b) Stimate il modello a effetti fissi in deviazioni dalle medie di gruppo. Supponete che la statistica F(1, 5), per testare l ipotesi che le intercette delle imprese siano tutte uguali, sia pari a 15. Cosa concludete? Potete affermare che il modello a effetti fissi rappresenta la specificazione corretta della funzione di investimento? t i=1 i=2 i=3 y x y x y x Soluzione a) sappiamo che nel modello pooled l algoritmo dello stimatore OLS di.... e che lo stimatore OLS di.... con , , ,438 17, , ,596,, =0,754 2 e ,640,75417,438 17,64 13,149 4,491 b) il modello è = β(x it -+ (ε it - e l algoritmo dello stimatore OLS è:..

3 19,27; 20,455; 16,925; 19,81; 18,885; 14,225; 133, , , ,941 0,821 Il valore della statistica F con 1 (numero delle pendenze) e 5 (NT-1=6-1) gradi di libertà ci consente di rifiutare l ipotesi nulla che le 3 imprese abbiamo un intercetta comune. Ci effetti individuali fissi nel tempo. Non siamo in grado però di affermare che il modello a effetti fissi sia la specificazione corretta, perché non sappiamo ancora se gli effetti latenti individuali sono effetti casuali o sono correlati con il regressore. Esercizio 4 In questo problema applicheremo i metodi per dati panel per stimare una equazione dei salari. I dati sono estratti dall indagine Youth Sample of the National Longitudinal Survey elaborata negli USA che include un campione di 545 lavoratori full time di sesso maschile che hanno completato gli studi nel 1980 e poi sono stati seguiti negli anni dal 1980 al 1987 (T=8). Gli individui nel campione nel 1980 avevano un età compresa tra i 18 e i 23 anni ed avevano un esperienza lavorativa media di 3 anni all inizio del periodo di campionamento. La variabile dipendente è il log del salario. Le esplicative sono: gli anni di istruzione, gli anni di esperienza lavorativa e gli anni di esperienza lavorativa al quadrato, ed alcune variabili binarie che indicano: se il lavoratore considerato fa parte di un sindacato; se lavora nel settore pubblico; se è sposato; se appartiene ad una minoranza etnica. a) Supponete che siano soddisfatte le assunzioni del modello ad effetti casuali, quale dei quattro stimatori riportati nelle colonne della tavola sottostante è consistente? b) Supponete che e che Calcolate il valore di usato per trasformare i dati nello stimatore FGLS. Quale restrizione su è valida nello stimatore OLS? c) Supponete che un test di Hausman basato sul confronto tra gli stimatori a effetti fissi e gli stimatori a effetti casuali produca un valore della statistica test pari a Quale delle 4 specificazioni è corretta? d) Se assumiamo che alcune delle esplicative siano correlate con la componente transitoria del termine di errore v it quale specificazione sarebbe consistente? Soluzione a) Tutti e 4 gli stimatori sono consistenti se sono soddisfatte le ipotesi del modello a effetti casuali. b) Poiché T=8, Di conseguenza

4 Dependent Variable: Log Wage Variable Between Within OLS Random Effects Constant (0.221) (0.065) (0.111) schooling (0.011) (0.0006) (0.0006) (0.009) experience (0.050) (0.008) (0.010) (0.008) experience (0.0032) (0.0006) (0.0007) (0.0006) union member (0.047) (0.019) (0.017) (0.018) married (0.041) (0.018) (0.016) (0.017) black (0.049) (0.024) (0.048) hispanic (0.043) (0.021) (0.043) public sector (0.109) (0.039) (0.037) (0.036) 2

