Pls- Path Modeling: teoria e applicazioni
|
|
- Giorgio Pace
- 6 anni fa
- Visualizzazioni
Transcript
1 Pls- Path Modeling: teoria e applicazioni Metodi statistici per la Valutazione Prof.ssa Simona Balbi Dipartimento di Scienze Economiche e Statistiche Università di Napoli Federico II E- mail: maria.spano@unina.it 1
2 I Modelli ad Equazioni Strutturali (SEM) I Modelli ad Equazioni Strutturali SEM (Bollen,1989; Kaplan, 2000) si propongono di misurare le relazioni di causalità che esistono tra concetti, intesi come variabili non direttamente osservabili, a partire da un insieme di indicatori osservati, detti variabili manifeste. Il termine SEM è da riferirsi a una famiglia molto vasta di metodi statistici che condividono l obiettivo di analizzare le relazioni di causa- effetto fra concetti, detti variabili latenti. I parametri di ogni Modello ad Equazioni Strutturali possono essere stimati seguendo due diversi approcci: l approccio basato sulla covarianza tra le variabili manifeste, i cosiddetti covariance- based methods l approccio basato sulla ricerca di particolari componenti latenti, i cosiddetti component- based methods 2
3 Tecniche di stima nei SEM Metodi Covariance- based SEM Metodi Component- based Mirano a riprodurre la matrice di varianza/covarianza delle variabili manifeste osservata, attraverso i parametri del modello Si tratta soprattutto di un approccio di tipo confermativo Mirano a stimare i valori delle variabili latenti in modo tale che esse siano le più correlate tra loro e le più rappresentative di ogni corrispondente blocco di variabili manifeste. Si tratta soprattutto di un approccio di tipo esplorativo 3
4 Il Pls- Path Modeling L approccio PLS (Partial Least Squares) ai Modelli ad Equazioni Strutturali, noto pure come PLS Path Modeling (PLS- PM) è stato proposto come una procedura di stima dei legami causali tra variabili latenti endogene ed esogene, alternativa all approccio covariance- based ai Modelli ad Equazioni Strutturali Il PLS- PM stima attraverso un sistema di equazioni interdipendenti basate sulla regressione semplice e multipla la rete di relazioni tra le variabili manifeste e le loro variabili latenti e tra le variabili latenti all interno del modello. Le tre proprietà più rilevanti dell approccio PLS- PM sono: ü indipendenza da assunzioni sulle distribuzioni e sulle scale di misura delle variabili ü possibilità di stimare i punteggi delle variabili latenti tenendo conto della struttura delle stesse e del sistema di misura ipotizzati ü assenza di problemi di identificabilità dei parametri e di soluzioni inammissibili. 4
5 Il Path Diagram Un modello di regressione multipla del tipo: y = β 1 x 1 + β 2 x 2 + e può essere rappresentato graficamente attraverso un Path Diagram: x 1 e y x 2 Il Path Diagram è una rappresentazione grafica delle relazioni esistenti tra le variabili sotto esame 5
6 I due modelli (di misura e di struttura) Modello strutturale (o interno) Modello di misura (o esterno) 6
7 Il modello di misura (o esterno) Indicatori riflessivi Costrutto latente Indicatori formativi Costrutto emergente x 1 x 1 x 2 x 3 x 2 x 3 Ogni variabile latente genera le corrispondenti variabili manifeste e può essere considerata la prima componente principale del proprio blocco di variabili manifeste sotto il vincolo di spiegare al meglio le relazioni tra le variabili latenti adiacenti. Ogni variabile latente è il miglior predittore delle sue variabili manifeste sotto il vincolo di spiegare al meglio le relazioni tra le variabili latenti adiacenti. 7
8 Esempio: Riflessivo vs. Formativo Gli arredi nelle camere sono belli I servizi ricreativi dell'hotel sono adeguati Le camere sono pulite Tenendo conto di tutto, sono soddisfatto di quest hotel Apprezzo questo hotel Il personale dell hotel è amichevole Soddisfazione L hotel è conveniente Le camere sono silenziose Non vedo l'ora di soggiornare una notte in questo hotel Sono a mio agio in quest hotel Il servizio dell hotel è buono La cucina dell hotel è buona
9 Differenze tra l approccio di misura riflessivo e formativo Gli indicatori riflessivi sono essenzialmente intercambiabili (la rimozione di un item non cambia la natura del concetto sottostante), omettere un indicatore nel modello di misura formativo vuol dire omettere una parte del concetto Dominio del costrutto L approccio di misura formativo si concentra sul minimizzare la sovrapposizione tra indicatori complementari Dominio del costrutto L approccio di misura riflessivo si concentra sul massimizzare la sovrapposizione tra gli indicatori
