Università di Pavia Macroeconometria. Stima dei sistemi di equazioni simultanee. Eduardo Rossi
|
|
- Serena Oliva
- 4 anni fa
- Visualizzazioni
Transcript
1 Università di Pavia Macroeconometria Stima dei sistemi di equazioni simultanee Eduardo Rossi Università di Pavia
2 Stima dei SES Limited Information Full Information OLS FIMLE 2STLS 3STLS K CLASS FIIV H CLASS 1
3 Stima OLS Consideriamo la prima equazione del sistema: y tγu c 1 + x tbu c 1 = ǫ tu c 1 y t γc 1 + x tb c 1 = ǫ 1t t = 1,..., T sappiamo che il primo elemento di γ c 1 = 1: con γ 1 = y 1t = y t γ 1 + x tb 1 + ǫ 1t γ 21 γ γ g1 b 1 = b 11 b b k1 2
4 Stima OLS in forma matriciale: y 1 = Y 1 γ 1 + Xb 1 + ǫ 1 (1) sia Z 1 = [Y1 X] e δ 1 = [γ 1 b 1 ] la (1) può essere scritta come: lo stimatore OLS di δ 1 è: y 1 = Z 1 δ 1 + ǫ 1 ˆδ 1OLS = (Z 1 Z 1) 1 Z 1 y 1 = δ 1 + (Z 1 Z 1) 1 Z 1 ǫ 1 3
5 Stima OLS ˆδ 1OLS = δ+ [ Y 1 Y 1 Y 1 X X Y 1 X X ] 1 [ Y 1 ǫ 1 X ǫ 1 ] 0 ˆδ 1OLS è uno stimatore incon- dove plim X ǫ 1 T sistente di δ. = 0 ma plim Y 1 ǫ 1 T 4
6 Eccezione all inconsistenza della stima OLS: sistemi triangolari Gli stimatori OLS equazione per equazione sono consistenti quando il modello è ricorsivo e la matrice Σ di varianza e covarianza è diagonale: y 1t = β 1 x t +ǫ 1t y 2t = γ 12 y 1t +β 2 x t +ǫ 2t y 3t = γ 13 y 1t +γ 23 y 2t +β 3 x t +ǫ 3t. =. y gt = γ 1g y 1t +γ 2g y 2t... +γ g 1,g y g 1,t +β g x t +ǫ gt 5
7 Stimatore delle variabili strumentali A. Caso generale Consideriamo la prima equazione: sia Z 1 = [Y1 X] e δ 1 = [γ riscritta in forma compatta come: y 1t = y t γ 1 + x tb 1 + ǫ 1t t = 1,..., T 1 b 1 y 1 = Z 1 δ 1 + ǫ 1 ] la prima equazione puó essere Un metodo generale per ottenere delle stime consistenti di δ é tramite il metodo delle variabili strumentali. Sia W 1 (T (g k 1 )) la matrice delle variabili strumentali. Come tale essa soddisfa i requisiti per le variabili strumentali: plim 1 T W 1 Z 1 = Σ WZ 6
8 Stimatore delle variabili strumentali con Σ WZ matrice finita non singolare e plim 1 T W 1 ǫ 1 = 0 plim 1 T W 1 W 1 = Σ WW con Σ WW matrice definita positiva. 7
9 Stimatore delle variabili strumentali Lo stimatore delle variabili strumentali: ˆδ 1IV = (W 1 Z 1) 1 W 1 y 1 ˆδ 1IV é uno stimatore consistente con matrice di varianza-covarianza asintotica pari a: σ 2 1 T plim [ ] W 1 Z 1 [ ] [ 1 W 1 W 1 Z 1 W 1 T T T = σ2 1 T [ Σ 1 WZ Σ WWΣ 1 ] ZW uno stimatore consistente della varianza σ 2 1 ] 1 è dato da: σ 2 1 = (y 1 Z 1ˆδ 1IV ) (y 1 Z 1ˆδ 1IV ) T 8
10 B. Equazione esattamente identificata g 1 1 = k k 1 Intuitivamente abbiamo esattamente uno strumento per ogni variabile endogena inclusa. La matrice delle variabili strumentali sará: W 1 = X e lo stimatore delle variabili strumentali é: ˆδ 1IV = [X Z 1 ] 1 X y 1 stimatore consistente per un equazione esattamente identificata è lo stimatore determinato dalle variabili strumentali formate da tutte le esogene del sistema. 9
11 C. Equazione sovraidentificata k k 1 > g 1 1 In questo caso la matrice X non può essere utilizzata come matrice delle variabili strumentali perchè X Z, (K T) (T k 1 + g 1 1), non è invertibile. L alternativa é il metodo di stima 2SLS. Quali variabili strumentali utilizzare? Utilizzare un sottoinsieme delle variabili esogene a disposizione del sistema é inefficiente perché significa non utilizzare tutta l informazione a disposizione. 10
12 Pensiamo all espressione in forma ridotta per Y 1 : Y 1 = XΠ 1 + V 1 che si ricava opportunamente dalla forma ridotta del sistema: Y = XΠ + V Il metodo 2SLS consiste nell utilizzare come strumenti per Y 1, Ŷ 1 : dove ˆΠ 1 è dato da: Ŷ 1 = XˆΠ 1 ˆΠ 1 = (X X) 1 X Y 1 Si può mostrare che questo è lo stimatore delle variabili strumentali più efficiente tra gli stimatori che utilizzano solo le colonne di X. 11
