SCUOLA DI STUDI SUPERIORI Corso: Metodi Statistici Modulo: Metodi di valutazione delle politiche Lezione 3: Un accenno ai metodi
|
|
- Livia Sartori
- 5 anni fa
- Visualizzazioni
Transcript
1 SCUOLA DI STUDI SUPERIORI Corso: Metodi Statistici Modulo: Metodi di valutazione delle politiche Lezione 3: Un accenno ai metodi Docente: Guido Pellegrini Università La Sapienza, Roma
2 Modelli con selezione: il caso generale n Quale che sia la regola che conduce alla decisione di assegnazione dell intervento, essa può essere formalizzata in termini di una funzione indice. n IN i è un indice che misura il possesso da parte dell unità i delle caratteristiche richieste dal decision maker ai fini dell attribuzione dell intervento. L indice è funzione di caratteristiche osservabili (Z i ) e non osservabili (V it ). Per semplicità, consideriamo una specificazione lineare dell indice: n IN i = Z i + V t i
3 Modelli con selezione: il caso generale (2) n IN i = Z i + V t i n D i = 1 se IN i >0 n D i = 0 se IN i <=0 Y it = αx it + bd i + U it. E(U,D) 0 può essere spiegata o a causa della dipendenza stocastica tra U e Z, in tal caso si tratta di un processo di selezione basato su variabili osservabili, oppure a causa della dipendenza stocastica tra U e V, e quindi si tratta di un processo di selezione basato su variabili non osservabili.
4 Modelli con selezione: metodi di soluzione (1) Soluzione in caso di variabili di selezione osservabili e dati cross section riferiti a dopo il trattamento con conoscenza stato di trattamento: n stimatore della funzione di controllo n matching.
5 Modelli con selezione: metodi di soluzione (2) Soluzione in caso di informazioni cross-section su più anni a cavallo dell intervento o di dati longitudinali, noto lo stato delle unità rispetto all intervento: n stimatore delle differenze prime n stimatore random growth Nel caso in cui cross-section: n stimatore variabili strumentali n stimatore regression discontinuity design
6 Modello difference in differences n Nel modello difference in differences, la relazione stocastica tra le variabili non osservabili (U it ) e D i dipende da una componente specifica individuale (o effetto fisso) a i : U it = a i + v it, n Questo caso comprende quindi quello di selection bias nei livelli n una stima consistente dell impatto si ottiene regredendo la differenza (Y it - Y it ), dove t e t sono due momenti a cavallo del programma, su D i e sulla differenza (X it - X it ).
7 Modello difference in differences: un approccio alternativo DID=[E(x D=1,T=1)-E(x D=1,T=0)]-[E(x D=0,T=1)-E(x D=0,T=0)] Se E(x D=1,T=0)= E(x D=0,T=0)+a E(x D=0,T=1)=E(x D=0,T=0)+b E(x D=1,T=1)=E(x D=0,T=0)+differenze iniziali+crescita= E(x D=0,T=0)+a+b (in mancanza di effetti delle politiche) Se effetto delle politiche =c E(x D=1,T=1)=E(x D=0,T=0)+a+b+c DID=[E(x D=0,T=0)+a+b+c-E(x D=0,T=0)-a] -[E(x D=0,T=0)+b-E(x D=0,T=0)]=c
8 Modello difference in differences: un approccio alternativo Può quindi essere stimato come: Y= costante + a*dtempo+b*dtrattato +c*dtempo*dtrattato Dove: Dtempo dummy=1 se T=1, altrimenti 0 Dtrattato dummy=1 se D=1, altrimenti 0 Costante = E(y D=0,T=0)
9 Nel modello random growth rate n la relazione tra le variabili non osservabili e D i dipende da due componenti: a i e una componente specifica di crescita, b i : U it = a i + b i t + v it, n la stima dell impatto si ottiene applicando al modello alle differenze uno stimatore within che sottrae le medie temporali individuali a ciascuna osservazione, eliminando l effetto dei trend specifici di crescita.
