Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
vuoi
o PayPal
tutte le volte che vuoi
3) Modello vincolato secondo le hp. nulla al p.to 2.
h0: β2 = β3 ; β5 = β6 ; β1 = 0
yt = β0 + β1 x1t + β2 x2t + β3 x3t + β4 yut + β5 x5t + εt
yt = β0 + β2 x2t + β3 x3t + β4 yut + β5 x5t + εt
yt = β0 + β3 x3t + β3 x2t + β4 xut + β5 x5t + εt
yt = β0 - β3 x2t + β3 x3t + (β5 - λ) xut + β5 xut + εt
= β0 + β3 (x3t - x2t) + β5 (x4t + x5t) = xut + εt
(x*5t)
yt + xut = β0 + β3 x*3t + β5 x*5t + εt
y*t = β0 + β3 x*3t + β5 x*3t + τ εt
dove {
y*t = yt - xut
x*3t = x3t - x2t
x*5t = xut + τ x5t
2. H0: β2=β3 e β5−β4=1 e β1=0
Restrizioni
Numero di restrizioni
3. Scrivere il modello vincolato considerando le diverse ipotesi H0 elencate sopra
- a) H0: β2=β4=β5
⇒ yt = β0 + β4x4t + β2x2t* + β3x3t* + εt
dove x3t* = x3t + x4t + x5t
- b) H0: β2=−β3; β5−β4=1; β1=0
⇒ yt* = β0 + β2x2t* + β4x4t* + εt
dove
yte = yte − x5t
x3te = x2t − x3e
x4te = y4t + x5e
4. Trovare lo stimatore β2 di β2 sotto le ipotesi H0 date sopra
Gli stimatori β1 e β3, sotto le ipotesi H0, si ricavano applicando adeguatamente
la formula usuale dei minimi quadrati βᵼ = (X'X)−1 X'y delle
forme stimabili trovate in 2
Uso il modello MULTINOMIATO:
yt* = β2x2t* + β4x4t * + εt
X =
... Vedi avanti gli altri
β̂as = (X'X)−1 X'y
St: = 4
= 1/2(y3+y4)
yt3 = Σ yt-I = yt-0 + yt-1 + yt-2
= y3 + y2 + y1
= y4 + y3 + y2
τ = 1/2(y3+y2+y1 + y4+y3+y2 )=
= 1/2(2y3+2y2+y4+y4)
(sono passi dividere!)
V(er) = 1/4 (V(2y3)+V(2y2)+V(y4)+V(y4)) =
(
= 1/4 (4+4+1+1)= 10/4
(0τ: )
=
V(0τ) = 1/(T-2)2 V(Σ t=3(yt+yt-1+yt-2) ) =
= 1/(T-2)2 V(Σ t=3 yt-1 + Σ t=3 yt-2) =
= 1/(T-2)2 V(Σ t=3 yt) + V( ) + V( ) + 2 Cov( ) - -
C'è un pezzo che non si legge
+ 2 cov(...)
ce ne sono tanti, non puoi mettere a caso
soluzione:
V(θ̂T) =
3. Si verifichi se la varianza calcolata è non negativa.
V(θ̂T) > 0 ⟺
T > 2,8
Condizione soddisfatta dalle condizioni del problema.
4. limT→∞ Var(θ̂T)
5. ll p lim(θ̂T)
1) limT→∞ E(θ̂T) = 0 = 0
2) limT→∞ U(θ̂T) = 0
Esercizio 2
Si consideri il seguente modello di regressione:
yi = α + βxi + εi i = 1,...,60
dove il termine di errore soddisfa le usuali ipotesi del modello di regressione lineare. La stima della regressione su 60 osservazioni produce i seguenti risultati:
yi = -9 + 1.1xi + ei
RSS = 170 e R2 = 0.85
dove R2 è il coefficiente di determinazione, ei sono i residui e la matrice di varianza e covarianza degli stimatori â e b̂ è pari a
- 6.0 -0.1
- -0.1 1.0
- Si verifichi la significatività della stima â al livello di significatività del 5%.
- Si verifichi il vincolo H0: β = 1 al livello di significatività del 5%.
- Si verifichi il vincolo H0: α + 2β = 1 al livello di significatività del 5%.
- Si proponga il test opportuno per verificare l'ipotesi di significatività congiunta di b̂2, b̂3 e b̂4 nel modello generale:
yi = α + β2x2i + β3x3i + β4x4i + εi
dove sono state introdotte ulteriori variabili esplicative, sapendo che sono state utilizzate le stesse 60 osservazioni e che ora R2 = 0.90.
-
Verifica significatività α Liv. Signif. 0,05 :
- H0: α = 0
- H1: α ≠ 0
FACIO iTEST T di student perché è un solo β̂:
T = alfa / s.e.(X) ∼ t(n-1)
Signif.
- -9 - 0
- √6
T = -3,6
RIFIUTO H0
Quindi ACCETTO H1 − Quindi α è significativo al livello 0.05
-
Verifica H0: β = d al livello signif. 0,05 :
- H0: β = 1
- H1: β ≠ 1
T = β̂ - β0 / s.e.(β̂) = (1.1 - 1) / √0.1
ACETTO H0
1. Si mostri che lo stimatore OLS di β = (β1,β2)' è β̂ = (X'X)-1X'y dove X = (x1,x2) e β̂ = (β̂1,β̂2)'.
2. Si mostri usando l'assunzione di ortogonalità dei due regressori che β̂1 = ∑(xiyi) / ∑(xi)2 e β̂2 = ∑(x2iyi) / ∑(x2i)2
Sviluppo: β̂as = (X'X)-1X'y
3. Trovare E(β̂1) e E(β̂2) e dire se gli stimatori al punto precedente sono corretti.
Università Ca’ Foscari di Venezia
Dipartimento di Economia
Anno accademico: 2015/16
Introduzione all’econometria
prof. Roberto Casarin
prof. Domenico Sartore
Data: 01/06/2016
Durata del compito: 1 ora e 30 minuti
NB:
- E’ ammessa la sola consultazione del libro di testo, ma non degli appunti;
- E’ ammesso l’uso di pocket calculator ma non del telefono cellulare.
Esercizio 1
Dato il vettore di v.c. xt~NID(0,σ2), t = 1,2,...,T, si consideri la variabile casuale definita da:
y = (Σtxt)/T => Media campionaria = x̄~ N (0; σ2/T)
Si trovi la distribuzione di y.
x̄ = Σtxt/T ~N (0,σ2T) => (x1+...+xT) =(√T)(x̄) = (1/√T)N (0,σ2)
= 1/√T N (0;σ2)
= N(0;(1/√T)2) => (1/σ)(0) (2/22)(√T)2) = (N (0,2σ2/T2) = N (0,2σ2/T2) = N (0, 2σ2/T)
Si definisca ora la nuova variabile casuale z:
z = 1/σ2 y2 = 1 D Nuetodo
a) Si calcoli E(z)
E(z) = E(T/2 y2) = T/2 E(y2)
= E(y2) = E(x̄2) - E(x)2) = v(y) + E2(x) => E(z2) = 2σ2/T + σ = 2σ2/T
b) Trovare Var(z)
v(z) = E(T/2 y2) - E(z)2 = E(T/2 y2) - 1 - Σ = T2/22 (V(y)2) - 1 =
= 1/T2/2 2σ2/T - 1 = 2
c) Dire come si distribuisce la v.c. z
[Sugg: Si ricordi che se v~N(0,σ) allora |Y|2 = 3σ√π-1]
z ~ χ2 1
E((χ2 1)k) > 1
V((χ2 1)k) > 2