Esercizi di Econometria nanziaria c.a. parte I (2012/2013) Work in Progress 1. Si consideri il modello ARCH(1) r t = t " t (1)
|
|
- Alessandro Bono
- 5 anni fa
- Visualizzazioni
Transcript
1 Esercizi di Econometria nanziaria c.a. parte I (01/013) Work in Progress 1. Si consideri il modello ARCH(1) r t = t " t (1) t = r t 1: () Assumendo le condizioni di stazionarietà, si derivino E(r t ) e V ar(r t ): (Traccia: Poichè E(r t ) = 0 (perchè?), V ar(r t ) = E(r t ) = E(E(r t j F t 1 )) = :::). Si consideri il modello ARCH(1) dell Esercizio 1 assumendo valide le condizioni di stazionarietà e si aggiunga inoltre la condizione Si calcolino E(r 4 t j F t 1 ) e E(r 4 t ). " t iidn(0,1). (3) Traccia-Soluzione: la condizione di normalità in Eq. (3) implica che r t j F t 1 N(0; t ): Dalle proprietà della normale sappiamo che dalla quale ricaviamo Quindi K(r t j F t 1 ) = 3 = E(r4 t j F t 1 ) [E(r t j F t 1 )] E(r 4 t j F t 1 ) = 3 E(r t j F t 1 ) = 3[ t ] = 3[ r t 1] : E(r 4 t ) = E E(r 4 t j F t 1 ) = 3E ( r t 1) = :::... Sviluppando i conti e usando un po di algebra si arriva al risultato E(rt (1 + 1 ) ) = (1 1 )(1 3 (4) 1 ): 3. Si consideri il modello ARCH(1) stazionario dei due esercizi precedenti e il momento quarto di r t in Eq. (4). Quali condizioni deve soddisfare il parametro 1 a nche il momento quarto sia nito? 4. Si consideri il modello ARCH(1) stazionario dei tre esercizi precedenti e il momento quarto in Eq. (4). Si calcoli la kurtosi non condizionata K(r t ) e si mostri che K(r t ) > 3 (Traccia: K(r t ) = E(r4 t ) [E(r t )] e si noti che E(r 4 t ) è dato in Eq. (4), mentre E(r t ) = V ar(r t ) è stato calcolato nell Esercizio 1...). 1
2 5. Si immagini che il log-retun r t si un asset nanziario sia generato dal modello: r t ARMA(1,1)+ARCH(). Si scrivano le equazioni di tale modello e si discutano le condizioni di stazionarietà. 6. Si immagini che il log-retun r t si un asset nanziario sia generato dal modello: r t ARCH(1) stazionario. Si scrivano le equazioni di tale modello e poi si calcoli Cov(r t ; t ): Traccia-soluzione: Se r t ARCH(1), allora r t = u t u t = t " t " t iidn(0,1) t = u t 1, 0 > 0, 0 1 <1: Per calcolare Cov(r t ; t ), è molto utile sfruttare il legame che intercorre tra r t e t, ovvero (vedi Slides) Usando tale relazione: r t = t + t, t MDS. Cov(r t ; t ) = Cov( t + t ; t ) = ::: 7. Si consideri il modello ARCH(1) con errori (disturbi) standardizzati dati dalla t-student: - r t = u t ; - u t = t " t ; - t = u t 1, 0 > 0, " t iid t(n)-standardizzata (n > ), dove t(n) è la distribuzione t- Student con n gradi di libertà standardizzata. Si scrivi la log-likelihood function di tale modello. PRE-REQUISITI PER LA SOLUZIONE Per risolvere questo esercizio bisogna sapere alcune cose facenti parte del background statistico/probabilistico. Se " t ha distribuzione t-student con n gradi di libertà standardizzata, signi ca che " t =x t =(n=n ) 1=, dove x t ha distribuzione t-student con n gradi di libertà. Una variabile casuale x con distribuzione t-student con n gradi di libertà ha le seguenti caratteristiche: E(x) = 0, V ar(x) = n n (ecco perchè n > ). Inoltre, una variabile " con distribuzione t-student con n gradi di libertà standardizzata ha densità f("; n)= ((n + 1)=) (n=) ((n )) 1= 1 (n+1) + " n
3 1Z in cui (a) è la famosa funzione gamma: (a):= 0 y a 1 e y dy:in ne, si ricodi che se x è una variabile casuale continua con densità f x (x) e y = g(x), dove g() è una funzione invertibile con derivata continua, allora la densità della variabile casuale y è data da (la formula di cui sotto è nota come regola della densità di trasformate di variabili casuali) h y (y) = f x (g 1 1 : Soluzione. I parametri incogniti del modello sono :=( 0 ; 1 ) 0 : La densità congiunta del campione di osservazioni r 1 ; r ; :::; r T (r 0 ssato) è data fa L() = f r (r 1 ; r ; :::; r T ; ) e, come noto, si fattorizza secondo la regola: L() = TY f r (r t j F t 1 ; ) : (5) t=1 Nel nostro caso, abbiamo r t = t " t = g(" t ) e sappiamo che f " (" t j F t 1 ; ) = f " (" t )= ((n + 1)=) (n=) ((n )) 1= (n+1) 1 + " t : n Inoltre, sappiamo che la funzione r t = g(" t ) è invertibile (" t = g 1 (r t ) = r t t ) e 1 (r t t = 1 t > 0: Pertanto, applicando la regola della densità di trasformate di variabili casuali abbiamo che = f r (r t j F t 1 ; ) = f " g 1 (r t ) j F t 1 1 (r t t ((n + 1)=) (n=) ((n )) 1 1= t 1 + Quindi, tornando alla likelihood in eq. (5): TY L() = 4 ((n + 1)=) (n=) ((n )) 1 1= t t=1 r t (n ) t 1 + r t (n+1) (n ) t : 3 (n+1) 5 3