5 Il modello OLS implica che 1. c) Sotto l ipotesi nulla la statistica test di Hausman si distribuisce come una Chi quadrato con 5 gradi di libertà (numero delle pendenze nel modello a effetti fissi), perciò rifiutiamo l ipotesi nulla per qualunque livello di significatività. La specificazione ad effetti fissi è quella corretta. d) Si avrebbe in questo caso un problema di endogeneità. In questo caso anche lo stimatore ad effetti fissi sarebbe inconsistente. Devono essere considerati, in questo caso, stimatori e strategie di stima più complesse. Esercizio 5 Considerate il seguente modello ad aggiustamento parziale con effetti individuali. + (i=1,,n; t=1,,t). Discutete la stima di un modello di questo tipo quando T è piccolo ed N è grande, sotto le assunzioni elencate sotto. a) è una variabile strettamente esogena incorrelata con e è un errore idiosincratico (componente transitoria dell errore) potenzialmente auto correlato. b) è una variabile strettamente esogena ma è correlata con. c) è una variabile predeterminata e è iid. Soluzione a) Se è una variabile strettamente esogena la stima del modello considerato presenta comunque i seguenti problemi: 1) la componente transitoria dell errore è auto correlata e 2) il panel ha dimensione temporale T piccola e dimensione sezionale, N grande. Se l errore transitorio è auto correlato: avremo correlazione tra la dipendente ritardata: + e il termine di errore quindi, anche se la dipendente ritardata non è correlata agli effetti fissi latenti, dobbiamo comunque adottare uno stimatore con variabili strumentali. Inoltre poiché la dimensione temporale del panel è piccola, lo stimatore più adatto è il GMM di Arellano e Bond. Possiamo usare lo stimatore AB in livelli, senza ricorrere al modello in differenze, dal momento che gli effetti fissi sono incorrelati alle esplicative. b) Se è una variabile strettamente esogena ma è correlata con abbiamo un problema in più rispetto al punto a), rappresentato dagli effetti fissi individuali correlati alla. Possiamo usare una delle trasformazioni ad effetti fissi, per esempio le deviazioni dalle medie di gruppo, ma questo introduce correlazione tra la dipendente ritardata trasformata e l errore trasformato: Con la trasformazione within groups, la variabile dipendente ritardata diventa: mentre l errore diventa: (ricordate che l uso di una variabile ritardata come regressore limita il campione alle osservazioni a t=2,,t). Il problema è che il termine nella variabile è correlato negativamente con il termine nella variabile e, simmetricamente, anche i termini e si muovono insieme. Perciò anche dopo la trasformazione dei dati, la dipendente ritardata e l errore sono ancora correlati. Questa correlazione andrebbe a zero se T fosse molto grande perché i termini e diventerebbero piccolissimi, ma con T piccolo la distorsione causata da questo problema può essere molto rilevante. Per eliminare questo problema dobbiamo usare delle variabili strumentali per la dipendente ritardata. 4

6 c) è una variabile predeterminata (dipende dai valori passati dell errore) e è iid, identicamente e indipendentemente distribuito nello spazio e nel tempo. Tuttavia se ci sono effetti fissi latenti specifici ad ogni unità decisionale, la struttura dell errore composto è affetta da equi-correlazione, cioè gli errori composti sono auto correlati a causa della presenza degli effetti fissi. Questo genera un problema di endogenità della dipendente ritardata e delle variabili x it e x it-1. Se rimuoviamo gli effetti fissi con un modello in differenze prime, per esempio, gli errori in differenze, la dipendente ritardata in differenze e la variabile x it in differenze sono correlati: e + abbiamo quindi che nella dipendente ritardata in differenze è correlata a nell errore in differenze e nelle differenze prime di è correlata a nell errore in differenze, perché predeterminata. Abbiamo quindi un problema di endogenità. Il problema non viene risolto nemmeno con una delle altre trasformazioni ad effetti fissi. Anche in questo caso dobbiamo usare degli strumenti validi per le 2 variabili endogene. Esercizio 6 Usiamo un panel di paesi con informazioni sul PIL e sui livelli medi di istruzione per stimare i rendimenti sociali dell istruzione, tenendo conto di effetti dinamici. Il modello da stimare è il seguente: + (i=1,,n; t=1,,t). Dove è il PIL pro-capite per lavoratore nel paese i nell anno t e è il livello di istruzione pro-capite in anni nel paese i e nell anno t. Consideriamo gli anni istruzione come una variabile strettamente esogena, ma ipotizziamo correlazione tra gli effetti fissi relativi ai paesi e il PIL. Inoltre T è piccolo ed N è grande. a) Stimate il modello usando gli OLS pooled. Le stime di questa regressione sono consistenti? In che direzione vi aspettate che sia distorto il coefficiente? b) Stimate il modello usando lo stimatore in deviazioni dalle medie di gruppo. Le stime di questa regressione sono consistenti? In che direzione vi aspettate che sia distorto il coefficiente? c) Indicate con e con, rispettivamente, la stima OLS e WG del parametro. Rispetto a questi coefficienti, quale valore vi aspettate che assuma la stima consistente di,? d) Stimate il modello in differenze prime usando lo stimatore con variabili strumentali di Anderson-Hsiao. Vi aspettate che il valore di sia? Perché? e) Stimate il modello con lo stimatore di Arellano-Bond in differenze prime. Vi aspettate che il valore di sia? Perché? f) Testate per la presenza di auto correlazione nel termine di errore. Qual è l obiettivo del test? Che cosa concludete? 5

