Parità del potere d'acquisto - è vera?
|
|
- Antonietta Brunelli
- 6 anni fa
- Visualizzazioni
Transcript
1 Parità del potere d'acquisto - è vera? Il principio della parità del potere d'acquisto (PPP) aerma che nel lungo periodo i tassi di cambio tendono a riprodurre le dierenze nel tasso di inazione tra le due nazioni le cui valute vengono considerate. Ci si potrebbe aspettare che in una economia internazionale eciente, i tassi di cambio dovrebbero dare a ciascuna valuta la stesso potere d'acquisto nella propria specica economia. Anche se non fosse vera esattamente, la PPP fornisce un riferimento nella decisione sui livelli a cui i tassi di cambio dovrebbero assestarsi. Questa relazione può venire esaminata usando un modello di regressione lineare semplice: Modica media annuale nel tasso di cambio = β 0 + β 1 Dierenza nel tasso di inazione medio annuale + errore casuale. L'appropriatezza del PPP può essere vericata usando un campione di nazioni per alcuni anni; PPP è consistente con β 0 = 0 e β 1 = 1, in modo che il modello di regressione diventi Modica media annuale nel tasso di cambio = Dierenza nel tasso di inazione medio annuale + errore casuale. I dati da un cambione di 40 nazioni sono la base delle analisi seguenti, che coprono gli anni Le modiche medie annuali nel tasso di cambio costituisce la variabile risposta (espressa come dollari americani per unità della valuta della nazione), calcolata come dierenza dei logaritmi naturali, diviso per il numero di anni e moltiplicato per 100 per creare tassi percentuali; cioè, ln(tassi di cambio 1998) ln(tassi di cambio 1975) % (Basato sulla proprietà dei logaritmi naturali, che è approssimativamente uguale alla modica proporzionale nel tasso di cambio nei 23 anni divisa per 23, producendo un'indicazione annuale). La variabile esplicativa è il tasso di cambio annuale medio stimato nelle dierenze nell'indice dei prezzi al consumo per gli Stati Uniti rispetto alla nazione. I dati sono stati ottenuti dalle informazioni dell'international Financial Statistics Yearbook che è pubblicato dal Fondo Monetario Internazionale. Prima di tutto diamo un'occhiata ai dati. Paese Diff. di Inflazione Modifica del tasso di cambio 1 Australia Austria Belgium Canada Chile Colombia CostaRica Cyprus
2 9 Denmark Ecuador Egypt Finland France Germany Ghana Greece India Indonesia Iran Ireland Italy Japan Korea Mexico Morocco Netherlands NewZealand Norway Panama Philippines Portugal Singapore Spain SriLanka Sweden Switzerland Thailand UnitedKingdom Uruguay Venezuela Un diagramma di dispersione delle due variabili 2
3 Modifica del tasso di cambio Differenza di inflazione Sembra ci sia un una forte relazione lineare, ad eccezione di un punto sotto la retta di regressione. Ignoriamo questo punto per il momento, stimiamo una retta ai minimi quadrati con la modica nel tasso di cambio come variabile dipendente (risposta) e la dierenza tra i tassi di inazione come variabile indipendente (esplicativa). Call: lm(formula = modifica nel tasso di cambio ~ differenza inflazione, data = ccc) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-05 *** differenza inflazione < 2e-16 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 1.62 on 38 degrees of freedom Multiple R-Squared: 0.974, Adjusted R-squared: F-statistic: 1426 on 1 and 38 DF, p-value: < 2.2e-16 La regressione è particolarmente forte, con un R 2 di 97.4%, e la statistica F è molto signicativa. La statistica t fornita nell'output per differenza inflazione verica l'ipotesi nulla di β 1 = 0, che viene fortemente rigettata. C'è certamente una relazione tra la 3
4 modica dei tassi di cambio e la dierenza nei tassi di inazione. Ovviamente qui non siamo particolarmente interessati all'ipotesi β 1 = 0. PPP dice infatti che β 0 = 0; la statistica t per tale ipotesi presentata nella riga indicata con (Intercept) risulta 4.497, che è statisticamente molto signicativa. Cioè, le valute straniere si sono apprezzate meno di quanto sarebbe stato previsto dalla PPP. PPP inoltre richiederebbe che β 1 = 1; la statistica t per questa ipotesi può essere calcolata a mano: = 0.32 Questa quantità è non signicativa per qualsiasi ragionevole livello dell'errore di primo tipo, così non rigettiamo l'ipotesi nulla (il livello di signicatività osservato per