ESERCIZIO 1. Di seguito vengono presentati i risultati di un analisi fattoriale effettuata con il metodo di estrazione dei fattori principali (PAF).
|
|
- Fulvio Raimondi
- 6 anni fa
- Visualizzazioni
Transcript
1 ESERCIZIO. Di seguito vengono presentati i risultati di un analisi fattoriale effettuata con il metodo di estrazione dei fattori principali (PAF). Test KMO e di Bartlett Misura di adeguatezza campionaria KMO (Keiser Meyer Olkin)., Test di sfericità di Bartlett Chi-quadrato appross. df Sig. 80,462 90,000.a. Commentare i test KMO e di Bartlett indicando cosa valutano e quali risultati evidenziano in questo caso Varianza totale spiegata Autovalori iniziali Pesi dei fattori non ruotati Pesi dei fattori ruotati Totale % di varianza % cumulata Totale % di varianza % cumulata Totale % di varianza % cumulata,40,06,06 2,80 4,04 4,04,92 9,86 9,86 2,226, 28,4,622 8,08 22,42,60 8, 8,02,6 8,4 6,2,0,6 2,0,26 6,80 24,92,96 6,98 4,02,,6 0,960,0,8 29,,4,868 49,0, 2,64,24,829 4,4,24,26,629 4,999,98 4,888 9,886,88 4,40 64,29,82 4,0 68,98,6,88 2,26,42,09,986,2,604 9,89,68,406 82,996,6,6 86,,4 2,8 89,042,6 2,8 9,89,4 2,6 94,226,49 2,96 96,422,9,964 98,86,2,64 00,000 Metodo di estrazione: Fattorizzazione dell'asse principale..b. Quanti fattori verrebbero estratti applicando il criterio degli autovalori maggiori di (o regola di Kaiser-Guttman)?.c. Quale è la percentuale di varianza che viene complessivamente spiegata dalla soluzione di analisi fattoriale (PAF) a fattori e quale quella spiegata dalla soluzione in componenti principali considerando le prime componenti?
2 ESERCIZIO 2. Di seguito vengono presentati i risultati di una rotazione obliqua Oblimin. Matrice dei modelli Matrice di struttura BFAQ8 BFAQ2 BFAQ20 BFAQ BFAQ BFAQ BFAQ0 BFAQ9 BFAQ4 BFAQ BFAQ BFAQ2 BFAQ6 BFAQ BFAQ9 BFAQ BFAQ4 BFAQ6 BFAQ8 BFAQ 2,668,082,624 -,09,42 -,026,,009,4,,426,02,9 -,08,66 -,00,6 -,04,64 -,0,266,69,262 -,022,28 -,0,2 -,09,06,00 -,00,684 -,0, -,049,06,062,49 -,09,468 BFAQ8 BFAQ2 BFAQ20 BFAQ BFAQ BFAQ BFAQ0 BFAQ BFAQ9 BFAQ4 BFAQ2 BFAQ BFAQ6 BFAQ BFAQ9 BFAQ BFAQ4 BFAQ6 BFAQ BFAQ8 2,660,09,60 -,,4 -,0,6 -,09,462,09,42 -,028,8 -,0,4 -,8,2 -,04,6 -,048,264 -,04,20,44,228 -,2,26 -,08,0 -,00 -,0,68 -,064,2 -,096, -,,4,0,4 2.a A partire dalla matrice dei modelli (pattern matrix), individuare le variabili che caratterizzano maggiormente i 2 fattori: 2.b. Considerando sempre la matrice dei modelli (pattern matrix), individuare le variabili che sono meno rappresentate dalla soluzione fattoriale e spiegare perché: 2.c. Considerando la variabile BFAQ8, specificare quale è il coefficiente di regressione della variabile sul fattore 2 e quale è la correlazione tra la variabile e il fattore 2.