7 Soluzione a) Un problema immediato nell applicare gli OLS a questo problema è che la variabile y it-1 è correlata con gli effetti fissi non osservati nel termine di errore composto e questo dà luogo alla distorsione da eterogeneità non osservata. Per capire meglio questo punto supponete che il PIL del paese i subisca un forte shock negativo in uno degli anni compresi nel periodo di investigazione, a causa di una catastrofe naturale (un terremoto) che colpisce il paese i. Tale shock non è osservato e perciò è incluso nel termine di errore composto. A parità di altre condizioni, l effetto fisso non osservato per il paese considerato per l intero periodo di investigazione cioè la differenza tra l intercetta relativa a quel paese (che cattura tutti i fattori che hanno un impatto sul PIL al tempo t che sono fissi nel tempo e diversi dalle variabili esplicative incluse nel modello) e la media campionaria, cioè l intercetta media per l intero campione di paesi - sarà più basso. Al tempo t+1, sia il PIL ritardato, sia l effetto fisso saranno entrambi più bassi. Questa correlazione positiva tra un regressore (il PIL ritardato di un periodo) ed il termine di errore composto viola una delle assunzione richieste per la consistenza degli OLS. In particolare, il coefficiente del PIL ritardato (di y it-1 ) è sovrastimato (distorsione verso l alto) e pertanto attribuisce a questa variabile un potere esplicativo che in realtà è da attribuire all effetto fisso non osservato. Notate che in questo panel T è piccolo. Se T fosse molto grande, l effetto dello shock negativo sarebbe spalmato su molti periodi di tempo e diventerebbe irrilevante e perciò non ci sarebbe alcun problema di distorsione. Il coefficiente è distorto verso l alto. b) La trasformazione in deviazioni dalle medie di gruppo genera un altra distorsione, da panel dinamico (o di Nickell, 1981). Con la trasformazione within groups, la variabile dipendente ritardata diventa: mentre l errore diventa: (ricordate che l uso di una variabile ritardata come regressore limita il campione alle osservazioni a t=2,,t). Il problema è che il termine nella variabile è correlato negativamente con il termine nella variabile e, simmetricamente, anche i termini e si muovono insieme. Perciò anche dopo la trasformazione dei dati, la dipendente ritardata e l errore sono ancora correlati. Questa correlazione andrebbe a zero se T fosse molto grande perché i termini e diventerebbero piccolissimi e il problema sarebbe irrilevante. il coefficiente è distorto verso il basso. c) Possiamo considerare le stime e come i limiti superiore e inferiore dell intervallo di confidenza relativo alla stima consistente di. Ci aspettiamo che il valore di cada in questo intervallo. d) Stimando il modello in differenze con i 2SLS potremmo ottenere stime consistenti di, ma tali stime sarebbero inefficienti perché gli errori in differenze prime, Δ sono auto correlati, sotto l assunzione che gli errori in livelli, siano non correlati. I 2SLS non sono efficienti asintoticamente anche se usiamo un set di strumenti più ricco per ciascuna equazione e anche se gli errori sono omoschedastici. e) f) Stimando il modello con lo stimatore di Arellano-Bond in differenze prime il valore di sarà quello consistente. Quando T>3 e il modello è sovra identificato (abbiamo più strumenti che parametri da stimare) la validità delle condizioni dei momenti Δ 0 usate per identificare gli strumenti validi può essere testata con il test di sovra identificazione di Sargan o con il test di 6

