Università di Pavia Econometria. Minimi quadrati ordinari Interpretazione geometrica. Eduardo Rossi
|
|
- Ambrogio Longhi
- 4 anni fa
- Visualizzazioni
Transcript
1 Università di Pavia Econometria Minimi quadrati ordinari Interpretazione geometrica Eduardo Rossi Università di Pavia
2 Introduzione L econometria si interessa all analisi dei dati economici. I dati economici provengono esclusivamente da fonti non sperimentali. Non possiamo come economisti ripetere l esperimento, cioè valutare le reazioni a due diversi stimoli, per misurarne l effetto. Possiamo però esaminare come variano tra individui eterogeni, cioè con diversi caratteri (scolarità, età, razza, area geografica di residenza, ecc.), i redditi da lavoro individuali. Per lo stesso periodo di tempo o per un certo numero di periodi. 1
3 Introduzione Il modello lineare di regressione multipla è usato per studiare le relazioni tra la variabile dipendente e diverse variabili indipendenti (esplicative). y t = β 1 x 1t β K x Kt + ǫ t (1) β 1,... β K fixed but unknown parameters, ǫ t ignoto, y t regredendo, v.casuale, x kt regressore, covariata casuale. In genere, uno dei regressori è fissato uguale ad 1,per esempio il primo: x 1t = 1, t; con β 1 intercetta (o costante) dell equazione. 2
4 Le osservazioni possono essere: serie storiche, tempi successivi (anni, trimestri, mesi, settimane, ecc.) cross-section, unità economiche individuali (individui, famiglie, imprese, ecc.) osservate allo stesso istante di tempo. Cross-section di unità individuali osservate un certo numero di periodi di tempo (panel data). 3
5 Introduzione Si suppone che le osservazioni siano generate da un esperimento casuale, prima del quale i loro valori sono ignoti. In verità, la nozione di esperimento è piuttosto vaga e fa riferimento all atto di raccolta dei dati. 4
6 Il metodo dei minimi quadrati I caratteri variano simultaneamente tra gli individui. Il metodo dei minimi quadrati ordinari è un modo per scomporre le differenze nella variabile dipendente fra diverse caratteristiche osservate (variabili esplicative) per le diverse unità nel campione. Il metodo dei minimi quadrati orinari (in inglese Ordinary Least Squares, OLS) è usato per stimare il valore di β k, k = 1,..., K. Questi sono scelti in modo tale che siano la soluzione al seguente problema: min β 1,...,β K N t=1 [y t (β 1 x 1t + β 2 x 2t β K x Kt )] 2 Il termine minimi quadrati si riferisce alla minimizzazione della somma delle differenze al quadrato. [y t (β 1 x 1t β K x Kt )], i residui. 5
7 La funzione obiettivo f(β 1,..., β K ) = N t=1 [y t (β 1 x 1t + β 2 x 2t β K x Kt )] 2 (2) è la sum of squared residuals (somma dei quadrati dei residui). Quando i residui sono valutati in β 1,..., β K i residui sono detti fitted residuals (residui fittati, o residui della regressione). Consideriamo il caso in cui l unica variabile esplicativa è la costante: K = 1 e x 1t = 1, t. OLS trova il valore di β 1 che è il più vicino a y t nel senso della somma dei qudrati dei residui. OLS è la minimizzazione di una funzione quadratica in β 1 e il risultato è la media: β 1 = argmin N t=1 (y t β 1 ) 2 = Nt=1 y t N 6
8 Notazione Notazione matriciale y = X = 1. y y N β = [β 1, β 2,..., β K ] (K 1) (3) x 1. x N x t = x 1t. x Kt (N 1) = x 11 x 21 (K 1) x x 1K x x 2K... x N1 x N2... x NK (N K) 7