13 Lo stimatore a due stadi è pari a: ˆδ 2SLS = (W 1 Z 1) 1 W 1 y 1 dove W 1 = [Ŷ 1 X 1 ] (T (g k 1 )) ˆδ 2SLS = {[ Ŷ 1 Y 1 Ŷ 1 X 1 X 1 Y 1 X 1 X 1 ]} 1 [ Ŷ 1 y 1 X 1 y 1 ] 12
14 Full Information Estimation Method: 3SLS Possiamo riscrivere il sistema di equazioni nel modo seguente: y 1 y 2. y g = Z Z Z g δ 1 δ 2. δ g + ǫ 1 ǫ 2. ǫ g e in forma compatta con E[ǫ] = 0 e Y = Zδ + ǫ 13
15 E[ǫǫ ] = E[ǫ 1 ǫ 1 ].. E[ǫ 1ǫ g] E[ǫ 2 ǫ 1 ].. E[ǫ 2ǫ g]. E[ǫ g ǫ 1 ].. E[ǫ gǫ g ] = = σ1 2I T... σ 1g I T.. σ g1 I T.. σgi 2 T = Σ I T 14
16 Lo stimatore OLS é dato da: ˆδ OLS = [Z Z] 1 Z Y Questo stimatore altro non é che lo stimatore OLS equazione per equazione. Lo stimatore é inconsistente. Assumiamo che sia disponibile uno stimatore consistente: ˆδ IV = [W Z] 1 W Y Lo stimatore piú efficiente è quello basato sul principio dello stimatore GLS: ˆδ IV,GLS = [W (Σ 1 I T )Z] 1 W (Σ 1 I T )Y 15
17 3 Stage Least Squares Consideriamo come matrice di strumenti: W = Ẑ = X(X X) 1 X Z X(X X) 1 X Z X(X X) 1 X Z g = dove Ẑ 1 = [Ŷ 1 X 1] e Z 1 = [Y 1 X 1] Ẑ Ẑ Ẑ g 16
18 3 Stage Least Squares Lo stimatore delle variabili strumentali é dato da: ˆδ IV = [Ẑ Z] 1 Ẑ Y che altro non è che lo stimatore 2SLS fatto equazione per equazione: ˆδ 2SLS = [Ẑ Ẑ] 1 Ẑ Y Poichè questo stimatore è meno efficiente di uno stimatore GLS, ad esso sostituiamo lo stimatore di Aitken-Zellner: ˆδ 3SLS = [Ẑ (Σ 1 I T )Ẑ] 1 Ẑ (Σ 1 I T )Y Zellner e Theil suggeriscono, come stimatore consistente di Σ, di partire dai residui stimati con 2SLS: ˆǫ i = y i Z iˆδ i,2sls 17
19 3 Stage Least Squares Quindi per ogni equazione si puó calcolare: ˆσ ij = (y i Z iˆδ i,2sls ) (y j Z jˆδ j,2sls ) T Lo stimatore 3SLS è quindi calcolato secondo i seguenti passi: 1. Stimo Π con OLS e calcolo Ŷ i per ogni equazione 2. Calcolo ˆδ i per ogni equazione: ˆδ i = [Ẑ iẑi] 1 Ẑ i y i dove Ẑ i = [Ŷi X] e calcolo: ˆσ ij = (y i Z iˆδ i,2sls ) (y j Z jˆδ j,2sls ) T 18
20 3 Stage Least Squares 3. Calcolo lo stimatore GLS secondo la: ˆδ 3SLS = [Ẑ (ˆΣ 1 I T )Ẑ] 1 Ẑ (ˆΣ 1 I T )Y 19
Stima dei sistemi di equazioni simultanee
Università di Pavia Stima dei sistemi di equazioni simultanee Eduardo Rossi University of Pavia Stima dei SES Limited Information OLS 2STLS K CLASS H CLASS Full Information FIMLE 3STLS FIIV Eduardo Rossi
Dettagli1 Endogeneità, variabili strumentali
1 Endogeneità, variabili strumentali 1.1 Proprieta dello stimatore OLS Modello statistico y t = β 1 +β 2 x t2 +...+β k x tk +ε t y t = x tβ+ε t, Brevesommario: y t ex t sonovariabiliosservablimentre ε
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 }
DettagliAppunti di Econometria
Appunti di Econometria ARGOMENTO [3]: VARIABILI STRUMENTALI Tommaso Nannicini Università Bocconi Novembre 2010 E ho visto causa ad effetto che si scambiavano il ruolo Lorenzo Jovanotti Cherubini, Un buco
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Eteroschedasticità nel modello di regressione
Omoschedasticità ed Eteroschedasticità 1 ECONOMETRIA APPLICATA PER L IMPRESA Eteroschedasticità nel modello di regressione Davide Raggi davide.raggi@unibo.it 24 febbraio 2010 Omoschedasticità ed Eteroschedasticità
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
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
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
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 =
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
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
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 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
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
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
DettagliUna Breve Introduzione a E-views
1 Dipartimento di Economia Politica e Metodi Quantitativi Università di Pavia 25 Febbraio 2008 Outline Specificazione ARIMA 1 Specificazione ARIMA 2 3 Per specificare una modello ARIMA è necessario differenziare