4 8. Si carichi in Gretl il dataset DATI_ESERCIZIO_GARCH.xls, repreribile presso: Questo le contiene T =600 osservazioni (si ingnorino le prime due righe contenenti degli zeri) relative a tre variabili: u t, t e x t, in cui in particolare x t è generato da un particolare modello ARMA+GARCH (la caratterizzazione "_dgp" sta a signi care che si tratta di Data Generating Process) 1. A. Si stimi il modello ARMA-GARCH che si ritiene più appropriato per x t, utilizzando solo il campione relativo alle prime T =598=(T ) osservazioni. B Si conduca una analisi della corretta speci cazione che convinca il lettore che il modello ARMA-GARCH stimato è "il miglior modello". C Dal modello stimato si calcolino le previsioni un passo avanti ^x T +1, ^ T +1 due passi avanti ^x T +; ^ T + del rendimento e della volatilità condizionale, e si confrontino tali valori con i "valori veri" x T +1, T +1 e x T +, T + disponibili nel data set. Si traggano alcune cosiderazioni circa la bontà delle previsioni calcolate. 9. La stima del log-return del titolo Enel su un campione di 608 osservazioni giornaliere da prodotto l output riportato di seguito. A. Si dica quale modello time series è stato stimato. B Si commentino le stime. C Si fornisca un giudizio circa la bontà e le caratteristiche del modello stimato sulla base del correlogramma dei residui standardizzati, il correlogramma dei residui standardizzati al quadrato e il test per la normalità distributiva dei dei residui standardizzati. 1 Il prof. Fanelli ha simulato il modello ARMA-GARCH con un programma, quindi è l unico a conscere il DGP. 4
5 5
6 gretl output for Luca :16, page 1 Model: GARCH(1,1) [Bollerslev] (Normal)* Dependent variable: ld_enel Sample: 1950/01/ /01/05 (T = 608), VCV method: Robust Conditional mean equation coefficient std. error z p-value const AR *** AR Conditional variance equation coefficient std. error z p-value omega e e *** alpha *** beta e-17 *** Llik: AIC: BIC: HQC:
7 gretl output for Luca :1, page 1 Autocorrelation function for e_enel LAG ACF PACF Q-stat. [p-value] [0.807] [0.393] [0.47] [0.64] [0.759] [0.68] [0.756] [0.66] [0.639] [0.709] [0.773] [0.831] [0.871] [0.853] [0.894] [0.911] [0.935] [0.901] [0.94] [0.899] [0.890] [0.85] [0.856] [0.887] [0.885] *** *** [0.591] [0.637] [0.657] [0.706] [0.744] [0.780] [0.76] * * [0.597] [0.645]
8 gretl output for Luca :3, page 1 Autocorrelation function for sq_e_enel LAG ACF PACF Q-stat. [p-value] [0.81] [0.417] [0.65] [0.704] [0.68] [0.748] [0.87] [0.893] [0.935] [0.96] [0.979] [0.98] [0.990] [0.995] [0.99] [0.991] [0.995] [0.997] [0.998] [0.999] [0.999] [0.999] ** ** [0.975] [0.98] [0.985] [0.989] [0.993] [0.993] [0.995] [0.996] [0.998] [0.998] [0.999] [0.998]
9 gretl output for Luca :3, page 1 Test for normality of e_enel: Doornik-Hansen test = , with p-value e-51 Shapiro-Wilk W = , with p-value e-033 Lilliefors test = , with p-value ~= 0 Jarque-Bera test = , with p-value 0
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 8 Aprile 2016
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 5/6 Appello 8 Aprile 6 Chi fa il compito relativo alla prima parte di corso (Esercizio e Esercizio )
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2015/2016 Appello 27 Giugno 2016
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 205/206 Appello 27 Giugno 206 Per lo svolgimento della prova completa si ha un massimo di due ore. Invece
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.
