Stima dei sistemi di equazioni simultanee
|
|
- Leo Baldi
- 7 anni fa
- Visualizzazioni
Transcript
1 Università di Pavia Stima dei sistemi di equazioni simultanee Eduardo Rossi University of Pavia
2 Stima dei SES Limited Information OLS 2STLS K CLASS H CLASS Full Information FIMLE 3STLS FIIV Eduardo Rossi - Macroeconometria 2
3 Stima OLS Consideriamo la prima equazione del sistema: y tγu c 1 + x tbu c 1 = ǫ tu c 1 y tγ c 1 + x tb c 1 = ǫ 1t t = 1,,T sappiamo che il primo elemento di γ c 1 = 1: y 1t = y t γ 1 + x tb 1 + ǫ 1t γ 1 = b 1 = γ 1 0 b 1 0 Eduardo Rossi - Macroeconometria 3
4 Stima OLS con γ 1 = γ 2,1 γ 3,1 b 1 = b 1,1 b 2,1 γ g1 1,1 b k1,1 Eduardo Rossi - Macroeconometria 4
5 Stima OLS in forma matriciale: y 1 = Y 1γ 1 + X 1 b 1 + ǫ 1 (1) sia Z 1 = [Y 1 X 1 ] e δ 1 = [γ 1 b 1 ] la (1) può essere scritta come: y 1 = Z 1 δ 1 + ǫ 1 lo stimatore OLS di δ 1 è: ˆδ 1OLS = (Z 1Z 1 ) 1 Z 1y 1 = δ 1 + (Z 1Z 1 ) 1 Z 1ǫ 1 Eduardo Rossi - Macroeconometria 5
6 Stima OLS ˆδ 1OLS = δ+ Y 1 Y1 Y1 X X Y1 X X 1 Y 1 ǫ 1 X ǫ 1 dove p lim X ǫ 1 T = 0 ma p lim Y 1 ǫ 1 T inconsistente di δ 0 ˆδ 1OLS è uno stimatore Eduardo Rossi - Macroeconometria 6
7 Stima OLS - Sistemi triangolari Gli stimatori OLS equazione per equazione sono consistenti quando il modello è ricorsivo e la matrice Σ di varianza e covarianza è diagonale: y 1t = β 1x t +ǫ 1t y 2t = γ 12 y 1t +β 2x t +ǫ 2t y 3t = γ 13 y 1t +γ 23 y 2t +β 3x t +ǫ 3t = y gt = γ 1g y 1t +γ 2g y 2t +γ g 1,g y g 1,t +β gx t +ǫ gt Eduardo Rossi - Macroeconometria 7
8 Stimatore delle variabili strumentali A Caso generale Consideriamo la prima equazione: y 1t = y t γ 1 + x tb 1 + ǫ 1t t = 1,,T sia Z 1 = [Y 1 X 1 ] e δ 1 = [γ 1 b 1 ] la prima equazione puó essere riscritta in forma compatta come: y 1 = Z 1 δ 1 + ǫ 1 Un metodo generale per ottenere delle stime consistenti di δ é tramite il metodo delle variabili strumentali Sia W 1 (T (g k 1 )) la matrice delle variabili strumentali Come tale essa soddisfa i requisiti per le variabili strumentali: plim 1 T W 1Z 1 = Σ WZ Eduardo Rossi - Macroeconometria 8
9 Stimatore delle variabili strumentali con Σ WZ matrice finita non singolare e plim 1 T W 1ǫ 1 = 0 plim 1 T W 1W 1 = Σ WW con Σ WW matrice definita positiva Eduardo Rossi - Macroeconometria 9
10 Stimatore delle variabili strumentali Lo stimatore delle variabili strumentali: ˆδ 1IV = (W 1Z 1 ) 1 W 1y 1 ˆδ 1IV é uno stimatore consistente con matrice di varianza-covarianza asintotica pari a: σ1 2 [ ] W 1 [ ] [ T plim 1 Z 1 W 1 W 1 Z 1 W 1 T T T = σ2 1 T [ Σ 1 WZ Σ WWΣ 1 ] ZW ] 1 uno stimatore consistente della varianza σ 2 1 è dato da: σ 2 1 = (y 1 Z 1ˆδ1IV ) (y 1 Z 1ˆδ1IV ) T Eduardo Rossi - Macroeconometria 10
11 Stimatore delle variabili strumentali B Equazione esattamente identificata g 1 1 = k k 1 Intuitivamente abbiamo esattamente uno strumento per ogni variabile endogena inclusa La matrice delle variabili strumentali sará: W 1 = X e lo stimatore delle variabili strumentali é: ˆδ 1IV = [X Z 1 ] 1 X y 1 stimatore consistente per un equazione esattamente identificata è lo stimatore determinato dalle variabili strumentali formate da tutte le esogene del sistema Eduardo Rossi - Macroeconometria 11
12 Stimatore delle variabili strumentali C Equazione sovraidentificata k k 1 > g 1 1 In questo caso la matrice X non può essere utilizzata come matrice delle variabili strumentali perchè X Z, (K T) (T k 1 + g 1 1), non è invertibile L alternativa é il metodo di stima 2SLS Quali variabili strumentali utilizzare? Utilizzare un sottoinsieme delle variabili esogene a disposizione del sistema é inefficiente perché significa non utilizzare tutta l informazione a disposizione Eduardo Rossi - Macroeconometria 12