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
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
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
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
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
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
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
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
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
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
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
DettagliNel modello di regressione Multivariata abbiamo più variabili risposta (tipicamente poche), in particolare avremo:
Lezione 15 (a cura di Giovanni Mariani) Regressione Multivariata Consideriamo yiyr, con r = numero variabili risposta xixk, con k = numero varibili esplicative Nel modello di regressione Multivariata abbiamo
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015 Tempo a disposizione: 60 Minuti Cognome Nome Matricola Rispondete a tutte le domande. Nel caso delle domanda a risposta
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
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:
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
DettagliLa curva di regressione è il luogo dei punti aventi come ordinate le medie condizionate
Correlazione e regressione Correlazione: le due variabili casuali sono considerate in modo per così dire simmetrico. Regressione: una delle due variabili dipende dall'altra, che per così dire la precede
DettagliInflazione, disoccupazione e moneta
Macroeconomia (Clamm) - a.a. 2011/2012 Contenuto Curva di Phillips e aspettative 1 Curva di Phillips e aspettative 2 3 4 Curva di Phillips Offerta aggregata: con: P t livello generale dei prezzi; P e t
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
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
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
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 valutazione dei risultati
Processi e metodi statistici di valutazione Metodi statistici per la valutazione dei risultati PIETRO GIORGIO LOVAGLIO Università di Milano-Bicocca 1 1. VARIABILE LATENTE O OUTCOME Costrutto teorico tipico
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
8 CAPIOLO 9. IMA DEI PARAMERI MEODO DEI MINIMI QADRAI 9.3 Il metodo dei minimi quadrati in formalismo matriciale Nel caso si debba applicare il metodo minimi quadrati con molti parametri risulta vantaggioso
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
DettagliAnalisi Fattoriale Analisi Esplorativa
Analisi Fattoriale Analisi Esplorativa Aldo Solari 1 / 31 Introduzione Nelle scienze sociali, in particolare in psicologia, spesso è problematico misurare le variabili di interesse direttamente. Ad esempio:
DettagliCenni sui metodi iterativi per sistemi lineari. Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015
Cenni sui metodi iterativi per sistemi lineari Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015 Metodi numerici per sistemi lineari Nei metodi diretti la presenza di eventuali elementi nulli nella
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
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliTest F per la significatività del modello
Test F per la significatività del modello Per verificare la significatività dell intero modello si utilizza il test F Si vuole verificare l ipotesi H 0 : β 1 = 0,, β k = 0 contro l alternativa che almeno
DettagliEsercitazioni di Statistica Dott.ssa Cristina Mollica
Esercitazioni di Statistica Dott.ssa Cristina Mollica cristina.mollica@uniroma.it Regressione Esercizio. Siano dati i seguenti valori per le due variabili X ed Y: 4 5 3 5 3 3 Con riferimento al modello
DettagliLa regressione logistica
