MODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,
|
|
- Aureliano Benvenuto Conte
- 6 anni fa
- Visualizzazioni
Transcript
1 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 specificazione e adattamento nel modello di regressione classico. J.D. Hamilton (1995), Econometria delle serie storiche, Monduzzi. W. H. Greene (1993), Econometric Analysis, Prentice Hall. 1
2 MODELLO DI REGRESSIONE LINEARE y t = x t β + u t y t : variabile casuale dipendente x t = [ 1, x t1, x t2,..., x tp ] : vettore dei regressori (deterministici o stocastici) β = [ β 0, β 1, β 2,..., β p ] : vettore dei parametri u t : componente stocastica di valore atteso nullo FUNZIONE DI REGRESSIONE E(y t x t ) = x tβ
3 NOTAZIONE MATRICIALE y = Xβ + u X = x 1 x 2 x T matrice T xp (P = p + 1) dei regressori y = y 1 y 2 vettore delle variabili risposta y T u = u 1 u 2.. u T vettore delle componenti stocastiche 2
4 ASSUNZIONI DEL MODELLO DI REGRESSIONE LINEARE CLASSICO A0:la funzione di regressione E( y X) = Xβ è correttamente specificata A1: u è un vettore di T variabili casuali indipendenti A2: le componenti di u sono variabili casuali di valore atteso nullo e varianza σ 2 (omoscheda A3: le componenti di u sono variabili casuali normali 3
5 A4: X è una matrice di costanti note (regressori non stocastici) A5: le colonne di X sono linearmente indipendenti = X X è invertibile A4bis: X è una matrice stocastica, u e X sono stocasticamente indipendenti ovvero in termini di densità di probabilità: f(u X) =f(u) A4bisbis E(u X) =E(u) 4
6 STIMA di β, σ 2 Verosimiglianza Da y t = x t β + u t e per le A1, A2, A3, A4 (A4bis) si ha che le y t sono variabili casuali indipendenti normali con valore atteso µ t = x t β e varianza σ2. QUINDI ho la verosimiglianza: L(β, σ 2 ) = T t=1 e la log verosimiglianza: { 1 2πσ 2 exp 1 } 2σ 2(y t x tβ) 2 L(β, σ 2 ) = T 2 ln(2πσ2 ) 1 2σ 2 (y t x tβ) 2 = = T 2 ln(2πσ2 ) 1 2σ 2 (y Xβ) (y Xβ) t 5
7 se σ 2 è noto massimizzare la log verosimiglianza equivale a minimizzare (CRITERIO DEI MIN- IMI QUADRATI): Q(β) = (y Xβ) (y Xβ) 6
8 RISULTATO FONDAMENTALE Q(β) = (y Xβ) (y Xβ) ha un unico minimo in b = ( X X ) 1 X y è importante notare che: y Xb = y X ( X X ) 1 X y = (I T M) y dove M = X ( X X ) 1 X è una matrice T xt idempotente (M = MM). Quindi anche (I T M) è idempotente. 7
9 Ne consegue Q(b) = (y Xb) (y Xb) = = y (I T M) y = y y y My = = y y y X ( X X ) 1 X y = y y y Xb 8
10 Verosimiglianza concentrata Sostituendo b a β nella log verosimiglianza si ottiene la log verosimiglianza concentrata: L(σ 2 ) = T 2 ln(2πσ2 ) 1 2σ 2Q(b) che ha un massimo in s 2 = Q(b) T. 9
11 CONCLUDENDO: gli stimatori M.V. sono s 2 = Q(b) T b = ( X X ) 1 X y 10
12 PROPRIETA DEGLI STIMATORI A0 - A4bisbis garantiscono che E ( T T 1 p s2 E(b) = β ) = E ( Q(b) T 1 p ) = σ 2 E(b) = β è banalmente verificata infatti condizionatamente ad X : E( ( X X ) 1 X y)= ( X X ) 1 X (Xβ + u) = = ( X X ) 1 X Xβ+E( ( X X ) 1 Xu)= = β+e ( X X ) 1 XE(u X) =β Q(b) per la correttezza di T 1 p si procede (condizionatamente ad X) notando che : 11