10 Indicatori riflessivi: stima dei loadings x pq = λ pq ξ q + ε q Modo A λ 1q ξ q x 1q λ 2q λ 3q Loading x 2q x 3q I pesi fattoriali λ pq sono i coefficienti di una regressione semplice OLS di ogni variabile manifesta del blocco sulla corrispondente variabile latente Un modello di misura di tipo riflessivo assume che ogni blocco di variabili manifeste sia unidimensionale, in altre parole che un solo concetto latente si rifletta in più indicatori. La coerenza interna del blocco va verificata!!! 10
11 Verificare l unidimensionalità del blocco La coerenza interna di un blocco di variabili manifeste può essere verificata attraverso tre indici: Sulla base dei risultati di un Analisi in Componenti Principali: Un solo autovalore > 1, o almeno molto più grande degli altri Utilizzando l alpha di Cronbach Utilizzando il rho di Dillon- Goldstein Il blocco è unidimensionale se entrambi gli indici sono almeno uguali a 0,7 Come risolvere il problema se il blocco non è unidimensionale? Rimuovere le variabili manifeste che rendono il blocco non unidimensionale Dividere il blocco multidimensionale in sotto- blocchi unidimensionali Cambiare il tipo di modello di misura passando al formativo 11
12 Indicatori formativi: stima dei weights ' w q = ( X q X) 1 X q' ξ q Modo B Weights I pesi esterni w pq sono i coefficienti di una regressione multipla OLS di ogni variabile latente sul corrispondente blocco di variabili manifeste x 1q w 1q w 2q x 2q ξ q w 3q x 3q Come risolvere il problema le variabili manifeste sono molto correlate fra loro? Utilizzare i loadings al posto dei weights Utilizzare i coefficienti di una regressione PLS ξ q = p q p=1 w pq x pq + δ q Le variabili latenti sono ottenute come combinazione lineare delle variabili manifeste. Si noti che i pesi devono avere tutti lo stesso segno 12
13 Il modello strutturale (o interno) Il modello strutturale descrive le relazioni di causalità tra le variabili latenti. Per ogni variabile latente endogena nel modello, l equazione del modello strutturale sarà la seguente: ξ j = R r=1 β rj ξ r +ζ j dove: - β rj è il path coefficient che lega l r- esima variabilie latente esogena alla j- esima variabile latente endogena - R è il numero di variabili latenti esogene che impattano sulla generica variabile latente endogena ξ j 13
14 L algoritmo del PLS- PM Il PLS- PM è una procedura iterativa che consente di stimare i pesi esterni, interni ed i valori delle variabili latenti La procedura di stima è detta parziale perché risolve i blocchi di variabili uno alla volta, attraverso l alternanza di regressioni lineari semplici e multiple Le stime dei valori delle variabili latenti si ottengono attraverso l alternanza di stime interne ed esterne iterate fino alla convergenza I path coefficients derivano da una tradizionale regressione tra i valori stimati delle variabili latenti 14
15 Gli step dell algoritmo PLS- PM Scelta di un sistema di pesi arbitrario w q (es. 1,0,0.,0) Stima esterna di ogni variabile latente v q ± X q w q Stima interna di ogni variabile latente z q Σe qq v q Scelta del metodo per il calcolo dei pesi interni: - Centroide: segno delle correlazioni - Fattoriale: correlazioni - Path weighting scheme: coef. di regressione multipla o correlazione Aggiornare il sistema dei pesi esterni w q secondo lo schema A,B o MIMIC Iterare la procedura fino al raggiungimento della convergenza sui pesi esterni 15
16 Stima Esterna delle variabili latenti Nel modello esterno del PLS- PM, le variabili latenti si ottengono dall aggregazione ponderata dei rispettivi indicatori: v q ± X q w q Parallelamente a quanto detto per le variabili manifeste nel metodo riflessivo e formativo, anche i pesi esterni w q si stimano a seconda del modello seguito, riflessivo o formativo, in due modi: Modo A w pq = cor(x pq, z q ) Ogni peso equivale al coefficiente OLS di una regressione semplice di ogni variabile manifesta sulla corrispondente variabile latente Modo B ' w q = ( X q X q ) 1 X ' q z q vettore dei coefficienti di una regressione multipla OLS di ogni variabile latente sulle proprie variabili manifeste 16
