Lezione 3 Proprietà statistiche degli stimatori OLS - 1. Anche in questo capitolo si considera il modello di regressione lineare.

Documenti analoghi
1-Econometria, a.a Breve introduzione

1-Econometria, a.a Capitolo 1

0 t }, allora il modello

Capitolo Modelli econometrici con variabili endogene (tra le variabili indipendenti)

Sforzo all interfaccia fra due regioni con differente permeabilità magnetica

Lezione 7. Il Metodo GLS (Minimi Quadrati Generalizzati) e FGLS

0 per x / ( 1, ). i) (4 p) Trovare per quali valori di α la funzione f è una densità di probabilità (non si chiede di calcolare C α ).

SMSMW#300#130#1#220#210W#300#130#1#140#130W#220#13

(x + 1) α (1 x) 3 α per x ( 1, 1) 0 per x / [ 1, 1]

Il modello di Black e Scholes come limite del modello binomiale multiperiodale

Si dice che f è infinitesima o che è un infinitesimo per x x0 Un infinitesimo, quindi è una variabile che tende a zero.

Esercizio 1. Sia N un processo di Poisson di parametro λ. Dimostrare che, per ogni t > 0,

o in forma matriciale, con l evidente significato dei simboli,

4 I MINIMI QUADRATI GENERALIZZATI

Capitolo 4. denota il complesso di informazioni disponibili all istante t (risp. nell unita` sezionale

Tab. 1 - Studenti presenti alla lezione di statistica del per voto alla maturità

Serie e trasformate di Fourier brevi richiami

I appello - 8 Gennaio 2019

Teoria delle distribuzioni Parte quinta Limiti nel senso delle distribuzioni

Tecnica delle misurazioni applicate Esame del 7 gennaio 2008

Modelli'di'Variabili'Aleatorie'

Equazioni differenziali: formule

2. Moto browniano: prime proprietà Il moto browniano Processi stocastici gaussiani

Fondamenti di Internet e Reti

TEORIA DELLE MATRICI. dove aij K. = di ordine n, gli elementi aij con i = j (cioè gli elementi a 11

Popolazione e Campione

APPENDICE 1 Richiami di algebra lineare

Analisi stocastica. Dispense del corso 2009/10. Versione 2.1 Ultima modifica: 21 dicembre FRANCESCO CARAVENNA

Intervalli di Fiducia

Proprietà asintotiche stimatori OLS e statistiche collegate

3 VARIABILI DI COMODO E CAMBIAMENTI STRUTTURALI

1 IL MODELLO LINEARE GENERALE

Alcuni concetti di statistica: medie, varianze, covarianze e regressioni

Seconda Prova Intermedia 28 Maggio 2019 Elementi di Probabilità e Statistica, Laurea Triennale in Matematica, M. Romito, M.

TRASFORMATA DI FOURIER. A.1 Segnali analogici, deterministici ed aleatori. A p p e n d i c e A

Campionamento casuale da popolazione finita (caso senza reinserimento )

Università di Camerino Corso di Laurea in Fisica: indirizzo Tecnologie per l Innovazione Appunti di Calcolo Prof. Angelo Angeletti

Lezione 6 Modelli di Regressione Non Lineare In questo capitolo si considerano modelli econometrici non lineari del tipo. y t

Somma E possibile sommare due matrici A e B ottenendo una matrice C se e solo se le due matrici hanno lo stesso numero di righe e di colonne.

Popolazione e Campione

Il modello di Black e Scholes come limite del modello binomiale multiperiodale

Fondamenti Segnali e Trasmissione IOL Prova in presenza 23/02/2006

STATISTICA INFERENZIALE: TRE FILE PDF

Elementi di calcolo combinatorio

Università degli Studi di Salerno Pietro Coretto. Corso di Statistica FORMULARIO

Moto browniano e analisi stocastica

UN INTRODUZIONE ALL INFERENZA SU PROCESSI STOCASTICI

Nozioni elementari di Analisi Matematica applicate alla Fisica Generale

LEZIONI DI ANALISI ECONOMETRICA

0.1 Esercitazioni V, del 18/11/2008

1 Famiglia delle densità gamma

Capitolo 3. un suo modello, che si assume correttamente specificato (cioe` il processo soddisfa (*) per qualche valore di β ).