9 x 1 β. x N β = Xβ Il vettore y raccoglie tutte le osservazioni della variabile dipendente. La matrice X raccoglie le osservazioni sulle variabili esplicative. Ogni colonna di X contiene tutte le osservazioni per la singola variabile esplicativa. 8
10 Lo stimatore dei minimi quadrati (OLS) Stimatore = E una regola per calcolare una stima (un numero) dai dati campionari. Il metodo dei minimi quadrati risolve Definiamo β argmin β (y Xβ) (y Xβ) S(β) (y Xβ) (y Xβ) 9
11 S(β) β = ( y y 2β X y + β X Xβ ) β = ( 2β X y + β X Xβ ) β = 2 β β X y + ( β X Xβ ) β = 2X y + 2X Xβ 10
12 Le equazioni normali S( β) β = 2X y + 2X X β = 0 (4) X y X X β = 0 (5) Lo stimatore OLS è β = ( X X ) 1 X y (6) Poichè la funzione stimata è lineare nei coefficienti, gli OLS ci danno dei coefficienti stimati che sono somme ponderate delle {y t }. Le stime OLS sono funzioni lineari della variabile dipendente. Questa linearità in {y t } semplifica l analisi statistica degli OLS. 11
13 L interpretazione geometrica degli OLS Lo spazio delle colonne di X, Col(X), è il sottospazio lineare di R N coperto dalle combinazioni lineari dei vettori colonna di X: Col(X) {z R N z = Xα, α R k } La procedura di stima OLS trova il vettore in Col(X), µ, che è più vicino a y. µ è detta proiezione di y. Il metodo OLS risolve: β argmin β (y Xβ) (y Xβ) (7) 12
14 La somma delle deviazioni al quadrato tra gli elementi di di y e Xβ è il quadrato della distanza Euclidea fra y e Xβ: (y Xβ) (y Xβ) = N t=1 (y t x tβ) 2 = y Xβ 2 13
15 Procedura in due passi: 1. Trovare il punto in un sottospazio che è il più vicino ad un punto che non si trova il quel sottospazio. Il sottospazio è l insieme dei possibili vettori reali N dimensionali Xβ che può essere creato cambiando β e questo sottospazio è lo spazio delle colonne di X. µ arg min µ Col(X) y µ 2 2. Trovare un β che sia soluzione a: µ = X β 14
16 La soluzione al primo passo è unica mentre ci possono essere molte soluzione al secondo problema. Sia β una soluzione di (7) e sia µ = X β. 1. Il vettore dei valori fittati µ è l unica proiezione ortogonale di y su Col(X). 2. Il vettore dei residui fittati y µ è ortogonale a Col(X) 3. Se dim[col(x)] = K, allora (7) ha una soluzione unica: β = (X X) 1 X µ 15
17 Tre idee base: 1. La regressione OLS significa minimizzare la distanza al quadrato tra il vettore osservato y e un vettore di regressione Xβ che appartiene a Col(X). 2. Il vettore dei valori fittati µ = Xβ è la proiezione ortogonale su Col(X). Il vettore dei residui (y µ) è perpendicolare a µ e ad ogni altro vettore in Col(X). 3. If the dim[col(x)] = K allora β è unico. 16
18 La dipendenza lineare fra le variabile esplicative non ha un ruolo fondamentale su quanto bene una regressione lineare spiega y. La distanza dipende solo da µ. Caso Speciale: possiamo costruire una soluzione direttamente. Mostriamo che µ = X β = X(X X) 1 X y solo quando le colonne di X sono linearmente indipendenti. ma y µ 2 = y µ + µ µ 2 = y µ 2 + µ µ 2 + 2(y µ) ( µ µ) (y µ) ( µ µ) (y µ) ( µ µ) = 0 17
19 Teorema di Pitagora y µ 2 = y µ 2 + µ µ 2 Se c è un µ Col(X) tale che X (y µ) = 0 allora per tutti gli altri µ Col(x) µ (y µ) = 0 (µ µ) (y µ) = 0 y µ 2 = y µ 2 + µ µ 2 y µ 2 18
20 Poichè y µ è ortogonale a Col(X), µ è vicino a y almeno quanto un qualunque µ in Col(X). Therefore µ is one solution to the OLS (minimum distance) problem µ = arg min y µ 2 µ Col(X) La soluzione è unica perchè per ogni altra possibile soluzione µ deve essere che y µ 2 = y µ 2 poichè nessun altro µ è più vicino a µ. 19