questo test è di circa 0.75). Cioè, questa parte della relazione è consistente con l'ipotesi di PPP (o in maniera più corretta, poiché PPP rappresenta qui l'ipotesi nulla, la relazione non è inconsistente con la PPP). Cioè come la PPP implicherebbe, non abbiamo ragione per pensare che una modica nella parità del potere d'acquisto non sia bilanciata da un'uguale modica nel tasso di cambio. Il diagramma di dispersione della regressione semplice illustra l'uso degli intervalli di condenza e degli intervalli di previsione. Si consideri ancora la retta di regressione stimata, Modifica nel tasso di cambio = Differenza nel tasso di inflazione. Due possibili usi di questa retta sono legati alle seguenti domande. Qual è la nostra stima migliore per la vera modica del tasso di cambio medio per tutte le nazioni nella popolazione che hanno dierenza di inazione uguale a un ssato valore? Qual è la nostra stima migliore per il valore della modica del tasso di cambio per una particolare nazione nella popolazione, che assume un determinato valore di dierenza di inazione? Ad entrambe le domande si risponde sostituendo nella retta di regressione lo specico valore di dierenza di inazione, ma le stime hanno associati diversi livelli di variabilità. L'intervallo di condenza (a volte chiamato intervallo di condenza per i valori interpolati), fornisce una rappresentazione dell'accuratezza di una stima sull'obiettivo medio tra tutte le unità di una popolazione con un ssato valore di variabile esplicativa, mentre l'intervallo di previsione (a volte chiamato intervallo di condenza per il valore previsto) fornisce una rappresentazione dell'accuratezza di una previsione del valore obiettivo per una particolare osservazione con una dato valore di variabile esplicativa. 4
5 Modifica del tasso di cambio Retta di regressione Intervallo di previsione al 95% Intervallo di confidenza al 95% Differenza di inflazione Il graco illustra alcuni aspetti interessanti. Innanzitutto, l'intervallo di condenza punto a punto (rappresentato dalla coppia di linee interne) è molto più stretto rispetto all'intervallo di previsione punto a punto (rappresentato dalla coppia di linee più esterne), e questo perché il primo intervallo è basato solo sulla variabilità di ˆβ 0 + ˆβ 1 Differenza di inflazione come stima di β 0 + β 1 Differenza di inflazione, mentre il secondo intervallo riette anche la variabilità ereditata dalle Modifiche del tasso di cambio sulla retta di regressione relativa alla popolazione. In secondo luogo, si può osservare che l'intervallo è più stretto al centro del graco e si allarga verso gli estremi; questo mostra che le previsioni diventano progressivamente meno accurate quanto il valore della variabile esplicativa si allontana dalla maggioranza dei punti (questo aspetto risulta più evidente negli intervalli di condenza rispetto a quelli di previsione). Inne, è chiaro che il punto che avevamo notato nel primo graco è molto fuori dall'intervallo di previsione al 95%, indicando che ha un comportamento molto particolare. Dal graco ovviamente non è agevole ottenere intervalli di condenza e di previsione per uno specico valore della differenza di inflazione, ma questi valori possono essere facilmente ottenuti dalle formule indicate precedentemente. Ad esempio se la dierenza di inazione è di 2.50, che è all'incirca il valore osservato per l'ungheria, si ottiene (usando R) Intervalli di confidenza fit lwr upr [1,] Intervalli di previsione fit lwr upr 5
6 [1,] È chiaro da questo esempio come l'intervallo di previsione sia molto più ampio rispetto a quello di condenza; infatti mentre la nostra stima delle modiche del tasso di cambio in media per tutte le nazioni con dierenza di inazione pari a 2.50 è ( 4.408, 3.294), la nostra stima sulla modica del tasso di cambio di una singola nazione con dierenza di inazione pari a 2.50 sarà invece ( 7.176, 0.526). Le diagnostiche grache possono anche aiutare a determinare se il punto un po' strano che abbiamo osservato è davvero anomalo, e ci possono aiutare a individuare quale assunto necessario per l'utilizzo del criterio dei minimi quadrati sia eventualmente violato. Di seguito presentaimo il graco dei residui rispetto ai valori interpolati: Residui Valori Adattati e un normal-probability-plot dei residui 6