3 ESERCIZIO. Di seguito vengono presentati i risultati di un analisi fattoriale effettuata con il metodo di estrazione della Massima Verosimiglianza (ML) seguita da una rotazione Varimax. Varianza totale spiegata Autovalori iniziali Pesi dei fattori non ruotati Pesi dei fattori ruotati Totale % di varianza % cumulata Totale % di varianza % cumulata Totale % di varianza % cumulata 6,2 26,20 26,20 6,004 24,08 24,08,06 2,246 2,246 2,6 0,946, 2,28 8,8 2,889 2,48 9,92 22,,9,908 4,06,4,666 8, 2,06 8,426 0,9,9 6,,2,026 4,06 42,66,92,0 8,04,8 4,9,9,24 2,89 4,8,8,24 4,8,94,8 9,4,80,48 6,22,80,22 66,4,40 2,99 69,9,699 2,9 2,89,6 2,08 4,89,60 2,49,6,88 2, 9,66,66 2,26 8,92,2 2,00 8,98,0 2,00 8,98,49,94 8,96,4, 89,694,422,688 9,82,4,60 9,02,9,8 94,6,2,488 96,098,0,400 9,498,,20 98,68,08,22 00,000 Metodo di estrazione: Massima verosimiglianza..a. Quanti fattori verrebbero estratti applicando il criterio degli autovalori maggiori di?.b. Quale è la percentuale di varianza che viene complessivamente spiegata dalla soluzione di analisi fattoriale (ML) a fattori e quale quella spiegata dalla soluzione in componenti principali considerando le prime componenti?.c. Quale è la percentuale di varianza che viene spiegata prima e dopo la rotazione da ogni singolo fattore nella soluzione ML a fattori?
4 .d. Considerando il grafico degli autovalori relativo alla soluzione in Componenti Principali, quanti fattori potrebbero essere estratti applicando il criterio dello scree test e perché? Grafico decrescente degli autovalori Autovalore f. Commentare il risultato del test di Bontà dell adattamento relativo alla soluzione a fattori. Test di bontà di adattamento Chi-quadrato df Sig. 64,420 8,000
5 .g. Considerando la matrice delle Comunalità, individuare le variabili che sono peggio rappresentate dalla soluzione fattoriale, e le tre variabili che sono meglio rappresentata e spiegare perché. Comunalità ACUTO AFFIDABI ALLEGRO AUTENTIC CORDIALE COSTANTE CREATIVO DETERMIN DINAMICO EFFICIEN ENERGICO EQUILIBR GENEROSO INNOVATI INTRAPRE LEALE MODERNO ORIGINAL OTTIMIST RESPONSA SCRUPOLO SERENO SICURO SINCERO SOLIDO Iniziale Estrazione,2,9,68,88,42,4,0,44,42,04,422,42,4,,48,4,,64,46,498,9,628,420,48,6,48,2,6,42,40,88,40,,2,460,02,69,4,48,,,4,446,86,488,49,9,42,40,4
6 SOLUZIONI ESERCIZIO.a. Commentare i test KMO e di Bartlett indicando cosa valutano e quali risultati evidenziano in questo caso. Si tratta di due test che valutano la fattorializzabilità della matrice delle correlazioni R. Il test KMO risulta pari a. ed è pertanto accettabile. Il test di Bartlett risulta significativo, quindi è possibile rifiutare l ipotesi nulla che R sia una matrice identità..b. Quanti fattori verrebbero estratti applicando il criterio degli autovalori maggiori di (o regola di Kaiser-Guttman)? Bisogna considerare la colonna Totale nella parte Autovalori iniziali della tabella, che contiene gli autovalori della matrice completa R. Poiché i primi 6 autovalori sono maggiori di, applicando la regola di Kaiser-Guttman verrebbero estratti 6 fattori..c. Quale è la percentuale di varianza che viene complessivamente spiegata dalla soluzione di analisi fattoriale (PAF) a fattori e quale quella spiegata dalla soluzione in componenti principali considerando le prime componenti? La percentuale di varianza complessivamente spiegata dalla soluzione di analisi fattoriale a fattori è riportata nella colonna % cumulata nella parte Pesi dei fattori non ruotati ed è pari a 2.0. La percentuale di varianza complessivamente spiegata dalle prime tre componenti è riportata nella colonna % cumulata nella parte Autovalori iniziali ed è pari a 6.2. ESERCIZIO 2 2.a A partire dalla matrice dei modelli (pattern matrix), individuare le variabili che caratterizzano maggiormente i 2 fattori. Si tratta di individuare, per ogni fattore, gli item che saturano maggiormente il fattore di pertinenza, e che allo stesso tempo presentano una saturazione prossima allo zero nel fattore non pertinente. Per il primo fattore si tratta delle variabili BFAQ8, BFAQ2 e BFAQ20. Per il secondo fattore si tratta delle variabili BFAQ, BFAQ4 e BFAQ6. 