13 Stimatore delle variabili strumentali Pensiamo all espressione in forma ridotta per Y1: Y1 = XΠ 1 + V 1 che si ricava opportunamente dalla forma ridotta del sistema: Y = XΠ + V Il metodo 2SLS consiste nell utilizzare come strumenti per Y1, Ŷ 1: Ŷ1 = X ˆΠ 1 dove ˆΠ 1 è dato da: ˆΠ 1 = (X X) 1 X Y 1 Si può mostrare che questo è lo stimatore delle variabili strumentali più efficiente tra gli stimatori che utilizzano solo le colonne di X Eduardo Rossi - Macroeconometria 13
14 Stimatore delle variabili strumentali Lo stimatore a due stadi è pari a: ˆδ 2SLS = (W 1Z 1 ) 1 W 1y 1 dove W 1 = [Ŷ 1 X 1 ] (T (g k 1 )) ˆδ 2SLS = Ŷ 1 Y1 Ŷ 1 X 1 X 1Y 1 X 1X 1 1 Ŷ 1 y 1 X 1y 1 Eduardo Rossi - Macroeconometria 14
15 Full Information Estimation Method: 3SLS Possiamo riscrivere il sistema di equazioni nel modo seguente: y 1 y 2 y g = Z Z Z g δ 1 δ 2 δ g + ǫ 1 ǫ 2 ǫ g e in forma compatta Y = Zδ + ǫ con E[ǫ] = 0 e Eduardo Rossi - Macroeconometria 15
16 Full Information Estimation Method: 3SLS E[ǫǫ ] = E[ǫ 1 ǫ 1] E[ǫ 1 ǫ g] E[ǫ 2 ǫ 1] E[ǫ 2 ǫ g] E[ǫ g ǫ 1] E[ǫ g ǫ g] = = σ 2 1I T σ 1g I T σ g1 I T σ 2 gi T = Σ I T Eduardo Rossi - Macroeconometria 16
17 Full Information Estimation Method: 3SLS Lo stimatore OLS é dato da: ˆδ OLS = [Z Z] 1 Z Y Questo stimatore altro non é che lo stimatore OLS equazione per equazione Lo stimatore é inconsistente Assumiamo che sia disponibile uno stimatore consistente: ˆδ IV = [W Z] 1 W Y Lo stimatore piú efficiente è quello basato sul principio dello stimatore GLS: ˆδ IV,GLS = [W (Σ 1 I T )Z] 1 W (Σ 1 I T )Y Eduardo Rossi - Macroeconometria 17
18 Full Information Estimation Method: 3SLS Consideriamo come matrice di strumenti: X(X X) 1 X Z 1 0 W = Ẑ = 0 X(X X) 1 X Z 2 0 X(X X) 1 X Z g Ẑ Ẑ 2 0 Ẑ g dove Ẑ1 = [Ŷ 1 X 1 ] e Z 1 = [Y 1 X 1 ] = Eduardo Rossi - Macroeconometria 18
19 Full Information Estimation Method: 3SLS Lo stimatore delle variabili strumentali é dato da: ˆδ IV = [Ẑ Z] 1 Ẑ Y che altro non è che lo stimatore 2SLS fatto equazione per equazione: ˆδ 2SLS = [Ẑ Ẑ] 1 Ẑ Y Poichè questo stimatore è meno efficiente di uno stimatore GLS, ad esso sostituiamo lo stimatore di Aitken-Zellner: ˆδ 3SLS = [Ẑ (Σ 1 I T )Ẑ] 1 Ẑ (Σ 1 I T )Y Zellner e Theil suggeriscono, come stimatore consistente di Σ, di partire dai residui stimati con 2SLS: ˆǫ i = y i Z iˆδi,2sls Eduardo Rossi - Macroeconometria 19
20 Full Information Estimation Method: 3SLS Quindi per ogni equazione si puó calcolare: ˆσ ij = (y i Z iˆδi,2sls ) (y j Z jˆδj,2sls ) T Lo stimatore 3SLS è quindi calcolato secondo i seguenti passi: 1 Stimo Π con OLS e calcolo Ŷ i per ogni equazione 2 Calcolo ˆδ i per ogni equazione: ˆδ i = [Ẑ iẑi] 1 Ẑ iy i dove Ẑi = [Ŷ i X] e calcolo: ˆσ ij = (y i Z iˆδi,2sls ) (y j Z jˆδj,2sls ) T Eduardo Rossi - Macroeconometria 20
21 Full Information Estimation Method: 3SLS 3 Calcolo lo stimatore GLS secondo la: ˆδ 3SLS = [Ẑ (ˆΣ 1 I T )Ẑ] 1 Ẑ (ˆΣ 1 I T )Y Eduardo Rossi - Macroeconometria 21
1 Endogeneità, variabili strumentali
1 Endogeneità, variabili strumentali 1.1 Proprieta dello stimatore OLS Modello statistico y t = β 1 +β 2 x t2 +...+β k x tk +ε t y t = x tβ+ε t, Brevesommario: y t ex t sonovariabiliosservablimentre ε
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