7 Normal Q Q Plot Sample Quantiles Theoretical Quantiles Il caso particolare salta all'occhio in entrambi i graci. Nel primo graco, inoltre, è evidente come la variabilità non sia costante. L'osservazione con comportamento strano viene detta outlier (in italiano valore anomalo) ed un problema per la nostra analisi. Infatti non possiamo dire che abbiamo un modello che si adatta bene ai dati, se abbiamo questo punto dove il modello non si adatta correttamente. Inoltre un valore anomalo può avere un forte eetto sulla stima della regressione, allontando la linea dalla nuvola dei punti osservati. Può anche inuenzare le misure di bontà di adattamento come l'r 2, le statistiche t o le statistiche F. In tal caso il valore anomalo viene detto punto inuente. Dall'insieme di dati originale si riconosce che il valore anomalo si riferisce all'indonesia (punto numero 18). Le modiche nel tasso di cambio dell'indonesia è maggiormente negativo di quanto il nostro modello prevede, data la dierenza nel tasso di inazione. Presumibilmente questo è dovuto dal forte eetto negativo sull'economia (e sulla valuta) indonesiana della crisi asiatica della ne degli anni '90. Cosa dovremmo fare con questo caso specico? Il valore anomalo potenzialmente potrebbe cambiare i risultati della regressione, quindi non possiamo ignorarlo. Una possibilità consiste nell'eliminare il punto dai dati su cui otteniamo le stime della regressione, e analizzarli senza quel punto, assicurandosi, però, di informare il committente su quello che stiamo facendo. Dovremmo trattare poi il caso specico dell'indonesia con un'analisi specica. In questo modo potremmo presentare i risultati senza l'indonesia, specicando chiaramente che ciò che otteniamo non si applica all'indonesia e presumibilmente neanche ad altre nazioni con le stesse caratteristiche economiche. Prima di eliminare il punto numero 18, osserviamo che il campione a disposizione è costituito da 40 nazioni, che in realtà appartengono a due gruppi distinti: 20 nazioni svi- 7
8 luppate e 20 nazioni in via di sviluppo. La relazione che stiamo studiando, riguardante la parità del potere d'acquisto potrebbe essere diversa per i due gruppi? Analizziamo i dati separatamente. Prima i paesi sviluppati: Paesi sviluppati Modifica del tasso di cambio Differenza di inflazione La relazione lineare sembra adeguata, anche se ci sono un paio di paesi sviluppati (Grecia e Portogallo) con un'inazione piuttosto alta rispetto agli Stati Uniti. Questi punti sono potenzialmente dei punti leva. Questi i risultati della regressione per i paesi sviluppati Call: lm(formula = modifica nel tasso di cambio ~ differenza inflazione) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) ** differenza inflazione e-13 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 18 degrees of freedom Multiple R-Squared: , Adjusted R-squared:
9 F-statistic: on 1 and 18 DF, p-value: 3.837e-13 Hypothesis: differenza inflazione = 1 Model 1: modifica nel tasso di cambio ~ differenza inflazione Model 2: restricted model Res.Df RSS Df Sum of Sq F Pr(>F) I risultati sulla parità del potere d'acquisto sono simili a quelli visti sopra; la pendenza non è signicativamente diversa da 1, ma l'intercetta è signicativamente diversa da 0. Il graco dei residui sembra ragionevolmente buono, anche se rimangono evidenti i due paesi indicati sopra. Paesi sviluppati Residui Valori Adattati 9
10 Normal Q Q Plot Sample Quantiles Theoretical Quantiles Il graco di dispersione per i paesi in via di sviluppo è Paesi in via di sviluppo Modifica del tasso di cambio Differenza di inflazione Il punto dell'indonesia è ancora ben visibile. Ecco i risultati della regressione Call: 10
11 lm(formula = modifica nel tasso di cambio ~ differenza inflazione) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-05 *** differenza inflazione e-16 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 18 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 1 and 18 DF, p-value: 4.629e-16 Hypothesis: differenza inflazione = 1 Model 1: modifica nel tasso di cambio ~ differenza inflazione Model 2: restricted model Res.Df RSS Df Sum of Sq F Pr(>F) * --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 In questo caso la parità del potere d'acquisto non è per nulla osservabile! Ancora una volta le diverse nazione rispetto agli Stati Uniti si deprezzano più di quanto ci si aspetterebbe, ma questa volta inpiù abbiamo che un cambiamento dell' 1% nella dierenza di inazione è associata con una modica del tessa di cambio signifcativamente inferiore dell' 1%. Dobbiamo inoltre occuparci dell'eetto dell'indonesia, eliminare l'indonesia cambierebbe qualcosa? 11
