Economia Pubblica e Storia Economica Fausto Pacicco
|
|
- Battistina Cocco
- 5 anni fa
- Visualizzazioni
Transcript
1 Economia Pubblica e Storia Economica Fausto Pacicco fpacicco@liuc.it 1
2 Talvolta, i dati sono disponibili solo in maniera grezza, e possono presentare andamenti stagionali Vediamo i dati di vendita mensili di alcune categorie (abbigliamento femminile, ad esempio) come y e cataloghi per posta come, spesa in advertising e ordini telefonici come x Stimato un modello come sopra, inserendo 11 dei 12 mesi (testate diverse combinazioni, indicati con m_01, m_02 ), si ottengono dei risultati che possono essere interessanti da un punto di vista economico/gestionale Il beta della dummy mensile sta ad indicare l impatto di quel mese sulle vendite, ceteris paribus Pur se «rozzo», questo metodo permette di migliorare la stima di modelli OLS in caso di stagionalità Ricordatevi, non ha senso testare la presenza di 12 stagionalità e della costante, in quanto questo risulterebbe esattamente «sovrapposto» (perfettamente collineare) alla costante stessa. Oppure, omettete la costante 2
3 Le variabili m_01, m_02 che abbiamo appena visto vengono definite variabili dummy Sono variabili dicotomiche, e assumono solo valori 0 o 1 ; per convenzione, sono 0 nei periodi «normali», e si attivano, cioè diventano pari a 1 nei periodi di interesse Nel caso della stagionalità visto nella slide precedente, possono essere viste come gli effetti «singoli» dei mesi e.g. il coefficiente di Dicembre (se significativo) mi indica le unità vendute in più, solo per il fatto ché sia Dicembre (ceteris paribus) Ci permette, in altre parole di isolare l impatto di variabili categoriche sulla nostra regressione 3
4 Tuttavia, l utilizzo delle dummy non è limitato alla stagionalità Prendiamo ad esempio una regressione con dati classificati in base al sesso e allo stato matrimoniale, i.e. sappiamo che alcune risposte sono state dati da uomini single o sposati o da donne single o sposate Riusciamo, tramite il coefficiente e la sua significatività a capire se e di quanto lo stipendio dipenda dall appartenenza a queste categorie Infatti, la dummy si comporta come un aggiuntiva intercetta: se pari a 0, il suo coefficiente scompare dal modello, e se pari ad 1 ha un effetto pari al coefficiente Attenzione, l effetto di singole categorie non è cumulabile; essere donna e sposata non è uguale, in termini di coefficienti alla somma dei due beta Bisogna costruire le variabili interagite (prodotto delle due) e vedere quale beta viene stimato per questa nuova dummy 4
5 Ritorniamo sul concetto di non stazionarietà delle serie: prendiamo la serie del GDP norvegese Notiamo chiaramente la presenza di un trend verso l alto, nonostante dei picchi e delle gole Utilizziamo, quindi, l Augmented Dickey Fuller test per verificare la presenza di radici unitarie (i.e. serie non stazionarie) 5
6 Esistono 2 tipi di modelli atti a descrivere serie non stazionarie Serie trend stazionarie: il trend sottostante è deterministico, può essere calcolato e «rimosso» dalla serie. Questi trend, nel lungo periodo tendono ad essere riassorbiti dalle serie, e quindi diminuirne l effetto Difference stationary : il trend sottostante è stocastico, si risolve differenziando le serie. Questi trend non vengono riassorbiti nel lungo periodo, rendendo del tutto inaffidabili le stime È necessario effettuare il test (su Eviews) prima a livello di intercetta e trend (una serie alla volta, partendo dalla Y); se questo risulta nonstazionario, bisogna osservare la significatività (al 5%) del coefficiente del trend Se questo risulta significativo, la serie è trend stazionaria; altrimenti è difference stationary. Tramite il test con solo l intercetta, riusciamo a stabilire se il trend stocastico ha una costante significativa o meno Eviews permette di testare anche se risolviamo la non-stazionarietà, facendo direttamente il test sulle serie differenziate (una o due volte) 6
7 Dobbiamo essere certi che il nostro modello sia costruito su serie stazionarie Se la 1 (o 2 ) differenza è sufficiente ad eliminare la presenza di radici unitarie, differenziamo tutte le serie, in modo da avere delle serie «simili» Ragionare sulle serie differenziate è leggermente diverso rispetto: adesso parliamo di aumenti di 1 ma sul cambiamento tra periodi, cioè la modifica di 1 punto nei movimenti tra periodi consecutivi Nel caso della Norvegia, creiamo il modello con le serie differenziate (abbiamo eliminato il trend e con esso la radice unitaria) Tuttavia, dopo aver effettuato nuovamente la diagnostica, c è necessità di tenere in conto dell eteroschedasticità e della correlazione seriale, perciò usiamo lo stimatore robusto adatto (HAC Newey-West) 7