21 Il teorema di Pitagora implica che µ µ 2 = 0 µ = µ La condizione di ortogonalità caratterizza completamente il vettore OLS dei valori fittati µ. Costruiamo µ per il caso X (y X β) = 0 e mostriamo che la soluzione unica è dato che X X è nonsingolare. X (y X β) = 0 X X β X y = 0 β = (X X) 1 X y 20
22 La soluzione per µ segue µ = X β = X(X X) 1 X y β e µ hanno una relazione 1-to-1. Possiamo anche ottenere β da µ: premoltiplicando per (X X) 1 X (X X) 1 X µ = (X X) 1 X X β = β 21
23 Teorema Proiezione Sia y R N e S R N un sottospazio lineare. Allora µ S è una soluzione al problema min µ S y µ 2 se e solo se (y µ) S. Inoltre, µ è la soluzione unica ed esiste. 22
24 Il teorema identifica il meccanismo di minimizzazione che significa trovare un µ Col(X) tale che y µ Col(X) Secondo, il teorema chiarisce che Col(X) determina l ottimale µ. 23
25 Proiettori ortogonali Per ogni y, c è un unica µ, µ = argmin µ S y µ 2 chiamata proiezione di y. La proiezione ortogonale di y è sempre una trasformazione lineare di y: µ = Py P proiettore ortogonale. Nel caso generale che S = Col(X) e X sia di rango-colonna pieno, la matrice P X X(X X) 1 X µ = P X y è la trasformazione lineare di y su Col(X) che produce µ. 24
26 P X ha due proprietà: non modifica i vettori in Col(X) z Col(X) P X z = z trasforma i vettori ortogonali a Col(X) nel vettore zero. z Col(X) P X z = 0 25
27 Prova z Col(X) esiste un α : z = Xα P X z = P X Xα = X(X X) 1 X Xα = Xα = z Se z Col(X) : z X = 0, X Col(X) cosicchè X z = 0 e P X z = X(X X) 1 X z = 0 26
28 Scomposizione ortogonale z R N, possiamo scomporre z univocamente nel vettore somma z 1 + z 2 dove z 1 Col(X) e z 2 Col (X) {z R N X z = 0}. Dove Col (X) è il complemento ortogonale. Complemento ortogonale Il sottospazio lineare di vettori S, ortogonale al sottospazio S V: S = {v V u v = 0, u S} è chiamato complemento ortogonale di S. E equivalente a scrivere v S come v S. Notiamo che se v S S allora v v = 0 tale che v deve essere il vettore zero. In altre parole S S = {0} 27
29 Proiezione ortogonale Sia S R N (sottospazio lineare) tale che per ogni z R N c è un unico z 1 S ed un unico z 2 S tale che z = z 1 + z 2. Allora la funzione da R N a S che associa ogni z con il suo corrispondente z 1 è una proiezione ortogonale. Quando S = Col(X) allora P X z = z 1 è la proiezione ortogonale di z su Col(X). Solo la componente di z in Col(X) sopravvive alla premoltiplicazione per P X. La proiezione ortogonale da R N su un sottospazio S è una trasformazione lineare. (La proiezione ortogonale di una combinazione lineare di vettori uguaglia la combinazione lineare delle proiezioni ortogonali dei singoli vettori). 28
30 Proiettore ortogonale Ogni proiezione ortogonale da R N in un sottospazio S può essere rappresentata da una matrice P, chiamata Proiettore ortogonale. Sia S R N, z R N c è un unico z 1 S ed un unico z 2 S tale che z = z 1 + z 2. Allora una matrice (N N) P tale che Pz = z 1 è un proiettore ortogonale su S. Un proiettore ortogonale preserva la componente di un vettore in un sottospazio S e annulla la componente nel sottospazio complementare ortogonale S. Se P è un proiettore ortogonale su un sottospazio di R N, allora P è unica. 29
31 Proprietà dei Proiettori ortogonali 1. Simmetria P X = X(X X)X = [X(X X)X ] = P X 2. Idempotenza P X P X = [X(X X)X ][X(X X)X ] = X(X X)X = P X 3. Semidefinitezza positiva Per ogni w R N w P X w = w P X P X w = w P X P Xw = (P X w) (P X w) = P X w