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
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 (8448) 70 minuti Cognome Nome Matricola Rispondi alle seguenti domande scegliendo la/e risposta/e che ritieni più appropriata/e. Per ogni domanda
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2. (8448) 70 minuti. Cognome Nome Matricola
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 (8448) 7 minuti Cognome Nome Matricola Rispondete alle seguenti domande scegliendo la/e risposta/e che ritenete più appropriata/e. Per ogni domanda
Dettagli1 Modelli per serie storiche univariate
1 Modelli per serie storiche univariate Caratteristiche delle serie storiche: fy t g l ordine t non puo essere variato; v.c. non indipendenti; non replicabili (i dati si ottengono da una sola realizzazione)
DettagliECONOMETRIA: Laboratorio III
ECONOMETRIA: Laboratorio III Luca De Angelis CLASS - Università di Bologna Programma Laboratorio III Analisi della specificazione del modello e test diagnostici: Test per la forma funzionale del modello
DettagliUniversità di Pavia Econometria Esercizi 5
Università di Pavia Econometria 2007-2008 Esercizi 5 Maggio, 2008 1. Una regressione lineare multipla di y su una costante, x 2 e x 3 produce i seguenti risultati: ŷ t = 4 + 0.4x t2 + 0.9x t3 con X X =
DettagliRestrizioni lineari nel MRLM: esempi
Restrizioni lineari nel MRLM: esempi Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi Restrizioni lineari: esempi Econometria - 2013 1 / 22 Funzione di produzione Cobb-Douglas Esempio GDP
DettagliRAPPORTO CER Aggiornamenti
RAPPORTO CER Aggiornamenti 12 Ottobre 2012 LO SPREAD PROSSIMO VENTURO Quanto potrà scendere lo spread Btp-Bund dopo le misure di austerità fiscale? Per rispondere, forniamo una semplice stima derivata
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliUniversità di Pavia Econometria Esercizi 4 Soluzioni
Università di Pavia Econometria 2008-2009 Esercizi 4 Soluzioni Maggio, 2009 Istruzioni: I commenti devono essere concisi! 1. Dato il modello di regressione lineare, con K regressori con E(ɛ) = 0 e E(ɛɛ
DettagliEsercitazioni Infostat ConfInt
Esercitazioni Infostat ConfInt Matteo Re, Alessandro Di Domizio 3 Maggio 2019 1 Introduzione In questa esercitazione vedremo come stimare l intervallo di confidenza da un campione che assumiamo essere
DettagliFacoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a.
Facoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a. 2008 PARTE I 1. Si consideri il seguente modello di regressione lineare su dati cross
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliSi noti che tutti gli asterischi prodotti dal software econometrico Gretl sono stati eliminati dagli output proposti nei quesiti.