13 E (Q(b)) = E ( y (I T M) y ) = = E ( traccia(y (I T M) y) ) = = E(traccia (I T M) yy ) = traccia((i T M) E(yy ) = = traccia ( (I T M) (σ 2 I + Xββ X ) = = traccia ( (I T M) (σ 2 I ) = = σ 2 (traccia (I T ) traccia(m)) = (T 1 p)σ 2 dove l ultima uguaglianza deriva da: traccia(m) = traccia(x ( X X ) 1 X ) = = traccia( ( X X ) 1 X X) = = traccia(i p+1 ) = p
14 quindi s 2 = Q(b) T 1 p è uno stimatore corretto per σ 2 matrice varianze covarianze dei coeff. di reg. per X fissato 13
15 Vogliamo trovare la matrice varianze covarianze: V ar(β) = E(b β)(b β) Notiamo innanzitutto che: b β = ( X X ) 1 X (Xβ + u) β = = ( X X ) 1 X u e che E(uu ) = σ 2 I T per le assunzioni di indipendenza e omoschedasticità. Quindi: E(b β)(b β) = ( X X ) 1 X σ 2 I T X ( X X ) 1 = = σ 2 ( X X ) 1 Inoltre da b β = ( X X ) 1 X u dalla Assunzione di Normalità, dalla proprietà di correttezza e dal precedente risultato deriva che le componenti b i β i di b β sono v.c. normali con valore atteso nullo e varianza σ 2 c ii con c ii elemento della iesima riga e iesima colonna di ( X X ) 1. 14
16 DEFINIZIONE DI Variabile Casuale Multinormale Sia z = (z 1, z 2,..., z T ) un vettore di T normali standardizzate indipendenti. La variabile casuale vettoriale: w = µ + L z è una variabile casuale multinormale di dimensione T con valore atteso µ e matrice varianze covarianze Ω = L L. Se Ω è diagonale le componenti di w sono stocasticamente indipendenti. Conseguenza:Cw = Cµ + CL z è una variabile casuale multinormale con valore atteso Mµ e matrice varianze covarianze Ω = C ( L L ) C. 15
17 fatto importante: la densità congiunta di una una variabile casuale multinormale con valore atteso µ e matrice varianze covarianze Ω è: = 1 (2π det(ω)) f(w; µ, Ω)= { 1 2 (w µ) Ω 1 (w µ) T/2 exp } 16
18 esempio: normale: nel modello di regressione classico u = 0+ (σi) z è un vettore multinormale con con valore atteso µ = 0 e matrice varianze covarianze Ω = σ 2 I. esempio:b β = ( X X ) 1 X u = ( X X ) 1 X (σi) z è un vettore multinormale con con valore atteso µ = 0 e matrice varianze covarianze ( X X ) 1 σ 2. Più in generale la trasformazione lineare C (b β) è una variabile casuale multinormale con vettore dei valori attesi nullo e matrice varianze covarianze σ 2 C ( X X ) 1 C caso rilevante : C = x. Perchè? 17
19 INFERENZA Problemi di stima intervallare e verifica ipotesi concernenti singli coefficienti di regressione β i sono risolti a partire dai seguenti risultati (dimostrazione omessa) dipendenti in linea diretta dalla ipotesi di normalità indipendenza è identica distribuzione degli errori 18
20 TESTS DI WALD 1-La variabile casuale b i β i s 2 c ii è un variabile casuale pivotale di Student con T 1 p gradi di libertà. 2-Sotto l ipotesi nulla Cβ = c relativa a v vincoli lineari: W = 1 v (Cb c) [ s 2 C ( X X ) 1 C ] 1 (Cb c) è una variabile casuale di tipo F con v e T 1 p gradi di libertà. 19
