Corso della Scuola SIS - Metodi statistici per la valutazione e il monitoraggio della formazione universitaria Firenze, ottobre 2005
|
|
- Geraldina Donati
- 7 anni fa
- Visualizzazioni
Transcript
1 Firenze, 0-4 ottobre 005 Corso della Scuola della SIS Metodi statistici per la valutazione e il monitoraggio della formazione universitaria Firenze, 0-4 ottobre 005 Introduzione ai modelli statistici per la valutazione e il monitoraggio Leonardo Grilli grilli@ds.unifi.it Indice. Modelli statistici. Introduzione ai modelli multilivello 3. Il modello lineare a due livelli 4. Modelli multilivello e valutazione 5. Inferenza 6. Software e libri Dipartimento di Statistica G. Parenti, Firenze L. Grilli - Scuola SIS 005 Modelli statistici Modello Modello: schema teorico che descrive un fenomeno ipotizzando le caratteristiche strutturali più rilevanti Modello statistico: modello di tipo matematico con una componente deterministica una componente stocastica L. Grilli - Scuola SIS Modello statistico Modello statistico y x z w f () (,, ) y = f xzw variabile di risposta variabili esplicative molto influenti su y e osservate variabili esplicative molto influenti su y e non osservate variabili esplicative poco influenti su y funzione ignota Ipotesi di errori additivi: y x z w f () ( xz, ) y = f + e w ( x) y = f + e + e variabile di risposta variabili esplicative molto influenti su y e osservate variabili esplicative molto influenti su y e non osservate variabili esplicative poco influenti su y funzione ignota z w L. Grilli - Scuola SIS L. Grilli - Scuola SIS 005 6
2 Firenze, 0-4 ottobre 005 Modello statistico Modello statistico Ipotesi di linearità -> modello di regressione lineare (multipla) y = xβ + enon linearità + ez + e = xβ + e totale Componente sistematica (segnale): xβ = β0+ βx+ βx + + β k x k L. Grilli - Scuola SIS w quantità ignota e deterministica Componente accidentale (rumore): quantità ignota e stocastica e totale y = β0+ βx+ βx + + β k x k + e Sia la componente sistematica che quella accidentale sono ignote perché includono dei parametri: Componente sistematica: k+ coefficienti di regressione Componente accidentale: o più parametri della distribuzione di e Linearità nei parametri sono ammesse trasformazioni delle variabili, es. log y = β0+ β + e x L. Grilli - Scuola SIS I dati Popolazione e campione Campione di n unità statistiche i =,,, n variabili Il modello descrive la relazione fra la y e le x nella POPOLAZIONE e si assume valido per ogni unità del CAMPIONE Unità statistiche y x x k y x x n n nk L. Grilli - Scuola SIS y = β + β x + β x + + β x + e i i =,,, n 0 i i k ik i L. Grilli - Scuola SIS Assunzioni sugli errori Regressione lineare semplice Modello lineare classico: per la distribuzione degli errori (condizionatamente alle variabili esplicative) si assume errori a media nulla errori omoschedastici errori incorrelati Ee ( ) = 0 i Var( e i ) Cov( e, e ) = 0 i L. Grilli - Scuola SIS 005 i = σ Le assunzioni sugli errori determinano le proprietà degli stimatori (distorsione, varianza campionaria, ) i i Caso speciale con una sola variabile esplicativa (k=) y = γ0 + γ x+ e yx Parametri del modello: γ = intercetta (nella popolazione) 0 γ = pendenza o coefficiente angolare (nella popolazione) σ = Var( e ) = varianza residua yx yx L. Grilli - Scuola SIS 005
3 Firenze, 0-4 ottobre 005 Da Regressione lineare semplice ( yx) E e = 0 segue E( y x) = γ + γ x 0 modello per la media condizionata di y (media di y dato x) Interpretazione della pendenza: * * γ = E( y x= x + ) E( y x= x ) Variazione della media condizionata di y corrispondente ad un aumento unitario di x L. Grilli - Scuola SIS y Regressione lineare semplice Modello: relazione nella popolazione (non osservabile, ma stimabile) + γ x 0 L. Grilli - Scuola SIS x γ Regressione lineare semplice Regressione lineare multipla y yˆi Dati e relazione stimata uˆi.. x i ˆ γ + ˆ γ x x 0 k variabili esplicative Parametri del modello: β = intercetta (nella popolazione) 0 β,, β = pendenze o coeff. angolari (nella popolazione) σ y = β + β x + β x + + β x + e k 0 k k y x x k = Var( e ) = varianza residua yx xk yx xk L. Grilli - Scuola SIS L. Grilli - Scuola SIS Regressione lineare multipla ( yx ) x k Da E e = 0 segue E( y x,, x ) = β + β x + β x + + β x k 0 k k modello per la media condizionata di y (media di y dato x,,x k ) Interpretazione della pendenza β : * * * * * * β = E( y x +, x,, xk) E y x x xk Variazione della media condizionata di y corrispondente ad un aumento unitario di x a parità di x,,x k (,,, ) L. Grilli - Scuola SIS Regressione lineare multipla β = effetto di x su y a parità di x,,x k al netto di controllando per Il modello di regressione consente di fare esperimenti virtuali per valutare come cambia la variabile di risposta muovendo una variabile esplicativa alla volta (cioè, tenendo ferme tutte le altre) L. Grilli - Scuola SIS
4 Firenze, 0-4 ottobre 005 Effetti lordi e netti Modelli lineari generalizzati y = γ + γ x + e yx 0 effetto lordo di x y = β + β x + β x + + β x + e 0 k k y x x k In generale β γ effetto netto di x La specificazione lineare per la media condizionata E( y x,, x ) = β + β x + β x + + β x k 0 k k è molto conveniente, ma talvolta non è adeguata, in particolare quando per costruzione la media condizionata assume valori in un intervallo limitato Esempio: y binaria E( y x,, xk ) (0,) mentre β + β x + β x + + β x R ( ) 0 k k L. Grilli - Scuola SIS L. Grilli - Scuola SIS Modelli lineari generalizzati Qual è il modello giusto? In un modello lineare generalizzato la specificazione lineare non viene applicata direttamente alla media condizionata ma a una sua trasformazione: ( ) g E( y x,, x ) = β + β x + β x + + β x k 0 k k g( ) funzione di link (invertibile con codominio R) Esempio: y binaria & g( ) logit modello logit L. Grilli - Scuola SIS 005 La realtà è troppo complessa per poter essere rappresentata in modo esaustivo da un modello Pertanto: un modello è buono quando Coglie gli aspetti salienti del fenomeno (ruolo descrittivo) Aiuta a rispondere ai quesiti della ricerca (ruolo strumentale) Tutti i modelli sono sbagliati, ma alcuni sono utili (G.E.P. Box) L. Grilli - Scuola SIS 005 Qual è il modello giusto? La specificazione del modello (in particolare la scelta delle variabili esplicative) è guidata da: Conoscenza del fenomeno (teoria) Dati (evidenza empirica) Lo statistico è chiamato a stabilire, caso per caso, un ragionevole compromesso tra parsimonia e complessità Introduzione ai modelli multilivello L. Grilli - Scuola SIS