2.b. Considerando sempre la matrice dei modelli (pattern matrix), individuare le variabili che sono meno rappresentate dalla soluzione fattoriale e spiegare perché: Bisogna individuare le variabili che presentano saturazioni basse (inferiori a.0 ) in entrambi i fattori. Si tratta delle variabili BFAQ, BFAQ2, BFAQ6, BFAQ e BFAQ9. 2.c. Considerando la variabile BFAQ8, specificare quale è il coefficiente di regressione della variabile sul fattore 2 e quale è la correlazione tra la variabile e il fattore 2. Il coefficiente di regressione è nella matrice dei modelli ed è pari a.49. Il coefficiente di correlazione è nella matrice di struttura ed è pari a.4.
7 ESERCIZIO.a. Quanti fattori verrebbero estratti applicando il criterio degli autovalori maggiori di? Bisogna considerare la colonna Totale nella parte Autovalori iniziali della tabella, che contiene gli autovalori della matrice completa R. Poiché i primi autovalori sono maggiori di, applicando la regola di Kaiser-Guttman verrebbero estratti fattori..b. Quale è la percentuale di varianza che viene complessivamente spiegata dalla soluzione di analisi fattoriale (ML) a fattori e quale quella spiegata dalla soluzione in componenti principali considerando le prime componenti? La percentuale di varianza complessivamente spiegata dalla soluzione di analisi fattoriale a fattori è riportata nella colonna % cumulata nella parte Pesi dei fattori non ruotati ed è pari a 4.8. La percentuale di varianza complessivamente spiegata dalle prime cinque componenti è riportata nella colonna % cumulata nella parte Autovalori iniziali ed è pari a.9..c. Quale è la percentuale di varianza che viene spiegata prima e dopo la rotazione da ogni singolo fattore nella soluzione ML a fattori? La percentuale di varianza spiegata da ciascuno dei fattori nella soluzione di analisi fattoriale non ruotata a fattori è riportata nella colonna % di varianza nella parte Pesi dei fattori non ruotati ed è pari a: 24.08% (fattore ), 8.8 (fattore 2),.666 (fattore ), 4.06 (fattore 4), 2.89 (fattore ). La percentuale di varianza spiegata da ciascuno dei fattori nella soluzione di analisi fattoriale ruotata a fattori è riportata nella colonna % di varianza nella parte Pesi dei fattori ruotati ed è pari a: 2.246% (fattore ), 9.92 (fattore 2), (fattore ),.0(fattore 4),..24 (fattore )..d. Considerando il grafico degli autovalori relativo alla soluzione in Componenti Principali, quanti fattori potrebbero essere estratti applicando il criterio dello scree test e perché? Poiché si può notare un sostanziale appiattimento della spezzata degli autovalori a partire dal fattore 6, è plausibile esaminare una soluzione ruotata a fattori..f. Commentare il risultato del test di Bontà dell adattamento relativo alla soluzione a fattori. Il test di bontà dell adattamento esamina l ipotesi nulla che la matrice delle correlazioni osservata e quella riprodotta tramite le saturazioni siano identiche. In questo esercizio il test risulta significativo quindi le due matrici sono statisticamente differenti..g. Considerando la matrice delle Comunalità, individuare le variabili che sono peggio rappresentate dalla soluzione fattoriale, e le tre variabili che sono meglio rappresentata e spiegare perché. Le variabili che sono peggio rappresentate dalla soluzione fattoriale sono quelle che presentano la proporzione di varianza spiegata dai fattori comuni (ovvero la comunalità) più bassa e sono: ACUTO, CORDIALE, MODERNO. Analogamente, le variabili che sono meglio rappresentate dalla soluzione fattoriale sono quelle che presentano la proporzione di varianza spiegata dai fattori comuni più alta e sono: INNOVATI, ENERGICO, DINAMICO.