17 Stima Interna delle variabili latenti Nel modello interno del PLS, le variabili latenti sono degli aggregati pesati delle variabili latenti adiacenti: z q Σe qq v q Schema del Centroide e qq = sign[cor(v q,v q )] Schema Fattoriale e qq = r qq =cor(v q,v q ) Non c è differenza tra variabili latenti endogene ed esogene Schema Strutturale e mj coefficiente di regressione semplice/multipla di v j su v m se ξ j è una variabile endogena e mj =r mj se ξ m è una variabile che impatta su ξ j 17
18 Indici di bontà del modello Il PLS Path- Modeling manca di una funzione globale da ottimizzare per determinare la bontà del modello. Esistono tre indici di adattamento, per valutare il livello di qualità e di significatività della parte di misura, di quella strutturale e del modello nel suo complesso: L indice di Comunalità misura la bontà del modello di misura L R 2 di ogni relazione strutturale misura la capacità predittiva del modello interno L indice di Ridondanza misura la bontà del modello interno Il Goodness of Fit index (GoF) è un indice di bontà globale del modello 18
19 Indice di Comunalità L indice di comunalità misura quanta parte della variabilità della variabile manifesta nel blocco è spiegata dalla propria variabile latente Quest indice è definito, per un blocco q, come: comunalità q = 1 p q cor 2 x pq,ξ q p q p=1 ( ) La comunalità media è la media di tutte le correlazioni al quadrato tra ogni variabile manifesta e la corrispondente variabile latente nel modello: comunalità = 1 q q j=1 comunalità j 19
20 Indice di Ridondanza La ridondanza misura la qualità del modello strutturale per ogni blocco di variabili endogene tenendo in considerazione il modello di misura. Tale misura esprime il potere dei costrutti latenti esogeni nella predizione delle variabili dipendenti osservate. In termini formali è esprimibile, per un blocco di variabili endogene j, come: ridondanza j = comunalità j R 2 ( ξ j,ξ m che spiegano ξ j ) Per misurare la qualità globale del modello strutturale, si calcola la ridondanza media per tutti i blocchi di variabili latenti endogene: ridondanza = 1 J J j=1 ridondanza j 20
21 Goodness of Fit index GoF L indice GoF rappresenta una soluzione operativa al problema di misurare globalmente la bontà di adattamento del modello, tenendo conto sia della parte esterna che di quella interna Si tratta sostanzialmente della media geometrica della comunalità media e dell R 2 medio. In termini formali è definito come segue: GoF = comunalità R 2 R 2 Dove è pari a: R 2 = 1 J R2 ( ξ j,ξ m che spiegano ξ j ) 21
22 Un approccio PLS- PM è ottimale se produce: ü alti R 2 : per spiegare la proporzione di varianza di un costrutto non osservabile direttamente dal suo dipendere linearmente da un altro, invece, indipendente ü T- test value significativi: per selezionare i parametri e i coefficienti utili a identificare dove siano le relazioni più forti tra i costrutti latenti e tra questi e le rispettive variabili manifeste ü Validità monofattoriale: è auspicabile che ciascuna variabile manifesta sia legata in maniera significativamente più forte alla variabile latente che intende misurare, rispetto alla correlazione con le altre variabili latenti ü Validità Convergente o AVE (Average Variance Extracted): per misurare la percentuale di varianza spiegata da ciascun fattore osservato, rispetto alla varianza totale nella misurazione del modello. Si possono accettare modelli con AVE>0,5 ü Validità Discriminante: la validità discriminante si riferisce alla capacità delle variabili latenti di misurare concetti diversi seppur correlate tra di loro. Si sottopone a test la correlazione tra due variabili latenti: H 0 : cor(ξ i, ξ j )=1 La correlazione deve essere inferiore ad 1. H 0 si rifiuta se AVE i e AVE j >cor 2 (ξ i, ξ j ) 22