10 Disegni in presenza di selezione su var. osservabili n Lo stimatore con funzione di controllo individua una classe di stimatori: n Il metodo two stage, che consiste nella stima della funzione nota, che controlla il processo di selezione, e nell inserimento della stessa nella equazione outcome. n Il metodo diretto (direct nonlinear regression) consiste, invece, nella stima dell equazione outcome in cui il processo di selezione viene esplicitato direttamente, senza passare, quindi, attraverso la fase di stima della funzione.
11 Disegni in presenza di selezione su var. osservabili n Nel modello classico con probabilità di selezione (two stage), si stima la probabilità che una unità sia selezionata e si inserisce tale probabilità in un modello di regressione lineare della variabile outcome: n Pr(D i =1 Z i ) = P(Z i ) = π i (Z i è il set di variabili che condizionano la partecipazione al programma) n Ŷ i = bx + gπ i + ad i + u it, dove Ŷ i è il tasso di crescita del variabile outcome, e π i è la probabilità di partecipazione al programma
12 Disegni in presenza di selezione su var. osservabili (2) n L ipotesi statistica sottostante è che esiste una distribuzione congiunta delle caratteristiche non osservabili che influenza la partecipazione e l outcome n Modellando esplicitamente la partecipazione, possiamo derivare una variabile che quindi controlla (parzialmente) per le variazioni delle variabili non osservabili n Affinché abbia risultati, richiede la presenza di una variabile nel processo di partecipazione (strumento) non presente nella stima dell outcome. n Ma dipende molto dalla scelta della variabile e dall assunzione rispetto al tipo di distribuzione
13 Disegni in presenza di selezione su var. osservabili (3) n Perché conviene inserire nel modello la probabilità (il propensity score) piuttosto che direttamente le singole variabili? n Perché l effetto dell inserimento delle variabili di selezione dipende dalla parametrizzazione del modello (ma anche per il propensity score!) n Si mostra che l uso del propensity score rende il modello meno sensibile alla scelta funzionale fatta.
14 Disegni in presenza di selezione su var. osservabili: IV (var. strumentali) Lo stimatore con variabili strumentali fa ricorso ad almeno una variabile che è correlata con il processo di selezione ma non alla variabile outcome, se non attraverso la partecipazione all intervento. La relazione tra variabile strumentale e variabile outcome, che varia al variare dei diversi gruppi partecipanti all intervento, identifica l impatto dell intervento senza problemi di selezione.
15 Ripasso IV econometria n Yi=bXi+ei n b^=cov(x,y)/var(x) =(bvar(x)+cov(x,e))/var(x) =b+cov(x,e)/var(x) n Se cov(z,x) 0 cov(z,e)=0 Scrivo: ZY=bZX+Xe
16 Ripasso IV econometria n ZYi=bZXi+Zei n b =ZYi-Zei/ZXi b=e(b^^)=e(zy)/e(zx)-e(ze)/e(zx) Se cov(z,x) 0 cov(z,e)=0 b=e(b^^)
17 Disegni in presenza di selezione su var. osservabili:iv (2) n Se vi sono regressori nella regola di selezione, un metodo che sfrutta l informazione in essi contenuta è il metodo delle variabili strumentali. Il metodo delle variabili strumentali richiede le seguenti condizioni. n Tra i regressori Z di IN deve esistere almeno una variabile, Z*, tale che: IN i = bz i + V t, E(U X,Z*)=0 E(D X,Z*)=Pr(D=1 X,Z*) dipende da Z*
18 formalmente n IV1) (Exclusion Restriction) Z non ha alcuna influenza sul termine d errore una volta che si controlla per le X: E(ui Xi, Zi) = E(ui Xi) = 0; n IV2) La probabilità di partecipare al programma è influenzata dal valore di Z anche controllando per le X: n P(Di =1 Xi,Zi =z*) P(Di =1 Xi,Zi =z**),dove z* e z** diversi