21 PREVISIONE si vuole prevedere y = x β +u cioè la risposta in corrispondnza di x. Il migliore previsore è il valore atteso E(y ) = x β ( minimizza l errore quadratico di previsione E [ (y g(x )) 2] ). Siccome i parametri non sono noti si usa il previsore puntuale:x b = x ( X X ) 1 X y. Errore quadratico di previsione condizionato ai regressori: E(y x ( X X ) 1 X y) 2 = = E(y x β) 2 + E(x β x b) 2 = = σ 2 + σ 2 x ( X X ) 1 x Intervallo di previsione a livello 1-α: x b ± t 1 α/2,t 1 p ( s 2 + s 2 x ( X X ) 1 x ) 20
22 METODO EFFICIENTE PER PREVISIONE Supponiamo di dover prevedere y = X β + u le previsioni e gli errori quadratici di previsione sono ottenuti dalle regressione aumentata : [ y 0 ] = [ X 0 X I ] [ β y ] + [ u u lo stimatore di y nel modello precedente fornisce le previsioni X b richieste e i corrispondenti elementi nella matrice varianze covarianze dello stimatore di [ β y ] ] le stime degli errori quadratici di previsione (Greene pag.309). 21
23 Varianza spiegata Varianza Residua Indice di determinazione Multipla Somma dei quadrati totale e devianza totale qt 2 = y y d 2 T = y y T ȳ 2 Somma dei quadrati spiegata e devianza spiegata qs 2 = y My d 2 S = y My T ȳ 2 Somma dei quadrati residua e devianza residua (concetti coincidenti) q 2 R = y (I T M) y d 2 R = y (I T M) y 22
24 I di determinazione multipla centrato, non ndice centrato e corretto R 2 centr = y My T ȳ 2 y y T ȳ 2 Rnocentr 2 = y My y y R 2 corretto = 1 y (I M)y T p y y T ȳ 2 T 1 = 1 y (I M) y y y T ȳ 2 = 1 T 1 T p (1 R2 centr) 23
25 CONFRONTO FRA MODELLI Sia d 2 R1 la devianza residua del modello con p regressori e d 2 R0 la devianza residua del modello con β i = 0, i = 1, 2,..., v. la statistica d2 R0 d2 R1 d 2 R1 con v e T 1 p gdl. T 1 p v è una F di snedecor Confronto con quanto detto prima!!!!! 24
26 UN CASO PARICOLARE y t = β 0 + β 1 x t + u t X = 1 x 1 1 x x t X X = [ ] n xt xt x 2 ; t ( X X ) 1 = 1 n x 2 t ( x t ) 2 X y = [ ] yt xt y t [ x 2 t x t x t n ] [ b0 b 1 ] = ( X X ) 1 X y = ȳ cov(xy) V ar(x) x cov(xy) V ar(x) 25
27 UNA APPLICAZIONE IMPORTANTE: effetto di una nuova condizione sul valore atteso di una risposta sperimentale. y t = µ + δ + u t, i = 1, 2, 3,...n 1 (on) y t = µ + u t, i = n 1 + 1,..., n 1 + n 2 = n (off) X =
28 [ ] X n1 + n X = 2 n 1 ; n 1 n 1 ( X X ) 1 1 = (n 1 + n 2 ) n 1 (n 1 ) 2 = X y = [ b0 b 1 ] 1 n 1 2 n 2 n 1 n n 1 2 ] [ n1 y t n 1 1 y t = = ( X X ) 1 X y = [ n1 n 1 n 1 n 1 + n 2 [ n1 M n1 + n 2 M n2 [ n 1 M n1 M n2 (M n1 M n2 ) ] ] ] = 27
29 VARIABILI CASUALI PIVOTALI PER INFERENZA Stima corretta di σ 2 σ 2 = n 1 i=1 (x i M n1 ) 2 + n2 i=n 1 +1 (x i M n2 ) 2 n 1 + n 2 2 = = (n 1 1)Sn (n 2 1)Sn 2 2. n 1 + n 2 2 [ T1 T 2 ] = M n2 µ σ 2 n1 (M n1 M n2 δ) σ 2( n 1 1 +n 1 2 ) 28
30 UN PROBLEMA INFERENZIALE IMPORTANTE La variabile casuale pivotale T di student con n 1 + n 2 2 gdl: (M n1 M n2 δ 0 ) σ 2 ( n ) n 1 2 è usata per verificare l ipotesi H 0 : δ = δ 0 contro alternative unilaterali e bilaterali. 29
31 errori correlati e o eteroschedastici Data una matrice varianze covarianze Ω = σ 2 L L invece che u = 0+ (σi) z supponiamo per cui u = 0+ ( σl ) z y = Xβ+ ( σl ) z è multinormale di dimensione T con valore atteso Xβ e matrice varianze covarianze Ω = σ 2 L L. La log verosimiglianza è: = T 2 L(β, Ω)= ln(2π det(ω) 1 2σ 2 (y Xβ) Ω 1 (y Xβ) Continuando ad usare b = ( X X ) 1 X y si ha che lo stesso è ancora corretto ma che var(b) = Σ = σ 2 ( X X ) 1 X ΩX ( X X ) 1 30