23 Riferimenti bibliografici Bollen, K.A. (1989). Structural Equations with Latent Variables, New York: John Wiley & Sons, Inc. Corbetta, P. (2005). Metodi di analii multivariata per le scienze sociali, il Mulino, Bologna. Kaplan, D. (2000). Structural Equation Modeling: Foundations and Extensions. Sage, Newbury Park, CA. Lohmöller, J.B.(1989) Latent variable path modeling with partial least squares, Physica- Verlag, Heidelberg. Tenenhaus, M., Esposito Vinzi, V., Chatelin, Y., Lauro, N.C. (2005). PLS path modeling. Computational Statistics and Data Analysis, 48, Tenenhaus, M., Hanafi M. (2007) A bridge between PLS path modelling and multi- block data analysis, in: Handbook of Partial Least Squares (PLS): Concepts, methods and applications, (V. Esposito Vinzi, J. Henseler, w. Chin, H. Wang, Eds), Volume II in the series of the Handbooks of Computational Statistics, Springer. Wold, H. (1973). "Non linear Iterative Partial Least Squares (NIPALS) Modeling: Some Current Developments", in P.R. Krishnaiah [ed.]. Multivariate Analysis II, Proceedings of an International Symposium on Multivariate Analysis held at Wright State University, Dayton, Ohio, June 19-24, 1972, New York: Academic Press, pp Wold, H. (1981).The Fix- Point Approach to Interdependent Systems: Review and Current Outlook, in: H. Wold (ed.), The Fix- Point Approach to Interdependent Systems, North- Holland, Amsterdam. Wold, H. (1982). Soft modeling. The basic design and some extensions, in: Vol.II of Jöreskog- Wold (eds.), Systems under indirect observation, North- Holland, Amsterdam. Wold, H. (1985) Partial Least Squares, in: Vol.6 of S. Kotz & N.L. Johnson (eds.), Encyclopedia of Statistical Sciences, John Wiley & Sons, New York,
UNIVERSITÀ CATTOLICA DEL SACRO CUORE. Giuseppe Boari - Gabriele Cantaluppi
UNIVERSITÀ CATTOLICA DEL SACRO CUORE ISTITUTO DI STATISTICA Giuseppe Boari - Gabriele Cantaluppi Reperimento di modelli ad equazioni strutturali parsimoniosi con il programma PLS-VB Serie E.P. N. 115 -
DettagliPsicometria. 9-Analisi fattoriale confermativa vers. 1.0
Psicometria 9-Analisi fattoriale confermativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it Giovanni Battista Flebus 1 giovannibattista.flebus@unimib.it 1 Dipartimento di Psicologia, Università di
DettagliStatistica multivariata 27/09/2016. D.Rodi, 2016
Statistica multivariata 27/09/2016 Metodi Statistici Statistica Descrittiva Studio di uno o più fenomeni osservati sull INTERA popolazione di interesse (rilevazione esaustiva) Descrizione delle caratteristiche
DettagliMetodi per la riduzione della dimensionalità. Strumenti quantitativi per la gestione
Metodi per la riduzione della dimensionalità Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/6c_pca.html#(1) 1/25 Introduzione Gli approcci
DettagliMETODI E TECNICHE DELLA RICERCA IN PSICOLOGIA CLINICA E LABORATORIO MEDIAZIONE
METODI E TECNICHE DELLA RICERCA IN PSICOLOGIA CLINICA E LABORATORIO AA 2016/2017 PROF. V.P. SENESE http://psiclab.altervista.org/mettecpsicclinica2016/2016_2017.html https://goo.gl/iuaiqx Seconda Università
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
DettagliImage. Complaints UTILIZZO DEL PACCHETTO PLSPM IN R
UTILIZZO DEL PACCHETTO PLSPM IN R Il modello che ci si propone di stimare è il modello ECSI per la misurazione della customer satisfaction di una azienda telefonica. Il modello lo si riporta di seguito:
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)
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
DettagliAnalisi delle corrispondenze
Analisi delle corrispondenze Obiettivo: analisi delle relazioni tra le modalità di due (o più) caratteri qualitativi Individuazione della struttura dell associazione interna a una tabella di contingenza
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliMetodologie Quantitative. Analisi Fattoriale
Metodologie Quantitative Analisi Fattoriale La soluzione fattoriale ed il modello ACP M Q Marco Perugini Milano-Bicocca 1 Correlazioni e Varianze Ricordate che la correlazione (al quadrato) indica la varianza
DettagliStatistica multivariata Donata Rodi 08/11/2016
Statistica multivariata Donata Rodi 08/11/2016 MANOVA: Multivariate Analysis of Variance Due o più variabili dipendenti quantitative Una o più variabili indipendenti categoriali (con più livelli) Residui
DettagliDifferenze tra metodi di estrazione
Lezione 11 Argomenti della lezione: L analisi fattoriale: il processo di estrazione dei fattori Metodi di estrazione dei fattori Metodi per stabilire il numero di fattori Metodi di Estrazione dei Fattori
DettagliAnalisi Fattoriale Concetti introduttivi Marcello Gallucci Milano-Bicocca