19 assunzioni n La prima assunzione non è testabile e va giustificata in base alla teoria economica o all osservazione di un esperimento naturale. n La seconda assunzione è invece testabile e determina la forza di uno strumento, cioè quanto un suo cambiamento di valore influenzi la probabilità di partecipare al trattamento
20 Strumento binario n Nel caso semplice in cui X=0 n E(Y Z=1) = be(d Z=1) + E(e Z=1) E(Y Z=0) = be(d Z=0) + E(e Z=0) Sottraendo la seconda equazione alla prima e raccogliendo il termine b si ha b = E(Y Z=1) E(Y Z=0)/ P(D=1 Z=1) P(D=1 Z=0)
21 Disegni in presenza di selezione su var. osservabili:iv (2) n Z* non è completamente spiegata da X, in altre parole la probabilità Pr(D=1 X,Z*) è definita per due o più valori di Z*, così che essa è una funzione non triviale di Z*, e i suoi valori differiscono al variare di Z*, per lo meno per alcuni valori di X. Ne deriva che la dipendenza di Y da Z* opera solo attraverso D. n Se valgono le precedenti condizioni, allora Z* è una variabile utilizzabile come strumento per approssimare il disegno sperimentale: essa determina la partecipazione all intervento ma non influenza direttamente la variabile outcome
22 Disegni in presenza di selezione su var. osservabili:iv (2) Y it = bx it + a D i + U it. E(Y it X it,,z*)=bx it + a Pr(D i =1 X,Z*) t. E dati due valori di Z*, ovvero Z I 1i e ZI 2i, Lo stimatore sarà: ˆ α IV = Pr ( ) ( ) E Y X, Z I E Y X, Z I it it i1 it it i2 ( I ) ( I ) d = 1 X, Z Pr d = 1 X, Z i it i1 i it i2
23 LATE il LATE (Local Average Treatment Effect) stima l effetto medio della politica per un sottogruppo dei trattati Nel caso dello stimatore IV rappresenta l effetto medio della politica per gli individui che sono stati indotti al trattamento dal cambiamento di valore dello strumento.
24 LATE: Suddivisione in 4 categorie degli individui in base alla loro risposta allo strumento Z e al trattamento D
25 LATE n Never-taker: coloro che non partecipano mai (D=0) anche se Z=1 o Z=0 n Complier (che seguono correttamente quanto atteso): non partecipano se Z=0, partecipano se Z=1 n Always taker: coloro che partecipano sempre (D=1) anche se Z=1 o Z=0 n Defier: quelli che fanno il contrario: non partecipano per Z=1 e partecipano per Z=0
26 LATE n E(Y Z=1)-E(Y Z=0) (Law of Iterated Expectation) n =E[D(1)*Y 1 (1)+(1-D(1))*Y 0 (1) Z=1]- E[D(0)*Y 1 (0)+(1-D(0))*Y 0 (0) Z=0] =E[D(1)*Y 1 +(1-D(1))*Y 0 ]-E[D(0)*Y 1 +(1-D(0))*Y 0 ] =E[(D(1)-D(0)*(Y 1 -Y 0 )] questo è il valore atteso della variazione di Y al variare di Z, diviso in =E[(Y 1 -Y 0 ) (D(1)-D(0)=1]P(D(1)-D(0)=1) cioè chi Passa dal non partecipare al partecipare
27 LATE n diviso in =E[(Y 1 -Y 0 ) (D(1)-D(0)=1]P(D(1)-D(0)=1) cioè chi Passa dal non partecipare al partecipare per Z che passa da 0 a 1 -E[(Y 1 -Y 0 ) (D(1)-D(0)=1]P(D(1)-D(0)=-1) cioè chi Passa dal partecipare al non partecipare per Z che passa da 0 a 1, cioè =E(α complier)p(complier)-e(α defier)p(defier)
28 LATE n assunzione di monotonicità n D(1)>D(0) n Cioè se un individuo partecipa per Z=0 allora partecipa anche per Z=1 (non testabile) e quindi esclude i depier n In questo caso LATE=E(α complier)p(complier) Ma il gruppo di complier non è di solito rappresentativo di tutti i trattati e ancor meno di tutta la popolazione target;
29 Metodi di matching n La tecnica del matching statistico consiste, invece, nella stima degli effetti del programma mediante stratificazione delle unità beneficiate e delle unità escluse sulla base delle caratteristiche che condizionano il processo di selezione. L obiettivo è quello di minimizzare le differenze esistenti tra i due gruppi, riducendo in tal modo l effetto della selection bias.