Differenze 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
DettagliL analisi fattoriale viene effettuata per studiare, riassumere e semplificare le relazioni in un insieme di variabili
Analisi fattoriale L analisi fattoriale viene effettuata per studiare, riassumere e semplificare le relazioni in un insieme di variabili Ciò permette di individuare uno o più fattori o dimensioni latenti
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
DettagliP S I C O M T R I A Marcello Gallucci. Analisi Fattoriale. Esempi. Milano-Bicocca. Lezione: 20
Analisi Fattoriale Esempi P S I C O M T R I A Marcello Gallucci Milano-Bicocca Lezione: 20 Esempio Descrizione della ricerca Un ricercatore intende stabilire se una manipolazione sperimentale basata sulla
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
DettagliESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante.
ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante. Test di uguaglianza delle medie di gruppo SELF_EFF COLL_EFF COIN_LAV IMPEGNO SODDISF CAP_IST COLLEGHI Lambda di Wilks
DettagliESERCIZIO 1. Di seguito vengono riportati i risultati di un modello fattoriale di analisi della varianza con 3 fattori tra i soggetti.
ESERCIZIO. Di seguito vengono riportati i risultati di un modello fattoriale di analisi della varianza con fattori tra i soggetti. Variabile dipendente: PERF Sorgente Modello corretto Intercept SEX_96
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
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
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
DettagliAnalisi fattoriale. esplorativa vers. 1.0. Germano Rossi 1 germano.rossi@unimib.it. 1 Dipartimento di Psicologia, Università di Milano-Bicocca
Analisi fattoriale esplorativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2009 Rossi (Dip. Psicologia) Analisi fattoriale 2009 1 / 47 Prima
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
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2016-2017 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
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
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
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
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
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
DettagliLa valutazione del grado di soddisfazione del servizio scolastico: redazione ed elaborazione di un questionario-tipo *
Annali del Dipartimento di Scienze Statistiche Carlo Cecchi Università degli Studi di Bari Aldo Moro - Vol. X (2011): 227-240 Cleup, Padova - ISBN: 978-88-6129-833-0 La valutazione del grado di soddisfazione
DettagliLEZIONE 30 Ancora su ACP e AF Lavorare sui casi
Anno Accademico 2010/2011 Tecniche della Ricerca Sociale (SOC) dott. Ferruccio Biolcati Rinaldi LEZIONE 30 Ancora su ACP e AF Lavorare sui casi AVVISI L esame è fissato per venerdì 10 dicembre presso il
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
DettagliAnalisi Fattoriale con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi Fattoriale
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
DettagliLettura dei risultati e dei grafici ottenuti con l analisi in componenti principali. Giovanni Di Franco
Lettura dei risultati e dei grafici ottenuti con l analisi in componenti principali Giovanni Di Franco Esempio ACP 1 Dal file di dati ecologici con unità di analisi la provincia abbiamo scelto 12 variabili
DettagliLa matrice delle correlazioni è la seguente:
Calcolo delle componenti principali tramite un esempio numerico Questo esempio numerico puó essere utile per chiarire il calcolo delle componenti principali e per introdurre il programma SPAD. IL PROBLEMA
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
DettagliTema d esame del 15/02/12
Tema d esame del 15/0/1 Volendo aprire un nuovo locale, una catena di ristoranti chiede ad un consulente di valutare la posizione geografica ideale all interno di un centro abitato. A questo scopo, avvalendosi