5 Firenze, 0-4 ottobre 005 Un esempio di struttura gerarchica Modello multilivello distretto livello 4 scuola liv. 3 scuola classe classe liv. classe 3 classe 4 s s s3 s4 s5 s6 s7 s8 s9 s0 s s liv. - studenti Modello multilivello: modello di regressione con una struttura di errore complessa che rispecchia una struttura gerarchica Sinonimi: M. gerarchico M. a coefficienti casuali M. a effetti casuali M. a effetti misti L. Grilli - Scuola SIS L. Grilli - Scuola SIS Esempi di strutture gerarchiche rilevanti nella valutazione dei sistemi universitari Valutazione della didattica (): studenti, insegnamenti, corsi di laurea, facoltà, atenei Valutazione della didattica (): studenti, insegnamenti, settori scientifico-disciplinari, atenei Valutazione degli sbocchi occupazionali: laureati, corsi di laurea, atenei Quale struttura adottare dipende dal contenuto informativo dei dati e dalle finalità dell analisi L esistenza della struttura gerarchica non dipende dal piano di campionamento (che può essere semplice, a più stadi, ecc.) Livelli gerarchici Per semplicità consideriamo solo due livelli gerarchici: Livello (es. laureato) Livello (es. corso di laurea) Sinonimi per unità di liv. : unità micro unità within individuo Sinonimi per unità di liv. : unità macro unità between gruppo (cluster) L. Grilli - Scuola SIS L. Grilli - Scuola SIS Variabili e livelli gerarchici Il dilemma dell unita di analisi Le variabili sono riferite ad un certo livello della gerarchia: Es. Valutazione degli sbocchi occupazionali: laureato (liv. ): genere, voto di laurea corso di laurea (liv. ): classe di appartenenza, voto medio di laurea Nota: le variabili di livello (o superiore) si distinguono in GLOBALI: caratteristiche intrinseche delle unità macro (gruppi) che vengono rilevate separatamente e per le quali non esiste la corrispondente misura individuale: es. classe di appartenenza del CdL, rapporto studenti/docenti CONTESTUALI: indicatori macro ottenuti per aggregazione delle corrispondenti misure individuali; esprimono la misura collettiva delle caratteristiche del singolo: es. voto medio di laurea, proporzione di femmine L. Grilli - Scuola SIS =,, J gruppi i=,, n individui nel gruppo dimensione totale J n = N = Si può scegliere di analizzare i dati a livello individuale (es. laureato) -> analisi disaggregata (archivio con N record) a livello di gruppo (es. CdL) -> analisi aggregata (archivio con J record, ottenuti calcolando le medie di gruppo) Entrambe queste scelte danno luogo a dei problemi L. Grilli - Scuola SIS
6 Firenze, 0-4 ottobre 005 Problemi dell analisi disaggregata Problemi dell analisi aggregata Inferenza sui gruppi: impossibile fare inferenza sui gruppi, cioè trattare i gruppi osservati come un campione casuale da una popolazione di gruppi Errata dimensione campionaria delle variabili di livello (che è J e non N) Dipendenza: Le osservazioni all interno di un gruppo sono fra loro più simili rispetto a quelle di altri gruppi, per cui si ha una correlazione positiva all interno dei gruppi viene violata l ipotesi di indipendenza tipica dei metodi tradizionali (es. GLM), che quindi forniscono un errata stima degli errori standard (spesso si ha una sottostima degli errori standard -> errori del I tipo più alti del livello nominale α) L. Grilli - Scuola SIS Shift of meaning: le variabili aggregate si riferiscono al gruppo e non all individuo, per cui non possono nemmeno concettualmente essere usate per indagare le relazioni a livello di individuo Ecological fallacy (distorsione da aggregazione): Le relazioni a livello di gruppo (cioè tra le medie di gruppo) sono diverse dalle corrispondenti relazioni a livello individuale Interazione tra livelli: l analisi aggregata non consente di studiare le relazioni tra livelli gerarchici L. Grilli - Scuola SIS Relazioni entro e tra gruppi Relazioni entro e tra gruppi 8 7 Esempio da Sniders & Bosker, p Within Total Between i X_i X_. _i _ Differenza Between-Within: Ecological fallacy L. Grilli - Scuola SIS i = xi. = x. = x x. i ( i ) i = x. +.00( xi x. ) Regressione totale Regressione tra le medie di gruppo Regressione entro i gruppi Regressione multilivello La regressione multilivello consente di studiare contemporaneamente le relazioni between e within L. Grilli - Scuola SIS ANOVA ad effetti casuali ovvero il modello multilivello più semplice ANOVA ad effetti casuali ovvero il modello multilivello più semplice =,, J gruppi i=,, n individui nel gruppo ε iid, E( ε ) = 0, Var( ε ) = σ i i i ε indipendente da u i = µ + u + ε i i u iid, E( u ) = 0, Var( u ) = Questo modello ha 3 parametri i, media generale: µ varianza di livello : σ varianza di livello : L. Grilli - Scuola SIS Attenzione: è la varianza e non la deviazione std. Esempio: analisi dei tempi di laurea (liv. laureato, liv. CdL) J = numero di CdL nell'archivio n = numero di laureati del CdL = tempo impiegato dal laureato i del CdL i µ = tempo medio generale (tutto l'ateneo) u = scostamento del tempo medio del CdL da quello generale = Var( u ) = varianza dei tempi attribuibile ai CdL ε = scostamento del tempo del laureato i rispetto al tempo medio del CdL i σ = Var( ε ) = varianza residua dei tempi (cioè non attribuibile ai CdL) i L. Grilli - Scuola SIS