8 Abbiamo ancora il problema di residui non normali Effettuiamo una regressione base con la serie differenziata di Y e una costante, ed effettuiamo diversi test di breakpoints. Attenzione, questi test rischiano di avere dei «falsi positivi» per cui conviene farsi guidare dalla teoria, dalla conoscenza degli eventi verificatisi e valutare il grafico dei residui 8
9 9
10 Il test di Quandt-Andrews in questo caso ha poca potenza (in senso statistico); un test di presenza globale di breakpoints, porta come risultati 2 possibili breakpoints, 2009Q2 e 2012Q2 Testiamo le singole date con il test di Chow, e vediamo che l ipotesi di assenza di breakpoints viene rigettata una volta al 5% e un altra al 10%. Tuttavia, il 2012Q2 non presenta un vero e proprio problema, in quanto: 1. Non si sono verificati eventi rilevanti in Norvegia 2. Il grafico dei residui non è anomalo in quella data 3. Il test globale di breakpoints «terminava» in quella data, un taglio della serie dovuto alla statistica del test Inoltre,il grafico dei residui è anomalo nella data 2009 Q1 Pertanto consideriamo solo la prima data come breakpoint 10
11 Ora abbiamo una certa sicurezza nell affermare che intorno quella data vi è un breakpoint Nonostante il loro «breve» impatto, dobbiamo tenere presente che per la regressione «considera» i breakpoints come outliers, per cui dobbiamo porvi rimedio Possiamo gestire uno/più breakpoints creando una dummy, attiva solo nel periodo problematico Dopo vari tentativi «intorno» il 2009Q2, vediamo che una regressione robusta (HAC) con una dummy attiva solo nel 2009Q1 rispetta tutti i criteri di diagnostica Questa metodologia di controllo forza il modello ad «appiattire» i residui in quella data, come se suggerissimo al modello la presenza di un anomalia nei dati 11
12 Attenzione, basandoci solo sull esito dei test, potremmo non essere in grado di distinguere se una serie presenta uno (o più) break strutturali e/o radici unitarie Anche qui, dobbiamo farci guidare dalla teoria e dalle rilevazioni statistiche descrittive dei subsamples Come abbiamo introdotto poco prima, è anche molto utile vedere il grafico dei residui Ricordate, i due concetti si differenziano per la persistenza dei loro effetti nelle serie storiche Nell esempio discusso prima, sapevamo che vi era un trend alla base della variabile economica (trend di crescita del GDP) che poteva causare una non-stazionarietà della serie Dopo aver «risolto» la non-stazionarietà, abbiamo controllato la presenza di breakpoints 12
13 Facciamo un punto dei modelli stimati con gli OLS; le assunzioni da rispettare in questi modelli sono: 1. Relazione funzionale lineare (i.e. i parametri devono descrivere una funzione lineare) 2. I regressori hanno natura deterministica, non collineari e non correlati al termine di errore 3. I residui devono avere un valore atteso nullo, i.e. pari a 0 4. I residui devono essere omoschedastici 5. I residui devono essere serialmente non correlati 6. I residui devono essere distribuiti normalmente Gli ultimi 3 punti sono quelli controllati nella diagnostica Date le assunzioni da 1 a 5, gli stimatori OLS sono gli stimatori lineari più efficienti, lineari e corretti; in inglese BLUE Best Linear Unbiased Estimator Se rispettiamo anche la normalità dei residui, possiamo effettuare inferenza con i nostri modelli 13
14 Come visto nella prima lezione, i modelli panel si basano sulla rilevazione di X variabili, per N unità osservate, in T periodi Spesso, questo tipo di indagini vengono svolte a livello nazionale da diversi paesi AVQ, Italia SOEP, Germania BHPS, Regno Unito In questi casi, sono dei veri e propri «censimenti in miniatura», dove i soggetti (persone) vengono intervistati, rispondendo ad un questionario come quello a destra, per più istanti successivi di tempo 14
15 I modelli panel ci permettono di avere più informazione rispetto le singole unità cross-section, ottenendo delle stime dei parametri più affidabili e realistiche Ad esempio osserviamo un campione di uomini nell anno 2006 e veniamo a conoscenza del fatto che il 50% di essi lavora Questo può essere sintomo di 2 diverse eventualità: A) 50% di probabilità di far parte dei lavoratori (presenza di turnover) B) solo il 50% delle persone lavora sempre, il restante 50% mai (assenza di turn-over) L utilizzo dei dati cross-section non permette di identificare la realtà, per cui dobbiamo «seguire» le stesse unità campionarie nel tempo per poterne comprendere la dinamica Un altro importante vantaggio è quello di riuscire a controllare l eterogeneità individuale: i.e. riusciamo a controllare come si comportano variabili costanti nel tempo pur se non abbiamo a disposizione i dati necessari a descriverle 15