DettagliAppunti di Econometria
Appunti di Econometria ARGOMENTO [3]: VARIABILI STRUMENTALI Tommaso Nannicini Università Bocconi Novembre 2010 E ho visto causa ad effetto che si scambiavano il ruolo Lorenzo Jovanotti Cherubini, Un buco
DettagliUna Breve Introduzione a E-views
1 Dipartimento di Economia Politica e Metodi Quantitativi Università di Pavia 25 Febbraio 2008 Outline Specificazione ARIMA 1 Specificazione ARIMA 2 3 Per specificare una modello ARIMA è necessario differenziare
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
DettagliIl modello di regressione lineare classico
Università di Pavia Il modello di regressione lineare classico Eduardo Rossi Ipotesi Il modello di regressione lineare classico y t = x tβ + ε t t = 1,...,N Y = Xβ + ε Se il modello ha un intercetta allora
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
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
DettagliSistemi sovradeterminati
Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione lineare di
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliIl modello di regressione lineare multipla 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
DettagliAlgebra lineare con R
Università di Napoli Federico II cristina.tortora@unina.it Standardizzare una variabile Standardizzazione Data una variabile X distribuita secondo una media µ e una varianza σ 2 la standardizzazione permette
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
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
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
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
DettagliInflazione, disoccupazione e moneta
Macroeconomia (Clamm) - a.a. 2011/2012 Contenuto Curva di Phillips e aspettative 1 Curva di Phillips e aspettative 2 3 4 Curva di Phillips Offerta aggregata: con: P t livello generale dei prezzi; P e t
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliMinimi quadrati vincolati e test F
Minimi quadrati vincolati e test F Impostazione del problema Spesso, i modelli econometrici che stimiamo hanno dei parametri che sono passibili di interpretazione diretta nella teoria economica. Consideriamo
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
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
Dettagli1 Alcuni risultati sulle variabili Gaussiane multivariate
Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor
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
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
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliTest F per la significatività del modello
Test F per la significatività del modello Per verificare la significatività dell intero modello si utilizza il test F Si vuole verificare l ipotesi H 0 : β 1 = 0,, β k = 0 contro l alternativa che almeno
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
DettagliI teoremi della funzione inversa e della funzione implicita
I teoremi della funzione inversa e della funzione implicita Appunti per il corso di Analisi Matematica 4 G. Mauceri Indice 1 Il teorema della funzione inversa 1 Il teorema della funzione implicita 3 1
DettagliRegressione multipla
Regressione multipla L obiettivo è costruire un modello probabilistico per spiegare la variabile y tramite più di una variabile indipendente x 1, x 2,..., x k. Esempio: Per un efficiente progettazione
Dettagli2. Calcolare l area della regione Ω contenuta nel primo quadrante, delimitata dalle seguenti curve. : y = x 2 + x γ 2 : y = x 2 γ 3 : y = 1 x 2.