32 Osserviamo che z Col (X) (I P X )z = z z Col(X) (I P X )z = 0 cioè M X = (I P X ) è un proiettore ortogonale su Col (X), il complemento ortogonale di Col(X). 31
33 Multicollinearità esatta Se esiste un vettore α R K tale che Xα = 0 allora le colonne di X sono linearmente indipendenti. Questa situazione è detta multicollinearità esatta. Un unico µ esite anche quando X è di rango ridotto. Quando X e (X X) sono singolari non possiamo usare P X = X(X X) 1 X per trovare P X. Quando dim[col(x)] < K, possiamo trovare P X applicando la formula ad ogni sottoinsieme linearmente indipendente delle colonne di X cioè una base per Col(X). 32
34 Indichiamo con P X il proiettore ortogonale su Col(X) e sia X 1 una matrice composta da un sottoinsieme linearmente di colonne di X tale che allora Col(X 1 ) = Col(X) P X = X 1 (X 1 X 1) 1 X 1 33
Minimi 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
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
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
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
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
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
DettagliIl modello di regressione lineare classico
Università di Pavia Il modello di regressione lineare classico Eduardo Rossi Ipotesi Il modello di regressione lineare classico y t = x tβ + ε t t = 1,...,N Y = Xβ + ε Se il modello ha un intercetta allora
Dettaglix1 + 2x 2 + 3x 3 = 0 nelle tre incognite x 1, x 2, x 3. Possiamo risolvere l equazione ricavando l incognita x 1 x 1 = 2x 2 3x 3 2r 1 3r 2 x 2 x 3
Matematica II -..9 Spazio delle soluzioni di un sistema lineare omogeneo.. Consideriamo l equazione lineare omogenea nelle tre incognite x, x, x 3. x + x + 3x 3 = Possiamo risolvere l equazione ricavando
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
DettagliIl modello di regressione lineare multivariata
Il modello di regressione lineare multivariata Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2013 Rossi MRLM Econometria - 2013 1 / 39 Outline 1 Notazione 2 il MRLM 3 Il modello partizionato 4 Collinearità
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 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
DettagliSpazi vettoriali euclidei.
Spazi vettoriali euclidei Prodotto scalare, lunghezza e ortogonalità in R n Consideriamo lo spazio vettoriale R n = { =,,, n R}, n con la somma fra vettori e il prodotto di un vettore per uno scalare definiti
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
Dettaglis a Inferenza: singolo parametro Sistema di ipotesi: : β j = β j0 H 1 β j0 statistica test t confronto con valore t o p-value
Inferenza: singolo parametro Sistema di ipotesi: H 0 : β j = β j0 H 1 : β j β j0 statistica test t b j - b s a jj j0 > t a, 2 ( n-k) confronto con valore t o p-value Se β j0 = 0 X j non ha nessuna influenza
Dettaglied un operazione di moltiplicazione per scalari reali u u 2u
Geometria e Algebra (II), 0... Consideriamo il piano della geometria euclidea, intuitivamente inteso, e sia un punto fissato in esso. Sull insieme P dei vettori del piano applicati nel punto sono definite
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
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
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
DettagliNozioni e notazioni: concetti primitivi di insieme, elemento ed appartenenza.