7 Firenze, 0-4 ottobre 005 ANOVA ad effetti casuali: varianze e covarianze ANOVA ad effetti casuali: matrice di covarianza i = µ + u + εi 0 se Var( i ) = Var( u + εi ) = + σ Cov( i, i ) = se = e i i' La variabilità di i viene scomposta in una quota legata alla variabilità tra gruppi () ed una alla variabilità individuale (σ ) (componenti di varianza) Le osservazioni appartenenti allo stesso gruppo sono correlate positivamente OSSERVAZIONE: la correlazione è necessariamente positiva perché è generata da una variabile latente condivisa u (è la stessa idea fondamentale dell analisi fattoriale, in cui u è chiamata fattore) L. Grilli - Scuola SIS Esempio J =, n =, n = 3 + σ + σ Var( ) = + σ + σ + σ L. Grilli - Scuola SIS ANOVA ad effetti casuali: coefficiente di correlazione intraclasse ρ denota l ICC (intraclass correlation coefficient) Il modello lineare a due livelli varianza dovuta ai gruppi ρ = Corr( i, i ) = = ρ 0, + σ varianza totale ρ fornisce una misura del grado di omogeneità tra osservazioni appartenenti allo stesso gruppo. Maggiore è il valore di ρ e tanto più importante è utilizzare una procedura di stima adeguata che tenga conto della dipendenza [ ] L. Grilli - Scuola SIS Esempio: valutazione delle scuole Esempio: valutazione delle scuole Livelli di analisi: livello, studenti; livello, scuole Variabile risposta : punteggio test finale Variabile esplicativa di livello X : punteggio test d ingresso Approccio delle regressioni separate: analizzare ogni scuola separatamente, ad es. con il modello di regressione lineare semplice: iid i = β0 + βx i + εi εi ~ N(0, σ ) Sia l intercetta che la pendenza sono importanti per la valutazione: La scuola A è più efficace (valori previsti di più elevati per tutto il range di X) La scuola A è anche più equa (pendenza inferiore) A B L indice è presente anche nei parametri -> ogni scuola ha una diversa intercetta e pendenza! X L. Grilli - Scuola SIS L. Grilli - Scuola SIS
8 Firenze, 0-4 ottobre 005 Ad ogni scuola corrisponde una coppia ( β0, β ) Approccio delle regressioni separate : per ogni scuola ( β0, β ) sono dei parametri e non vi è relazione tra i parametri di scuole diverse Approccio gerarchico (multilivello): le coppie ( β0, β ) delle varie scuole sono realizzazioni indipendenti da una distribuzione di probabilità, tipicamente normale bivariata β iid 0 γ Altre distribuzioni N, sono possibili ma la β γ 0 normale è usualmente preferibile ( β, β ) indipendenti da ε 0 i L. Grilli - Scuola SIS Assumere che β iid 0 γ N, β γ 0 equivale ad assumere che le scuole presenti nell archivio siano un campione casuale semplice da una popolazione di scuole in cui l intercetta media è γ 00 e la pendenza media è γ 0 L. Grilli - Scuola SIS Parametri del modello γ 00 intercetta media γ pendenza media σ varianza intercetta varianza pendenza covarianza intercetta-pendenza varianza residua (livello ) Parametri fissi (= degli effetti fissi) Parametri casuali (= di varianzacovarianza) NOTA: il modello è molto parsimonioso: ha 6 parametri indipendentemente dal numero di scuole nel campione! L. Grilli - Scuola SIS Correlazione tra intercette e pendenze: ρβ (, β ) = L. Grilli - Scuola SIS β 0 Esempio di correlazione negativa β Modello di livello: Modello di livello: Modello combinato: = β + β x + ε i 0 i i β = γ + u β = γ + u ( 00 0 ) ( 0 ) = γ + u + γ + u x + ε i i i = γ + γ x + u + u x + ε 00 0 i 0 i i Parte fissa Parte aleatoria L. Grilli - Scuola SIS Errori di livello (effetti casuali): u u = β γ Var( u ) = = β γ Var( u ) = scarti non spiegati tra il valore del parametro per il gruppo e il valore medio del parametro nella popolazione Le variabili esplicative possono spiegare in parte questi scarti, cioè possono ridurre le loro varianze Di solito le ipotesi distribuzionali vengno espresse con riferimento agli effetti casuali anziché ai beta: u iid 0 0, 00 0 u0 N u 0 indip da εi u L. Grilli - Scuola SIS
9 Firenze, 0-4 ottobre 005 : alcuni casi ( ) ( ) > 0, > 0 = γ + u + γ + u x + ε 00 i i i ( ) > 0, = 0 = γ + u + γ x + ε 00 i i i = 0, = 0 = γ pendenza casuale intercetta casuale + γ x + ε 00 i 00 0 i i = 0 = 0 regressione ordinaria Nota : 0 Nota: nel modello a pendenza casuale anche l intercetta è casuale L. Grilli - Scuola SIS : caso speciale regressione ordinaria 00 = 0, = 0 i = γ00 + γ0xi + εi regressione ordinaria La variabilità tra i gruppi è nulla e quindi i coefficienti sono fissi L. Grilli - Scuola SIS X : caso speciale intercetta casuale ( ) 00 > 0, = 0 i = γ00 + u0 + γ0xi + εi La varianza del coefficiente di regressione è nulla (e quindi anche la covarianza tra i coefficienti) La varianza dell intercetta non dipende da X (la centratura di X è irrilevante) Le rette di regressione relative ai gruppi sono fra loro parallele E possibile ordinare i gruppi intercetta casuale L. Grilli - Scuola SIS X : caso generale pendenza casuale ( ) ( ) 00 > 0, > 0 i = γ00 + u0 + γ0 + u xi + εi La varianza dell intercetta ( 00 ) e la covarianza intercetta-pendenza ( 0 ) si riferiscono a X=0 e dipendono da X Poiché spesso l origine di X è arbitraria è bene non vincolare a zero la covarianza Non esiste un ordinamento univoco dei gruppi: l ordinamento varia al variare del valore X considerato pendenza casuale L. Grilli - Scuola SIS X (una covariata di livello + una covariata di livello ) Introduzione di variabili esplicative di livello : Le variabili di livello rappresentano caratteristiche dei gruppi che servono a Definire un modello per i parametri del modello di livello ( β0, β) ovvero a ridurre le varianze di livello Ad esempio: W variabile binaria, =scuola pubblica; 0=scuola privata (una covariata di livello + una covariata di livello ) Modello di livello: i 0 i i Modello di livello: Modello combinato: = β + β x + ε β = γ + γ w + u β = γ + γ w + u = γ + γ w + γ x + γ w x i i i 0 i i Interazione cross-level Parte fissa + u + u x + ε Parte aleatoria L. Grilli - Scuola SIS L. Grilli - Scuola SIS
10 Firenze, 0-4 ottobre 005 (una covariata di livello + una covariata di livello ) Centratura delle covariate e regressioni entro e tra gruppi Modello di livello : β0 = γ00 + γ0w + u0 β = γ0 + γw + u γ 0 γ u 0 u Var( u ) = Var( u ) = 0 00 differenza nell intercetta media tra scuola privata e pubblica differenza nella pendenza media tra scuola privata e pubblica effetto unico della scuola sull intercetta media effetto unico della scuola sulla pendenza media Attenzione: le ipotesi sugli errori del modello sono le stesse, ma l interpretazione delle varianze cambia poiché le varianze sono di tipo residuale rispetto alle covariate L. Grilli - Scuola SIS Una covariata di livello x i può essere centrata rispetto a: A) una costante, ad es. la media generale x.. si sostituisce xi con ( xi x.. ) i coefficienti di xi e ( xi x.. ) sono identici cambia solo l'intercetta γ 00 B) la media di gruppo x. si sostituisce x con ( x x ) i i coefficienti di x e ( x x ) sono diversi! i i. L. Grilli - Scuola SIS i. Centratura delle covariate e regressioni entro e tra gruppi Generalizzazioni del modello ) = + γ x + i total i ) = + γ x + ( γ γ ) x + i within i between within. 3) = + γ ( x x ) i within i. 4) = + γ ( x x ) + γ x + i within i. between. Più variabili esplicative di livello e di livello : X, X,,W, W, es. modello a intercetta casuale in notazione matriciale T T i = γ 00 + γ0 xi + γ0 w + u + εi Struttura degli errori più complessa: A livello : eteroschedasticità, es. Var( ε ) = σ x A livello : più coefficienti casuali Più di due livelli gerarchici: es. modello a intercetta casuale a 3 livelli [ ] = parte fissa + v + u + ε ik k k ik i i L. Grilli - Scuola SIS L. Grilli - Scuola SIS Modelli multilivello e valutazione Indicatori di performance Le valutazioni comparative di efficacia (c.d. effiacia relativa) di un insieme di Istituzioni sono basate su indicatori di performance (misure statistiche di sintesi che rispecchiano certi aspetti del funzionamento di una Istituzione) Indicatori di input, di output, di outcome Consideriamo gli aspetti statistici legati all utilizzo di indicatori di outcome per valutazioni di efficacia relativa L. Grilli - Scuola SIS