Politecnico di Milano Ingegneria Industriale Analisi e Geometria Esercizi sul calcolo integrale. Calcolare l area della regione Ω contenuta nel primo quadrante, deitata dalle seguenti curve γ : y + γ :
DettagliMATRICI E SISTEMI LINEARI
1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliCorso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010.
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010 Statistica Esercitazione 4 12 maggio 2010 Dipendenza in media. Covarianza e
DettagliTutorato di Complementi di Analisi Matematica e Statistica Parte di Analisi 6 e 10 aprile 2017
Tutorato di Complementi di Analisi Matematica e Statistica Parte di Analisi 6 e 10 aprile 2017 Esercizi: serie di potenze e serie di Taylor 1 Date le serie di potenze a.) n=2 ln(n) n 3 (x 5)n b.) n=2 ln(n)
Dettagliobbligatorio - n. iscrizione sulla lista
02.09.2015 - appello di STATISTICA per studenti ENE - docente: E. Piazza obbligatorio - n. iscrizione sulla lista il presente elaborato si compone di 5 (cinque) pagine se non ve lo ricordate siete fritti;
DettagliNel modello di regressione Multivariata abbiamo più variabili risposta (tipicamente poche), in particolare avremo:
Lezione 15 (a cura di Giovanni Mariani) Regressione Multivariata Consideriamo yiyr, con r = numero variabili risposta xixk, con k = numero varibili esplicative Nel modello di regressione Multivariata abbiamo
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
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
DettagliProprietà asintotiche stimatori OLS e statistiche collegate
Proprietà asitotiche stimatori OLS e statistiche collegate Eduardo Rossi 2 2 Uiversità di Pavia (Italy) Maggio 2014 Rossi Proprietà asitotiche Ecoometria - 2014 1 / 30 Sommario Risultati prelimiari Distribuzioe
DettagliDecomposizione LU di una matrice quadrata
Appendice al Cap. 5 Decomposizione LU di una matrice quadrata Una qualunque matrice quadrata M = {m ij } di ordine N, reale, invertibile, i cui minori principali siano tutti non nulli, si può sempre decomporre
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,
DettagliMetodo dei minimi quadrati e matrice pseudoinversa
Scuola universitaria professionale della Svizzera italiana Dipartimento Tecnologie Innovative Metodo dei minimi quadrati e matrice pseudoinversa Algebra Lineare Semestre Estivo 2006 Metodo dei minimi quadrati
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliLa regressione fuzzy. Capitolo I limiti della regressione classica. a cura di Fabrizio Maturo
Capitolo 14 La regressione fuzzy a cura di Fabrizio Maturo 14.1 I limiti della regressione classica L analisi di regressione offre una possibile soluzione per studiare l effetto di una o più variabili
DettagliLezione 2 Aprile 19, Il filtro di Kalman: derivazione delle equazioni
PSC: Progettazione di sistemi di controllo III Trim. 2007 Lezione 2 Aprile 19, 2007 Docente: Luca Schenato Stesori: Schenato 2.1 Il filtro di Kalman: derivazione delle equazioni Si consideri il modello
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliSlides estratte dalla tesi: EMT: UNA LIBRERIA MATLAB PER METODI DI ESTRAPOLAZIONE ED APPLICAZIONI
Slides estratte dalla tesi: EMT: UNA LIBRERIA MATLAB PER METODI DI ESTRAPOLAZIONE ED APPLICAZIONI Corso di Laurea in Matematica Laureanda: Elena De Cia Relatore: Prof. Michela Redivo Zaglia Università
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
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni di
