riassumendo: ipotesi per ols 1.modello lineare 2.x e y sono frutto di osservazioni indipendenti 3.x...
TRANSCRIPT
![Page 1: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/1.jpg)
Riassumendo: ipotesi per OLS
1. Modello lineare
2. X e Y sono frutto di osservazioni indipendenti
3. X è di rango pieno
4. I residui hanno media = 0
5. I residui sono omoschedastici e incorrelati
6. X è non-stocastica
Neghiamo la 5:
E(’)=
![Page 2: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/2.jpg)
E(’)=
Naturalmente è una matrice simmetrica positiva definitaAllora si può scomporre secondo i suoi autovalori/autovettori:
diagonalematriceautovalori
iautovettorC
CC
'
![Page 3: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/3.jpg)
PARENTESI: Autovalori () e autovettori (C)
Sono la soluzione del sistema:
Il numero di soluzioni (autovalori) è pari alla dimensione della matrice
360)(
1892)4)(5()(
42
15)(
42
15:
0)(
0)(
21
2
oseIDet
IDet
IEs
IDetsesoluzione
CI
![Page 4: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/4.jpg)
PARENTESI: Autovalori e autovettori
Abbiamo torniamo all’equazione iniziale e troviamo C
2121
2121
2
1
2
1023
06
042
15:
0)(
1'
0)(
cccc
cccc
c
cEs
IDetsesoluzione
CCvincoloilsotto
CI
Per trovare i valori di C (autovalori) dobbiamo sfruttare il vincolo:
51
51
2
13
21
216
21
21
Ccc
Ccc
![Page 5: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/5.jpg)
IPPVcon
XYotteniamo
PPXPYcioèXY
perpesocomePusiamo
PPPC
diagonalematriceautovalori
iautovettorC
CC
212*
***
121
')(
""
''
'
Si possono utilizzare OLS sui dati trasformati !!!!
![Page 6: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/6.jpg)
YXXXb
PYPXPXPXYXXXb
OLS
iautovettorC
CC
11*
1**1***
')'(
'')''(')'(
:
'
Stimatore GLS
![Page 7: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/7.jpg)
Un esempio numerico OLS:
y x x'
20 1 10 1 1 1
30 1 0 10 0 5
40 1 5
OLS
X'X (X'X)-1 X'Y B
3 15 0,83 -0,10 90 35
15 125 -0,10 0,02 400 -1
![Page 8: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/8.jpg)
Un esempio numerico GLS_1:
y x x'
20 1 10 1 1 1
30 1 0 10 0 5
40 1 5
() 1
0,5 0 0 2 0 0
0 0,2 0 0 5 0
0 0 0,3 0 0 3,333
GLS
X'() 1 (X'()-1X)
2 5 3,333 10,33 36,67
20 0 16,67 36,67 283,3
(X'()-1X)-1 X'()-1Y B
0,18 -0,02 323,3 33,16
-0,02 0,01 1067 -0,53
![Page 9: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/9.jpg)
![Page 10: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/10.jpg)
112
11
)'()(
)(
')'(
XXBV
BE
YXXXB
nota
GLS
oRiassumend
NB. Non esiste un corrispondente dellindice di Determinazione Lineare
la funzione minimizzata e le sue statistiche riguarda gli * non gli
Che il modello “pesato” abbia un buon adattamento, poco dice su quello originale
![Page 11: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/11.jpg)
Caso di non noto, stima FGLS
Cioè va stimata, con non pochi problemi:
, in generale, ha n(n+1)/2 parametri, ovviamente non è possibile stimarlaDirettamente a partire da n osservazioni
Dobbiamo imporre qualche restrizione, cioè ipotizzare che dipenda daun numero (ristretto) di parametri, cioè che sia esprimibile nella forma
= ()
Cioè dobbiamo ipotizzare un modello per la Var-Covar del fenomeno
![Page 12: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/12.jpg)
Determinata la forma della non noto, la stima FGLS consiste in processo iterativo
Con i seguenti passi:
aconvergenzafinoripeti
conGLSbstima
parametrodelstimamediantestima
MLEoppureOLSignorandobstima
3,2
ˆ:3
ˆ:2
)(:1
NB!! Solo MLE garantisce la convergenza,
alcune strutture di non sono “trattabili” partendo da OLS
![Page 13: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/13.jpg)
Alcuni esempi di modelli di VAR-COVAR
Diversa per ogniEffetto fisso
costante ogniEffetto fisso
Max eterogeneità
Max eterogeneitàA bande
AutoregressivoOrdine 1
![Page 14: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/14.jpg)
Moving averageOrdine q-1
Moving averageOrdine 2
Correlazione spazialeF(distanza)
![Page 15: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/15.jpg)
AR(1)eterogeneo
Simmetricoeterogeneo
fattorialeeterogeneo
![Page 16: Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X è di rango pieno 4.I residui hanno media = 0 5.I residui](https://reader034.vdocuments.site/reader034/viewer/2022051515/5542eb50497959361e8bf3a3/html5/thumbnails/16.jpg)