30 Regression discontinuity design n Se esistono graduatorie di ammissione, si restringe il campo di analisi ai soggetti posizionati nell intorno del punto di discontinuità della graduatoria, e quindi molto simili
31 Modelli misti n Un ulteriore modello di stima dell impatto del programma di interventi è un estensione del modello difference in difference che utilizza la probabilità di partecipazione al programma per controllare l effetto di variabili osservabili condizionanti il processo di selezione. Il modello è applicabile solo a condizione che la funzione di probabilità sia costante nel tempo, affinché possa essere eliminata con le differenze prime.
1. variabili dicotomiche: 2 sole categorie A e B
Variabile X su scala qualitativa (due categorie) modello di regressione: variabili quantitative misurate almeno su scala intervallo (meglio se Y è di questo tipo e preferibilmente anche le X i ) variabili
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
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
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
DettagliLe politiche industriali della Regione Umbria: networking, valutazione dei risultati e nuove misure di incentivazione
Le politiche industriali della Regione Umbria: networking, valutazione dei risultati e nuove misure di incentivazione Sono stati gli incentivi regionali utili? Analisi degli effetti degli incentivi alla
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 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
DettagliI comuni coinvolti nella politica sono selezionati (in parte auto-, in parte etero-) in due passi.
Commenti su Le politiche per lo sviluppo locale: la valutazione dei Patti Territoriali (A. Accetturo e G. de Blasio) Roma, 22 Feb. 2008 1. Il processo di selezione dei trattati I comuni coinvolti nella
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
DettagliRegressioni con Panel Data
Regressioni con Panel Data Un insieme di dati panel contiene osservazioni riguardanti più di un individuo, dove ogni entità è osservata in due o più periodi di tempo. Esempi ipotetici: Dati su 420 distretti
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
Dettaglilezione 8 AA Paolo Brunori
AA 2016-2017 Paolo Brunori regressione multipla con n = k Immaginate di voler studiare i determinanti del voto all esame di econometria Y = β 1 X 1 + u Y i = β 1 H i + u i H=ore studiate alla settimana
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
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
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
DettagliMetodi statistici per la ricerca sociale Capitolo 11. Regressione Multipla e Correlazione
Metodi statistici per la ricerca sociale Capitolo 11. Regressione Multipla e Correlazione Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università degli Studi di Firenze
Dettagli5. Per determinare il miglior grado del polinomio di una regressione polimoniale
Principi di Econometria 55 di tempo prof. Brunori Nome e cognome 16/01/2017 Matricola versione A Potete consegnare solo le risposte multiple o sia le risposte multiple che quelle aperte. Nel secondo caso
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 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
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)
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliPrincipi di analisi causale Lezione 3
Anno accademico 2007/08 Principi di analisi causale Lezione 3 Docente: prof. Maurizio Pisati Approccio causale Nella maggior parte dei casi i ricercatori sociali utilizzano la regressione per stimare l
DettagliIl QUADRO LOGICO per RIFLETTERE sul CAMBIAMENTO e sull IMPATTO. Paolo Canino e Stefano Cima
Il QUADRO LOGICO per RIFLETTERE sul CAMBIAMENTO e sull IMPATTO Paolo Canino e Stefano Cima Lezione 4 Termini di paragone e tecniche di stima Giudicare l impatto con argomenti convincenti Si deve, anzi
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5
Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione
DettagliIl metodo della regressione
Il metodo della regressione Il matching statistico Il matching statistico si basa sull idea di abbinare a ciascun soggetto trattato un soggetto non trattato tendenzialmenre equivalente, ovvero molto simile
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.