Algebra delle matrici

REGRESSIONE LINEARE E POLINOMIALE

= = 32

ANalysis. Analisi della Varianza - ANOVA. Aprile, Aprile, Nel linguaggio delle variabili le operazioni fondamentali sono tre

Distribuzione normale

STATISTICA A K (63 ore) Marco Riani

INTEGRAZIONE INDEFINITA DI ALCUNE CLASSI DI FUNZIONI

Esercitazione sette: soluzioni. H 1 : θ > 0.48 ( =

Appunti sui modelli lineari

Istituzioni di Analisi Superiore, secondo modulo

Elementi di algebra per la chimica. Antonino Polimeno Dipartimento di Scienze Chimiche Università degli Studi di Padova

ESAME DI STATO DI LICEO SCIENTIFICO Corso Sperimentale P.N.I. Tema di MATEMATICA - 23 giugno 2005

Università degli Studi di Cassino, Anno accademico Corso di Statistica 2, Prof. M. Furno

CAMBIAMENTO DI BASE IN UNO SPAZIO VETTORIALE

( ) che include le rilevazioni sulle variabili effettuate sulla i-esima unità. Di tali vettori

Le successioni: intro

Stima di somme: esercizio

Cenni di calcolo combinatorio

1 + 1 ) n ] n. < e nα 1 n

(A + B) ij = A ij + B ij, i = 1,..., m, j = 1,..., n.

Distribuzione normale o gaussiana

SUCCESSIONI DI FUNZIONI

Def. R si dice raggio di convergenza; nel caso i) R = 0, nel caso ii)

Lezione 2. . Gruppi isomorfi. Gruppi S n e A n. Sottogruppi normali. Gruppi quoziente. , ossia, equivalentemente, se x G Hx = xh.

Metodi statistici per l analisi dei dati

Algebra delle matrici

DETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE

OPERAZIONI SUI SEGNALI DETERMINISTICI, ENERGIA, VALOR MEDIO, POTENZA, ANALISI DI FOURIER, CONVOLUZIONE. A cos 2 / 2

Matematica con elementi di Informatica

Le principali procedure inferenziali: nozioni, schemi di procedimento ed esempi di applicazione

le dimensioni dell aiuola, con le limitazioni 0 x λ λ

Titolo della lezione. Campionamento e Distribuzioni Campionarie

Sottospazi associati a matrici e forma implicita. Sottospazi associati a una matrice Dimensione e basi con riduzione Sottospazi e sistemi. Pag.

Forme Bilineari 1 / 34

L INTERVALLO DI CONFIDENZA

Metodi statistici per l'analisi dei dati

Stima della media di una variabile X definita su una popolazione finita

Il logaritmo e l esponenziale

PROPRIETÀ DELLE POTENZE IN BASE 10

COME CALCOLARE L INTERVALLO DI CONFIDENZA QUANDO E NECESSARIO STIMARE LA DEVIAZIONE STANDARD? (è quasi sempre così!)

Convergenza di variabili aleatorie

Disposizioni semplici

Statistica Inferenziale Soluzioni 1. Stima puntuale

3. Calcolo letterale

FUNZIONI SUCCESSIONI PRINCIPIO DI INDUZIONE

Metodi statistici per lo studio dei fenomeni biologici

Transcript:

Lezioe 3 Proprieà saisiche degli simaori OLS - Ache i queso capiolo si cosidera il modello di regressioe lieare y x β + u co E( u Ω ) 0, x appariee a Ω per,,, e si assume che sia assegao il processo (fiio) delle osservazioi ( y, x ) per,,, per il processo socasico {( y, x )}. Nelle applicazioi il modello di regressioe e` u modello ecoomerico che si assume correamee specificao, el seso che i dai a disposizioe provegoo da u DGP del modello. Si osservi che qui (erambe) le variabili y e x soo variabili aleaorie, mere gli argomei del precedee capiolo richiedoo solao la dispoibilià del veore y di R e della marice (di umeri reali) di dimesioe. Si segalao i due semplici esempi di modelli di regressioe lieare che si cosiderao ei corsi di saisica di base. () y x β u u iid σ, +,.. (0, ) () y x β u u id σ, +,.. (0, ) co i valori di x fissai (e quidi la variabile x può essere cosideraa o aleaoria). Nel seguio quado si fara` uso delle oazioi i () e (), la variabile x può essere aleaoria ma si soiede che le variabili aleaorie u e x soo idipedei e quidi che E( u x ) 0. Evideemee i due modelli soo paramerici, il primo è parzialmee specificao (o e` oa la disribuzioe degli errori) mere il secodo è compleamee specificao (e` oa la disribuzioe degli errori). I ecoomeria le proprieà degli simaori che hao maggiore ieresse soo quelle asioiche (valide cioè i preseza di gradi campioi), Per compleezza si riporao le proprieà, spesso ralasciado la prova, degli simaori OLS valide per campioi fiii, che soo ceramee oe a coloro che hao seguio u corso di saisica. Ci sarao piccoli aggiusamee perche possao essere uilizzae ache i problemi ecoomerici. Proprieà dello simaore OLS per campioi fiii Proposizioe Se sussise E( u ) 0 per ogi,,, ( ) allora lo simaore ˆβ è correo; ( ) Quesa ipoesi, deomiaa srea esogeeià delle variabili idipedei, è evideemee più resriiva di E( u per ogi, presee el modello, che ivece è dea esogeeià coemporaea delle variabili x) 0,, idipedei. Si segala che la srea esogeeià, che può essere abbasaza ragioevole per dai cross-secio, è poco verosimile (ma o esclusa a priori) i preseza di ime series, ma è ceramee o valida se el modello soo presei (ra le variabili idipedei) variabili dipedei riardae (modelli diamici).

più precisamee E( βˆ ) β, da cui ovviamee segue E( βˆ ) β. (La verifica è immediaa e la prova mosra che i asseza della srea esogeeià lo simaore o è correo). Proposizioe ( ) Nelle ipoesi: le variabili x soo sreamee esogee ( E( u ) 0 ), gli errori soo omoschedaici ( E( u ) σ ); gli errori soo o correlai ( E( uu ) 0 per s) s (e quidi i paricolare se { u } iid...(0, σ ) che equivale a { u} iid σ variabili u e soo idipedei), si ha:...(0, ) e le ( ) σ I var( β ) ( E ( )( ) E ( ) ( ) ββ β β uu ) σ I. Osservazioe: Se si defiisce (marice di) precisioe di uo simaore correo la marice iversa della sua variaza, allora elle ipoesi di proposizioe si ha: la precisioe dello simaore aumea co la lughezza del campioe e dimiuisce i preseza di quasi-mulicolliearià (Si dice che c è mulicolliearià ella marice se le sue coloe soo liearmee dipedei come veori di R e duque se il deermiae di è ullo). Lo simaore OLS è il più efficiee (cioè ha la miore variaza e quidi la maggiore precisioe ( 3 ) ) ra gli simaori correi e lieari i y. Ifai sia β Ay u alro simaore di β lieare i y e correo, co A marice di ordie. Allora si ha ( A ) A( β y β + u) e quidi β E( β ) E( Ay ) E( Aβ + Au ) Aβ (quale che sia il valore di β ) dode si ha A I. Ora poso C A( ) si ha C 0 (segue dalla rappreseazioe di C e da A I ); ( ) Le ipoesi della proposizioe soo ceramee valide se{ ( y, x) } i.. id. e quidi ragioevoli i modelli co dai cross-secio. ( 3 ) Si segala il seguee risulao che sarà uilizzao i seguio, il cui euciao è abbasaza prevedibile ma la cui dimosrazioe o è baale e per quesa ragioe è saa sposaa ell appedice. Teorema: Siao A e B marici quadrae dello sesso ordie, allora le seguei proposizioi soo equivalei: a) 0 < A B ; b) 0 B < A.