8 Hansen. Sotto l ipotesi nulla che le condizioni dei momenti siano valide, il test di Sargan si distribuisce come una Chi-quadrato con gradi di libertà pari alla differenza tra il numero degli strumenti validi e il numero dei parametri da stimare. L assunzione identificante, in questo caso, è che non ci sia correlazione seriale negli errori in livelli. Questa assunzione (assenza di correlazione seriale negli errori in livelli) equivale adassumere che non ci sia correlazione seriale di secondo ordine nei residui in differenze prime. Per esempio: Se gli errori in livelli sono affetti da autocorrelazione del primo ordine AR(1) avremo: 1 allora gli errori in differenze prime saranno affetti da autocorrelazione di secondo ordine AR(2): 1 Δ 2 1. Di conseguenza non sarebbe uno strumento valido per l equazione in differenze prime, ma ed ulteriori ritardi continuerebbero ad essere strumenti validi. In questo caso sarebbe identificato usando un insieme più ristretto di strumenti, soltanto se T>=4. Se i sono non correlati serialmente, ci aspettiamo pertanto di trovare una correlazione seriale negativa del primo ordine nei residui in differenze per costruzione, perché 1 Δ Δ ma nessuna correlazione di secondo ordine nei residui in differenze. 7

MODELLO DI REGRESSIONE PER DATI DI PANEL

MODELLO DI REGRESSIONE PER DATI DI PANEL MODELLO DI REGRESSIONE PER DAI DI PANEL 5. Introduzione Storicamente l analisi econometrica ha proceduto in due distinte direzioni: lo studio di modelli macroeconomici, sulla base di serie temporali di

Dettagli

Regressione Lineare con un Singolo Regressore

Regressione Lineare con un Singolo Regressore Regressione Lineare con un Singolo Regressore Quali sono gli effetti dell introduzione di pene severe per gli automobilisti ubriachi? Quali sono gli effetti della riduzione della dimensione delle classi

Dettagli

Appunti di Econometria

Appunti di Econometria Appunti di Econometria ARGOMEO [5]: ANALISI DEI DATI PANEL Maria Luisa Mancusi Università Bocconi Novembre 2009 1 I dati panel Un panel è un campione che contiene osservazioni su N individui per T anni.

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato

Dettagli

Il modello di regressione lineare multivariata

Il modello di regressione lineare multivariata Il modello di regressione lineare multivariata Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2013 Rossi MRLM Econometria - 2013 1 / 39 Outline 1 Notazione 2 il MRLM 3 Il modello partizionato 4 Collinearità

Dettagli

Applicazione alla domanda di sigarette (SW Par 12.4)

Applicazione alla domanda di sigarette (SW Par 12.4) Applicazione alla domanda di sigarette (SW Par 12.4) Perche ci interessa conoscere l elastica della domanda di sigarette? Teoria della tassazione ottimale: l imposta ottimale e l inverso dell elastica

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

Verifica di ipotesi e intervalli di confidenza nella regressione multipla

Verifica 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

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,

Dettagli

Regressione Mario Guarracino Data Mining a.a. 2010/2011

Regressione Mario Guarracino Data Mining a.a. 2010/2011 Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor

Dettagli

Capitolo 12 La regressione lineare semplice

Capitolo 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 Economia Facoltà di Economia, Università di Ferrara

Dettagli

Modello di regressione lineare

Modello di regressione lineare Modello di regressione lineare a cura di Giordano dott. Enrico enrico.giordano@meliorbanca.com Nel presente lavoro viene descritto in modo dettagliato (attraverso anche un impatto visivo), l analisi di

Dettagli

lezione 18 AA 2015-2016 Paolo Brunori

lezione 18 AA 2015-2016 Paolo Brunori AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo

Dettagli

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi

Dettagli

1 BREVE RIPASSO DEI TEST STATISTICI 2 I TEST STATISTICI NEI SOFTWARE ECONOMETRICI E IL P-VALUE 3 ESERCIZI DI ALLENAMENTO

1 BREVE RIPASSO DEI TEST STATISTICI 2 I TEST STATISTICI NEI SOFTWARE ECONOMETRICI E IL P-VALUE 3 ESERCIZI DI ALLENAMENTO I TEST STATISTICI E IL P-VALUE Obiettivo di questo Learning Object è ripassare la teoria ma soprattutto la pratica dei test statistici, con un attenzione particolare ai test che si usano in Econometria.

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

STATISTICA INFERENZIALE

STATISTICA INFERENZIALE STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p

Dettagli

6. Modelli statistici: analisi della regressione lineare

6. Modelli statistici: analisi della regressione lineare BIOSTATISTICA 6. Modelli statistici: analisi della regressione lineare Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

3) ANALISI DEI RESIDUI

3) ANALISI DEI RESIDUI 3) ANALISI DEI RESIDUI Dopo l analisi di regressione si eseguono alcuni test sui residui per avere una ulteriore conferma della validità del modello e delle assunzioni (distribuzione normale degli errori,

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

Inferenza statistica I Alcuni esercizi. Stefano Tonellato

Inferenza statistica I Alcuni esercizi. Stefano Tonellato Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,

Dettagli

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione

Dettagli

Statistica. Lezione 6

Statistica. Lezione 6 Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

Appunti di Econometria

Appunti di Econometria Appunti di Econometria ARGOMENTO [2]: ESTENSIONI DEL MODELLO LINEARE Tommaso Nannicini Università Bocconi Ottobre 2010 1 Scelta della forma funzionale Abbiamo visto che abbandonare l assunzione di normalità

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

La Regressione Lineare

La Regressione Lineare La Regressione Lineare. Cos è l Analisi della Regressione Multipla? L analisi della regressione multipla è una tecnica statistica che può essere impiegata per analizzare la relazione tra una variabile

Dettagli

La regressione lineare multipla

La regressione lineare multipla 13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività

Dettagli

La Minimizzazione dei costi

La Minimizzazione dei costi La Minimizzazione dei costi Il nostro obiettivo è lo studio del comportamento di un impresa che massimizza il profitto sia in mercati concorrenziali che non concorrenziali. Ora vedremo la fase della minimizzazione

Dettagli

Limited Dependent Variable Models

Limited Dependent Variable Models Limited Dependent Variable Models Logit Tobit Probit Modelli Logit e Probit Latent variable models for binary choice Models for descrete dependent variable Traducendo Spesso vogliamo studiare (le determinanti

Dettagli

Excel Terza parte. Excel 2003

Excel Terza parte. Excel 2003 Excel Terza parte Excel 2003 TABELLA PIVOT Selezioniamo tutti i dati (con le relative etichette) Dati Rapporto tabella pivot e grafico pivot Fine 2 La tabella pivot viene messa di default in una pagina

Dettagli

RISCHIO E RENDIMENTO DEGLI STRUMENTI FINANZIARI. Docente: Prof. Massimo Mariani

RISCHIO E RENDIMENTO DEGLI STRUMENTI FINANZIARI. Docente: Prof. Massimo Mariani RISCHIO E RENDIMENTO DEGLI STRUMENTI FINANZIARI Docente: Prof. Massimo Mariani 1 SOMMARIO Il rendimento di un attività finanziaria: i parametri rilevanti Rendimento totale, periodale e medio Il market