DettagliLezione 18. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 18. A. Iodice
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 45 Outline 1 2 3 4 5 () Statistica 2 / 45 Modello di In molte applicazioni il ruolo delle variabili
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
DettagliCORSO DI ANALISI MATEMATICA 2 SOLUZIONI ESERCIZI PROPOSTI 15/04/2013
CORSO DI ANALISI MATEMATICA SOLUZIONI ESERCIZI PROPOSTI 5/04/03 D.BARTOLUCCI, D.GUIDO. Integrali Impropri Esercizio. (CRITERIO DEL CONFRONTO). Dimostrare che se f : (a, b] R e g(x) : (a, b] R sono integrabili
DettagliSimulazioni e Metodi Montecarlo Cercano gli stati fondamentali di sistemi complessi non risolubili analiticamente e le loro proprietà analoghi per
Simulazioni e Metodi Montecarlo Cercano gli stati fondamentali di sistemi complessi non risolubili analiticamente e le loro proprietà analoghi per molti versi al problema del commesso viaggiatore lasciano
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
DettagliPunti di massimo o di minimo per funzioni di n variabili reali
Punti di massimo o di minimo per funzioni di n variabili reali Dati f : A R n R ed X 0 A, X 0 si dice : punto di minimo assoluto se X A, f ( x ) f ( X 0 ) punto di massimo assoluto se X A, f ( x ) f (
DettagliStatistical Process Control
Statistical Process Control ESERCIZI II Esercizio 1. Una ditta che produce schermi a cristalli liquidi deve tenere in controllo il numero di pixel non funzionanti. Vengono ispezionati venti schermi alla
DettagliCAPITOLO 1 LA FUNZIONE DI PRODUZIONE E LA CRESCITA ECONOMICA
CAPITOLO 1 LA FUZIOE DI PRODUZIOE E LA CRESCITA ECOOMICA 11 La funzione di produzione Data una funzione di produzione in cui la quantità prodotta () dipende dalla quantità di capitale () e di lavoro ()
DettagliRaggiungibilità, Controllabilità, Osservabilità e Determinabilità
Raggiungibilità, Controllabilità, Osservabilità e Determinabilità Si determini se i sistemi lineari tempo invarianti ẋ(t) = Ax(t) + Bu(t), Σ c : y(t) = Cx(t) + Du(t). x(k + ) = Ax(k) + Bu(k), Σ d : y(k)
DettagliSTATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE
STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 2 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1.1
DettagliStima dei parametri di un sistema di ODE
Stima dei parametri di un sistema di ODE May 22, 2007 Questi appunti sono ispirati al Cap. 3 del libro Metodi Numerici e Statistici per le Scienze Applicate del Prof. V. Comincioli, disponibile all indirizzo
Dettagli8 Metodi iterativi per la risoluzione di sistemi lineari
8 Metodi iterativi per la risoluzione di sistemi lineari È dato il sistema lineare Ax = b con A R n n e x, b R n, con deta 0 Si vogliono individuare dei metodi per determinarne su calcolatore la soluzione,
DettagliAnalisi della correlazione canonica
Capitolo 8 Analisi della correlazione canonica Si supponga che su un collettivo di unità statistiche si siano osservati due gruppi di k ed m variabili corrispondenti ad altrettanti aspetti di un fenomeno
DettagliModelli Multilineari e Misure di adeguatezza del modello
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Modelli Multilineari e Misure di adeguatezza del modello Sommario Regressione multilineare Coefficiente di determinazione (modelli
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
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
DettagliEsercizio 1. Esercizio 2