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
DettagliSTATISTICA ESERCITAZIONE 13
STATISTICA ESERCITAZIONE 13 Dott. Giuseppe Pandolfo 9 Marzo 2015 Errore di I tipo: si commette se l'ipotesi nulla H 0 viene rifiutata quando essa è vera Errore di II tipo: si commette se l'ipotesi nulla
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 delle Componenti Principali con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi delle Componenti
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,
DettagliRICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali)
RICERCHE DI MERCATO 5.6 Analisi Fattoriale (Componenti Principali) Prof. L. Neri Dip. di Economia Politica Premessa Come evidenziato in precedenza l approccio di segmentazione per omogeneità prevede la
DettagliIl modello di regressione
Il modello di regressione Capitolo e 3 A M D Marcello Gallucci Milano-Bicocca Lezione: II Concentti fondamentali Consideriamo ora questa ipotetica ricerca: siamo andati in un pub ed abbiamo contato quanti
Dettaglidocente: J. Mortera/P. Vicard Nome
A opportuni passaggi). Verrà accettato in consegna solo il presente plico. 2. [9] Una certa zona è servita da 4 compagnie telefoniche. Per ciascuna compagnia è stato rilevato il costo al minuto (in centesimi
DettagliCOGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING febbraio I
COGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING febbraio 2008 - I 1) Per un insieme di modelli di smartphone si sono costruiti i boxplot degli scostamenti standardizzati del prezzo e del peso ed
DettagliAnalisi fattoriale 1
Analisi fattoriale Analisi fattoriale: a che serve? L analisi fattoriale permette di rappresentare un set di variabili tramite un insieme più compatto di nuove variate fra loro indipendenti. Da tante variabili
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:
DettagliPresentazione dell edizione italiana Prefazione xix Ringraziamenti xxii Glossario dei simboli xxiii
Sommario Presentazione dell edizione italiana Prefazione xix Ringraziamenti xxii Glossario dei simboli xxiii xv Parte I Statistica descrittiva 1 Capitolo 1 Introduzione 3 Perché studiare statistica? 4
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 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.
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,
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliSTATISTICA (I modulo - Statistica Descrittiva) Esercitazione I 24/02/2006
STATISTICA (I modulo - Statistica Descrittiva) Esercitazione I 24/02/2006 La seguente tabella contiene i dati inerenti le unità del settore della ristorazione in un dato comune: Unità X 1 X 2 X 3 X 4 X
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
Dettagli5 Un applicazione: le matrici di rotazione
5 Un applicazione: le matrici di rotazione 51 Rotazioni nel piano di un angolo ϑ Si vuole considerare il caso della rotazione nel piano di un vettore di R di un angolo ϑ assegnato Chiaramente si tratta
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
DettagliIstruzioni per l analisi in componenti principali con R
Istruzioni per l analisi in componenti principali con R Vi ricordo che in nero sono state inserite le note e in rosso le istruzioni da digitare sulla console di R Importare il dataset gelati
DettagliFacoltà di ECONOMIA Università di Pavia 20 Aprile 2004 Prova scritta di Analisi dei dati MODALITÀ A
MODALITÀ A Riportare sul foglio nome, cognome, numero di matricola e modalità del testo d esame. Problema 1 (8 PUNTI) Su un collettivo di 10 clienti iscritti al programma frequent flyer di una nota compagnia
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
DettagliDall Analisi Fattoriale alla Regressione Lineare
Dall Analisi Fattoriale alla Regressione Lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n 10 Consegna Lavoro di gruppo La scadenza per la consegna del lavoro di gruppo è fissata
DettagliL analisi delle corrispondenze semplici (AC) e multiple (ACM)