Analisi Fattoriale Concetti introduttivi A M D Marcello Gallucci Milano-Bicocca Scopi generali L Analisi Fattoriale (e varianti) si propone di estrarre un numero limitato di fattori (variabili latenti
DettagliAnalisi delle corrispondenze
Capitolo 11 Analisi delle corrispondenze L obiettivo dell analisi delle corrispondenze, i cui primi sviluppi risalgono alla metà degli anni 60 in Francia ad opera di JP Benzécri e la sua equipe, è quello
Dettaglilezione 7 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove siamo arrivati? - se siamo interessati a studiare l andamento congiunto di due fenomeni economici - possiamo provare a misurare i due fenomeni e poi usare la lineare semplice
DettagliMetodi di regressione multivariata
Metodi di regressione multivariata Modellamento dei dati per risposte quantitative I metodi di regressione multivariata sono strumenti utilizzati per ricercare relazioni funzionali quantitative tra un
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
DettagliTeoria e tecniche dei test LA VALIDITA 10/12/2013. a) SIGNIFICATIVITA TEORICA E OSSERVATIVA DI UN COSTRUTTO. Lezione 6 seconda parte LA VALIDITA
Teoria e tecniche dei test Lezione 6 seconda parte LA VALIDITA LA VALIDITA Rappresenta il grado in cui uno strumento misura effettivamente ciò che dovrebbe misurare. La validità generale di un costrutto
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 5. La correlazione lineare Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014 Sommario 1 Tipi di relazione
Dettagli6. ANALISI FATTORIALE
6. ANALISI FATTORIALE 6.1 Introduzione L analisi fattoriale (AF) si è sviluppata nell ambito della ricerca sulla misura di capacità attitudinali all inizio del 1900. Spearman effettua molti test su campioni
DettagliStatistica multivariata Donata Rodi 17/10/2016
Statistica multivariata Donata Rodi 17/10/2016 Quale analisi? Variabile Dipendente Categoriale Continua Variabile Indipendente Categoriale Chi Quadro ANOVA Continua Regressione Logistica Regressione Lineare
Dettaglix, y rappresenta la coppia di valori relativa La rappresentazione nel piano cartesiano dei punti ( x, y ),( x, y ),...,( x, y )
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezioni di statistica del 5 e 8 aprile 03 - di Massimo Cristallo - A. Le relazioni tra i fenomeni
DettagliSommario. Capitolo 1 I dati e la statistica 1. Capitolo 2 Statistica descrittiva: tabelle e rappresentazioni grafiche 25
Sommario Presentazione dell edizione italiana Prefazione xv xiii Capitolo 1 I dati e la statistica 1 Statistica in pratica: BusinessWeek 1 1.1 Le applicazioni in ambito aziendale ed economico 3 Contabilità
DettagliUniversità degli Studi di Trento
Università degli Studi di Trento Dottorato di Ricerca in Statistica Metodologica XIII ciclo Anno accademico 1999/2000 TESI DI DOTTORATO Modelli con variabili latenti e indicatori di tipo misto Dottorando:
DettagliStatistica multivariata Donata Rodi 21/11/2016
Statistica multivariata Donata Rodi 21/11/2016 PCA Tecnica di riduzione delle dimensioni che descrive la struttura multivariata dei dati per analisi descrittive e inferenziali Descrive la variazione di
DettagliBologna 15 settembre. Spazializzazione dati meteo
P.I.C. INTERREG III METODI, STRUMENTI ED INDICATORI PER LA DEFINIZIONE DELLE VARIABILI CLIMATICHE Tavolo di confronto BOLOGNA 15 Settembre 2004 Bologna 15 settembre Spazializzazione dati meteo Alfonso
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
DettagliUn approccio multivariato per valutare il benessere a livello territoriale
C r e s c i t a E c o n o m i c a e B e n e s s e r e E q u o e S o s t e n i b i l e S f i d a e o p p o r t u n i t à M a c e r a t a, 1 7 m a g g i o 2 0 1 7 Un approccio multivariato per valutare il
DettagliTECNICHE DI POSIZIONAMENTO
TECNICHE DI POSIZIONAMENTO Discriminant analysis: definizione di n (generalmente 2) funzioni lineari discriminanti, basate su valutazioni quantitative di attributi, utilizzate per posizionare oggetti (marche,
DettagliMatrici di Raven (PM47)
Matrici di Raven (PM47) Matrici di Raven (PM47) Matrici di Raven (PM47) Matrici di Raven (PM38) TRA I TEST DI TIPICA PERFORMANCE Test proiettivi Test self-report di personalità Questionari psichiatrici
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
DettagliPROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA
PROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA PROCEDURA/TECNICA DI ANALISI DEI DATI SPECIFICAMENTE DESTINATA A STUDIARE LA RELAZIONE TRA UNA VARIABILE NOMINALE (ASSUNTA
DettagliAnalisi in Componenti Principali
Analisi in Componenti Principali 1/20 Analisi in Componenti Principali tecnica di riduzione e interpretazione dei dati spesso gioca un ruolo ausiliario rispetto ad altre tecniche (es. analisi fattoriale,
DettagliANALISI DEI DATI PER IL MARKETING 2014
ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it ANALISI DELLE CORRISPONDENZE (cap. VII) Problema della riduzione delle dimensioni L ANALISI DELLE COMPONENTI PRINCIPALI
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:
DettagliCorso di Statistica Industriale
Corso di Statistica Industriale Corsi di Laurea Specialistica in Ingegneria Gestionale e Ingegneria Meccanica Docente: Ilia Negri Orario del corso: Martedì: dalle 14.00 alle 16.00 Venerdì: dalle 10.30
DettagliAnalisi dei Fattori. Francesca Marta Lilja Di Lascio Dip.to di Scienze Statistiche P. Fortunati Università di Bologna
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi dei Fattori Francesca Marta Lilja
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
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni di
DettagliANALISI DELLE CORRISPONDENZE MULTIPLE (ACM)
ANALISI DELLE CORRISPONDENZE MULTIPLE (ACM) Questa procedura è stata introdotta negli anni 70, ad opera della scuola francese di analisi dei dati (Benzecri). Inizialmente fu proposta per analizzare tabelle
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
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
Dettaglilezione 9 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Dove siamo arrivati? - la regressione lineare multipla ci permette di stimare l effetto della variabile X sulla Y tenendo ferme tutte le altre variabili osservabili che hanno
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
DettagliL A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010
L A B C di R 0 20 40 60 80 100 2 3 4 5 6 7 8 Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 La scelta del test statistico giusto La scelta della analisi
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
DettagliANALISI MULTIDIMENSIONALE DEI DATI (AMD)
ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Analisi Multidimensionale dei Dati (AMD) è una famiglia di tecniche il cui obiettivo principale è la visualizzazione, la classificazione e l interpretazione della
DettagliStima dei parametri di modelli lineari
Stima dei parametri di modelli lineari Indice Introduzione................................ 1 Il caso studio................................ 2 Stima dei parametri............................ 3 Bontà delle
DettagliCorso di Laurea in Amministrazione Aziendale Complex Learning. Statistica per l azienda (T) SECS-S/01 a. a. 2017/2018
Corso di Laurea in Amministrazione Aziendale Complex Learning Statistica l azienda (T) SECS-S/01 a. a. 2017/2018 DOCENTI TITOLARI : Prof. Nicoletta Melis ORE DI LEZIONE ON LINE : 18 ore : 6 3 TIPOLOGIE
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
DettagliArgomenti della lezione:
Lezione 13 L analisi della Varianza (ANOVA): il modello lineare Argomenti della lezione: Modello lineare Disegni a una via L Analisi della Varianza (ANOVA): Esamina differenze tra le medie di due o più
DettagliRegressione Lineare Semplice e Correlazione
Regressione Lineare Semplice e Correlazione 1 Introduzione La Regressione è una tecnica di analisi della relazione tra due variabili quantitative Questa tecnica è utilizzata per calcolare il valore (y)
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
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
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
DettagliRegressione. Monica Marabelli. 15 Gennaio 2016
Regressione Monica Marabelli 15 Gennaio 2016 La regressione L analisi di regressione é una tecnica statistica che serve a studiare la relazione tra variabili. In particolare, nel modello di regressione
DettagliR - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
DettagliRegressione lineare multipla
Regressione lineare multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Aprile 2014 Rossi Regressione lineare Econometria - 2014 1 / 31 Outline 1 La distorsione da variabili omesse 2 Causalità 3 Misure