11 Firenze, 0-4 ottobre 005 Indicatori di performance Metodologia statistica Principali questioni statistiche: I) Produrre indicatori netti, cioè aggiustati per le condizioni che caratterizzano l Istituzione e i suoi Utenti -> necessario per effettuare confronti equi, alla pari (ceteris paribus) II) Quantificare l incertezza -> necessario per evitare di trarre conclusioni influenzate dalla variabilità campionaria e da altre fonti di errore Le graduatorie grezze di istituzioni (cosiddette League Tables ) ignorano entrambi gli aspetti (Goldstein & Spiegelhalter, 996) L. Grilli - Scuola SIS I) Produzione di indicatori netti & II) Quantificazione dell incertezza Modelli di regressione Ma i modelli standard non sono adeguati perché si basano sull assunzione irrealistica di indipendenza tra gli outcome degli Utenti (mentre gli outcome degli Utenti di una stessa Istituzione sono tipicamente correlati) -> errata quantificazione dell incertezza Soluzione: modelli di regressione multilivello L. Grilli - Scuola SIS Metodologia statistica Modello multilivello i = Utente (livello ) = Istituzione (livello ) I modelli multilivello rappresentano adeguatamente la struttura di correlazione -> corrretta quantificazione dell incertezza rappresentano esplicitamente la nozione di efficacia tramite gli effetti casuali u Covariate di livello : Caratteristiche dell Utente Covariate di livello : Caratteristiche dell Istituzione e caratteristiche ambientali = γ + γ x + γ w + u + ε T T i 00 0 i 0 i Variabile di risposta: Outcome dell Utente Effetto casuale sull intercetta: Efficacia dell Istituzione Istituz. Istituz. J Utente Utente n Utente Utente n J Efficacia di Tipo A o B a seconda delle covariate L. Grilli - Scuola SIS L. Grilli - Scuola SIS Inferenza sull efficacia basata sul modello multilivello Stima dell efficacia dell Istituzione residuo di livello uˆ Con i residui si possono costruire graduatorie nette delle istituzioni (che però ignorano l incertezza!) Per tener conto dell incertezza si può usare lo standard error dei residui per costruire Intervalli di confidenza univariati Intervalli di confidenza per confronti a coppie L. Grilli - Scuola SIS Inferenza
12 Firenze, 0-4 ottobre 005 Stima e previsione Stima dei parametri = γ + γ w + γ x + γ w x i i i Parte fissa + u0 + uxi + εi Parte aleatoria Approccio di massima verosimiglianza: step : stima dei parametri fissi (γ 00, γ 0, γ 0, γ ) e dei parametri casuali (σ, 00, 0, ) step : previsionedegli effetti casuali (u 0, u : =,,J) (detta anche calcolo dei residui di livello ) La stima di massima verosimiglianza (MV) si basa su algoritmi iterativi (IGLS, Fisher scoring, EM) Sotto deboli condizioni di regolarità gli stimatori di MV hanno buone proprietà asintotiche: Consistenza Normalità Efficienza Osservazione: la teoria asintotica vale all aumentare del numero di gruppi (l aumento della dimensione dei gruppi non è sufficiente) L. Grilli - Scuola SIS L. Grilli - Scuola SIS Previsione degli effetti casuali (calcolo dei residui di livello ) Nel caso dell ANOVA ad effetti casuali = + u + esistono semplici formule per i residui: OLS u =. ˆ µ Residuo OLS grezzo EB OLS u = λ u Residuo Empirical Bayes o shrinkage λ = + σ / n µ ε i i Affidabilità del gruppo (cresce con la dimensione del gruppo ed è circa uguale a per i gruppi grandi) EB OLS u è preferibile a u perché minimizza l'errore quadratico medio di previsione di u L. Grilli - Scuola SIS Previsione degli effetti casuali (calcolo dei residui di livello ) EB OLS per i gruppi grandi u è simile a u, EB ma per i gruppi piccoli u è notevolmente "ristretto" rispetto a u per tener conto della sua scarsa affidabilità EB OLS u e u producono due graduatorie diverse! Nei modelli più complessi dell ANOVA le formule sono complicate, ma valgono gli stessi principi di shrinkage e borrowing strength OLS L. Grilli - Scuola SIS Confronto fra residui Confronto fra residui I residui di livello sono le previsioni dei corrispondenti effetti casuali u Spesso l interesse non è sul valore di u per un singolo cluster, ma sul confronto fra gli u di due diversi cluster (ad es. per capire se l istituzione A è più efficace dell istituzione B) Problema statistico: gli effetti casuali di due cluster arbitrari sono o non sono significativamente diversi ad un certo livello? L. Grilli - Scuola SIS Errore comune: pensare che due quantità i cui intervalli al 95% sono disgiunti siano significativamente diverse al 5% X N( µ X, σ ) X ±.96 σ N( µ, σ ) ±.96 σ Se X e sono indipendenti X N ( µ µ, σ ) ( X ) ±.96 σ X µ X è significativamente diverso da µ al livello 95% se e solo se: la distanza (in unità di σ) fra X e è maggiore di.96 =.77 gli intervalli univariati di raggio.77/ =.39 sono disgiunti L. Grilli - Scuola SIS 005 7