ESAME SCRITTO DI TECNICHE DI PREVISIONE 7 aprile 2016 Numero di matricola del candidato:... Nome...Cognome... L'esame scritto ha la durata complessiva di 60 minuti. Durante l'esame è consentita la consultazione
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
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
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5
Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione
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)
DettagliUniversità degli Studi di Enna Kore Facoltà di Scienze Economiche e Giuridiche Anno Accademico
Università degli Studi di Enna Kore Facoltà di Scienze Economiche e Giuridiche Anno Accademico 2017 2018 A.A. Settore Scientifico Disciplinare CFU Insegnamento Ore di aula Mutuazione 2017/18 SECS-P/06
DettagliIDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 11 Settembre 2014 Cognome Nome Matricola
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI (Prof. S. Bittanti) Ingegneria Informatica 10 CFU. Appello 11 Settembre 2014 Cognome Nome Matricola......... Verificare che il fascicolo sia costituito da
Dettaglic) Ancora in corrispondenza allo stesso valore di p e ponendo Y = minorazione, fornita dalla diseguaglianza di Chebichev, per la probabilita
Laurea Triennale in Matematica Corso di Calcolo delle Probabilita I A.A. 00/00 (Docenti: M. Piccioni, F. Spizzichino) a prova di esonero 6 giugno 00 Risolvere almeno tre dei seguenti esercizi.. Indichiamo
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 11 - Metodi numerici per equazioni differenziali ordinarie
Complementi di Matematica e Calcolo Numerico A.A. 2010-2011 Laboratorio 11 - Metodi numerici per equazioni differenziali ordinarie Cosideriamo il seguente Problema di Cauchy: Trovare una funzione y : I
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliDISTRIBUZIONE DEI VALORI ESTREMI PER L ANALISI DEI RENDIMENTI
UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA ECONOMIA E FINANZA RELAZIONE FINALE DISTRIBUZIONE DEI VALORI ESTREMI PER L ANALISI DEI RENDIMENTI RELATORE:
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliFacoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente COLUMBU SILVIA
Facoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente COLUMBU SILVIA Attività didattica ELEMENTI DI PROBABILITA' E STATISTICA [60/65/264] Periodo di svolgimento: Primo Semestre Docente
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
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliFacoltà di Scienze Statistiche, Rimini Corso di Laurea in Statistica ed Informatica per l Azienda PROVA PARZIALE DEL
Facoltà di Scienze Statistiche, Rimini Corso di Laurea in Statistica ed Informatica per l Azienda PROVA PARZIALE DEL 07-06-2006 1. Si consideri il seguente modello di regressione dinamico π t = β 0 + β
DettagliCorso di Calcolo Numerico
Prof. L. Brandolini Corso di Calcolo Numerico Dott.ssa N. Franchina Laboratorio 5 Equazioni differenziali ordinarie: metodi espliciti 25 Novembre 215 Esercizi di implementazione Un equazione differenziale
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
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
DettagliAnalisi delle Serie Storiche con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi delle Serie Storiche con R Francesca
DettagliEsercitazione con R 30 Maggio 2006
Esercitazione con R 30 Maggio 2006 Previsioni per la serie del PIL statunitense Procediamo ad identificare un modello per la serie storica dei dati trimestrali del PIL statunitense. Carichiamo i dati >
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Ottobre 2015
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Esame Generale - Ottobre 2015 Tempo Previsto: 105 minuti Cognome Nome Matricola Rispondete a tutte le domande scrivendo negli spazi appositi. Nel caso
DettagliEsercizi di riepilogo Lezioni
Esercizi di riepilogo Lezioni 16-17-18 1 Es1: Statistiche del secondo ordine [Pap, 9-2] Si ha un processo X con Determinare media, varianza, e covarianza delle v.a. Z=X(5) e W=X(8) Il processo X è stazionario?