La regressione logistica Supponiamo che la variabile di interesse y sia una variabile dicotoma, che assuma solo i valori 0 ovvero 1, corrispondenti a successo o insuccesso. Sia p = P (S) = P (Y = 1) la
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
DettagliDecomposizione LU di una matrice quadrata
Appendice al Cap. 5 Decomposizione LU di una matrice quadrata Una qualunque matrice quadrata M = {m ij } di ordine N, reale, invertibile, i cui minori principali siano tutti non nulli, si può sempre decomporre
Dettagli1 Alcuni risultati sulle variabili Gaussiane multivariate
Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor
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
DettagliAPPUNTI SUL CONTROLLO PREDITTIVO
APPUNTI SUL CONTROLLO PREDITTIVO G. Picci a.a. 2007/2008 1 MPC per modelli I/O scalari Da scrivere... 2 MPC per modelli di stato Come visto in precedenza il calcolo del predittore dell uscita su cui basare
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
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
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi MRLM Econometria - 2013 1 / 54 Sommario Verifica di ipotesi e intervalli
DettagliCorso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1
Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994
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
DettagliMatematica II
Matematica II 51109 Autovettori e Autovalori 1 Equazioni alle differenze finite Consideriamo un sistema caratterizzato da una variabile reale x, che in uno stato iniziale assume un certo valore x(0) b,
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Il modello di regressione semplice
Il modello di regressione semplice 1 ECONOMETRIA APPLICATA PER L IMPRESA Il modello di regressione semplice Davide Raggi davide.raggi@unibo.it 24 febbraio 2010 Try me. Il modello di regressione semplice
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/02/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliCompito numero 2 - Compito intero
Esercitazione 6 - Correzione esame dell 8//3 Lucia Pilleri 9//3 Compito numero - Compito intero Esercizio del parziale - del compito intero Risolvere, mediante la fattorizzazione P A = LU, il sistema lineare
DettagliAlgebra lineare con R
Università di Napoli Federico II cristina.tortora@unina.it Standardizzare una variabile Standardizzazione Data una variabile X distribuita secondo una media µ e una varianza σ 2 la standardizzazione permette
DettagliEsercitazione su Filtraggio Adattativo (17 Giugno 2008)
Esercitazione su Filtraggio Adattativo 17 Giugno 008) D. Donno Esercizio 1: Stima adattativa in rumore colorato Una sequenza disturbante x n è ottenuta filtrando un processo bianco u n con un filtro FIR
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
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
DettagliEsercizi Di Geometria 1 (BAER) Canale 1
Esercizi Di Geometria 1 (BAER) Canale 1 SETTIMANA 9 (23 29 Novembre 2015) da consegnare Mercoledi 2 Dicembre. Esercizio 1. Sia E = (V,, ) uno spazio metrico finito dimensionale. sottospazio vettoriale
DettagliProve d esame di Algebra I
Prove d esame di Algebra I aa 2015/2016 Prova scritta 15 gennaio 2016 Esercizio 1 Dimostrare che, per ogni z Z, vale mcd(z 2 + 3, z 2) {1, 7} Determinare gli interi z tali che mcd(z 2 + 3, z 2) = 7 Esercizio
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
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,
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
DettagliDualitá in Programmazione Lineare e alcune conseguenze
Dualitá in Programmazione Lineare e alcune conseguenze Giacomo Zambelli 1 Dualitá per problemi in forma standard Si consideri il seguente problema di PL in forma standard: z = max c x Ax = b (1) ove A
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
Dettagliobbligatorio - n. iscrizione sulla lista