Geometria I lezione del 30 settembre 2013 Presentazione del corso. Nozioni e notazioni: concetti primitivi di insieme, elemento ed appartenenza. Insiemi numerici: i numeri naturali, gli interi, i numeri
DettagliRichiami di Algebra Lineare
Richiami di Algebra Lineare Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Algebra Lineare 2012 1 / 59 Vettori Prodotto interno a : (n 1) b : (n 1) a b = a 1 b 1 +
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
DettagliRichiami di Algebra Lineare
Richiami di Algebra Lineare Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2015 Rossi Algebra Lineare 2015 1 / 41 Vettori Prodotto interno a : (n 1) b : (n 1) a b = a 1 b 1 +
DettagliMetodo dei minimi quadrati e matrice pseudoinversa
Scuola universitaria professionale della Svizzera italiana Dipartimento Tecnologie Innovative Metodo dei minimi quadrati e matrice pseudoinversa Algebra Lineare Semestre Estivo 2006 Metodo dei minimi quadrati
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,
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
Dettagli1. Complemento ortogonale di un vettore non nullo Abbiamo visto che nel piano
Geometria e Algebra (II), 11.12.12 1. Complemento ortogonale di un vettore non nullo Abbiamo visto che nel piano P O i vettori ortogonali ad un dato vettore non nullo descrivono una retta per O, e nello
DettagliRichiami di Algebra Lineare
Università di Pavia Richiami di Algebra Lineare Eduardo Rossi Vettori a : (n 1) b : (n 1) Prodotto interno a b = a 1 b 1 + a 2 b 2 +... + a n b n Modulo (lunghezza): a = a 2 1 +... + a2 n Vettori ortogonali:
DettagliIntroduzione. Eduardo Rossi 2. Marzo Università di Pavia (Italy) Rossi Introduzione Econometria / 11
Eduardo Rossi 2 2 Università di Pavia (Italy) Marzo 2014 Rossi Introduzione Econometria - 2014 1 / 11 Econometria significa misurazione economica. Lo scopo dell econometria è molto più ampio. Definizione
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
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
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
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
DettagliLa regressione (S. Terzi) 1. Retta di regressione (regressione lineare semplice)
La regressione (S. Terzi) 1. Retta di regressione (regressione lineare semplice) Date n coppie di osservazioni (x i,y i ), i=1,,n si desidera fare un interpolazione dei punti attraverso una retta: y* =
DettagliIL METODO ECONOMETRICO
IL METODO ECONOMETRICO 8 maggio 2017 L obiettivo di questa lezione è quello di fornire alcuni strumenti necessari per l analisi empirica In particolare, approfondiremo il metodo econometrico come strumento
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
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
Dettaglib = p + q l q Diciamo che p e la proiezione ortogonale di b su l, e che q e la proiezione ortogonale di b su l.
Matematica II, 4... rtogonalita nel piano. Fissato nel piano un punto, consideriamo il piano vettoriale P. Diamo per intuitivamente nota la nozione di ortogonalita fra due vettori non nulli. Per convenzione,
DettagliIl problema della migliore approssimazione. Teorema 3.2 Il problema 3.1 ammette sempre almeno una soluzione.
3. Spazi di Hilbert Wir müssen wissen. Wir werden wissen. Noi abbiamo il dovere di conoscere. Alla fine conosceremo.) David Hilbert 1862-1943) Il problema della migliore approssimazione Problema 3.1 Migliore
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
DettagliLa regressione fuzzy. Capitolo I limiti della regressione classica. a cura di Fabrizio Maturo
Capitolo 14 La regressione fuzzy a cura di Fabrizio Maturo 14.1 I limiti della regressione classica L analisi di regressione offre una possibile soluzione per studiare l effetto di una o più variabili
DettagliSoluzioni della prova scritta di Geometria 1 del 27 giugno 2019 (versione I)
Soluzioni della prova scritta di Geometria 1 del 7 giugno 019 (versione I) Esercizio 1. Sia R 4 lo spazio quadridimensionale standard munito del prodotto scalare standard con coordinate canoniche (x 1,
DettagliSPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE
SPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE. Esercizi Esercizio. In R calcolare il modulo dei vettori,, ),,, ) ed il loro angolo. Esercizio. Calcolare una base ortonormale del sottospazio
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
DettagliProva scritta di Geometria 1 Docente: Giovanni Cerulli Irelli 20 Gennaio 2017
Prova scritta di Geometria Docente: Giovanni Cerulli Irelli Gennaio 7 Esercizio. Si considerino i seguenti tre punti dello spazio euclideo: P :=, Q :=, R :=.. Dimostrare che P, Q ed R non sono collineari.