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

Dettagli

STATISTICA IX lezione

STATISTICA IX lezione Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che Statistica Cognome: Laurea Triennale in Biologia Nome: 26 luglio 2012 Matricola: Tema A 1. Parte A 1.1. Sia x 1, x 2,..., x n un campione di n dati con media campionaria x e varianza campionaria s 2 x

Dettagli

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008 Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi

Dettagli

Econometria applicata all intermediazione finanziaria Esercizi regressione multipla

Econometria applicata all intermediazione finanziaria Esercizi regressione multipla Econometria applicata all intermediazione finanziaria Esercizi regressione multipla Tiziano Razzolini Università di Siena. mail: razzolini4@unisi.it 3 aprile 2012 Esercizi 6.1-6.4 e 7.1-7.4 Questi esercizi

Dettagli

Istituzioni di Economia Laurea Triennale in Ingegneria Gestionale. Lezione 24 Il mercato dei beni

Istituzioni di Economia Laurea Triennale in Ingegneria Gestionale. Lezione 24 Il mercato dei beni UNIVERSITÀ DEGLI STUDI DI BERGAMO Laurea Triennale in Ingegneria Gestionale Lezione 24 Il mercato dei beni Prof. Gianmaria Martini Domanda ed offerta Uno degli schemi logici fondamentali dell analisi economica

Dettagli

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2. Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Elaborazione dati in Analisi Sensoriale

Elaborazione dati in Analisi Sensoriale Elaborazione dati in Analisi Sensoriale Si è parlato di interpretazione corretta dei risultati ottenuti; a questo concorrono due fattori: affidabilità e validità. Se i test fossero stati ripetuti con lo

Dettagli

Lezione n. 2 (a cura di Chiara Rossi)

Lezione n. 2 (a cura di Chiara Rossi) Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,

Dettagli

Capitolo 11 Test chi-quadro

Capitolo 11 Test chi-quadro Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova

Dettagli

Macroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.

Macroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo. acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al

Dettagli

Elaborazione dei dati su PC Regressione Multipla

Elaborazione dei dati su PC Regressione Multipla 21 Elaborazione dei dati su PC Regressione Multipla Analizza Regressione Statistiche Grafici Metodo di selezione Analisi dei dati 21.1 Introduzione 21.2 Regressione lineare multipla con SPSS 21.3 Regressione

Dettagli

è decidere sulla verità o falsità

è decidere sulla verità o falsità I test di ipotesi I test di ipotesi Il test delle ipotesi consente di verificare se, e in quale misura, una determinata ipotesi (di carattere sociale, biologico, medico, economico, ecc.) è supportata dall

Dettagli

L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt

L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se

Dettagli

Analisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni

Analisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni Statistica Economica Materiale didattico a cura del docente Analisi dei residui Test Esatto di Fisher Differenza fra proporzioni 1 Analisi dei residui Il test statistico ed il suo p-valore riassumono la

Dettagli

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui

Dettagli

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento Analisi della varianza a una via a misure ripetute (Anova con 1 fattore within) modello strutturale dell'analisi della varianza a misure ripetute con 1 fattore: y = μ ik 0 +π i +α k + ik ε ik interazione

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte

Dettagli

Analisi di scenario File Nr. 10

Analisi di scenario File Nr. 10 1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html

Dettagli

La regressione lineare applicata a dati economici

La regressione lineare applicata a dati economici La regressione lineare applicata a dati economici Matteo Pelagatti 7 febbraio 2008 Indice 1 Il modello lineare 2 2 La stima dei coefficienti e le ipotesi classiche 2 3 Le conseguenze del venir meno di

Dettagli

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie Università del Piemonte Orientale Corso di dottorato in medicina molecolare aa 2002 2003 Corso di Statistica Medica Inferenza sulle medie Statistica U Test z Test t campioni indipendenti con uguale varianza