DettagliLETTI PER VOI: L uso delle tecniche di matching nella valutazione di efficacia di un farmaco. Cinzia Di Novi. Università Ca Foscari di Venezia,
LETTI PER VOI: L uso delle tecniche di matching nella valutazione di efficacia di un farmaco Cinzia Di Novi Università Ca Foscari di Venezia, Dipartimento di Economia Il matching statistico è sempre più
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
DettagliMachine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione
Corso di Bioinformatica Machine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di machine learning I metodi
DettagliL'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile. Corso di Metodologia della ricerca sociale
L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile Corso di Metodologia della ricerca sociale L analisi della varianza (ANOVA) La tecnica con cui si esplorano le relazioni
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZIONE 4 - Questioni di analisi e applicazione della regressione lineare Pratica
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
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliEsempio (Azzalini, pp. 6-15)
Inferenza statistica procedimento per indurre le caratteristiche non note di un aggregato a partire dalle informazioni disponibili su una parte di esso. Obiettivo del corso presentare la teoria ed i metodi
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 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
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
DettagliEconometria. lezione 13. validità interna ed esterna. Econometria. lezione 13. AA 2014-2015 Paolo Brunori
AA 2014-2015 Paolo Brunori popolazione studiata e popolazione di interesse - popolazione studiata: popolazione da cui è stato estratto il campione - popolazione di interesse: popolazione per la quale ci
DettagliLaudatio. pronunciata dal Professor Franco Peracchi in occasione della Laurea Honoris Causa al Professor Charles F. Manski
Laudatio pronunciata dal Professor Franco Peracchi in occasione della Laurea Honoris Causa al Professor Charles F. Manski Tor Vergata, 24 maggio 2006 Il conferimento della Laurea Honoris Causa al Professor
DettagliArgomenti della lezione:
Lezione 7 Argomenti della lezione: La regressione semplice Il modello teorico Il calcolo dei parametri Regressione lineare Esamina la relazione lineare tra una o più variabili esplicative (o indipendenti,
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
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
DettagliIl modello lineare e l analisi della varianza con
Il modello lineare e l analisi della varianza con Rocco Micciolo Università di Trento http://hostingwin.unitn.it/micciolo/ ANOVA a 1 via La scomposizione della devianza ANOVA a 1 via e modello lineare
DettagliUniversità di Pavia Econometria Esercizi 4 Soluzioni
Università di Pavia Econometria 2008-2009 Esercizi 4 Soluzioni Maggio, 2009 Istruzioni: I commenti devono essere concisi! 1. Dato il modello di regressione lineare, con K regressori con E(ɛ) = 0 e E(ɛɛ
DettagliVogliamo determinare una funzione lineare che meglio approssima i nostri dati sperimentali e poter decidere sulla bontà di questa approssimazione.