Dettagli0.1 Complemento diretto
1 0.1 Complemento diretto Dato U V, un complemento diretto di U é un sottospazio W V tale che U W = {0} U + W = V cioé la somma di U con il suo complemento diretto é diretta, e dá tutto lo spazio vettoriale
DettagliIntroduzione al corso di Econometria
Università di Pavia Introduzione al corso di Econometria Eduardo Rossi Che cos è l econometria? Econometria significa misurazione economica. Lo scopo dell econometria è molto più ampio. Definizione di
DettagliFacoltà di Scienze Statistiche, Algebra Lineare 1 A, G. Parmeggiani - Programma
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, G. Parmeggiani - Programma Il testo di riferimento è: Appunti di Algebra Lineare, Gregorio, Parmeggiani, Salce 06/12/04 Matrici. Esempi. Tipi particolari
DettagliSistemi sovradeterminati
Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione lineare di
DettagliRegressione & Correlazione
Regressione & Correlazione Monia Ranalli Ranalli M. Dipendenza Settimana # 4 1 / 20 Sommario Regressione Modello di regressione lineare senplice Stima dei parametri Adattamento del modello ai dati Correlazione
Dettagliv w u O Osserviamo che tale segmento ha la stessa lunghezza del vettore w tale che u+w = v cioe del vettore w = v u. Cosi si ha
Matematica II, 708 Nel piano sia fissata una unita di misura Dati nel piano due vettori u, v applicati in uno stesso punto O, col termine distanza fra u e v intendiamo e col simbolo d(u, v) indichiamo
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)
DettagliMatematica II, aa
Matematica II, aa 2011-2012 Il corso si e svolto su cinque temi principali: sistemi lineari, algebra delle matrici, determinati, spazio vettoriale R n, spazio euclideo R n ; per ogni tema descrivo gli
DettagliNota 4.1 Il modello (4.1) può essere anche utilizzato per studiare strutture più complesse. Consideriamo ad esempio il modello polinomiale:
A Capitolo 4 La regressione multipla 4 Introduzione Nel caso della regressione lineare multipla si considerano variabili indipendenti (o predittive) ed una variabile dipendente Il modello si scrive pertanto:
DettagliEsercitazione 5 Sta/s/ca Aziendale
Esercitazione 5 Sta/s/ca Aziendale David Aristei 12 maggio 2015 Si è interessa/ ad analizzare le determinan/ a livello aziendale della produ>vità del lavoro (PL, in migliaia di euro per dipendente) di
DettagliRegressione multipla
Regressione multipla L obiettivo è costruire un modello probabilistico per spiegare la variabile y tramite più di una variabile indipendente x 1, x 2,..., x k. Esempio: Per un efficiente progettazione
Dettaglib vettore(termine noto) y* proiezione ortogonale di b
Carla Guerrini 1 Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione
DettagliUniversità di Pavia Econometria Esercizi 5
Università di Pavia Econometria 2007-2008 Esercizi 5 Maggio, 2008 1. Una regressione lineare multipla di y su una costante, x 2 e x 3 produce i seguenti risultati: ŷ t = 4 + 0.4x t2 + 0.9x t3 con X X =
DettagliEsercizi 2. Soluzioni. 1. Siano dati i vettori 1 1, 1 R 3.