Dettagli

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180

Dettagli

Temi di Esame a.a. 2012-2013. Statistica - CLEF

Temi di Esame a.a. 2012-2013. Statistica - CLEF Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei

Dettagli

Concetto di potenza statistica

Concetto di potenza statistica Calcolo della numerosità campionaria Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Concetto di potenza statistica 1 Accetto H 0 Rifiuto H 0 Ipotesi Nulla (H

Dettagli

1. Exponential smoothing. Metodi quantitativi per i mercati finanziari. Capitolo 5 Analisi dei prezzi. Consideriamo la media mobile esponenziale

1. Exponential smoothing. Metodi quantitativi per i mercati finanziari. Capitolo 5 Analisi dei prezzi. Consideriamo la media mobile esponenziale 1. Exponential smoothing Consideriamo la media mobile esponenziale Metodi quantitativi per i mercati finanziari XMA t = (1 α)xma t 1 + αp t come previsione del prezzo al tempo T + 1 sulla base dell insieme

Dettagli

Università di Siena Sede di Grosseto Secondo Semestre 2010-2011. Macroeconomia. Paolo Pin ( pin3@unisi.it ) Lezione 3 18 Aprile 2011

Università di Siena Sede di Grosseto Secondo Semestre 2010-2011. Macroeconomia. Paolo Pin ( pin3@unisi.it ) Lezione 3 18 Aprile 2011 Università di Siena Sede di Grosseto Secondo Semestre 2010-2011 Macroeconomia Paolo Pin ( pin3@unisi.it ) Lezione 3 18 Aprile 2011 Nuovo Orario Riassunto lezione precedente Definizione e misurazione: PIL

Dettagli

EMBA PART TIME 2012 ROMA I ANNO

EMBA PART TIME 2012 ROMA I ANNO BUSINESS STATISTICS: ASSIGNMENT II: EMBA PART TIME 2012 ROMA I ANNO PROF. MOSCONI ESERCIZIO 1: USO DEL MODELLO DI REGRESSIONE PER DETERMINARE IL VALORE DEGLI IMMOBILI. ESERCIZIO 2: PREVISIONE DI VARIABILI

Dettagli

FONDAMENTI DI PSICOMETRIA - 8 CFU

FONDAMENTI DI PSICOMETRIA - 8 CFU Ψ FONDAMENTI DI PSICOMETRIA - 8 CFU STIMA DELL ATTENDIBILITA STIMA DELL ATTENDIBILITA DEFINIZIONE DI ATTENDIBILITA (affidabilità, fedeltà) Grado di accordo tra diversi tentativi di misurare uno stesso

Dettagli

Econometria. lezione 17. variabili dipendenti binarie. Econometria. lezione 17. AA 2014-2015 Paolo Brunori

Econometria. lezione 17. variabili dipendenti binarie. Econometria. lezione 17. AA 2014-2015 Paolo Brunori AA 2014-2015 Paolo Brunori domande di mutui rigettate - nei dati raccolti a Boston negli anni 90 il tasso di rifiuto è 28% per i neri e 9% per i bianchi - si può parlare di discriminazione? - è possibili

Dettagli

Il vantaggio comparato. Il vantaggio comparato. Il vantaggio comparato

Il vantaggio comparato. Il vantaggio comparato. Il vantaggio comparato Il vantaggio comparato Nel giorno di San Valentino la domanda statunitense di rose è di circa 10 milioni. Coltivare rose negli Stati Uniti d inverno è difficile. E necessario l uso di serre riscaldate.

Dettagli

Metodi di previsione

Metodi 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

Dettagli

Nota su Crescita e Convergenza

Nota su Crescita e Convergenza Nota su Crescita e Convergenza S. Modica 28 Ottobre 2007 Nella prima sezione si considerano crescita lineare ed esponenziale e le loro proprietà elementari. Nella seconda sezione si spiega la misura di

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE n. 5 (a cura di Antonio Di Marco) LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica

Dettagli

In un sistema (economico) un ampia varietà di eventi incerti possono determinare la ricchezza di uno o più individui del sistema.

