metodi quantitativi per economia finanza e management lezione n 14 riassunto e case study n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Metodi Quantitativi per Economia, Finanza e Management Lezione n°14 Riassunto e Case Study PowerPoint Presentation
Download Presentation
Metodi Quantitativi per Economia, Finanza e Management Lezione n°14 Riassunto e Case Study

Loading in 2 Seconds...

play fullscreen
1 / 19

Metodi Quantitativi per Economia, Finanza e Management Lezione n°14 Riassunto e Case Study - PowerPoint PPT Presentation


  • 136 Views
  • Uploaded on

Metodi Quantitativi per Economia, Finanza e Management Lezione n°14 Riassunto e Case Study. Valutazione. La valutazione del lavoro di gruppo avverrà tenendo conto dei seguenti criteri: – 30%: completezza analisi – 30%: qualità e correttezza dell’analisi

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

Metodi Quantitativi per Economia, Finanza e Management Lezione n°14 Riassunto e Case Study


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
    Presentation Transcript
    1. Metodi Quantitativi per Economia, Finanza e ManagementLezione n°14Riassunto e Case Study

    2. Valutazione • La valutazione del lavoro di gruppo avverrà tenendo conto dei seguenti criteri: • – 30%: completezza analisi • – 30%: qualità e correttezza dell’analisi • – 30%: implicazioni economico-manageriali • – 10%: editing • Dovràessereconsegnato • Report cartaceo in formato .ppt • CD Rom contenente il questionario, report in formato .ppt, file di dati in formato xls o SAS, programma SAS e output con le elaborazioni SAS.

    3. L’analisi statistica dei dati Statistica descrittivainsieme dei metodi che riguardano la rappresentazione e sintesi di un insieme di dati al fine di evidenziarne le caratteristiche principali Statistica inferenziale insieme dei metodi che permettono la stima di una caratteristica di una popolazione basandosi sull’analisi di un campione Totalità degli elementi presi in esame dalla indagine Misura riassuntiva, calcolata sui dati campionari, utile per descrivere una caratteristica non nota della popolazione La parte di popolazione selezionata per l’analisi

    4. Percorso di Analisi

    5. Matricedeidati: riconoscere la tipologiadeidati scale di preferenza numeriche: si usano come var quantitative variabili quantitative discrete variabilequantitativa continua variabili qualitative

    6. Obiettividell’analisiunivariata • studio della distribuzione di ogni variabile, singolarmente considerata, all’interno della popolazione • lettura dei fenomeni osservati di rapida ed immediata interpretazione • Data Audit • Errori di imputazione • Datimancanti (missing) • Valorianomali (outliers) • Analisipreliminari

    7. Strumenti per l’analisiunivariata • Distribuzioni di frequenza • Misure di sintesi • Misure di posizione • Misure di dispersione • Misuredella forma delladistribuzione • Variabili qualitative e quantitative discrete e variabili “punteggio” • Variabili quantitative (continue e discrete) e variabilipunteggio

    8. Percorso di Analisi

    9. Statistica descrittiva bivariata Indaga la relazione tra due variabili misurate. Si distingue rispetto alla tipologia delle variabili indagate:

    10. Teststatistici per lo studio dell’associazionetravariabili

    11. Percorso di Analisi

    12. Analisi Fattoriale – cosa è E’ una tecnica descrittiva/esplorativa per l’analisi delle relazioni lineari (correlazioni) esistenti tra variabili quantitative. Nelle applicazioni è usata anche con variabili qualitative ordinali che esprimono scale di preferenza numeriche (punteggi). A partire da una matrice di dati nxp con p variabili originarie, consente di sintetizzare l’informazione in un set ridotto di variabili trasformate (le componenti/i fattori latenti). Perché sintetizzare? • se l’informazione è condivisa tra più variabili correlate tra loro, è ridondante utilizzarle tutte; • la sintesi comporta una perdita di informazione non rilevante e semplifica le analisi successive.

    13. Analisi Fattoriale – Step di analisi • Analisisoluzione • Rotazionefattori • Interpretazionefattori • Produzione dataset con fattori • Numero di fattori • RegolaAutovalori >1 • Lettura SCREEPLOT • 1/3 variabilioriginali • Variabilitàspiegata 60%-75% • Confrontosoluzioniscelte • Comunalitàfinali

    14. Regressione Lineare Regressione Logistica Regressione – impostazione del problema • variabile dicotomica variabile quantitativa continua

    15. Il modello di regressione - Obiettivi • Esplicativo - Stimare l’influenza dei regressori sulla variabile target. • Predittivo - Stimare il valore non osservato della variabile target in corrispondenza di valori osservati dei regressori. • Comparativo - Confrontare la capacità di più regressori, o di più set di regressori, di influenzare il target (= confronto tra modelli di regressione diversi).

    16. Regressione lineare - steps • Individuazione variabili dipendente e regressori • Trasformazione di eventuali variabili qualitative in dummy • Stimare un modello di regressione lineare utilizzando la procedura automatica di selezione delle variabili (stepwise) • Controllarela bontà del modello (R-square, Test F) • Controllarela significativitàdeisingolicoefficienti (Test t) • Analisi di influenza con i soli regressorisceltinella stepwise. • Se si è in presenza di osservazioniinfluenti: eliminarle e ripetereipunti 3, 4, 5 • In assenza di osservazioniinfluenti: passare al punto 7

    17. Regressione lineare - steps • Verificare la presenza di multicollinearità (se i regressori del modello sono i fattori di un’analisi fattoriale non è necessario perchèrisultano non correlati per costruzione  tutti i VIFj =1) • Se si è in presenza di multicollinearità: azioni per eliminarla e ripetereipunti 3, 4, 5, 6 • In assenza di multicollinearità: passare al punto8 • Verificarel’impattodeiregressorinellaspiegazione del fenomeno (ordinarliusandoilvaloreassolutodeicoefficientistandardizzati e controllareil segno deicoefficienti) • Interpretazionedel coefficientistandardizzati

    18. Regressione logistica - steps • Individuare la variabile oggetto di analisi (variabile dipendente dicotomica (0/1)) e i potenziali regressori (variabili quantitative o dummy) • Stimare un modello di regressione logistica utilizzando il metodo di selezione automatica STEPWISE per selezionare le variabili • Valutare: • la bontà del modello (percentuale di Concordant e altre misure di associazione tra valori predetti e valori osservati) • la significatività congiunta dei coefficienti (Likelihood ratio test/Score test/Wald test ) • la significatività dei singoli coefficienti stimati (Wald Chi-square test)

    19. Regressione logistica - steps • Valutare la presenza di multicollinearità tra i regressori(analogalmente alla regressione lineare si usa la PROC REG con opzione VIF) • Importanzadeiregressori e analisidei segni