12 Paesi in via di sviluppo Residui Valori Adattati Normal Q Q Plot Sample Quantiles Theoretical Quantiles Proviamo Call: lm(formula = Exchange_rate_change ~ Inflation_difference) 12
13 Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-06 *** Inflation_difference < 2e-16 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 17 degrees of freedom Multiple R-Squared: 0.99, Adjusted R-squared: F-statistic: 1689 on 1 and 17 DF, p-value: < 2.2e-16 > linear.hypothesis(pppd,c(0,1),rhs=1) Linear hypothesis test Hypothesis: Inflation_difference = 1 Model 1: Exchange_rate_change ~ Inflation_difference Model 2: restricted model Res.Df RSS Df Sum of Sq F Pr(>F) * --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 La forza della relazione è cresciuta, ma è aumentata anche la convinzione di rigettare l'ipotesi di parità del potere d'acquisto. I graci dei residui sono apparentemente buoni, ma con un campione così piccolo non c'è ancora molto da fare. 13
14 Paesi in via di sviluppo senza Indonesia Residui Valori Adattati Normal Q Q Plot Sample Quantiles Theoretical Quantiles In conclusione, la verica dell'ipotesi di parità del potere d'acquisto non è chiaramente evidente usando i dati disponibili. Infatti, per i paesi sviluppati è evidente come cambiamenti nel tasso di inazione sembrano essere bilanciati da modiche dei tassi di cambio, ma il livello complessivo dei tassi di cambio è un po' inferiore di quello che la parità del potere d'acquisto 14
15 implicherebbe. Per i paesi in via di sviluppo, invece, sempra proprio non essere vericata, suggerendo che sarebbe possibile convertire valuta in modo tale da aumentare il potere d'acquisto senza costi. Questa sembra essere una potenziale opportunità di arbitraggio, ma potrebbe essere dovuta anche dal fatto che nei paesi in via di sviluppo beni desiderati non sono disponibili per l'acquisto e la vendita. Vediamo inoltre come la parità del potere d'acquisto non sia necessariamente un principio robusto ad ogni possibile evento, nel senso che insolite condizioni politiche o economiche (come nel caso dell'indonesia) possono avere un forte eetto sui tassi di cambio. 15
0.1 Percorrenza e Cilindrata
0.1 Percorrenza e Cilindrata Iniziamo ora un analisi leggermente più complessa basata sempre sui concetti appena introdotti. Innanzi tutto possiamo osservare, dal grafico ottenuto con il comando pairs,
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliAntonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR
Antonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR Materiale ad uso dei ricercatori che hanno seguito il corso di formazione interna in Statistica, edizione
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 6 ESERCIZI RIEPILOGATIVI PRIME 3 LEZIONI REGRESSIONE LINEARE: SPORT - COLESTEROLO ESERCIZIO 8: La tabella seguente
DettagliDIAGNOSTICA DEI RESIDUI
DIAGNOSTICA DEI RESIDUI Per valutare la bontà dei residui in un modello di regressione lineare esistono diverse possibilità, alcune di tipo esplorativo basate sulla costruzione di opportuni grafici ed
DettagliAnalisi grafica residui in R. Da output grafico analisi regressionelm1.csv Vedi dispensa. peso-statura
Analisi grafica residui in R Da output grafico analisi regressionelm1.csv Vedi dispensa peso-statura 1) Il plot in alto a sinistra mostra gli errori residui contro i loro valori stimati. I residui devono
DettagliLABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE
LABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE 5.1 ESEMPIO DI ANOVA AD UNA VIA In un esperimento un gruppo di bambini è stato assegnato a caso a 3 trattamenti, allo scopo di determinare
DettagliFac-simile prova di esame
UNIVERSITÀ CA FOSCARI DI VENEZIA FACOLTÀ DI ECONOMIA Statistica Computazionale I Prof. Stefano Tonellato COGNOME.................................... NOME.................................... MATRICOLA....................................