In un sistema (economico) un ampia varietà di eventi incerti possono determinare la ricchezza di uno o più individui del sistema. Rischio In un sistema economico) un ampia varietà di eventi incerti possono determinare la ricchezza di uno o più individui del sistema. Alcuni esempi rappresentativi: - il verificarsi di un terremoto

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città

Dettagli

Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza

Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza 3 maggio 2005 Esercizio 1 Consideriamo l esempio del libro di testo Annette

Dettagli

Controllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni

Controllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni Controllo Statistico della Qualità Qualità come primo obiettivo dell azienda produttrice di beni Qualità come costante aderenza del prodotto alle specifiche tecniche Qualità come controllo e riduzione

Dettagli

Inferenza statistica. Statistica medica 1

Inferenza statistica. Statistica medica 1 Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella

Dettagli

Esercitazioni del corso di Statistica Prof. Mortera a.a. 2010/2011. Esercizi di stima puntuale, intervalli di confidenza e test T 2 = 1 2 X

Esercitazioni del corso di Statistica Prof. Mortera a.a. 2010/2011. Esercizi di stima puntuale, intervalli di confidenza e test T 2 = 1 2 X Esercitazioni del corso di Statistica Prof. Mortera a.a. 2010/2011 Esercizi di stima puntuale, intervalli di confidenza e test 1. Si consideri il campione (X 1, X 2, X 3, X 4 ) composto da variabili i.i.d.

Dettagli

Basi di matematica per il corso di micro

Basi di matematica per il corso di micro Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione

Dettagli

L Analisi della Varianza ANOVA (ANalysis Of VAriance)

L Analisi della Varianza ANOVA (ANalysis Of VAriance) L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni

Dettagli

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale Piacenza, 0 marzo 204 La preparazione della tesi di Laurea Magistrale ma questa statistica a che cosa serve? non vedo l ora di cominciare a lavorare per la tesi. e dimenticarmi la statistica!! il mio relatore

Dettagli

Macroeconomia, Esercitazione 6. 1 Esercizi. 1.1 Taylor rule e Domanda Aggregata Dinamica/1. 1.2 Taylor rule e Domanda Aggregata Dinamica/2

Macroeconomia, Esercitazione 6. 1 Esercizi. 1.1 Taylor rule e Domanda Aggregata Dinamica/1. 1.2 Taylor rule e Domanda Aggregata Dinamica/2 Macroeconomia, Esercitazione 6 A cura di Giuseppe Gori (giuseppe.gori@unibo.it) Esercizi. Taylor rule e Domanda Aggregata Dinamica/ Sapete che =0, 5, Y =0, 3 e che il tasso d interesse naturale è pari

Dettagli

Analisi di dati di frequenza

Analisi di dati di frequenza Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato

Dettagli

Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test

Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che

Dettagli

Mining Positive and Negative Association Rules:

Mining Positive and Negative Association Rules: Mining Positive and Negative Association Rules: An Approach for Confined Rules Alessandro Boca Alessandro Cislaghi Premesse Le regole di associazione positive considerano solo gli item coinvolti in una

Dettagli

Test di restrizioni lineari nel MRLM: Esempi

Test 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

Dettagli

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo

Dettagli

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1 Potenza dello studio e dimensione campionaria Laurea in Medicina e Chirurgia - Statistica medica 1 Introduzione Nella pianificazione di uno studio clinico randomizzato è fondamentale determinare in modo

Dettagli

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

Esercizi riassuntivi di probabilità

Esercizi riassuntivi di probabilità Esercizi riassuntivi di probabilità Esercizio 1 Una ditta produttrice di fotocopiatrici sa che la durata di una macchina (in migliaia di copie) si distribuisce come una normale con µ = 1600 e 2 = 3600.

Dettagli