L analisi delle corrispondenze semplici (AC) e multiple (ACM) La CA costituisce uno dei più noti ed efficaci strumenti per il trattamento multidimensionale di dati qualitativi Obiettivi: Rappresentazione
DettagliSTATISTICA (modulo I - Statistica Descrittiva) Soluzione Esercitazione I
2. e 3. STATISTICA (modulo I - Statistica Descrittiva) Soluzione Esercitazione I 1. Le unità statistiche sono costituite dai singoli ristoranti, mentre la popolazione è costituita da tutte le unità del
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 FATTORIALE. In questo documento presentiamo alcune opzioni analitiche della procedura di analisi fattoriale di
ANALISI FATTORIALE In questo documento presentiamo alcune opzioni analitiche della procedura di analisi fattoriale di SPSS che non sono state incluse nel testo pubblicato. Si tratta di opzioni che, pur
DettagliPremio per la qualità della didattica nella Facoltà di Economia
Università Ca' Foscari di Venezia Facoltà di Economia Premio per la qualità della didattica nella Facoltà di Economia Anno Accademico 2005-2006 a cura di: Stefano Magrini, Marzia Polles, Dino Rizzi 26
DettagliConfronto fra gruppi: il metodo ANOVA. Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23
Confronto fra gruppi: il metodo ANOVA Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23 1 Nella popolazione, per ciascun gruppo la distribuzione della variabile risposta
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
DettagliCapitolo 11 Test chi-quadro
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corsi di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
DettagliESAME. 9 Gennaio 2017 COMPITO B
ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto
DettagliDURATA E CARATTERISTICHE DEGLI EPISODI DI DISOCCUPAZIONE: L APPLICAZIONE DI UN MODELLO DI STIMA SU DATI AMMINISTRATIVI
VENETO LAVORO Osservatorio & Ricerca DURATA E CARATTERISTICHE DEGLI EPISODI DI DISOCCUPAZIONE: L APPLICAZIONE DI UN MODELLO DI STIMA SU DATI AMMINISTRATIVI Stefania Maschio Febbraio 2016 1. Introduzione
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
DettagliFACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 21/09/2011
FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 1/9/11 ESERCIZIO 1 (+3++3) La seguente tabella riporta la distribuzione di frequenza dei valori di emoglobina nel sangue (espressi
DettagliL analisi fattoriale
L analisi fattoriale Scopo dell analisi fattoriale e quello di identificare alcune variabili latenti (fattori) in grado di spiegare i legami, le interrelazioni e le dipendenze tra le variabili statistiche
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
DettagliCorso di Matematica II Anno Accademico Esercizi di Algebra Lineare. Calcolo di autovalori ed autovettori
Esercizio 1 Corso di Matematica II Anno Accademico 29 21. Esercizi di Algebra Lineare. Calcolo di autovalori ed autovettori May 7, 21 Commenti e correzioni sono benvenuti. Mi scuso se ci fosse qualche
DettagliACP: analisi in componenti principali. Giovanni Di Franco
ACP: analisi in componenti principali Giovanni Di Franco ACP 1 Spesso, nella vita di tutti i giorni, ci capita di dover sintetizzare delle informazioni; senza saperlo operiamo con una logica analoga a
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
DettagliLA TUTELA DELLE LAVORATRICI IN GRAVIDANZA E ALLATTAMENTO
LA TUTELA DELLE LAVORATRICI IN GRAVIDANZA E ALLATTAMENTO Su istanza delle lavoratrici o dei datori di lavoro i SPSAL (Servizi di Prevenzione e Sicurezza negli Ambienti di Lavoro) verificano la compatibilità
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
DettagliAnalisi statistica multivariata
Università di Bologna Sede di Rimini Anno Accademico 9-1 Analisi statistica multivariata (Alessandro Lubisco) Materiale relativo al primo periodo: - Analisi fattoriale INDICE Indice... i Parte I Analisi
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
DettagliOlimpiadi di Statistica Classe V - Fase Eliminatoria