16 Come tutte le indagini a «vasta» copertura (in senso temporale e/o in senso di numero unità e/o numero di variabili) il costo dei dati panel è elevato Nel nostro caso, poiché ci occupiamo di variabili macro-economiche,non ci riguardano i problemi legati alla selezione del campione ed alla raccolta dei dati tramite interviste Per questo motivo le nostre unità di indagini non sono persone, ma paesi (o città, province, regioni, etc.). Tuttavia, useremo in maniera «intercambiabile» il termine individuo, unità osservata,soggetto, paese, e simili Attenzione, visto che non tutti i paesi hanno uffici statistici avanzati, la disponibilità delle serie storiche varia molto da paese a paese; per molti modelli statistici, un campione temporalmente ridotto (meno di osservazioni temporali) può creare problemi di stima 16
17 Il modo più diffuso di organizzazione dei dati per analisi di tipo panel è la versione «stacked», dove le N unità vengono incolonnate, assumendo la seguente forma generica: yy 11 yy 21 yy TTTT = ββ 1nn ββ 2aa * ββ TTNN xx 1nn xx 2aa + xx TTTT ee 1aa ee 2aa ee TTTT Siamo così in grado di utilizzare le forme generiche dei modelli di regressione visti in precedenza yy ii,tt = αα cc ii + ββ xx ii,tt + ee ii,tt L utilizzo dell apostrofo sta ad indicare che la stima dei parametri è stata effettuata tenendo conto del calcolo matriciale della forma stacked Con cc ii identifichiamo gli effetti individuali di ogni soggetto, utile a stimare le variabili non osservate 17
18 Testiamo lo stesso modello della lezione precedente per un panel di 20 paesi, dal 1996 al 2016, sempre in trimestri La diagnostica è la stessa; tuttavia, l utilizzo di modelli panel ci richiede diagnostiche aggiuntive, in base alle specifiche scelte nei modelli Limitiamoci a vedere le differenza tra i valori stimati «one-shot», in time series (anche se sono quelli più «affidabili», per ora) 18
19 TIME SERIES CROSS SECTION PANEL DATA 19
Economia Pubblica e Storia Economica Fausto Pacicco
Economia Pubblica e Storia Economica Fausto Pacicco fpacicco@liuc.it 1 I modelli panel visti nella lezione precedente non differivano molto da regressioni standard, time-series o cross-section Abbiamo,infatti,
DettagliEconomia Pubblica e Storia Economica Fausto Pacicco
Economia Pubblica e Storia Economica Fausto Pacicco fpacicco@liuc.it 1 Possiamo estendere il modello di regressione lineare includendo più di una xx, ottenendo un modello di regressione lineare multipla
DettagliAnalisi di Regressione Multipla
Analisi di Regressione Multipla Stima OLS della relazione Test Score/STR : TestScore! = 698.9.8 STR, R =.05, SER = 18.6 (10.4) (0.5) E una stima credibile dell effetto causale sul rendimento nei test di
DettagliEconomia Pubblica e Storia Economica Fausto Pacicco
Economia Pubblica e Storia Economica Fausto Pacicco fpacicco@liuc.it 1 Per preparare l esame è sufficiente lo studio delle slide Tuttavia, per chi fosse interessato a rivedere alcuni concetti di statistica
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
DettagliEsercitazione # 2 Maggio 2019
Esercitazione # 2 Maggio 2019 TEST di teoria 1. In un modello di regressione in k variabili, se la matrice X contiene regressori che NON sono combinazioni lineari, quale è il rango della matrice stessa?:
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
DettagliModelli Statistici per l Economia. Regressione lineare con un singolo regressore (terza parte)
Modelli Statistici per l Economia Regressione lineare con un singolo regressore (terza parte) 1 Verifica di ipotesi su β 1 H 0 : β 1 = β 1,0 H 1 : β 1 β 1,0 Se è vera H 0 (cioè sotto H 0 ) e n è grande,
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
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
DettagliSTATISTICA. Regressione-3 L inferenza per il modello lineare semplice
STATISTICA Regressione-3 L inferenza per il modello lineare semplice Regressione lineare: GRAFICO DI DISPERSIONE & & analisi residui A. Valutazione preliminare se una retta possa essere una buona approssimazione
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
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
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
DettagliIntroduzione all'econometria (2) Introdurre la diagnostica necessaria per testare le ipotesi del modello lineare;
Introduzione all'econometria (2) Obiettivi di questo laboratorio: Introdurre la diagnostica necessaria per testare le ipotesi del modello lineare; Adattare il modello alle varie tipologie di dati (timeseries,
DettagliGli strumenti qui illustrati sono base, ma più che sufficienti per il workgroup
1 Un fenomeno macroeconomico assumerà valori (più o meno) dipendenti da quelli passati; pertanto, in fase di modellizzazione è necessario tenerne conto Tuttavia, bisogna prima verificare l eventuale presenza
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