02.09.2015 - appello di STATISTICA per studenti ENE - docente: E. Piazza obbligatorio - n. iscrizione sulla lista il presente elaborato si compone di 5 (cinque) pagine se non ve lo ricordate siete fritti;
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliEsercizi di Geometria Spazi vettoriali e sottospazi - indipendenza lineare
Esercizi di Geometria Spazi vettoriali e sottospazi - indipendenza lineare 1. Quali dei seguenti sottoinsiemi sono sottospazi di R 3? Motivare la risposta. (a) {(x, y, 1) x, y R} (b) {(0, y, 0) y R} (c)
DettagliEsercizi di Programmazione Lineare
Esercizi di Programmazione Lineare 1 di Base: Forma Matriciale Si consideri il poliedro P = {x R 3 : Ax b} in cui: 1 0 1 2 A = 1 1 0 0 1 1, b = 1 4 1 1 1 3, x 1 = 1 2 + 3 2 + 5 2 x 2 = I vettori x 1 e
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
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 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
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
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliAnalisi Matematica 2
Analisi Matematica 2 Differenziabilità per funzioni di due variabili Differenziabilità per funzioni di due variabili CCS Ingegneria Meccanica e Ingegneria Chimica 1 / 26 Differenziabilitá Data la funzione
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,
DettagliLezione 18. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 18. A. Iodice
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 45 Outline 1 2 3 4 5 () Statistica 2 / 45 Modello di In molte applicazioni il ruolo delle variabili
Dettagli3x 2 = 6. 3x 2 x 3 = 6
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, GParmeggiani LEZIONE 7 Sistemi lineari Scrittura matriciale di un sistema lineare Def 1 Un sistema di m equazioni ed n incognite x 1, x 2, x n, si dice
DettagliMATRICI E SISTEMI LINEARI
1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito
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
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 52 Adattamento di una distribuzione
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliMatematica II - ING ELT Appello del 27/7/2009. Nome e cognome:... Recupero I parte Recupero II parte Scritto completo. { x log y. se y > 0 f(x, y) :=
Matematica II - ING ELT Appello del 27/7/2009 Nome e cognome:...... Scegliere una delle opzioni sottostanti Matricola:... Recupero I parte Recupero II parte Scritto completo Esercizio 1 Si consideri la
DettagliIstituzioni di Matematiche Modulo A (ST)
Istituzioni di Matematiche Modulo A (ST V II foglio di esercizi ESERCIZIO. Nei seguenti sistemi lineari, discutere l insieme delle soluzioni al variare del parametro t, o dei parametri t e τ, in R. 5 x
DettagliAnalisi di Regressione Multivariata. β matrice incognita dei coeff. di regressione (regr. lineare in β)
Analisi di Regressione Multivariata Regressione: metodologia per dedurre info e per anticipare risposte di una variabile dip. Modello classico di regressione lineare: Y {z} n k = {z} X β + ρ {z} {z} n
DettagliPROBLEMI SULL IDENTIFICAZIONE COL METODO PEM
PROBLEMI SULL IDENTIFICAZIONE COL METODO PEM G. Picci 12 gennaio 2012 N.B. : Quando serve la dizione rumore bianco è da interpretare secondo il contesto come processo i.i.d. Il processo di ingresso si
DettagliA m n B n p = P m p. 0 1 a b c d. a b. 0 a 0 c Il risultato e lo stesso solo nel caso in cui c = 0 e a = d.
Matematica II, 220404 Il prodotto di matrici e un operazione parziale che prende in entrata una matrice A ed una matrice B, tali che il numero delle colonne di A sia uguale al numero delle righe di B,
DettagliModelli Multilineari e Misure di adeguatezza del modello
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Modelli Multilineari e Misure di adeguatezza del modello Sommario Regressione multilineare Coefficiente di determinazione (modelli
Dettagli