Sia data la matrice A A(α) = Esercizio α 2 2α 2 2, α R.) determinare per quali valori del parametro reale α é verificata la condizione necessaria e sufficiente di convergenza per il metodo di Jacobi;.2)
DettagliStatistica a lungo termine: calcolo dell onda di progetto
Esercitazione Statistica a lungo termine: calcolo dell onda di progetto Sulla base delle misure ondametriche effettuate dalla boa di Ponza si calcoli, utilizzando la distribuzione di probabilità di Gumbel,
Dettagli3x 2 = 6. 3x 2 x 3 = 6
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, GParmeggiani LEZIONE 7 Sistemi lineari Scrittura matriciale di un sistema lineare Def 1 Un sistema di m equazioni ed n incognite x 1, x 2, x n, si dice
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliContenuti: Capitolo 14 del libro di testo
Test d Ipotesi / TIPICI PROBLEMI DI VERIFICA DI IPOTESI SONO Test per la media Test per una proporzione Test per la varianza Test per due campioni indipendenti Test di indipendenza Contenuti Capitolo 4
DettagliEsercizi sulla soluzione dell equazione delle onde con il metodo della serie di Fourier
Esercizi sulla soluzione dell equazione delle onde con il metodo della serie di Fourier Corso di Fisica Matematica 2, a.a. 2013-2014 Dipartimento di Matematica, Università di Milano 13 Novembre 2013 1
DettagliMetodi computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
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,
DettagliTest per l omogeneità delle varianze
Test per l omogeneità delle varianze Le carte di controllo hanno lo scopo di verificare se i campioni estratti provengono da un processo produttivo caratterizzato da un unico valore dello s.q.m. σ. Una
DettagliPROBABILITA. ESERCIZIO: In un urna ci sono 2 biglie rosse, 2 biglie bianche ed 1 biglia gialla.
PROBABILITA ESERCIZIO: In un urna ci sono 2 biglie rosse, 2 biglie bianche ed 1 biglia gialla. a) Si eseguono due estrazioni con rimessa, calcolare la probabilità che le biglie estratte abbiano lo stesso
DettagliGeometria BIAR Esercizi 2
Geometria BIAR 0- Esercizi Esercizio. a Si consideri il generico vettore v b R c (a) Si trovi un vettore riga x (x, y, z) tale che x v a (b) Si trovi un vettore riga x (x, y, z) tale che x v kb (c) Si
DettagliAnalisi di Regressione Multivariata. β matrice incognita dei coeff. di regressione (regr. lineare in β)
Analisi di Regressione Multivariata Regressione: metodologia per dedurre info e per anticipare risposte di una variabile dip. Modello classico di regressione lineare: Y {z} n k = {z} X β + ρ {z} {z} n
DettagliLe Funzioni di Bessel
Le Funzioni di Bessel Serie di Laurent del prodotto Siano f, g : C due funzioni olomorfe in un anello := {z C r < z z 0 < R}, r < R. Allora f(z)g(z) è olomorfa in e quindi si potrà scrivere come una serie
Dettagli5. Per ω = 1/τ il diagramma reale di Bode delle ampiezze della funzione G(jω) =
Fondamenti di Controlli Automatici - A.A. 211/12 3 luglio 212 - Domande Teoriche Cognome Nome: Matricola: Corso di Laurea: Per ciascuno dei test a soluzione multipla segnare con una crocetta tutte le affermazioni
DettagliLa famiglia delle distribuzioni GEV - I
La famiglia delle distribuzioni GEV - I La distribuzione generalizzata degli eventi estremi (GEV) è la distribuzione teoricamente attesa per i massimi all interno di blocchi temporali di dimensione molto
DettagliDerivazione Numerica
Derivazione Numerica I metodi alle differenze finite sono basati sull approssimazione numerica di derivate parziali. Per questo consideriamo come problema iniziale quello di approssimare le derivate di