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)
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
Dettagli1. 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
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)
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
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
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
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,
Dettagli1 Modelli per serie storiche univariate
1 Modelli per serie storiche univariate Caratteristiche delle serie storiche: fy t g l ordine t non puo essere variato; v.c. non indipendenti; non replicabili (i dati si ottengono da una sola realizzazione)
DettagliUna stima aggregata dell effetto Brunetta Risultati molto preliminari
Una stima aggregata dell effetto Brunetta Risultati molto preliminari Leonello Tronti (Consigliere economico del Ministro) Seminario Assenteismo: i lavori della commissione 22 giugno 2009 Ipotesi di lavoro
DettagliLezione 1 Corso di Statistica. Francesco Lagona
Lezione 1 Corso di Statistica Francesco Lagona Università Roma Tre F. Lagona (francesco.lagona@uniroma3.it) 1 / 21 obiettivi della lezione comprendere il campo di applicazione della statistica familiarizzare
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
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Regressione lineare semplice (vers. 1.2, 20 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliIl modello di regressione lineare multipla
Il modello di regressione lineare multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2014 Rossi MRLM Econometria - 2014 1 / 31 Outline 1 Notazione 2 3 Collinearità Rossi MRLM Econometria - 2014
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliLa regressione lineare multipla
13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività
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
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
DettagliMicroeconometria Day # 3 L. Cembalo. Regressione con due variabili e metodo dei minimi quadrati
Microeconometria Day # 3 L. Cembalo Regressione con due variabili e metodo dei minimi quadrati SRF: sample regression function Il passaggio dalla regressione sulla popolazione a quella sul campione è cruciale
DettagliStatistica dei consumi alimentari e delle tendenze nutrizionali Lezione 1-01/10/2015
Statistica dei consumi alimentari e delle tendenze nutrizionali Lezione 1-01/10/2015 a.a. 2015/16 Prof. Maria Francesca Romano mariafrancesca.romano@sssup.it Per conoscerci (e non solo ) Potete rispondere
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
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
Dettagliper togliere l influenza di un fattore es.: quoziente di mortalità = morti / popolazione
Rapporti statistici di composizione la parte rispetto al tutto percentuali di derivazione per togliere l influenza di un fattore es.: quoziente di mortalità = morti / popolazione di frequenza (tassi) rapporti
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
DettagliDAGLI STUDI DI SETTORE. Fare clic per modificare lo stile del titolo ALL INDICE SINTETICO DI AFFIDABILITÀ EVOLUZIONE E INNOVAZIONE DELLA METODOLOGIA
DAGLI STUDI DI SETTORE ALL INDICE SINTETICO DI AFFIDABILITÀ EVOLUZIONE E INNOVAZIONE DELLA METODOLOGIA ROMA, 4 MARZO RELATORI: ARIANNA CAMPAGNA E GIANCARLO FERRARA Fare clic per modificare lo stile del
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
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. 7 1. Utilizzando le tavole della distribuzione
DettagliUniversità di Pavia Econometria. Cambiamento di regime nei parametri Test di stabilità. Eduardo Rossi
Università di Pavia Econometria Cambiamento di regime nei parametri Test di stabilità Eduardo Rossi Università di Pavia Cambiamento di regime nei parametri Funzione del consumo C t = β 1 + β 2 Y t + ǫ
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
DettagliUniversità di Pavia Econometria. Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi
Università di Pavia Econometria Minimi quadrati ordinari Interpretazione geometrica Eduardo Rossi Università di Pavia Introduzione L econometria si interessa all analisi dei dati economici. I dati economici
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 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
DettagliCONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI
CONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI ipotesi sul confronto tra le medie di due campioni indipendenti Obiettivo: decidere, attraverso il confronto tra le medie dei due campioni indipendenti,
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
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................................