S.S.I.S. TOSCANA F.I.M. II anno FUNZIONI DI REGRESSIONE E METODO DEI MINIMI QUADRATI Supponiamo di star conducendo uno studio sulla crescita della radice di mais in funzione del contenuto di saccarosio
DettagliDOMANDA DI RICERCA TIPI DI RICERCA
DOMANDA DI conoscenza esistente del problema: letteratura, esperienze relative al problema oggetto di studio, teorie già note, osservazione dirette di fenomeni/comportamenti nelle organizzazioni TIPI DI
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
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
DettagliRegressioni Non Lineari
Regressioni Non Lineari Fino ad ora abbiamo solo considerato realazioni lineari Ma le relazioni lineari non costituiscono sempre le migliori approssimazioni La regressione multipla può anche essere formulata
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
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
DettagliDipartimento di Sociologia e Ricerca Sociale. Corso di Laurea in Sociologia. Insegnamento di Statistica (a.a ) dott.ssa Gaia Bertarelli
Dipartimento di Sociologia e Ricerca Sociale Corso di Laurea in Sociologia Insegnamento di Statistica (a.a. 2018-2019) dott.ssa Gaia Bertarelli Esercitazione n. 6 1. Si consideri un campione di 69 persone
Dettaglilezione 13 AA Paolo Brunori
AA 2016-2017 Paolo Brunori popolazione studiata e popolazione di interesse - popolazione studiata: popolazione da cui è stato estratto il campione - popolazione di interesse: popolazione per la quale ci
DettagliStatistica Applicata all edilizia Lezione: Analisi delle serie storiche: parte I
Lezione: Analisi delle serie storiche: parte I E-mail: orietta.nicolis@unibg.it 27 aprile 21 Programma Programma Le serie storiche (o temporali) Sequenze di osservazioni effettuate nella sucessione dei
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
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliFunzioni di regressione non lineari
Funzioni di regressione non lineari Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi Regressione nonlineare Econometria - 2013 1 / 25 Sommario Funzioni di regressione non lineari - note
DettagliProgetto e miglioramento del processo produttivo 383
Ottimizzazione del processo con esperimenti programmati I piani fattoriali sono molto utili nella selezione dei fattori o factor screening, cioè nella identificazione di quei fattori che maggiormente influiscono
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
DettagliSommario. Capitolo 1 I dati e la statistica 1. Capitolo 2 Statistica descrittiva: tabelle e rappresentazioni grafiche 25
Sommario Presentazione dell edizione italiana Prefazione xv xiii Capitolo 1 I dati e la statistica 1 Statistica in pratica: BusinessWeek 1 1.1 Le applicazioni in ambito aziendale ed economico 3 Contabilità
DettagliAnalisi delle serie storiche parte V Modelli autoregressivi
Analisi delle serie storiche parte V Modelli autoregressivi a.a. 2016/2017 Economiche Internazionali 1 Definizioni introduttive Autoregressione: modello di regressione che spiega una serie temporale con
DettagliLEZIONE N. 11 ( a cura di MADDALENA BEI)
LEZIONE N. 11 ( a cura di MADDALENA BEI) F- test Assumiamo l ipotesi nulla H 0 :β 1,...,Β k =0 E diverso dal verificare che H 0 :B J =0 In realtà F - test è più generale H 0 :Aβ=0 H 1 :Aβ 0 A è una matrice
DettagliArgomenti della lezione: Campionamento Stima Distribuzione campionaria Campione Popolazione Sottoinsieme degli elementi (o universo) dell '
Lezione 2 Argomenti della lezione: La statistica inferenziale: concetti di base Campionamento Stima Distribuzione campionaria Popolazione (o universo) Insieme di tutti gli elementi cui si rivolge il ricercatore
DettagliTECNICHE DI ANALISI DEI DATI
TECNICE DI ANALISI DEI DATI AA 08/09 PRO. V.P. SENESE Questi materiali sono disponibili per tutti gli studenti al seguente indirizzo: https://goo.gl/xy5fr Seconda Università di Napoli (SUN) Dipartimento
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
DettagliUniversità degli Studi di Perugia Corso di Laurea Magistrale in Finanza e Metodi Quantitativi per l Economia. Econometria. Introduzione al corso
Università degli Studi di Perugia Corso di Laurea Magistrale in Finanza e Metodi Quantitativi per l Economia Econometria Introduzione al corso Febbraio 2015 Anno Accademico 2014-2015 D. Aristei Econometria
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
DettagliINTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA
INTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA IRCBG 19027 Modulo Dal campione alla popolazione: l'inferenza e l'intervallo di confidenza IRCCS Burlo Garofolo Formazione, Aula A via dell Istria
DettagliB il suo coe ciente si interpreta come la variazione di Y dovuta alla variazione unitaria di X (0! 1)
Principi di Econometria 55 di tempo prof. Brunori Nome e cognome 01/02/2017 Matricola Potete consegnare solo le risposte multiple o sia le risposte multiple che quelle aperte. Nel secondo caso per passare
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliIl modello lineare misto
Il modello lineare misto (capitolo 9) A M D Marcello Gallucci Univerisità Milano-Bicocca Lezione: 15 GLM Modello Lineare Generale vantaggi Consente di stimare le relazioni fra due o più variabili Si applica
DettagliUN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA
UN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA Luiss Guido Carli Audizione presso il Senato della Repubblica 23 Settembre 2014 PREMESSA Situazione corrente Le entrate del Governo nel
DettagliLa statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati.