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
DettagliStatistica a lungo termine: calcolo dell onda di progetto
Esercitazione Statistica a lungo termine: calcolo dell onda di progetto Sulla base delle misure ondametriche effettuate dalla boa di Ponza si calcoli, utilizzando la distribuzione di probabilità di Gumbel,
DettagliData Mining. Prova parziale del 20 aprile 2017: SOLUZIONE
Università degli Studi di Padova Corso di Laurea Magistrale in Informatica a.a. 2016/2017 Data Mining Docente: Annamaria Guolo Prova parziale del 20 aprile 2017: SOLUZIONE ISTRUZIONI: La durata della prova
DettagliMETODI DI QUANTIFICAZIONE PER LE VARIABILI QUALITATIVE ORDINALI
Statistica Applicata Vol. 20, n. 1, 2008 61 METODI DI QUANTIFICAZIONE PER LE VARIABILI QUALITATIVE ORDINALI Daniela Nappo, M.G. Grassia Dipartimento di Matematica e Statistica, Università Federico II di
DettagliRegressione Lineare Multipla
Regressione Lineare Multipla Fabio Ruini Abstract La regressione ha come scopo principale la previsione: si mira, cioè, alla costruzione di un modello attraverso cui prevedere i valori di una variabile
DettagliStatistica economica
Statistica economica a.a. 013/14 Dr. Luca Secondi 10.a. Output tipico di un modello di regressione lineare multipla 1 Le analisi basate sul modello di regressione prevedono la stima dei coefficienti associati
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
DettagliUniversità di Bologna Facoltà di Scienze statistiche LISREL. (Alessandro Lubisco)
Università di Bologna Facoltà di Scienze statistiche LISREL (Alessandro Lubisco) INDICE Indice... i Modelli di equazioni strutturali... 1 Premessa... 1 Cenni storici... 2 La Path Analysis... 3 Il path
DettagliIntroduzione all Analisi della Varianza (ANOVA)
Introduzione all Analisi della Varianza (ANOVA) AMD Marcello Gallucci marcello.gallucci@unimib.it Variabili nella Regressione Nella regressione, la viariabile dipendente è sempre quantitativa e, per quello
DettagliRICHIAMI DI STATISTICA DESCRITTIVA E DI INFERENZA: LA VERIFICA DI IPOTESI: TEST BASATI SU UN CAMPIONE
RICHIAMI DI STATISTICA DESCRITTIVA E DI INFERENZA: LA VERIFICA DI IPOTESI: TEST BASATI SU UN CAMPIONE 1 La verifica di ipotesi Finora abbiamo visto come si utilizza una statistica campionaria per stimare
DettagliPrincipi di analisi causale Lezione 3
Anno accademico 2007/08 Principi di analisi causale Lezione 3 Docente: prof. Maurizio Pisati Approccio causale Nella maggior parte dei casi i ricercatori sociali utilizzano la regressione per stimare l
DettagliLa regressione lineare. Rappresentazione analitica delle distribuzioni
La regressione lineare Rappresentazione analitica delle distribuzioni Richiamiamo il concetto di dipendenza tra le distribuzioni di due caratteri X e Y. Ricordiamo che abbiamo definito dipendenza perfetta
DettagliLezioni di Statistica del 15 e 18 aprile Docente: Massimo Cristallo
UIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECOOMIA Corso di laurea in Economia Aziendale anno accademico 2012/2013 Lezioni di Statistica del 15 e 18 aprile 2013 Docente: Massimo Cristallo LA RELAZIOE
DettagliRENATO LEONI. Esempi numerici riguardanti l'analisi della correlazione canonica
RENATO LEONI Esempi numerici riguardanti l'analisi della correlazione canonica UNIVERSITÀ DI FIRENZE DIPARTIMENTO DI STATISTICA "G. PARENTI" FIRENZE, 27 Questo lavoro è destinato a un uso personale e ne
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 / 35 Il modello di regressione
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
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
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 calcolo del VAR operativo mediante la metodologia stocastica parametrica. Simona Cosma
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica Simona Cosma Contenuti Il VAR operativo: inquadramento concettuale La metodologia attuariale EVT (Extreme Value Theory) Il VAR
DettagliIl Modello ACSI. American Customer Satisfaction Index
Il Modello ACSI American Customer Satisfaction Index Cos è la customer satisfaction La Satisfaction deriva dal confronto fra l atteso e il percepito La soddisfazione relativa ad una specifica transazione
DettagliCase study. viene espressa in unità µmol per ora per grammo di peso secco.