Olimpiadi di Statistica 2016 - Classe V - Fase Eliminatoria Domanda 1 Alla fine del torneo di calcetto organizzato dalla scuola, è stata analizzata la classifica dei marcatori dalla quale risulta la seguente
DettagliLA TUTELA DELLE LAVORATRICI IN GRAVIDANZA E ALLATTAMENTO
LA TUTELA DELLE LAVORATRICI IN GRAVIDANZA E ALLATTAMENTO Su istanza delle lavoratrici o dei datori di lavoro i SPSAL (Servizi Prevenzione e Sicurezza Ambienti di Lavoro) verificano la compatibilità delle
DettagliLAUREA SPECIALISTICA IN FARMACIA - Prova scritta di MATEMATICA - 24/01/03 ANNI PRECEDENTI. 1. (Punti 10) Si consideri la funzione
MATEMATICA - 4//3 ANNI PRECEDENTI (Punti ) Si consideri la funzione ( ) f() = ln Si studi f, determinando in particolare dominio, limiti, intervalli di crescenza, decrescenza, concavità, convessità di
DettagliStatistica - metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill
- metodologie per le scienze economiche e sociali S. Borra, A. Di Ciaccio - McGraw Hill Es. Soluzione degli esercizi del capitolo 8 home - indice In base agli arrotondamenti effettuati nei calcoli, si
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
DettagliANALISI DEI DATI PER IL MARKETING Marco Riani
ANALISI DEI DATI PER IL MARKETING 2016 Marco Riani mriani@unipr.it http://www.riani.it RIPASSO SULLE MATRICI Addizione tra matrici Moltiplicazione Matrice diagonale Matrice identità Matrice trasposta (trasposta
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
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
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
DettagliSTATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE
STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 2 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1.1
DettagliAnalisi Multivariata dei Dati
Analisi Multivariata dei Dati Introduzione al corso e al modello statistico A M D Marcello Gallucci Milano-Bicocca Lezione: I Programma Odierno I numeri del corso Programma del corso Concetti Statistici
DettagliStatistica Compito A
Statistica Compito A Prova scritta del 3 Luglio 2015 1. Il seguente campione casuale si riferisce al numero di difetti riscontrati su 1 metro-quadrato di stoffa: 0 7 1 5 2 6 3 4 4 3 5 2 6 1 7 2 (a) Cosa
DettagliEsercitazione 9 del corso di Statistica (parte seconda)
Esercitazione 9 del corso di Statistica (parte seconda) Dott.ssa Paola Costantini 17 Marzo 9 Esercizio 1 Esercizio Un economista del Ministero degli Esteri desidera verificare se gli accordi di negoziazione
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
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
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
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
DettagliStatistica descrittiva in due variabili
Statistica descrittiva in due variabili 1 / 65 Statistica descrittiva in due variabili 1 / 65 Supponiamo di misurare su un campione statistico due diverse variabili X e Y. Indichiamo come al solito con
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
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
DettagliANALISI DEI DATI PER IL MARKETING 2014
ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it RIPASSO SULLE MATRICI 1 Addizione tra matrici Moltiplicazione Matrice diagonale Matrice identità Matrice trasposta
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
DettagliAnalisi della correlazione canonica
Capitolo 8 Analisi della correlazione canonica Si supponga che su un collettivo di unità statistiche si siano osservati due gruppi di k ed m variabili corrispondenti ad altrettanti aspetti di un fenomeno
DettagliMetodologia Sperimentale Agronomica / Metodi Statistici per la Ricerca Ambientale
DIPARTIMENTO DI SCIENZE AGRARIE E AMBIENTALI PRODUZIONE, TERRITORIO, AGROENERGIA Marco Acutis marco.acutis@unimi.it www.acutis.it CdS Scienze della Produzione e Protezione delle Piante (g59) CdS Biotecnologie
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
Dettagli