32 Conseguenze: stimatore corretto ma non più efficente (o a minima varianza tra gli stimatori lineari in assenza di ipotesi di normalità).inoltre b β= ( X X ) 1 X u adesso è multinormale con valore atteso nullo e matrice var covar Σ. I precedenti risultati concernenti il test di Wald non sono più validi. 31
33 Stima con Ω noto In questo caso massimizzare la verosimiglianza equivale a minimizzare (metodo minimi quadrati generalizzati) Q Ω (β) = (y Xβ) Ω 1 (y Xβ) il minimo si ha per (stimatore minimi quadrati generalizzato): b = ( X Ω 1 X ) 1 X Ω 1 y ed è : Q Ω ( b) = ( y X b ) Ω 1 ( y X b ) 32
34 Log-Verosimiglianza concentrata L(σ 2 ) = T 2 ln(2πσ2 ) 1 2σ 2Q Ω ( b). Questo sti- che ha un massimo in s 2 = Q( b) T matore non è corretto ma lo è... s 2 = Q( b) T 1 p. I risultati inerenti il test di Wald continuano a valere per b utilizzando però ( X Ω 1 X ) 1 al posto di ( X X ) 1... e s 2 al posto di s 2. 33
35 IL PROBLEMA E CHE Ω in genere non è nota e deve essere stimata. Se al posto di Ω si utilizza uno stimatore consistente (da trovare) ˆΩ i risultati precedenti continuano a valere per... b = ( X ˆΩ 1 X ) 1 X ˆΩ 1 y con le sostituzioni: la corretezza diventa correttezza asintotica la normalità di b β diventa normalità asintotica b i β... i s 2 c ii è asintoticamente normale (qui c ii è un elemento della diagonale principale di ( X ˆΩ 1 X ) 1. 34
36 (C b c) [... s 2 C ( X ˆΩ 1 X ) 1 C ] 1 (C b c) è asintoticamente una chi quadro con v gradi di libertà Discussione dei casi rilevanti: errori eteroschedastici Ω diagonale errori autocorrelati di tipo AR(1) o AR(m) 35
37 Elementi di teoria asintotica Quanto sopra detto perchè nei casi di regressori stocastici o di errori non indipendenti o eteroschedastici o in assenza della ipotesi di normalità si ricorre a risultati asintotici. Notiamo che b = β+ ( ) 1 1 T X Ω 1 1 X T X Ω 1 u se p lim ( 1 T X Ω 1 X ) = Q è una matrice def. positiva e se plim 1 T X Ω 1 u = 0 lo stimatore dei minimi quadrati generalizzati è asintoticamente corretto e consistente inoltre se 1 T X Ω 1 u è asintoticamente normale allora lo è anche lo stimatore b. Analoghi discorsi valgono per... b = ( 1 T X ˆΩ 1 X ) 1 1T X ˆΩ 1 y. 36
38 ERRORI E REGRESSORI CORRELATI Supponiamo che la A4bisbis non sia valida E(u X) 0 In questo caso non si ha corretezza infatti: E( ( X X ) 1 X y)= E ( X X ) 1 X (Xβ + u) = = ( X X ) 1 X Xβ+E {E( ( X X ) } 1 Xu) X = =β+e ( X X ) 1 XE(u X) β Discussione di casi rilevanti errori correlati in presenza di variabili ritardate modelli ad equazioni simultanee 37
39 COMPONENTE STOCASTICA AR(1) u t = ρu t 1 + z t dove le z t sono normali indipendenti di valore atteso nullo e varianza σ 2 Z. Assunzione di stazionarietà: V ar(u t ) = σ 2 0, Cov(u t, u t ) = σ t t dalla assunzione di stazionarietà si ricava e quindi σ 2 0 = ρ2 σ σ2 Z σ 2 0 = σ2 Z 1 ρ 2 Quindi la stazionarietà implica che ρ 2 < 1. Viceversa si dimostra che ρ 2 < 1 implica la stazionarietà. 38