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
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
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
Dettagli2) REGRESSIONE. 1) Creo un diagramma a dispersione per ispezionare i dati. 2) Selezionare in SPSS Analizza -> Regressione Lineare.
Si vogliono studiare gli effetti delle spese pubblicitarie sulle vendite di album nella prima settimana dopo il lancio. Si tiene conto di altre due variabili: la presenza sulle radio e l appeal della band.
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
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
DettagliLaboratorio di Competizione, mercati e politiche economiche 17 maggio 2017 Fausto Pacicco -
Laboratorio di Competizione, mercati e politiche economiche 17 maggio 2017 Fausto Pacicco - E-mail fpacicco@liuc.it 1 Lezione 1 Dati Statistica univariata e bivariata Modelli di regressione Diagnostica
DettagliIntroduzione all Analisi della Varianza (ANOVA)
Introduzione all Analisi della Varianza (ANOVA) AMD Marcello Gallucci marcello.gallucci@unimib.it Variabili nella Regressione Nella regressione, la viariabile dipendente è sempre quantitativa e, per quello
DettagliAssunzioni (Parte I)
Assunzioni (Parte I) A M D Marcello Gallucci marcello.gallucci@unimib.it Lezione 10 Modello Lineare Generale La regressione semplice e multipla e l'anova sono sottocasi del modello lineare generale (GLM)
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliECONOMETRIA: Laboratorio III
ECONOMETRIA: Laboratorio III Luca De Angelis CLASS - Università di Bologna Programma Laboratorio III Analisi della specificazione del modello e test diagnostici: Test per la forma funzionale del modello
DettagliVantaggi della scelta verso l utilizzo di un solo soggetto:
L uso della statistica per la valutazione degli interventi: premesse teoriche Capitolo 4 Vantaggi della scelta verso l utilizzo di un solo soggetto: 1) Analisi della prestazione individuale: analisi del
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Associazione, correlazione e dipendenza tra caratteri In un collettivo di 11 famiglie è stata
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
DettagliStatistica Applicata all edilizia
E-mail: orietta.nicolis@unibg.it 1 marzo 2011 Programma Introduzione 1 Introduzione 2 Le fonti statistiche Come utilizzare i dati statistici 3 I dati Metodi statistici per il monitoraggio Libri consigliati
DettagliIntroduzione all Analisi della Varianza (ANOVA)
Introduzione all Analisi della Varianza (ANOVA) Marcello Gallucci P S I C O M E T R I A marcello.gallucci@unimib.it Variabili nella Regressione Nella regressione, la viariabile dipendente è sempre quantitativa
DettagliCapitolo 3 (parte prima) Modelli di (s)composizione. Capitolo 3 1
Capitolo 3 (parte prima) Modelli di (s)composizione Capitolo 3 1 Tipi di pattern sistematico Molti metodi di previsione si basano sul fatto che, se esiste un pattern sistematico (rispetto al tempo), questo
Dettaglilezione 11 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Cos è successo in US? - andamento dei sondaggi Come si prevede un risultato elettorale? - Y = β i X i + u - quali variabili includedereste nel modello? - perchè hanno sbagliato?