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:
DettagliEsercizio 1 GRAFICO 1. X e Y sono indipendenti. X e Y non sono correlate. La correlazione tra X e Y è <1. X e Y sono perfettamente correlate
Esercizio 1 Osservare il grafico 1 riportato in figura che mette in relazione una variabile dipendente Y ed una variabile indipendente X e rispondere alle seguenti domande. 400 300 200 GRAFICO 1 100 0
DettagliRegressione lineare semplice
Regressione lineare semplice Strumenti quantitativi per la gestione Emanuele Taufer Regressione lineare (RL) La regressione lineare per i dati Advertising Analisi d interesse Regressione lineare semplice
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
DettagliEsercizio 8. Ne segue, ovviamente che le aree geografiche di riferimento sono Africa e America del Sud.
Esercizio 8 La Swiss Economic Research della Union Bank of Switzerland conduce un controllo periodico dei livelli dei prezzi e dei salari nella principali città del mondo. Una delle variabili rilevate
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
DettagliStima dei parametri di modelli lineari
Stima dei parametri di modelli lineari Indice Introduzione................................ 1 Il caso studio................................ 2 Stima dei parametri............................ 3 Bontà delle
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
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
DettagliRegressione lineare - ripasso
Regressione lineare - ripasso Quando parliamo di regressione cosa intendiamo? Il modello di regressione è caratterizzato dai seguenti aspetti: 1. siamo interessati a una particolare variabile che vorremmo
DettagliConfronto fra gruppi: il metodo ANOVA. Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23
Confronto fra gruppi: il metodo ANOVA Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23 1 Nella popolazione, per ciascun gruppo la distribuzione della variabile risposta
DettagliESERCITAZIONE C. Analisi di dati sperimentali PARTE 3: REGRESIONE
Università degli Studi di Padova Facoltà di Scienze MM.FF.NN. Corso di Laurea Magistrale: Biologia Sanitaria/Biologia Molecolare Insegnamento: Statistica Applicata Docente: Prof.ssa Alessandra R. Brazzale
DettagliREGRESSIONE lineare e CORRELAZIONE. Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori
REGRESSIONE lineare e CORRELAZIONE Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori Y X La NATURA e la FORZA della relazione tra variabili si studiano con la REGRESSIONE
DettagliDAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI
DAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Università degli Studi di Perugia Versione on-line: http://www.unipg.it/ onofri/rtutorial/index.html
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 con predittori qualitativi e modelli con interazioni. Strumenti quantitativi per la gestione
Modelli con predittori qualitativi e modelli con interazioni Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/3d_viq.html#(1) 1/26 Utilizzare
DettagliData Mining. Prova parziale del 20 aprile 2017: SOLUZIONE
Università degli Studi di Padova Corso di Laurea Magistrale in Informatica a.a. 2016/2017 Data Mining Docente: Annamaria Guolo Prova parziale del 20 aprile 2017: SOLUZIONE ISTRUZIONI: La durata della prova
Dettagli> d = alimentazione == "benz" > mean(percorr.urbana[!d]) - mean(percorr.urbana[d]) [1] 2.385627. > sd(percorr.urbana[d]) [1] 2.
A questo punto vale la pena di soffermarci di più sull alimentazione. Intanto cerchiamo di indagare se l alimentazione è davvero un fattore significativo per la percorrenza come è luogo comune pensare.
DettagliValidazione dei modelli Strumenti quantitativi per la gestione
Validazione dei modelli Strumenti quantitativi per la gestione Emanuele Taufer Validazione dei modelli Il data set Auto I dati Il problema analizzato Validation set approach Diagramma a dispersione Test
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)
DettagliIntroduzione alla Regressione Logistica
Introduzione alla Regressione Logistica Contenuto regressione lineare semplice e multipla regressione logistica lineare semplice La funzione logistica Stima dei parametri Interpretazione dei coefficienti
DettagliStatistica multivariata Donata Rodi 17/10/2016
Statistica multivariata Donata Rodi 17/10/2016 Quale analisi? Variabile Dipendente Categoriale Continua Variabile Indipendente Categoriale Chi Quadro ANOVA Continua Regressione Logistica Regressione Lineare
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. Correlazione. Regressione Lineare
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica Correlazione Regressione Lineare Corso di laurea in medicina e chirurgia - Statistica Medica Correlazione
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi Corso di laurea in Informatica e Bioinformatica 4 ESERCIZI RIEPILOGATIVI PRIME 3 LEZIONI 1 - STATISTICA DESCRITTIVA
DettagliIl BOOM degli ascolti dei programmi culinari. ha inciso sulle iscrizioni all istituto alberghiero???