RICHIAMI DI STATISTICA La statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati. Quale è la media della distribuzione del reddito dei neolaureati? Per rispondere dovremmo
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
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
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)
DettagliLa teoria dell offerta
La teoria dell offerta Tecnologia e costi di produzione In questa lezione approfondiamo l analisi del comportamento delle imprese e quindi delle determinanti dell offerta. In particolare: è possibile individuare
DettagliLa valutazione dell efficacia del progetto PQM in italiano Antonella Costanzo, Ph.D. - INVALSI
La valutazione dell efficacia del progetto PQM in italiano Antonella Costanzo, Ph.D. - INVALSI Progetto realizzato con il contributo del Fondo Sociale Europeo Programma Operativo Nazionale Competenze per
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliMetodi Statistici per il Management
Metodi Statistici per il Management Statistica Multivariata I Simone Borra - Roberto Rocci Introduzione e obiettivi La statistica multivariata si occupa di analizzare e studiare in modo simultaneo un set
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliIntroduzione al corso di Econometria
Università di Pavia Introduzione al corso di Econometria Eduardo Rossi Che cos è l econometria? Gli economisti sono interessati alle relazioni fra diverse variabili, per esempio la relazione tra salari
DettagliMetodi Statistici per il Management
Metodi Statistici per il Management Modelli statistici di dipendenza Simone Borra - Roberto Rocci Modelli statistici di dipendenza Modelli: strutture formali che hanno l obiettivo di descrivere, spiegare
Dettagli2. SPECIFICAZIONE DI UN MODELLO DI REGRESSIONE MULTIPLA
CAPITOLO QUARTO IL MODELLO DI REGRESSIONE MULTIPLA SOMMARIO:. Introduzione. -. Specificazione di un modello di regressione multipla. - 3. Stima con il metodo dei minimi quadrati ordinari (OLS). - 4. Proprietà
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliFacoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 27/12/2010 Regressione lineare Modello geometrico
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
DettagliMETODOLOGIA DELLA RICERCA PSICOLOGICA. obiettivi. I disegni sperimentali e il controllo
METODOLOGIA DELLA RICERCA PSICOLOGICA Corso di laurea in Scienze della formazione nelle organizzazioni a.a. 2012/13 I DISEGNI SPERIMENTALI E IL CONTROLLO obiettivi Descrivere le modalità attraverso cui
DettagliFunzioni di Regressioni Non Lineari
Funzioni di Regressioni Non Lineari Nelle precedenti lezioni abbiamo assunto che le funzioni di regressione della popolazione siano lineari. Cioè che l effetto su Y di una variazione unitaria di X non
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZION 13 Analisi della interdipendenza e della dipendenza : overview Docente:
DettagliTest d ipotesi Introduzione. Alessandra Nardi
Test d ipotesi Introduzione Alessandra Nardi alenardi@mat.uniroma2.it 1 Consideriamo il caso in cui la nostra variabile risposta sia continua Immaginiamo che obiettivo del nostro studio sia valutare il
DettagliLa verità giace in un ambito molto ristretto, ma l errore è immenso... Henry St John, Reflextion on Exile
La verità giace in un ambito molto ristretto, ma l errore è immenso... Henry St John, Reflextion on Exile APPROCCIO TRADIZIONALE APPROCCIO MODERNO Variabilità Variabilita casuale + completamente dipendente
DettagliElementi di Epidemiologia per la Valutazione Comparativa di Esito
Elementi di Epidemiologia per la Valutazione Comparativa di Esito La valutazione della qualità dell assistenza: quali domande? L incidenza di alcuni esiti negativi dell assistenza ospedaliera (come la
Dettagli