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
DettagliOsservazione e spiegazione del sistema economico
Lezione 2 1 Osservazione e spiegazione del sistema economico Gli obiettivi dell economia sono una maggiore comprensione dei fenomeni economici in modo da ottenere migliori risultati in futuro: Descrizioni
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
DettagliCorso in Fonti, metodi e strumenti per l analisi dei flussi turistici A.A Barbara Baldazzi
Serie storiche Corso in Fonti, metodi e strumenti per l analisi dei flussi turistici A.A. 2013-2014 Barbara Baldazzi Corso di Laurea PROGEST Facoltà di Lettere e Filosofia Università di Tor Vergata La
DettagliValidazione ediagnostica
Validazione ediagnostica Il processo di identificazione di un modello di regressione consiste nell iterazione delle seguenti fasi: 1. formulazione di un modello provvisorio 2. stima dei parametri 3. critica
DettagliStatistica. Capitolo 10. Verifica di Ipotesi su una Singola Popolazione. Cap. 10-1
Statistica Capitolo 1 Verifica di Ipotesi su una Singola Popolazione Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Formulare ipotesi nulla ed ipotesi alternativa
DettagliMetodi statistici per la ricerca sociale Capitolo 13. Combinare regressione e ANOVA: predittori categoriali e quantitativi Esercitazione
Metodi statistici per la ricerca sociale Capitolo 13. Combinare regressione e ANOVA: predittori categoriali e quantitativi Esercitazione Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni
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
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
DettagliLa ricostruzione delle serie storiche dei principali indicatori del mercato del lavoro. IV Trimestre IV Trimestre 2003
28 settembre 2004 La ricostruzione delle serie storiche dei principali indicatori del mercato del lavoro IV Trimestre 1992 - IV Trimestre 2003 La nuova Rilevazione Continua sulle Forze di Lavoro (RCFL)
DettagliAnalisi delle serie storiche parte II Approccio classico
Analisi delle serie storiche parte II Approccio classico a.a. 2016/2017 1 Obiettivi dello studio delle serie storiche Analisi: descrizione: descrivere l andamento di un fenomeno economico (individuare
DettagliCorso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti
Corso di Laurea: Numero di Matricola: Esame del 31 maggio 2018 Tempo consentito: 120 minuti Professor Paolo Vitale Anno Accademico 2017-8 UdA, Scuola d Economia Domanda 1 [6 punti]. (a) La multi-collineartità
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliStima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro
Stima del valore di una costante in presenza di rumore esponenzialmente correlato Carlo Fisicaro OBIETTIVO Stimare il valore della costante β adimensionale per mezzo di misurazioni soggette a rumore stocastico
DettagliLEZIONE N.8 (a cura di Teresa Fanelli) Questa forma risulta importante nel modello di regressione con più variabili.
LEZIONE N.8 (a cura di Teresa Fanelli) Forma matriciale del Modello di Regressione Semplice L assunzione di base del modello è: Y i =β 0 +x i β 1 +ε i i=1,2,..n. Lo stesso modello può essere scritto attraverso
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
DettagliEsercitazione. 24 Aprile 2012
Esercitazione 24 Aprile 2012 Il modello di regressione logistica viene utilizzato quando si è interessati a studiare o analizzare la relazione causale tra una variabile dipendente dicotomica e una o più
DettagliUniversità di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
DettagliLa ricostruzione delle serie storiche dei principali indicatori del mercato del lavoro. IV Trimestre IV Trimestre 2003
28 settembre 2004 La ricostruzione delle serie storiche dei principali indicatori del mercato del lavoro IV Trimestre 1992 - IV Trimestre 2003 La nuova Rilevazione Continua sulle Forze di Lavoro (RCFL)
DettagliMatematica con elementi di Informatica
Statistica descrittiva ed inferenziale Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche
DettagliEsercizi riassuntivi di Inferenza
Esercizi riassuntivi di Inferenza Esercizio 1 Un economista vuole stimare il reddito medio degli abitanti di una cittadina mediante un intervallo al livello di confidenza del 95%. La distribuzione del
DettagliIL MODELLO DI REGRESSIONE LINEARE SEMPLICE E MULTIPLA* La violazione delle ipotesi. Statistica Economica A.A. 2011/2012. Prof.ssa Tiziana Laureti
IL MODELLO DI REGRESSIONE LINEARE SEMPLICE E MULTIPLA* La violazione delle ipotesi Statistica Economica A.A. 2011/2012 Prof.ssa Tiziana Laureti *Libro di testo: Stock J.H. e Watson, M.W. Introduzione all
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
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
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
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
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2016-2017 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
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
Dettagli