Il BOOM degli ascolti dei programmi culinari ha inciso sulle iscrizioni all istituto alberghiero??? 60000 50000 40000 30000 20000 10000 0 2007 2008 2009 2010 2011 2012 2013 2014 gli ingredienti sono: Anno
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, -..
DettagliEsercitazione 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
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
DettagliCAPITOLO 11 ANALISI DI REGRESSIONE
VERO FALSO CAPITOLO 11 ANALISI DI REGRESSIONE 1. V F Se c è una relazione deterministica tra due variabili,x e y, ogni valore dato di x,determinerà un unico valore di y. 2. V F Quando si cerca di scoprire
DettagliModelli con predittori qualitativi e modelli con interazioni
Modelli con predittori qualitativi e modelli con interazioni Strumenti quantitativi per la gestione Emanuele Taufer Utilizzare variabili indipendenti qualitative (VIQ) Codifica binaria 0,1 Esempio: salari
Dettagli> cement <- read.table("i:/modelli/cement.dat", col.names=c("tempo", "resist")) > attach(cement)
Laboratorio 6 Analisi dei residui 6.1 Analisi dei dati CEMENT.DAT I dati riportati nel file cement.dat si riferiscono ad uno studio sulla resistenza del cemento alla tensione. La resistenza dipende, tra
DettagliRegressione lineare multipla Strumenti quantitativi per la gestione
Regressione lineare multipla Strumenti quantitativi per la gestione Emanuele Taufer Regressione lineare multipla (RLM) Esempio: RLM con due predittori Stima dei coefficienti e previsione Advertising data
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
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
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
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
DettagliVerifica di ipotesi sui coefficienti di regressione. Verifica di ipotesi sul coefficiente angolare
Verifica di ipotesi sui coefficienti di regressione Per il momento supponiamo di muoverci nel contesto del modello gaussiano. Vogliamo capire se alcune nostre congetture sui coefficienti di regressione
DettagliTest per la correlazione lineare
10 Test per la correlazione lineare Istituzioni di Matematica e Statistica 2015/16 E. Priola 1 Introduzione alla correlazione lineare Problema: In base ai dati che abbiamo possiamo dire che c è una qualche
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,
Dettagli11.2. Introduzione alla statistica 2/ed. Marilyn K. Pelosi, Theresa M. Sandifer, Paola Cerchiello, Paolo Giudici
CAPITOLO 11 L ANALISI DI REGRESSIONE SOLUZIONI 11.1 a) una relazione lineare potrebbe essere appropriata b)l equazione di regressione è y cappello=0,96+0,00006 x c)olanda: y cappello=0,96+0,00006 (53560)=4,57
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
DettagliLABORATORIO DI PROBABILITA E STATISTICA
LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 3 LA REGRESSIONE LINEARE ES. STUDIO RELAZIONE ALTEZZA - PESO Soggetto Altezza Peso A 174 75 B 166 63 C 173 70 D 171 71 E 168 68 F 167 68 G 165
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
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
DettagliAnalfabetismo finanziario ed inclusione previdenziale nella società che invecchia
Analfabetismo finanziario ed inclusione previdenziale nella società che invecchia Mario Padula Presidente della Commissione di Vigilanza sui Fondi Pensione JOB & Orienta 26 o Mostra Convegno Nazionale
DettagliLaboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 2011-12)
Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 011-1) REGRESSIONE LINEARE SEMPLICE OPEN STATISTICA 8.44 Per 8 settimanali, appartenenti alla medesima fascia di prezzo e presenti in edicola
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliLa previsione delle vendite dei lm
La previsione delle vendite dei lm L'industria cinematograca è un business con un alto prolo e un'elevata variabilità nei ricavi. Nel 2005, gli americani hanno speso 8.8 miliardi di dollari di biglietti
DettagliOCSE PISA 2009 Programme for International Student Assessment
7 dicembre 2010 INVALSI OCSE PISA 2009 Programme for International Student Assessment Risultati nazionali La rilevazione OCSE PISA 2009 Quarta edizione del programma PISA (rilevazioni triennali). Obiettivo
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
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
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
DettagliUniversità del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica
Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica Regressione Lineare e Correlazione Argomenti della lezione Determinismo e variabilità Correlazione Regressione Lineare
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
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
DettagliVariabili tutte osservabili: regressione Si parla di regressione quando si ha a disposizione un campione sperimentale di numerosità n della forma X 1
Modelli lineari Come motivazione di ciò che stiamo per fare, pensiamo ai dati indicatori_benessere.txt. Quando li abbiamo esaminati nella lezione 1 tramite la rappresentazione nel piano delle componenti
DettagliLezioni di Statistica del 15 e 18 aprile Docente: Massimo Cristallo
UIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECOOMIA Corso di laurea in Economia Aziendale anno accademico 2012/2013 Lezioni di Statistica del 15 e 18 aprile 2013 Docente: Massimo Cristallo LA RELAZIOE
DettagliRAPPORTO CER Aggiornamenti
RAPPORTO CER Aggiornamenti 12 Ottobre 2012 LO SPREAD PROSSIMO VENTURO Quanto potrà scendere lo spread Btp-Bund dopo le misure di austerità fiscale? Per rispondere, forniamo una semplice stima derivata
DettagliAnalisi descrittiva: calcolando medie campionarie, varianze campionarie e deviazioni standard campionarie otteniamo i dati:
Obiettivi: Esplicitare la correlazione esistente tra l altezza di un individuo adulto e la lunghezza del suo piede e del suo avambraccio. Idea del progetto: Il progetto nasce dall idea di acquistare scarpe
Dettaglilezione 10 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Redditi svedesi - il dataset contiene i dati di reddito di 838 individui - il dataset contiene le variabili: sex = sesso age = età edu = anni di istruzione y_gross = reddito
Dettaglilezione 5 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - le stime OLS ci consentono di approssimare linearmente la relazione fra una variabile dipendente (Y) e una indipendente (X) - i parametri stimati su un
DettagliI fallimenti di tipo macroeconomico
I fallimenti di tipo macroeconomico Oltre che dai fallimenti di tipo microeconomico l intervento pubblico in economia può essere giustificato anche dall esistenza di elementi di instabilita a livello macroeconomico
DettagliANALISI DELLA VARIANZA
ANALISI DELLA VARIANZA Il data set coagulation contenuto nella libreria faraway contiene i tempi di coagulazione del sangue (misurato in secondi) di 24 animali sottoposti casualmente a quattro tipi 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
DettagliEsercizio 1 Questa tabella esprime i tempi di durata di 200 apparecchiature elettriche:
Istituzioni di Statistica 1 Esercizi su indici di posizione e di variabilità Esercizio 1 Questa tabella esprime i tempi di durata di 200 apparecchiature elettriche: Durata (ore) Frequenza 0 100? 100 200
DettagliProgetti di Outplacement per l Azienda
Progetti di Outplacement per l Azienda TRASFORMIAMO IL CAMBIAMENTO IN OPPORTUNITÀ CHI SIAMO PERCHÈ SCEGLIERE OP SOLUTION Supportiamo le Aziende che devono affrontare il percorso di uscita dei loro dipendenti,
DettagliLaboratorio di R - 3 a lezione Prof. Mauro Gasparini
Laboratorio di R - 3 a lezione Prof. Mauro Gasparini 1. Verifica di ipotesi: il test t di Student In R è disponibile la funzione t.test che effettua il test t di Student ad un campione, a due campioni
DettagliOutplacement individuale
Outplacement individuale TRASFORMIAMO IL CAMBIAMENTO IN OPPORTUNITÀ CHI SIAMO PERCHÈ SCEGLIERE OP SOLUTION Professionisti nel supporto alla ricollocazione professionale per chi è in fase di chiusura del
DettagliCAPITOLO 5 Introduzione ai piani fattoriali
Douglas C. Montgomery Progettazione e analisi degli esperimenti 2006 McGraw-Hill CAPITOLO 5 Introduzione ai piani fattoriali Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria
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
DettagliEsplorazione dei dati. Lucidi e dataset tratti da Turini - Analisi dei Dati, Dip. Inf. Unipi
Esplorazione dei dati Lucidi e dataset tratti da Turini - Analisi dei Dati, Dip. Inf. Unipi Analisi mono e bivariata Si utilizzano indicatori sintetici che individuano, con un singolo valore, proprieta`
DettagliModelli non lineari. Strumenti quantitativi per la gestione
Modelli non lineari Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/7_gam.html#(5) 1/54 Metodi per affrontare problemi nonlineari Regressione
DettagliCase study. viene espressa in unità µmol per ora per grammo di peso secco.