13 Firenze, 0-4 ottobre 005 Confronto fra residui Il valore.39 si basa su alcune ipotesi (distribuzione normale, indipendenza, identica varianza) che tipicamente non sono plausibili -> il valore.39 va inteso come approssimazione e il livello di significatività 5% come livello medio dei confronti Software e libri Grafico per confronti a coppie Approfondimenti in Goldstein & Healy (995) Semintervallo=.39* s.e. del residuo L. Grilli - Scuola SIS Software per la stima di modelli multilivello Software specializzato (es. MLwiN, HLM) Procedure in pacchetti di uso generale (es. Proc Mixed e Proc Nlmixed in SAS, xtmixed e gllamm in Stata) Rassegna critica: Sito con dati ed esercitazioni svolte: Multilevel Modeling Resources at UCLA Sniders & Bosker Libri sui modelli multilivello Hox L. Grilli - Scuola SIS L. Grilli - Scuola SIS Libri sui modelli multilivello Modelli multilivello e valutazione Goldstein Raudenbush & Bryk Raudenbush S.W. & Willms J.D. (995) The Estimation of School Effects. Journal of Educational and Behavioral Statistics, Vol. 0, No. 4, pp Goldstein, H. & Spiegelhalter, D.J. (996). Leage tables and their limitations: statistical issues in comparisons of institutional performances (con discussione). Journal of the Royal Statistical Society, series A, Vol. 59, pp Goldstein H. & Lewis T. (eds) (996) Assessment: problems, developments and statistical issues: a volume of expert contributions. Wiley, Chichester. Gori E. & Vittadini G. (a cura di) (999) Qualità e valutazione nei servizi di pubblica utilità. ETAS, Milano. L. Grilli - Scuola SIS L. Grilli - Scuola SIS
ANALISI MULTIVARIATA
ANALISI MULTIVARIATA Marcella Montico Servizio di epidemiologia e biostatistica... ancora sulla relazione tra due variabili: la regressione lineare semplice VD: quantitativa VI: quantitativa Misura la
DettagliAnalisi della varianza
1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della
DettagliIndice Aspetti generali sul campionamento da popolazioni finite Campionamento probabilistico Disegno campionario semplice
Indice 1 Aspetti generali sul campionamento da popolazioni finite.. 1 1.1 Rilevazionicensuarieerilevazionicampionarie... 1 1.2 Lineemetodologichediunarilevazionestatistica... 3 1.3 Popolazioni, etichette,
DettagliStatistica. Esercitazione 16. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 16 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 24 Studio della relazione tra due variabili Commonly Asked Questions Qual è la relazione tra la spesa
DettagliAnalisi Univariata e Multivariata dei Dati Economici Bruno Ricca (Dipartimento di studi su risorse, impresa, ambiente e metodologie quantitative)
Programma di studio AA 2008-2009 Analisi Univariata e Multivariata dei Dati Economici Bruno Ricca (Dipartimento di studi su risorse, impresa, ambiente e metodologie quantitative) Modulo unico 10 cfu corso
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
DettagliCarta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016
Esercitazione 12 maggio 2016 ESERCIZIO 1 Si supponga che in un sondaggio di opinione su un campione di clienti, che utilizzano una carta di credito di tipo standard (Std) o di tipo business (Bsn), si siano
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
DettagliIl campionamento statistico. prof. C.Guida
Il campionamento statistico prof. C.Guida Per determinare le caratteristiche fondamentali di una popolazione statistica non è sempre necessario analizzare tutta la popolazione, ma risulta sufficiente esaminare
DettagliIl Metodo Scientifico
Unita Naturali Il Metodo Scientifico La Fisica si occupa di descrivere ed interpretare i fenomeni naturali usando il metodo scientifico. Passi del metodo scientifico: Schematizzazione: modello semplificato
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
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
DettagliI laureati scuole di provenienza, durata degli studi, votazioni ed età
I laureati scuole di provenienza, durata degli studi, votazioni ed età Il campione in esame comprende gli 11450 laureati presso l Università di Lecce nel periodo maggio 1997 aprile 2004, corrispondente
DettagliFrancesca Pierri Dipartimento di Economia Finanza e Statistica Università degli Studi di Perugia
Francesca Pierri Dipartimento di Economia Finanza e Statistica Università degli Studi di Perugia Introduzione La ricerca accademica ha spesso evidenziato l esigenza di costruire indicatori delle performance
DettagliEsercitazione # 6. a) Fissato il livello di significatività al 5% si tragga una conclusione circa l opportunità di avviare la campagna comparativa.
Statistica Matematica A Esercitazione # 6 DUE MEDIE CON VARIANZE NOTE: Esercizio # Le ditte A e B producono sfere luminose. Una volta attivata la reazione chimica che rende luminosa una di queste sfere,
DettagliQuantificare la variabilità dei processi ecologici
Scopo ecologia Quantificare la variabilità dei processi ecologici Comprensione dei meccanismi fondamentale per identificare gli effetti del disturbo antropico e per prevenire alterazioni su scala globale
DettagliTest di restrizioni lineari nel MRLM: Esempi
Test di restrizioni lineari nel MRLM: Esempi Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Test F: esempi 2012 1 / 23 Funzione di produzione Cobb-Douglas Esempio GDP
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4. Esercizi di Inferenza Statistica Gianmarco Altoè Dipartimento di Psicologia Università di Cagliari, Anno Accademico 2011-2012 Esercizio 4.1 - I due esami Nella seguente
DettagliUn applicazione della modellistica ARCH-GARCH
Un applicazione della modellistica ARCH-GARCH Federico Andreis Tesina per l esame di Metodi Statistici per la Finanza e le Assicurazioni A.A. 2005/2006 Prof. Diego Zappa Il grafico della serie storica
DettagliVALUTAZIONE D IMPATTO DELLE POLITICHE REGIONALI PER LA PROMOZIONE DELL APPROPRIATEZZA ORGANIZZATIVA
Mattone Misura dell appropriatezza GdLA 26 Settembre 2006 VALUTAZIONE D IMPATTO DELLE POLITICHE REGIONALI PER LA PROMOZIONE DELL APPROPRIATEZZA ORGANIZZATIVA QUESITI DELLA RICERCA Qual è stato l impatto
DettagliMATEMATICA e COMPLEMENTI di MATEMATICA
ALLEGATO N.8_b MATEMATICA e COMPLEMENTI di MATEMATICA DESTINATARI gli studenti delle classi: terze e quarte nuovo ordinamento RISULTATI DI APPRENDIMENTO DELL OBBLIGO D ISTRUZIONE, CHIAVE EUROPEA Padroneggiare
DettagliITCS Erasmo da Rotterdam. Anno Scolastico 2014/2015. CLASSE 4^ M Costruzioni, ambiente e territorio
ITCS Erasmo da Rotterdam Anno Scolastico 014/015 CLASSE 4^ M Costruzioni, ambiente e territorio INDICAZIONI PER IL LAVORO ESTIVO DI MATEMATICA e COMPLEMENTI di MATEMATICA GLI STUDENTI CON IL DEBITO FORMATIVO
DettagliSTUDIO DI SETTORE VK20U
ALLEGATO 5 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VK20U ATTIVITÀ PROFESSIONALE SVOLTA DA PSICOLOGI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce
DettagliUNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA CORSO DI COSTRUZIONI IDRAULICHE A.A. 00-0 PROF. LUIGI DA DEPPO ING. NADIA URSINO ESERCITAZIONE N : Progetto
DettagliStatistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.
Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni
DettagliMicroeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione
Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Esercizio 1 Si consideri il seguente modello ad effetti fissi con variabili binarie: + 1 2 a) supponete che N=3. Si mostri che i regressori
DettagliLezione 12 Argomenti
Lezione 12 Argomenti Costi di produzione: differenza tra costo economico e costo contabile I costi nel breve periodo Relazione di breve periodo tra funzione di produzione, produttività del lavoro e costi
DettagliSTUDIO DI SETTORE VG73B
ALLEGATO 12 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG73B SPEDIZIONIERI, INTERMEDIARI DEI TRASPORTI E CORRIERI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore
Dettagli2. Variabilità mediante il confronto di valori caratteristici della
2. Variabilità mediante il confronto di valori caratteristici della distribuzione Un approccio alternativo, e spesso utile, alla misura della variabilità è quello basato sul confronto di valori caratteristici
DettagliLezioni di Economia Politica
Università degli Studi di Roma TRE - Dipartimento di Giurisprudenza Lezioni di Economia Politica Principi fondamentali dell economia e strumenti per lo studio Testi http://www.maggiolieditore.it/9788891605061-economia-politica.html
Dettagliˆp(1 ˆp) n 1 +n 2 totale di successi considerando i due gruppi come fossero uno solo e si costruisce z come segue ˆp 1 ˆp 2. n 1
. Verifica di ipotesi: parte seconda.. Verifica di ipotesi per due campioni. Quando abbiamo due insiemi di dati possiamo chiederci, a seconda della loro natura, se i campioni sono simili oppure no. Ci
DettagliAspetti organizzativi
Economia internazionale lezioni sullo sviluppo economico a.a. 2007-08 Lezione 1: Introduzione Stefano Usai email: stefanousai@unica.it tel.: 070-6753766 web: www.usais.it/webeconomiasviluppo Aspetti organizzativi
DettagliI metodi per la misura della prognosi
C.I. di Metodologia clinica I metodi per la misura della prognosi Obiettivo Conoscere ed utilizzare i principali strumenti per identificare i fattori di rischio e i fattori prognostici 1 Gallo C. Gallo_
DettagliMODELLO DI REGRESSIONE PER DATI DI PANEL
MODELLO DI REGRESSIONE PER DAI DI PANEL 5. Introduzione Storicamente l analisi econometrica ha proceduto in due distinte direzioni: lo studio di modelli macroeconomici, sulla base di serie temporali di
DettagliCAPITOLO V. DATABASE: Il modello relazionale
CAPITOLO V DATABASE: Il modello relazionale Il modello relazionale offre una rappresentazione matematica dei dati basata sul concetto di relazione normalizzata. I principi del modello relazionale furono
DettagliAnalisi del ciclo di vita per processi industriali
Analisi del ciclo di vita per processi industriali Laurea Magistrale in Scienze e Tecnologie per l Ambiente e il Territorio Corso a scelta 6 CFU Seconda Università di Napoli Dipartimento di Scienze e Tecnologie
DettagliTEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI
TEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica Parte A. Per verificare l efficacia di un farmaco
DettagliTECNICHE DI CONTROLLO
TECNICHE DI CONTROLLO Richiami di Teoria dei Sistemi Dott. Ing. SIMANI SILVIO con supporto del Dott. Ing. BONFE MARCELLO Sistemi e Modelli Concetto di Sistema Sistema: insieme, artificialmente isolato
DettagliRiassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice
cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze
DettagliESAME DI STATISTICA Nome: Cognome: Matricola:
ESAME DI STATISTICA Nome: Cognome: Matricola: ISTRUZIONI: Per la prova è consentito esclusivamente l uso di una calcolatrice tascabile, delle tavole della normale e della t di Student. I risultati degli
Dettagli1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.
Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi
DettagliSTUDIO DI SETTORE VG88U
ALLEGATO 22 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG88U AUTOSCUOLE, SCUOLE NAUTICHE E AGENZIE DI DISBRIGO PRATICHE 1096 CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio
Dettagli84/S-Classe delle lauree specialistiche in scienze economico-aziendali Nome del corso
Università Università degli studi di Genova Classe 84/S-Classe delle lauree specialistiche in scienze economico-aziendali Nome del corso Marketing e comunicazione Codice interno dell'ateneo 1740 Data del
DettagliFACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA
FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA NB Come potete vedere facendo la somma dei punteggi il numero di quesiti è superiore a quello
DettagliEsercitazione n. 5 di Metodologia della Ricerca Psicologica
Esercitazione n. di Metodologia della Ricerca Psicologica Quesito 1: Un ricercatore intende studiare la conoscenza e gli atteggiamenti che hanno gli operatori del diritto delle applicazioni psicogiuridiche.
DettagliNOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WG36U
ALLEGATO 6 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WG36U SERV IZI DI RISTORAZIONE COMMERCIALE CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce ai
DettagliVALUTAZIONE DEGLI INVESTIMENTI AZIENDALI. Docente: Prof. Massimo Mariani
VALUTAZIONE DEGLI INVESTIMENTI AZIENDALI Docente: Prof. Massimo Mariani 1 SOMMARIO Definizione di investimento classificazione degli investimenti valutazione finanziaria dell investimento i criteri per
Dettagli6. Modelli statistici: analisi della regressione lineare
BIOSTATISTICA 6. Modelli statistici: analisi della regressione lineare Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliMetodologie Quantitative
Metodologie Quantitative Regressione Logistica II M Q Marco Perugini Milano-Bicocca 1 La regressione logistica La regressione logistica si propone di studiare e quantificare le relazioni tra una o più
Dettaglip k q n k = p n (k) = n 12 = 1 = 12 1 12 11 10 9 1 0,1208. q = 1 2 e si ha: p 12 (8) = 12 8 4
CAPITOLO QUARTO DISTRIBUZIONE BINOMIALE (O DI BERNOULLI) Molti degli esempi che abbiamo presentato nei capitoli precedenti possono essere pensati come casi particolari di uno schema generale di prove ripetute,
DettagliInferenza statistica
Inferenza statistica Si tratta di un complesso di tecniche, basate sulla teoria della probabilità, che consentono di verificare se sia o no possibile trasferire i risultati ottenuti per un campione ad
DettagliScienze e tecniche psicologiche PSICOLOGIA
Scienze e tecniche psicologiche PSICOLOGIA PSICOLOGIA CORSO DI LAUREA Scienze e Tecniche Psicologiche CORSO DI LAUREA MAGISTRALE Psicologia COR Via Sant Agostino, 8 27100 PAVIA - Tel. +39 0382 984218 -
DettagliMISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE
MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE La distanza focale f di una lente convergente sottile è data dalla formula: da cui 1 f = 1 p + 1 q f = pq p + q dove p e q sono, rispettivamente, le
DettagliOpportunità e rischi derivanti dall'impiego massivo dell'informatica in statistica. Francesco Maria Sanna Roma, 3 maggio 2012
Opportunità e rischi derivanti dall'impiego massivo dell'informatica in statistica Francesco Maria Sanna Roma, 3 maggio 2012 Procedere alla misura, al rilevamento e al trattamento dei dati è sempre stato
DettagliLa stima dell evasione fiscale
La stima dell evasione fiscale Modello di Microsimulazione Ministero dell Economia e delle Finanze Ministero del Lavoro e delle Politiche Sociali ISFOL Sommario L analisi della letteratura teorica ed empirica
DettagliAspettative e soddisfazione degli studenti universitari. Un indagine empirica esplorativa Bruno Busacca, Giuseppe Bertoli e Ottavia Pelloni
Copyright SDA Copyright Bocconi 2005 SDA Bocconi 2005 Bruno Busacca, Maria Carmela Ostillio 1 Aspettative e soddisfazione degli studenti universitari. Un indagine empirica esplorativa Bruno Busacca, Giuseppe
DettagliL ANALISI DELLA REDDITIVITÀ L ANALISI DELLA REDDITIVITÀ
L ANALISI DELLA REDDITIVITÀ L ANALISI DELLA REDDITIVITÀ LA REDDITIVITA AZIENDALE PUÒ ESSERE STUDIATA: in relazione alla gestione nel suo complesso, attraverso il calcolo del R.O.E. indica la redditività
DettagliInterpretare i modelli prognostici multivariati: il modello logistico
Interpretare GIAC i modelli Volume prognostici 5 Numero multivariati: 4 Dicembre il modello 2002logistico L ANGOLO DELLA STATISTICA Interpretare i modelli prognostici multivariati: il modello logistico
DettagliLE FONTI STATISTICHE UFFICIALI. Le fonti statistiche ufficiali o pubbliche costituiscono una base empirica molto importante.
LE FONTI STATISTICHE UFFICIALI Le fonti statistiche ufficiali o pubbliche costituiscono una base empirica molto importante. All inizio la ricerca sociale veniva svolta solo con questo tipo di dati. Poi,
DettagliPrelazione. Lista delle Figure. Lista delle Tabelle
Indice Prelazione Indice Lista delle Figure Lista delle Tabelle VI IX XV XVI 1 Nozioni Introduttive 1 1.1 Inferenza Statistica 1 1.2 Campionamento 5 1.3 Statistica e Probabilità 7 1.4 Alcuni Problemi e
DettagliLineamenti di econometria 2
Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Regressione con Variabili Dummy Regressione con Variabili Dummy La
DettagliMisura e Valutazione del A. Rischio
- 7 Teoria della Finanza Aziendale Prof. Arturo Capasso A.A. 007-008 Misura e Valutazione del A. Rischio - Argomenti Il rischio Il rischio negli investimenti finanziari La misurazione del rischio Varianza
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
DettagliPrefazione all edizione originale. Prefazione all edizione italiana
Indice Prefazione all edizione originale Prefazione all edizione italiana xiii xv 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento
DettagliPresentazione. Risorse Web. Metodi Statistici 1
I-XVI Romane_ 27-10-2004 14:25 Pagina VII Prefazione Risorse Web XI XIII XVII Metodi Statistici 1 Capitolo 1 Tecniche Statistiche 3 1.1 Probabilità, Variabili Casuali e Statistica 3 1.1.1 Introduzione
DettagliSTUDIO DI SETTORE WG87U
ALLEGATO 21 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WG87U CONSULENZA FINANZIARIA, AMMINISTRATIVO-GESTIONALE E AGENZIE DI INFORMAZIONI COMMERCIALI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE
DettagliRILEVAZIONE DEI TASSI DI INTERESSE EFFETTIVI GLOBALI MEDI AI FINI DELLA LEGGE SULL 'USURA
Foglio N. 0.00.3 informativo Codice Prodotto Redatto in ottemperanza al D.Lgs. 385 del 1 settembre 1993 "Testo Unico delle leggi in materia bancarie creditizia" (e successive modifiche ed integrazioni)
DettagliEsercitazioni di contabilità
Esercitazioni di contabilità esercitazione n. 1 28-04-2016 Capitoli 1-4 libro Marchi Dipartimento di Economia e Management Corso di Economia Aziendale L-Z A.A. 2015-16 1 Le quattro operazioni fondamentali
DettagliProf.ssa Paola Vicard
Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.