Esercizi. Soluzioni.. Siano dati i vettori,, R. (i) Far vedere che formano una base di R. (ii) Ortonormalizzarla col metodo di Gram-Schmidt. (iii) Calcolare le coordinate del vettore X = 5 Sol. (i) Usiamo
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
DettagliCorso di Geometria BIAR, BSIR Esercizi 4: soluzioni
Corso di Geometria - BIAR, BSIR Esercizi : soluzioni Esercizio. Sono dati i seguenti sistemi lineari omogenei nelle incognite x, y, z: { x + y z = x + y z = x + y z = S : x y + z =, S :, S 3 : x 3y =,
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
DettagliGeometria analitica: rette e piani
Geometria analitica: rette e piani parametriche Allineamento nel piano nello spazio Angoli tra rette e distanza 2 2006 Politecnico di Torino 1 Esempio 2 Sia A = (1, 2). Per l interpretazione geometrica
Dettagli21 settembre Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliCapitolo 3 Matrici. Marco Robutti. Facoltà di ingegneria Università degli studi di Pavia. Anno accademico
Capitolo 3 Matrici Marco Robutti Facoltà di ingegneria Università degli studi di Pavia Anno accademico 2017-2018 Tutorato di geometria e algebra lineare Definizione (Matrice) Una matrice A M R (k, n) è
DettagliDATA MINING PER IL MARKETING (63 ore)
DATA MINING PER IL MARKETING (63 ore) Marco Riani mriani@unipr.it Sito web del corso http://www.riani.it/dmm Studio della distribuzione di ˆ E( ˆ) var( ˆ) 2 ( X ' X ) 1 Teorema di Gauss Markov (efficienza
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
DettagliEsercizi di geometria per Fisica / Fisica e Astrofisica
Esercizi di geometria per Fisica / Fisica e Astrofisica Foglio 3 - Soluzioni Esercizio. Stabilire se i seguenti sottoinsiemi di R 3 sono sottospazi vettoriali: (a) S = {(x y z) R 3 : x + y + z = }. (b)
DettagliRichiami di Statistica
Università di Pavia Richiami di Statistica Eduardo Rossi Popolazione e campione casuale Un idea centrale della statistica è che un campione sia una rappresentazione della popolazione. Si possono sfruttare
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:
DettagliGAAL: Capitolo di Geometria Affine e Coniche
GAAL: Capitolo di Geometria Affine e Coniche Nozioni introduttive: Distanza indotta Isometrie lineari (Gruppo ortogonale) Isometrie Affinità Spazi affini: Sottospazi affini Combinazione affine di punti
DettagliComplemento ortogonale e proiezioni
Complemento ortogonale e proiezioni Dicembre 9 Complemento ortogonale di un sottospazio Sie E un sottospazio di R n Definiamo il complemento ortogonale di E come l insieme dei vettori di R n ortogonali
DettagliDestagionalizzazione, detrendizzazione delle serie storiche
DATA MINING PER IL MARKETING (63 ore) Marco Riani mriani@unipr.it Sito web del corso http://www.riani.it/dmm Destagionalizzazione, detrendizzazione delle serie storiche 1 Serie storica della vendita di
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
DettagliSistemi Lineari. Rango di una matrice. Lezione 21, Algebra Lineare,
Lezione 21, Algebra Lineare, 15.11.2017 Sistemi Lineari Rango di una matrice Esempio principale, I Considerata una matrice, ci poniamo il problema di determinare il massimo numero di colonne linearmente
Dettagli5. Richiami: R n come spazio euclideo
5. Richiami: R n come spazio euclideo 5.a Prodotto scalare Dati due vettori in R n, si misurano le rispettive lunghezze e l angolo (senza il segno) fra essi mediante il prodotto scalare. Il prodotto scalare
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
DettagliGeometria BAER Test di autovalutazione del 31/10/18
Geometria BAER Test di autovalutazione del 3//8 LEGGERE ATTENTAMENTE PRIMA DI ANDARE ALL INIZIO DEL TEST ALLA PAGINA SUCCESSIVA. NON LEGGERE LE DOMANDE PRIMA DI INIZIARE IL TEST Il test NON É VALUTATO
Dettagli4. Sottospazi vettoriali Piani e rette in E 3 O
Indice Prefazione i Capitolo 0. Preliminari 1 1. Insiemistica e logica 1 1.1. Insiemi 1 1.2. Insiemi numerici 2 1.3. Logica matematica elementare 5 1.4. Ancora sugli insiemi 7 1.5. Funzioni 10 1.6. Composizione