40 Se ρ 2 = 1 il processo non stazionario è chiamato random walk ( processo autoregressivo con una radice unitaria). Applicando ricorsivamente la definizione u t = ρu t 1 + z t si ottiene da cui u t = ρ s u t s + s 1 i=0 ρ i z t i σ 2 Z Cov(u t, u t s ) = σ s = ρ s var(u t s ) = ρ s 1 ρ 2 e quindi σ2 Z σ 2 Ω = 1 ρ 2 1 : ρ ρ 2 ρ 3... ρ T 1 ρ 1 ρ ρ 2... ρ T 2 ρ 2 ρ 1 ρ... ρ T ρ ρ T 1 ρ T 2 ρ T 3... ρ 1 39
41 usando la stima di ρ r = Tt=2 e t e t 1 Tt=1 e 2 t (gli e t sono residui ottenuti applcando i minimi quadrati ordinari) si ottiene lo stimatore:... b = ( 1 T X ˆΩ 1 X ) 1 1T X ˆΩ 1 y. 40
42 Oppure si può usare il metodo di massima verosimiglia Lo stimatore di massima verosimiglianza ˆb è ottenuto massimizzando la log verosimiglianza: log L 1 = log f(y 1 )+log f(y 2 y 1 )+log(f(y 3 y 2 )+... Calcolo di f(y 1 ): da y 1 = x 1 β+u 1 con u 1 normale di valore atteso nullo e varianza ha : ( 1 y1 x 1 f(y 1 ) = exp β) 2 2π σ2 Z 1 ρ 2 2 σ2 Z 1 ρ 2 σ2 Z 1 ρ 2 si Calcolo di f(y t y t 1 ) : sottraendo ρ y t 1 = ρ ( x t 1 β+u t 1) da yt = x t β+ρu t 1 + z t si ha y t ρ y t 1 ( x tβ ρx t 1 β) = z t Si ricordi che z t è normale con valore atteso nullo e varianza σ 2 Z. 41
43 Quindi (!!!!!!): = 1 2πσZ 2 exp f(y t y t 1 ) = ( yt ρ y t 1 x t β+ρx t 1 β) 2 2σ 2 Z 42
44 Quindi a meno di costanti: log L 1 = T 2 ln σ2 Z ln(1 ρ2 )+ 1 [ 1 ρ 2 ( y 1 x 2 1 β)] + 1 2σ 2 Z 2σZ 2 T t=2 ( yt ρ y t 1 x tβ+ρx t 1 β) 2. La matrice varianze covarianze degli stimatori dei coefficienti di regressione è σ 2 Z ( X Ω 1 X ) 1 che va stimata sostituendo a σz 2 di massima verosimiglianza. e ρ le stime 43
45 L ipotesi ρ = 0 può essere verificata o con il Tet di Durbin Watson (vedi Greene pg 538) Tt=2 (e t e t 1 ) 2 d = Tt=1 e 2 t o mediante il test del rapporto delle massime verosimiglianze: 2(log L 1 log L 0 ) che ha una distr. asint chi quadro con un gdl. E possibile in generale considerare errori AR(p): u t = θ 1 u t 1 + θ 2 u t θ p u t p + z t 44
46 P revisione passo 1 in presenza di errori AR(1) Si deve prevedere y T +1 = x T +1 β + ρu T + z T +1 Ora da y T +1 ρy T = ( x T +1 ρx T ) β + zt +1 si ricava y T +1 = x T +1 β + ρ(y T x T β) + z T +1 da cui si ricava il previsore passo uno: E(y T +1 Y T ) = x T +1 β + ρ(y T x T β) e quindi la previsione ˆπ T +1 = x T +1 b+ˆρ(y T x T b). Analogamente la previsione a passo n è ˆπ T +n = x T +n b+ˆρ n (y T x T b). La stima dell errore quadratico della previsione passo uno è: ˆσ ( xt +1 ˆρx T ) [ ˆσ 2 Z ( X ˆΩ 1 X ) 1 ˆσ 2 ] (xt ˆρx T T 45
MODELLO 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
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
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
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
DettagliElementi di statistica per l econometria
Indice Prefazione i 1 Teoria della probabilità 1 1.1 Definizioni di base............................. 2 1.2 Probabilità................................. 7 1.2.1 Teoria classica...........................
