Metodi Quantitativi per Economia, Finanza e Management Lezione n°11 - PowerPoint PPT Presentation

metodi quantitativi per economia finanza e management lezione n 11 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Metodi Quantitativi per Economia, Finanza e Management Lezione n°11 PowerPoint Presentation
Download Presentation
Metodi Quantitativi per Economia, Finanza e Management Lezione n°11

play fullscreen
1 / 32
Metodi Quantitativi per Economia, Finanza e Management Lezione n°11
113 Views
Download Presentation
temira
Download Presentation

Metodi Quantitativi per Economia, Finanza e Management Lezione n°11

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Metodi Quantitativi per Economia, Finanza e ManagementLezione n°11

  2. Analisi fattoriale Quando le variabili considerate sono numerose spesso risultano tra loro correlate. Numerosità e correlazione tra variabili porta a difficoltà di analisi => ridurre il numero (semplificando l’analisi) evitando, però, di perdere informazioni rilevanti. L’Analisi Fattoriale è una tecnica statistica multivariata per l’analisi delle correlazioni esistenti tra variabili quantitative. A partire da una matrice di dati : X(nxp), con “n” osservazioni e“p” variabili originarie, consente di sintetizzare l’informazione in un set ridotto di variabili trasformate (i fattori latenti).

  3. i = 1, ........., p k << p CFi = Common Factori UFi = Unique Factori Analisi fattoriale Le ipotesi del Modello Fattoriale Variabili Quantitative x1, x2, ......, xi, ......... xp Info xi = Info condivisa + Info specifica Var xi = Communality + Var specifica xi = f(CF1, ....,CFk) + UFi Corr (UFi , UFj) = 0 per i ^= j Corr (CFi , CFj) = 0 per i ^= j Corr (CFi , UFj) = 0 per ogni i,j

  4. Analisi fattoriale Factor Loadings & Factor Score Coefficients xi = li1CF1 + li2CF2 + .... + likCFk + UFi li1, li2,........,lik factor loadings i = 1, ........., p significato fattori CFj = sj1x1 + sj2x2 + .............. + sjpxp sj1, sj2,........,sjp factor score coeff. j = 1, ....., k << p costruzione fattori

  5. Analisi fattoriale Metodo delle Componenti Principali • I fattori calcolati mediante il metodo delle CP sono combinazioni lineari delle variabili originarie • Sono tra loro ortogonali (non correlate) • Complessivamente spiegano la variabilità delle p variabili originarie • Sono elencate in ordine decrescente rispetto alla variabilità spiegata CPj = sj1x1 + sj2x2 + .............. + sjpxp

  6. Analisi fattoriale Metodo delle Componenti Principali Il numero massimo di componenti principali è pari al numero delle variabili originarie (p). La prima componente principale è una combinazione lineare delle p variabili originarie ed è caratterizzata da varianza più elevata, e così via fino all’ultima componente, combinazione sempre delle p variabili originarie, ma a varianza minima. Se la correlazione tra le p variabili è elevata, un numero k<<p (k molto inferiore a p) di componenti principali è sufficiente rappresenta in modo adeguato i dati originari, perché riassume una quota elevata della varianza totale.

  7. Analisi fattoriale I problemi di una analisi di questo tipo sono: a) quante componenti considerare b) come interpretarle

  8. Analisi fattoriale Quante componenti considerare? • metodo degli autovalori >1 • rapporto tra numero di componenti e variabili (circa 1/3) • percentuale di varianza spiegata (almeno 60%) • lo SCREE PLOT (plot di autovalore vs il numero di fattori) Se il plot mostra un “gomito” è plausibile ipotizzare l’esistenza di una struttura latente, se la forma è quasi rettilinea significa che i fattori sono solo una trasformazione delle variabili manifeste. I fattori rilevanti sono quelli al di sopra del gomito (a discrezione anche quello in corrispondenza del gomito). Se non ci sono fattori predominanti il criterio è inadatto. • le comunalità • interpretabilità delle componenti e loro rilevanza nella esecuzione dell’analisi successive

  9. Analisi fattoriale Come interpretarle? • rotazione delle componenti La rotazione ortogonale nello spazio dei fattori non influenza la validità del modello: sfruttiamo questa caratteristica per ottenere dei fattori più facilmente interpretabili. • correlazioni tra componenti principali e variabili originarie