DettagliRelazioni tra variabili
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
Dettaglidella provincia di Padova Sintesi anno 2015 A cura del Servizio Studi - Padova, marzo 2016
Indicatori del mercato del lavoro della provincia di Padova Sintesi anno 2015 A cura del Servizio Studi - Padova, marzo 2016 Principali indicatori del mercato del lavoro provinciale Fonti disponibili Inps
DettagliI costi d impresa (R. Frank, Capitolo 10)
I costi d impresa (R. Frank, Capitolo 10) COSTI Per poter realizzare la produzione l impresa sostiene dei costi Si tratta di scegliere la combinazione ottimale dei fattori produttivi per l impresa È bene
DettagliLE ANALISI DI BILANCIO PER INDICI
LE ANALISI DI BILANCIO PER INDICI Ragioneria A.A. 2014/2015 1 SOMMARIO Aspetti introduttivi La riclassificazione dello Stato Patrimoniale Gli indicatori finanziari e patrimoniali Struttura finanziaria
DettagliRegressione Lineare con un Singolo Regressore
Regressione Lineare con un Singolo Regressore Quali sono gli effetti dell introduzione di pene severe per gli automobilisti ubriachi? Quali sono gli effetti della riduzione della dimensione delle classi
DettagliLiceo Marie Curie (Meda) Scientifico Classico Linguistico PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE
Liceo Marie Curie (Meda) Scientifico Classico Linguistico PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE a.s. 2015/16 CLASSE 2^ ASA Indirizzo di studio Liceo scientifico Scienze Applicate Docente Disciplina
DettagliRELAZIONE SULLA GESTIONE
ENERGIA BLU S.C.R.L. Sede in GARDONE VAL TROMPIA, VIA MAZZINI 2 Capitale sociale euro 10.000,00 interamente versato Cod. Fiscale 02268120983 Iscritta al Registro delle Imprese di BRESCIA nr. 02268120983
DettagliFONDAMENTI DI PSICOMETRIA - 8 CFU
Ψ FONDAMENTI DI PSICOMETRIA - 8 CFU STIMA DELL ATTENDIBILITA STIMA DELL ATTENDIBILITA DEFINIZIONE DI ATTENDIBILITA (affidabilità, fedeltà) Grado di accordo tra diversi tentativi di misurare uno stesso
Dettaglihttp://corsi.unica.it/economiaegestioneaziendale/
di laurea in Economia e Gestione Aziendale Classe L-18 - Scienze dell economia e della gestione aziendale Test di accesso: : settembre 2015 - N studenti: accesso libero Durata e attività Il di laurea in
DettagliPotenzialità delle estrazioni di dati dagli archivi amministrativi
SPAZIO COMPORTAMENTI CONFRONTI INDIVIDUALI E RELAZIONI SOCIALI IN TRASFORMAZIONE UNA SFIDA PER LA STATISTICA UFFICIALE Potenzialità delle estrazioni di dati dagli archivi amministrativi Collezione campionaria
DettagliLa presentazione di progetti a consuntivo nel meccanismo dei certificati bianchi. Walter Grattieri
La presentazione di progetti a consuntivo nel meccanismo dei certificati bianchi Walter Grattieri 1 I «Certificati Bianchi» (D.M. 20.7.2004) Incentivano i progetti di efficienza energetica negli usi finali
DettagliScenari di emissione SRES (Special Report on Emission Scenarios) e proiezioni globali
Scenari di emissione SRES (Special Report on Emission Scenarios) e proiezioni globali Informazioni e grafici tratte dal IV rapporto IPCC (Intergovernmental Panel on Climate Change): Climate Change 2007:
DettagliCorso di Statistica. Corso di Laurea in Ingegneria Edile. Ingegneria Tessile. Docente: Orietta Nicolis
Corso di Statistica Corso di Laurea in Ingegneria Edile ed Ingegneria Tessile Docente: Orietta Nicolis Orario del corso: Martedì: dalle 16.00 alle 18.00 Giovedì: dalle 9.30 alle 11.30 Ricevimento: Mercoledì:
DettagliCluster Analysis. La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. per modellare!
La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. Le tecniche di cluster analysis vengono usate per esplorare i dati e non per modellare! La cluster analysis
Dettagli7. Si confronti la variabilità del carattere età nel gruppo dei maschi ed in quello delle femmine.
Esercizio n. 1 Da un collettivo di 20 individui si è rilevata la seguente distribuzione univariata multipla relativa ai caratteri età, sesso, numero di automobili possedute: unità età sesso n.auto 1 35
DettagliMATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A
MATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A Nome e cognome Matricola I Parte OBBLIGATORIA (quesiti preliminari: 1 punto ciascuno). Riportare le soluzioni su questo foglio, mostrando i
DettagliTEORIA RELAZIONALE: INTRODUZIONE
TEORIA RELAZIONALE: INTRODUZIONE Tre metodi per produrre uno schema relazionale: a) Partire da un buon schema a oggetti e tradurlo b) Costruire direttamente le relazioni e poi correggere quelle che presentano
Dettaglierrore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento
Analisi della varianza a una via a misure ripetute (Anova con 1 fattore within) modello strutturale dell'analisi della varianza a misure ripetute con 1 fattore: y = μ ik 0 +π i +α k + ik ε ik interazione
DettagliLa fisica e la misura
La fisica e la misura La fisica è una scienza fondamentale che ha per oggetto la comprensione dei fenomeni naturali che accadono nel nostro universo. È basata su osservazioni sperimentali e misure quantitative
DettagliProbabilità II Variabili casuali discrete
Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una
DettagliSTUDIO DI SETTORE VK10U
ALLEGATO 2 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VK10U STUDI MEDICI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce ai contribuenti un compenso
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliCORSO DI MACROECONOMETRIA. Oggetto del corso, testo e orari di ricevimento. Programma. Facoltà di Economia. prof. Mario Forni
prof. Mario Forni 1 2 Oggetto del corso, testo e orari di ricevimento Programma Analisi statistica delle serie temporali Applicazioni economiche (previsione, scomposizione ciclo-trend) Ma le applicazioni
DettagliEconometria for dummies
Econometria for dummies Sergio Polini 24 giugno 2010 Indice 1 Introduzione 1 1.1 Articolazione.................................. 2 1.2 Notazione.................................... 2 I Dati cross-section
DettagliSTATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia
STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica
DettagliGrafico 1: LAUREATI E DIPLOMATI ANNO 2001 PER ETA' E SESSO 16.117 13.482 < = 22 23 24 25 26 27 28 29 > = 30
Il presente documento fornisce un'analisi grafica dei laureati nel corso dell'anno solare 21 secondo l'età alla laurea. Dati più dettagliati possono essere consultati sul sito dell'ufficio di statistica
DettagliEconomia del Lavoro 2010
Economia del Lavoro 2010 Capitolo 6-1 Il capitale umano - Introduzione -L istruzione nel mercato del lavoro: alcuni fatti stilizzati 1 Introduzione Ognuno di noi porta nel mercato del lavoro abilità innate
DettagliBASI DI DATI. basi di dati - introduzione ai sistemi informativi 1
BASI DI DATI basi di dati - introduzione ai sistemi informativi 1 Sistema Informativo Insieme degli strumenti, risorse e procedure che consentono la gestione delle informazioni aziendali e' essenziale
Dettagli