DettagliMicroeconometria Day # 3 L. Cembalo. Regressione con due variabili e metodo dei minimi quadrati
Microeconometria Day # 3 L. Cembalo Regressione con due variabili e metodo dei minimi quadrati SRF: sample regression function Il passaggio dalla regressione sulla popolazione a quella sul campione è cruciale
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliFINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015
FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE -MODULE2 Prova Parziale - Marzo 2015 Tempo a disposizione: 60 Minuti Cognome Nome Matricola Rispondete a tutte le domande. Nel caso delle domanda a risposta
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
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
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliAnalisi di Regressione Multipla
Analisi di Regressione Multipla Stima OLS della relazione Test Score/STR : TestScore! = 698.9.8 STR, R =.05, SER = 18.6 (10.4) (0.5) E una stima credibile dell effetto causale sul rendimento nei test di
DettagliRaccolta di compiti degli appelli precedenti
Ingegneria Informatica e delle Telecomunicazioni Anno accademico 24-25. Docente Costanza Conti Raccolta di compiti degli appelli precedenti Nota: Gli esercizi riportati si riferiscono a compiti dei precendeti
DettagliMetodologie Quantitative
Metodologie Quantitative Regressione Lineare Nozioni di base M Q Marco Perugini Milano-Bicocca 1 I COMUNICAZIONE MERCOLEDI 11 NOVEMBRE NON CI SARA LEZIONE DI MQ Concetti base Con l analisi di regressione
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2017.html
DettagliCalcolo Numerico (CdS in Matematica) A.A. 2012/13
Calcolo Numerico (CdS in Matematica) A.A. 2012/13 Esercitazione di Laboratorio sulla risoluzione di sistemi di equazioni lineari Parte 1. Fattorizzazione di matrici Scrivere una funzione Matlab che implementi
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
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
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 11 - Metodi numerici per equazioni differenziali ordinarie
Complementi di Matematica e Calcolo Numerico A.A. 2012-2013 Laboratorio 11 - Metodi numerici per equazioni differenziali ordinarie Cosideriamo il seguente Problema di Cauchy: Trovare una funzione y : I
Dettaglis a Inferenza: singolo parametro Sistema di ipotesi: : β j = β j0 H 1 β j0 statistica test t confronto con valore t o p-value
Inferenza: singolo parametro Sistema di ipotesi: H 0 : β j = β j0 H 1 : β j β j0 statistica test t b j - b s a jj j0 > t a, 2 ( n-k) confronto con valore t o p-value Se β j0 = 0 X j non ha nessuna influenza
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
DettagliUNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE
UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA ECONOMIA E FINANZA TESI: Confronto tra modelli predittivi per l inflazione: Una verifica empirica per gli USA.
DettagliLa curva di regressione è il luogo dei punti aventi come ordinate le medie condizionate
Correlazione e regressione Correlazione: le due variabili casuali sono considerate in modo per così dire simmetrico. Regressione: una delle due variabili dipende dall'altra, che per così dire la precede
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
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
DettagliEsercizio 2: voto e ore dedicate allo studio
La seguente tabella riporta il voto riportato da 10 studenti all esame di Statistica Sociale e il numero di ore di lezione non seguite dallo studente (il corso prevede 30 ore di lezione). Ci si chiede
DettagliLa statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati.
RICHIAMI DI STATISTICA La statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati. Quale è la media della distribuzione del reddito dei neolaureati? Per rispondere dovremmo
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Intervalli di confidenza
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso
DettagliAx = b ; b = b 1 b 2. a 11 a 12 a 1n a 21 a 22 a 2n. b m. a m1 a m2 a mn
SISTEMI LINERI Consideriamo il seguente sistema di m equazioni lineare nelle n incognite,,, n : a + a + + a n n = b >< a + a + + a n n = b = >: a m + a m + + a mn n = b m tale sistema può essere scritto
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,
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 7 Luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 7 Luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliComputazione per l interazione naturale: Regressione lineare Bayesiana
Computazione per l interazione naturale: Bayesiana Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
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
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Eteroschedasticità nel modello di regressione
Omoschedasticità ed Eteroschedasticità 1 ECONOMETRIA APPLICATA PER L IMPRESA Eteroschedasticità nel modello di regressione Davide Raggi davide.raggi@unibo.it 24 febbraio 2010 Omoschedasticità ed Eteroschedasticità
DettagliMatrici triangolari [Abate, 3.2] Lezioni 05 e 06. Determinante di una matrice triangolare [Abate, es. 9.3] Matrici ridotte per righe.