DettagliModelli lineari generalizzati
Modelli lineari generalizzati Estensione del modello lineare generale Servono allo studio della dipendenza in media di una variabile risposta da una o più variabili antecedenti Vengono attenuate alcune
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
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 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
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,
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
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
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
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 degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
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
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
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
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
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliBOZZE M.CHIODI APRILE 2013
Indice 1 Test di significatività nei modelli lineari 3 1.1 Distribuzione della devianza residua nei modelli lineari 3 1.1.1 Devianza residua in funzione dei valori osservati 4 1.1.2 Devianza residua in
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione
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
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
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
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
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)
DettagliStima dei sistemi di equazioni simultanee
Università di Pavia Stima dei sistemi di equazioni simultanee Eduardo Rossi University of Pavia Stima dei SES Limited Information OLS 2STLS K CLASS H CLASS Full Information FIMLE 3STLS FIIV Eduardo Rossi
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliIl metodo delle osservazioni indirette
Il metodo delle osservazioni indirette Teoria della stima ai minimi quadrati Il criterio di massima verosimiglianza Sia data una grandezza η e si abbiano n osservazioni indipendenti l i (i=1,...,n) di
DettagliEsercitazione 5 Sta/s/ca Aziendale
Esercitazione 5 Sta/s/ca Aziendale David Aristei 12 maggio 2015 Si è interessa/ ad analizzare le determinan/ a livello aziendale della produ>vità del lavoro (PL, in migliaia di euro per dipendente) di
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
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
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
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
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
DettagliModelli lineari generalizzati
Capitolo 5 Modelli lineari generalizzati I modelli lineari generalizzati costituiscono un estensione del modello lineare generale e servono anch essi allo studio della dipendenza in media di una variabile
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
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
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliFasi del modello di regressione
Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliAnalisi della regressione multipla
Analisi della regressione multipla y = β 0 + β 1 x 1 + β 2 x 2 +... β k x k + u 2. Inferenza Assunzione del Modello Classico di Regressione Lineare (CLM) Sappiamo che, date le assunzioni Gauss- Markov,
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 5 Abbiamo visto: Modelli probabilistici nel continuo Distribuzione uniforme continua Distribuzione
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................................
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
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
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
DettagliRACCOLTA DI STATISTICHE TEST disponibili nell ambiente R
RACCOLTA DI STATISTICHE TEST disponibili nell ambiente R Materiale integrativo relativo al Modulo I Verifica d ipotesi e stima intervallare a cura di A.R. Brazzale 1 alessandra.brazzale@isib.cnr.it 3 aprile
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
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
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
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.
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
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
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:
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
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
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
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
DettagliQuiz di verifica Classificazione
Quiz di verifica Classificazione Strumenti Quantitativi per la gestione Le domande 1 4 si riferiscono al seguente problema: Supponiamo di raccogliere dati per un gruppo di studenti della classe di SQG
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
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
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
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
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
DettagliDisuguaglianza di Cramér-Rao
Disuguaglianza di Cramér-Rao (Appunti per gli studenti Silvano Holzer Dipartimento di Scienze Economiche, Aziendali, Matematiche e Statistiche Bruno de Finetti Università degli studi di Trieste Un esperimento
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
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
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
DettagliLeLing12: Ancora sui determinanti.
LeLing2: Ancora sui determinanti. Ārgomenti svolti: Sviluppi di Laplace. Prodotto vettoriale e generalizzazioni. Rango e determinante: i minori. Il polinomio caratteristico. Ēsercizi consigliati: Geoling
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Variabili casuali Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio Determinare se le funzioni seguenti: 0.0 se x < 0. se x = g(x) = 0.5 se x = 0.7 se x = 3 se x =
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
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
DettagliTipi di Processi Stocastici
Processi Stocastici Definizione intuitiva: un processo stocastico è un insieme ordinato di variabili casuali, indicizzate dal parametro t, spesso detto tempo. Definizione rigorosa: dati uno spazio di probabilità
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
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
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 205/206 Appello 27 Giugno 206 Per lo svolgimento della prova completa si ha un massimo di due ore. Invece
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
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
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
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
DettagliArgomenti della lezione:
Lezione 13 L analisi della Varianza (ANOVA): il modello lineare Argomenti della lezione: Modello lineare Disegni a una via L Analisi della Varianza (ANOVA): Esamina differenze tra le medie di due o più
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
DettagliEsercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017
Esercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017 Contents 1 Inferenza sulla regressione semplice 1 1.1 Test sulla pendenza della retta................................... 1 1.2 Test sull
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
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
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.
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
Dettagli