Appunti VERIFICATO

Appunti statistical modeling

Università degli Studi di MILANO-BICOCCA data science 2020
103 visualizzazioni
Nessun voto ancora
Condividi: WhatsApp Telegram

Di cosa parla

Riassunto AI · si legge in un minuto

Il testo analizza le violazioni delle ipotesi del modello lineare classico, concentrandosi su eteroschedasticità e autocorrelazione degli errori. Si evidenzia che l'eteroschedasticità riduce l'efficienza degli stimatori OLS senza comprometterne la correttezza, mentre l'autocorrelazione altera le proprietà di inferenza. Vengono descritti metodi diagnostici come i test di White e Breusch-Pagan per l'eteroschedasticità e l'analisi dei residui per l'autocorrelazione. Infine, si propone il metodo WLS come soluzione appropriata per correggere questi problemi e ottenere stime efficienti.
Leggi il riassunto completo
  • Il modello lineare classico richiede che gli errori siano omoschedastici e non correlati per garantire che lo stimatore OLS sia BLUE (Best Linear Unbiased Estimator), garantendo efficienza, correttezza e consistenza.
  • In presenza di eteroschedasticità o autocorrelazione degli errori, sebbene le stime rimangano corrette, si perde l'efficienza dello stimatore OLS e i test statistici come quello t e F diventano non affidabili con intervalli di confidenza distorti.
  • Per diagnosticare la presenza di eteroschedasticità o autocorrelazione è possibile utilizzare sia metodi analitici basati su test specifici come White, Breusch-Pagan e Durbin-Watson, sia metodi grafici tramite scatter plot dei residui.
  • Quando gli errori sono correlati nel tempo o nello spazio, il modello lineare classico non è più adeguato e si ricorre a tecniche di stima avanzate come i Minimi Quadrati Generalizzati (GLS) o i Minimi Quadrati Ponderati (WLS).
  • I modelli multivariati generalizzati e le regressioni multilevel rappresentano estensioni necessarie per gestire strutture dati complesse, gerarchiche o non lineari che violano le ipotesi semplificative dei modelli classici.

Riassunto generato con l'intelligenza artificiale a partire dagli appunti. Come lo facciamo

Anteprima pagina 1 — Appunti statistical modeling Anteprima pagina 2 — Appunti statistical modeling Anteprima pagina 3 — Appunti statistical modeling Anteprima pagina 4 — Appunti statistical modeling

Stai vedendo l'anteprima delle prime pagine. Registrati per sbloccare le pagine restanti.

Studia questi appunti con l'AI

Riassunto e domande d'esame sono gratis: chiedili e ti mandiamo un'email quando sono pronti.

Registrati e scarica gratis questo appunto.

Simula l'esame con domande costruite su questi appunti.

Altri appunti di STATISTICAL MODELING

Condividi questi appunti

WhatsApp Telegram