  10. Analisi Fattoriale • Sono stati individuati 20 attributi caratterizzanti il prodotto-biscotto • È stato chiesto all’intervistato di esprimere un giudizio in merito all’importanza che ogni attributo esercita nell’atto di acquisto • Qualità degli ingredienti • Genuinità • Leggerezza • Sapore/Gusto • Caratteristiche Nutrizionali • Attenzione a Bisogni Specifici • Lievitazione Naturale • Produzione Artigianale • Forma/Stampo • Richiamo alla Tradizione • Grandezza della Confezione (Peso Netto) • Funzionalità della Confezione • Estetica della Confezione • Scadenza • Nome del Biscotto • Pubblicità e Comunicazione • Promozione e Offerte Speciali • Consigli per l’Utilizzo • Prezzo • Notorietà della Marca

  11. Analisi fattoriale

  12. 1. The ratio between the number of components and the variables: One out of Three 20 original variables 6-7 Factors

  13. 2. The percentage of the explained variance: the higher the better! between 60%-75% is good

  14. Factor Analysis 3. The scree plot : The point at which the scree begins

  15. 4. Eigenvalue: Eigenvalues>1

  16. Factor Analysis

  17. Analisi Fattoriale

  18. 5. Communalities: The quote of explained variability for each input variable must be satisfactory In the example the overall explained variability (which represents the mean value) is 0.61057

  19. Factor Analysis • 6. Interpretation: Component Matrix (factor loadings) • The most relevant output of a factorial analysis is the so called “component matrix”, which shows the correlations between the original input variables and the obtained components (factor loadings) • Each variable is associated specifically to the factors (components) with which there is the highest correlation • The interpretation of the each factor has to be guided considering the variables with the highest correlations related to single factor

  20. 6. Interpretation: Correlation between Input Vars & Factors The new Factors must have a meaning based on the correlation structure

  21. 6. Interpretation: The correlation structure between Input Vars & Factors In this case the correlation structure is well defined and the interpretation phase is easier

  22. Factor Analysis Issues of the Factor Analysis are the following: a) How many Factors (or components) need to be considered 6. The degree of the interpretation of the components and how they affect the next analyses b) How to interpret • The correlation between the principal components and the original variables • The rotation of the principal components

  23. Factor Analysis • 6. Interpretation: The rotation of factors • There are numerous outputs of factorial analysis which can be produced through the same input data • These numerous outputs don’t provide interpretation that are remarkably different from one another, as matter of fact they differ only slightly and there are areas of ambiguity

  24. CFj CF*i CF*j x1 x2 CFi The coordinates of the graph are the factor loadings Factor Analysis x4 x3 Interpretation of the factors

  25. Factor Analysis • 6. Interpretation: The rotation of factors • The Varimax method of rotation, suggested by Kaiser, has the purpose of minimizing the number of variables with high saturations (correlations) for each factor • The Quartimax method attempts to minimize the number of factors tightly correlated to each variable • The Equimax method is a cross between the Varimax and the Quartimax • The percentage of the overall variance of the rotated factors doesn’t change, whereas the percentage of the variance explained by each factors shifts

  26. Analisi Fattoriale Before the rotation step

  27. Analisi Fattoriale After the rotation step

  28. 5. Communalities: The communalities don’t change after the Rotation Step

  29. 6. Interpretation: The correlation structure between Input Vars & Factors improves after the rotation step

  30. 6. Interpretation: The correlation structure between Input Vars & Factors The variable with the lowest communality is not well explained by this solution

  31. Factor Analysis • Once an adequate solution is found, it is possible to use the obtained factors as new macro variables to consider for further analyses on the phenomenon under investigation, thus replacing the original variables; • Again taking into consideration the example, we may add six new variables into the data file, as follows: • Health, • Convenience & Practicality, • Image, • Handicraft, • Communication, • Taste. • They are standardized variables: zero mean and variance equal to one. • They will be the input for further analyses of Dependence or/and Interdependence.

  32. Indentification of the input variables Standardization P.C. methods first findings Number of factors Rotation Interpretation Factor Analysis