Vengono studiate due specie diverse (ma dello stesso genere) di piante di interesse agronomico. In particolare, i ricercatori vogliono misurare la capacità dell'apparato radicale di tali piante di assorbire
DettagliAnalisi Multivariata dei Dati. Regressione Multipla
Analisi Multivariata dei Dati Regressione Multipla A M D Marcello Gallucci Milano-Bicocca Lezione: III Effetti multipli Consideriamo ora il caso in cui la variabile dipendente possa essere spiegata da
DettagliAnalisi in componenti principali
Capitolo 2 Analisi in componenti principali 2.1 Introduzione L analisi in componenti principali è una tecnica di analisi multivariata tra le più diffuse. Viene utilizzata quando nel dataset osservato sono
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
DettagliStatistical Process Control
Statistical Process Control ESERCIZI II Esercizio 1. Una ditta che produce schermi a cristalli liquidi deve tenere in controllo il numero di pixel non funzionanti. Vengono ispezionati venti schermi alla
DettagliMulticollinearità. Strumenti quantitativi per la gestione
Multicollinearità Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/3c_mc.html#(1) 1/13 Quando non tutto va come dovrebbe Si parla di multi-collinearità
DettagliStatistica multivariata
Parte 3 : Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Analisi multivariata Cercare di capire
DettagliBibliografia. R. Albanese, "Metodi numerici per l'analisi elettromagnetica
a. V. Comincioli: Analisi Numerica: Metodi, Modelli, Applicazioni, McGraw-Hill Italia, Milano, 1990 b. S. R. H. Hoole: Computer Aided Design of Electromagnetic devices, Elsevier, 1989 c. R. Albanese, G.
DettagliStatistica Descrittiva Soluzioni 7. Interpolazione: minimi quadrati
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliPrefazione Ringraziamenti
Prefazione Ringraziamenti Autori Connect XIII XVII XIX XXI Capitolo 1 La misura dell anima 1 1.1 Misurare in psicologia 1 1.1.1 Peculiarità della misura in psicologia 2 1.1.2 L errore nella misura in psicologia
DettagliImputazione dati mancanti
Imputazione dati mancanti Una volta preparata la matrice dei dati, occorre controllare alcuni aspetti delle variabili disponibili. Missing Value Range Minimum & Maximum Extreme Values Per verificare la
Dettagliviii Indice generale
Indice generale 1 Introduzione al processo di ricerca 1 Sommario 1 Il processo di ricerca 3 Concetti e variabili 5 Scale di misura 8 Test di ipotesi 10 Evidenza empirica 10 Disegni di ricerca 11 Sintesi
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 8.4 Introduzione ai test psicologici Attendibilità di un test Rif. bibliografico: Boncori, L. (2006). I test in psicologia. Capitoli 4-5 Gianmarco Altoè Dipartimento di
DettagliLaboratorio di Statistica Aziendale Modello di regressione lineare semplice
Laboratorio di Statistica Aziendale Modello di regressione lineare semplice Dott.ssa Michela Pasetto michela.pasetto2@unibo.it Caricamento del dataset Il dataset SalesData si trova nella cartella condivisa
Dettagli3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI ESISTENZA DI UN PUNTO DI OTTIMO VINCOLATO Il problema di ottimizzazione vincolata introdotto nel paragrafo precedente può essere formulato nel modo seguente:
DettagliSommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
Dettagli