Vengono studiate due specie diverse (ma dello stesso genere) di piante di interesse agronomico. In particolare, i ricercatori vogliono misurare la capacità dell'apparato radicale di tali piante di assorbire
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)
DettagliCognome, Nome e Numero di matricola: { 0 t 1. f T (t) = 3 { 0 t 1 t
Politecnico di Milano - Scuola di Ingegneria Industriale II Appello di Statistica per Ingegneria Energetica 8 settembre 0 c I diritti d'autore sono riservati. Ogni sfruttamento commerciale non autorizzato
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
DettagliTemporanei o Permanenti?
Temporanei o Permanenti? Perché è importante? Due motivi che rendono la distinzione tra temporanei e permanenti importante: 1. Legislazione per la protezione dell impiego: terminare un rapporto di lavoro
DettagliEsercizio 2: voto e ore dedicate allo studio
La seguente tabella riporta il voto riportato da 10 studenti all esame di Statistica Sociale e il numero di ore di lezione non seguite dallo studente (il corso prevede 30 ore di lezione). Ci si chiede
DettagliStatistica - metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill
- metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill Es. Soluzione degli esercizi del capitolo 8 home - indice In base agli arrotondamenti effettuati nei calcoli, si
DettagliIl metodo della regressione
Il metodo della regressione Consideriamo il coefficiente beta di una semplice regressione lineare, cosa significa? È una differenza tra valori attesi Anche nel caso classico di variabile esplicativa continua
DettagliLaboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona
Laboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Stime puntuali ed intervalli Motivazioni Fare inferenze circa un insieme
DettagliModelli non lineari Strumenti quantitativi per la gestione
Modelli non lineari Strumenti quantitativi per la gestione Emanuele Taufer Metodi per affrontare problemi non lineari Regressione polinomiale Esempio: modellare i picchi di domanda di energia Fattori che
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliUso elementare di R in Statistica G. Marchetti
Uso elementare di R in Statistica G. Marchetti Lezione 1 Introduzione R è un ambiente statistico di pubblico dominio. Il software è libero e può essere scaricato dal sito https: //cran.r-project.org/.
DettagliSTATISTICA BIVARIATA: ALCUNI STIMOLI DI APPROFONDIMENTO (Tecn. Lab. Biomedico e Tecn. Fisiop. e Perfus. Cardiovascolare 3 Anno)
STATISTICA BIVARIATA: ALCUNI STIMOLI DI APPROFONDIMENTO (Tecn. Lab. Biomedico e Tecn. Fisiop. e Perfus. Cardiovascolare 3 Anno) 1) ASSOCIAZIONE TRA DUE CARATTERI RISCHIO RELATIVO E ODDS RATIO In uno studio
DettagliIl confronto fra medie
L. Boni Obiettivo Verificare l'ipotesi che regimi alimentari differenti non producano mediamente lo stesso effetto sulla gittata cardiaca Ipotesi nulla IPOTESI NULLA La dieta non dovrebbe modificare in
DettagliTra i non fumatori qual è la percentuale di non utilizzatori di sostanze stupefacenti? Scegli un'alternativa: a. 86% b. 10% c. 50% d. 25% e.
Domanda 1 Una misura di sintesi di una distribuzione si dice robusta se... a. Risulta particolarmente sensibile ai valori anomali (valori molto piccoli o molto grandi) c. Non risulta particolarmente sensibile
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Statistica Descrittiva 3. Esercizi: 5, 6. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Statistica Descrittiva 3 Esercizi: 5, 6 Docente: Alessandra Durio 1 Contenuti I quantili nel caso dei dati raccolti in classi
DettagliPISA 2015: l Italia a confronto
PISA 2015: l Italia a confronto Martedì 6 dicembre 2016 Roma Francesco Avvisati PISA il test PISA in breve - 2015 Nel 2015, 540 000 studenti - Scelti tra i 28 millioni di studenti 15enni nei 72 paesi/economie
DettagliLe novità sui materiali specifici a rischio
IZSTO Istituto Zooprofilattico Sperimentale del Piemonte, Liguria e Valle d Aosta Le novità sui materiali specifici a rischio Daniela Meloni Centro di riferimento Nazionale Encefalopatie Animali daniela.meloni@izsto.it
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
Dettagli