Matrici triangolari [Abate, 32] Definizione Una matrice A = a ij ) R m,n si dice triangolare superiore se a ij = 0 per ogni i > j; triangolare inferiore se a ij = 0 per ogni i < j Lezioni 05 e 06 Una matrice
Dettaglilezione 10 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Redditi svedesi - il dataset contiene i dati di reddito di 838 individui - il dataset contiene le variabili: sex = sesso age = età edu = anni di istruzione y_gross = reddito
DettagliEsercitazioni di statistica
Esercitazioni di statistica Intervalli di confidenza Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 10 Dicembre 2014 Stefania Spina Esercitazioni di statistica 1/43 Stefania Spina
DettagliSTATISTICA DESCRITTIVA (canale B)
STATISTICA DESCRITTIVA (canale B) compito n. 1 del 28 marzo 2008 nome e cognome: corso di laurea: Astronomia matricola: Parte teorica Si ricorda che la corretta risposta ai quesiti della parte teorica
Dettaglin (x i x j ), det V = i>j
Capitolo 4 Approssimazione 4.1 Richiami di teoria Prerequisiti: nozioni elementari di calcolo differenziale e integrale. Interpolazione Il problema dell interpolazione è un caso particolare del vasto settore
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 11 Metodi numerici per equazioni differenziali ordinarie
Complementi di Matematica e Calcolo Numerico A.A. 2018-2019 Laboratorio 11 Metodi numerici per equazioni differenziali ordinarie Cosideriamo il seguente Problema di Cauchy: Trovare una funzione y : I R,
DettagliESERCITAZIONE ECONOMETRIA
ESERCITAZIONE ECONOMETRIA Giovanni Angelini giovanni.angelini3@unibo.it 0541-434058 Ricevimento: Venerdì 10-12, piano terra di palazzo Diamante Novembre 2012 ESERCITAZIONE ECONOMETRIA I. BREVE INTRODUZIONE
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliUna stima aggregata dell effetto Brunetta Risultati molto preliminari
Una stima aggregata dell effetto Brunetta Risultati molto preliminari Leonello Tronti (Consigliere economico del Ministro) Seminario Assenteismo: i lavori della commissione 22 giugno 2009 Ipotesi di lavoro
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliEsercizi su predizione lineare
Esercizi su predizione lineare Esercizio Si consideri il processo reale x n ottenuto risolvendo l equazione alle differenze finite: x n a x n a x n + z n dove: a ; a 0.08; E z(n) 0; E z(n)z(n + k) r z
Dettaglilezione 8 AA Paolo Brunori
AA 2016-2017 Paolo Brunori regressione multipla con n = k Immaginate di voler studiare i determinanti del voto all esame di econometria Y = β 1 X 1 + u Y i = β 1 H i + u i H=ore studiate alla settimana
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
DettagliPARTE I ARGOMENTI PROPEDEUTICI
SOMMARIO Introduzione PARTE I ARGOMENTI PROPEDEUTICI CAPITOLO I ALGEBRA LINEARE 1 1.1. Introduzione 1 1.2. Operazione tra scalari e vettori 2 1.3. Operazione tra vettori 2 1.4. Operazioni tra matrici 4
DettagliSi assuma di avere portato a termine le seguenti rilevazioni di produzione e di alimento somministrato
Regressione Lineare Semplice Si assuma di avere portato a termine le seguenti rilevazioni di produzione e di alimento somministrato QUANTITA' DI ALIMENTO PRODUZIONE 2 10 2 9 1.5 5 1 2 1 3 1.5 4 2 7 2 9
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
DettagliStatistica Applicata Corso di Laurea in Scienze Naturali a. a. 2018/2019
Statistica Applicata Corso di Laurea in Scienze Naturali a. a. 2018/2019 prof. Federico Plazzi 28 Giugno 2019 Nome: Cognome: Matricola: Alcune indicazioni: La prova è costituita da cinque esercizi; dopo
DettagliE S E R C I Z I T U T O R
E S E R C I Z I T U T O R ESERCIZIO Applicazione del Metodo Montecarlo per calcolare p. Si calcola il rapporto fra l area del cerchio di diametro r e l area del quadrato circoscritto, di lato r. Area del
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliUniversità degli Studi di Padova
Università degli Studi di Padova Facoltà di Scienze Statistiche Corso di Laurea in Statistica Economia e Finanza Combinazione di Previsioni per la Volatilità: applicazioni ad un indice di borsa Combination
DettagliCorso di Calcolo Numerico
Prof. L. Brandolini Corso di Calcolo Numerico Dott.ssa N. Franchina Laboratorio 6 Equazioni differenziali ordinarie: metodi impliciti 3 Novembre 26 Esercizi di implementazione Un equazione differenziale
Dettagli