Cy + βˆ β ( Ay Cy+ ( ) y ) C + C + ˆ C + ˆ β u β u β ; quidi cov (, C ) E ( )( ) E ( ) C' β y ββ β β uu 0(essedo C 0) e cov( βˆ, C y) 0. L assero a queso puo segue dalla rappreseazioe β Cy + βˆ essedo cov( β ˆ, C y) 0. Nella seguee proposizioe soo elecae alcue proprieà dei residui, valide sempre per campioi fiii. Proposizioe 3 Nelle ipoesi di proposizioe (duque le variabili idipedei soo sreamee esogee e il processo degli errori è a) E( uˆ ) E( u ) E( u ) 0 ; ( 4) iid...(0, σ )) si ha: b) c) uˆ uu σ σ (duque le coordiae di û, a var( ) E( ) ( ( I ( ) )) differeza di quelle degli errori u soo correlae e duque o soo idipedei; i realà la preseza di correlazioe elle coordiae di û è gia saa segalaa ella oa (4). S u u ˆ ( ) è uo simaore correo di σ ; dicesi ache simaore OLS della u variaza. Ifai osservao che ˆ ˆ, essedo h il e simo elemeo var( u ) E( u ) ( h) σ diagoale della marice P, si ha h Tr( P ) Tr(( ) ) Tr( I) e quidi σ σ E( S ) E( uˆ ) ( h) (e i paricolare E( S ) σ ). d) ˆ cov( β, S ) 0 ; (euo coo della rappreseazioe di S è sufficiee ricooscere che è cov( βˆ, u) 0. Ifai si ha ˆ ˆ β u β β u uu 0). cov (, ) E ( ) E ( ) Osservazioe: ( 4) uˆ ˆ u ; i paricolare è orogoale a ciascu veore coloa di e se il modello y β + u û coiee l iercea allora la somma delle coordiae del veore û è ulla (e perao le coordiae o possoo essere idipedei, circosaza che ivece si verifica per u ). 3

) Ua quesioe che qui o è affroaa, ma di sicuro ieresse per le applicazioi, è l effeo sulle sime dei seguei due errori di specificazioe (i u qualuque eso di ecoomeria l argomeo è raao esaurieemee). i) E presee el modello ua variabile idipedee o ecessaria per spiegare la variabile dipedee y (sovraspecificazioe). ii) Ua variabile idipedee uile per spiegare la variabile dipedee y o è saa iseria el modello (soospecificazioe). Si segala solao (la prova è quasi imediaa) che l errore di sovraspecificazioe o alera le proprieà dello simaore ma e riduce la precisioe, mere l errore di soospecificazioe alera (geeralmee) le proprieà dello simaore. Proprieà degli simaori OLS per campioi fiii e modelli ormali Fermo resado le alre ipoesi (i paricolare la srea esogeeià delle variabili idipedei) si u id...(0, σ )(o equivaleemee u N(; 0 σ I )). Allora alle precedei assume che { } proprieà si aggiugoo le seguei: a) ˆ (,( ) β N β σ I (o equivaleemee ) ( ˆ ) ( β ) β N( 0; σ I) ); è evidee o appea si osserva che β ˆ si oiee da ua variabile aleaoria co disribuzioe ormale mediae ua rasformazioe lieare. b) Le variabili ˆβ ed S (codizioae ad ) soo idipedei; ifai le variabili ˆβ e u ( ) soo cogiuamee ormali e o correlae 5 e quidi idipedei e iolre S è fuzioe di u. c) Si ha S ( ) χ σ ; segue dalla rappreseazioe ( ) S u u e dal eorema i appedice. Appedice Proposizioe: Siao A e B marici simmeriche defiie posiive dello sesso ordie. Allora I A defiia posiiva A I defiia posiiva. ( 5) cov (, ) E ( )( ) E ( )( ) ( ) E( )( I ( β u β β u β β u uu ) ) σ ( ) ( I ( ) ) 0. 4

Ifai sia x R, x 0 ( A), e si cosideri z x. Allora essedo A ( A) si ha > ( A x I) x z A( A I) Az z ( I A) z 0 AB è defiia posiiva se A e B commuao. ABA è defiia posiiva (essua ipoesi su A salvo l iveribilià); i paricolare ABA è defiia posiiva se A è simmerica. A B B A defiia posiiva defiia posiiva. Ifai / / / / A B > 0 I A BA > 0 I A B A < 0 A B < 0 Teorema : Sia x u veore aleaorio di dimesioe. Allora x N(, 0 Ω) x Ω x χ. / Basa osservare che Ω x N(, 0 I ) e duque x Ω x e la somma di dei quadrai di variabili co disribuzioe ormale sadard. P Sia ua proiezioe orogoale sullo spazio geerao dai veori coloa della marice di dimesioe ( < ) (si oi che ua proiezioe è orogoale se e solao se è simmerica). Allora z N(, 0 I ) z P z χ. Segue dalla precedee o appea si osserva che z P z z z e z N(, 0 ). ( ) 5