DettagliLa regressione logistica
La regressione logistica Supponiamo che la variabile di interesse y sia una variabile dicotoma, che assuma solo i valori 0 ovvero 1, corrispondenti a successo o insuccesso. Sia p = P (S) = P (Y = 1) la
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 52 Adattamento di una distribuzione
DettagliEsercitazione di Calcolo Numerico 1 22 Aprile Determinare la fattorizzazione LU della matrice a 1 1 A = 3a 2 a 2a a a 2 A =
Esercitazione di Calcolo Numerico 22 Aprile 29. Determinare la fattorizzazione LU della matrice a A = 3a 2 a 2a a a 2 ed utilizzarla per calcolare il det(a). 2. Calcolare il determinante della matrice
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliStatistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2011/2012 Statistica Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate.
DettagliLimiti. Lezione per Studenti di Agraria Università di Bologna. (Università di Bologna) Limiti 1 / 24
Limiti Lezione per Studenti di Agraria Università di Bologna (Università di Bologna) Limiti 1 / 24 Esempi Sia f (x) = 2x + 2 ; calcoliamo f (x) per x che assume valori vicini a 1. Per prima cosa, prendiamo
DettagliCorso di Identificazione dei Modelli e Analisi dei Dati
Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo
DettagliCapitolo 1 ANALISI COMPLESSA
Capitolo 1 ANALISI COMPLESSA 1 1.2 Funzioni Complesse Una funzione complessa di variabile complessa f : E C, E C è un applicazione ce associa un numero complesso f(z) ad ogni z E, con E sottoinsieme del
DettagliIl Capital Asset Pricing Model e lo Arbitrage Pricing Theory
Il Capital Asset Pricing Model e lo Arbitrage Pricing Theory Pierpaolo Montana Università di Roma I Il Capital Asset Pricing Model può essere visto come una evoluzione del modello media-varianza di scelta
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
Dettagli2.1 Esponenziale di matrici
¾ ½ º¼ º¾¼½ Queste note (attualmente e probabilmente per un bel po sono altamente provvisorie e (molto probabilmente non prive di errori Esponenziale di matrici Esercizio : Data la matrice λ A λ calcolare
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
Dettagli= (cioè le due terne di numeri direttori ( devono essere ) proporzionali). Tale uguaglianza non è verificata, poiché risulta ρ
Alcuni esercizi sullo spazio euclideo R Nel seguito R indicherà lo spazio euclideo tridimensionale standard, dotato del riferimento cartesiano naturale (pag 56-57 del libro Nota: gli esercizi proposti
Dettagli1 Risoluzione di sistemi lineari
Risoluzione di sistemi lineari La presente nota è in parte ripresa dal testo D Bini M Capovani O Menchi Metodi numerici per l algebra lineare Zanichelli Editore Siano A una matrice non singolare di ordine
DettagliEsercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
DettagliMATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013
MATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013 Soluzioni 1. Due sperimentatori hanno rilevato rispettivamente 25 e 5 misure di una certa grandezza lineare e calcolato le medie che sono risultate
DettagliA m n B n p = P m p. 0 1 a b c d. a b. 0 a 0 c Il risultato e lo stesso solo nel caso in cui c = 0 e a = d.
Matematica II, 220404 Il prodotto di matrici e un operazione parziale che prende in entrata una matrice A ed una matrice B, tali che il numero delle colonne di A sia uguale al numero delle righe di B,
Dettagli