DettagliRango di una matrice e teorema di Rouché-Capelli
Rango di una matrice e teorema di Rouché-Capelli Sappiamo che a una matrice m n, A, è associata l applicazione lineare L A : R n R m, L A (X) = AX, X R n. Definizione 1. Lo spazio nullo di A, N (A), è
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
DettagliSOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n
SPAZI E SOTTOSPAZI 1 SOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n Spazi di matrici. Spazi di polinomi. Generatori, dipendenza e indipendenza lineare, basi e dimensione. Intersezione e somma di sottospazi,
DettagliGeometria Prova scritta, appello unico, sessione autunnale Corso di laurea in fisica A.A 2017/2018 Canali A C, e L Pa
Geometria Prova scritta, appello unico, sessione autunnale Corso di laurea in fisica A.A 27/28 Canali A C, e L Pa Durata: 2 ore e 3 minuti Simone Diverio Alessandro D Andrea Paolo Piccinni 7 settembre
DettagliEsempio. L immagine di f è l insieme dei vettori w = (w 1, w 2 ) R 2 che hanno w 1 = w 2. Quindi:
Nucleo, immagine e loro proprietà [Abate, 5.2] Data una applicazione lineare f : V W, chiamiamo nucleo di f l insieme N(f) := { v V : f(v) = 0 W } Se S V è un sottoinsieme del dominio, indichiamo con f(s)
DettagliCapitolo 7 Struttura metrica in R n Esercizi svolti Tutorato di geometria e algebra lineare. Marco Robutti
Capitolo 7 Struttura metrica in R n Esercizi svolti Tutorato di geometria e algebra lineare Marco Robutti 5 Ottobre 27 Introduzione Gli esercizi di questo capitolo riguardano i seguenti argomenti: Data
DettagliRegressione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il costo mensile Y di produzione e il corrispondente volume produttivo X per uno dei propri stabilimenti. Volume
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliSTIMA DELLA PIENA INDICE
STIMA DELLA PIENA INDICE STIMA LOCALE - Anche se basata su un numero molto limitato di osservazioni (5-6) STIMA REGIONALE 1) Metodi basati su regressioni rispetto a parametri morfo-climatici 2) Metodi
DettagliFattorizzazione QR e matrici di Householder
Fattorizzazione QR e matrici di Householder ottobre 009 In questa nota considereremo un tipo di fattorizzazione che esiste sempre nel caso di matrici quadrate non singolari ad entrate reali. Definizione
Dettagli1 La soluzione del problema dei minimi quadrati
1 La soluzione del problema dei minimi quadrati I modelli di regressione lineare prevedono che la variabile risposta Y si possa esprimere come funzione lineare delle variabili predittori X 1,...X p più
Dettaglix + 2y = 0 Soluzione. La retta vettoriale di equazione cartesiana x + 2y = 0.
Algebra Lineare. a.a. 4-5. Gruppo A-H. Prof. P. Piazza Soluzioni del compito pomeridiano del //5 Esercizio. Sia V = R il piano vettoriale euclideo con base ortonormale standard {e, e }. Determinare le
DettagliRisoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
DettagliLezione 10 27/11/09. = 0 = x y + 2z = 0. Le componenti del vettore v devono essere quindi soluzione del sistema linere omogeneo. { x y +2z = 0 x z = 0
Lezione 10 7/11/09 Esercizio 1 Nello spazio vettoriale euclideo V 3 sia W il sottospazio generato dai vettori v 1 = 1, 1, 1), v = 0,, 1) Determinare un vettore di W di modulo 3 ortogonale al vettore v
DettagliLa lunghezza dei vettori e legata alle operazioni sui vettori nel modo seguente: Consideriamo due vettori v, w e il vettore v + w loro somma.
Matematica II, 20.2.. Lunghezza di un vettore nel piano Consideriamo il piano vettoriale geometrico P O. Scelto un segmento come unita, possiamo parlare di lunghezza di un vettore v P O rispetto a tale
DettagliNote per le esercitazioni di Geometria 1 a.a. 2007/08 A. Lotta. Metodi per il calcolo del rango di una matrice
Note per le esercitazioni di Geometria 1 a.a. 2007/08 A. Lotta Versione del 21/12/07 Metodi per il calcolo del rango di una matrice Sia A M m,n (K). Denotiamo con A (i) la riga i-ma di A, i {1,..., m}.
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
Dettagli