Statistica economica

β=(XX') X'

Quali sono le finalità di un modello di regressione multipla?

4. espositiva; interpretativa e previsiva

verifica; interpretativa e previsiva

descrittiva; interpretativa e previsiva

descrittiva; esecutiva e previsiva calcola l’intervallo

Quale è la notazione con cui si di confidenza per il vettore dei coefficienti del modello di regressione

5. lineare multipla in forma matriciale?

bj ±tα/2 *cov(bj)

bj ±tα/2 *s(bj)

±tα/2

bj

bj±s(bj)

Lezione 019

Quali sono le linee di codice di R per calcolare l'ANOVA del modello di regressione logistica dati i valori

1.

della variabile dipendente dicotomica y (1,1,0,1,0,0,1,1,0,1,1,1,0,1) e delle variabili indipendenti x1

(312,344,307,311,401,298,345,367,444,376,598,509,311,265), x2

(121,102,132,127,177,104,148,171,215,198,109,156,108,143) e x3

(4154,4532,3988,3722,3946,3211,4021,4724,5432,5033,4598,4817,2111,3278) ?

modello<-lm(y~x1+x2+x3); anova(modello)

modello<-lm(y~ x2+x3); anova(modello)

modello<-glm(y~x1+x2+x3, family = binomial (link=logit));anova(modello)

modello<-lm(x1+x2+x3); anova(modello)

Qual’è l’errore

la notazione con cui si calcola in un modello di regressione logistica?

2. ε π

= (x)

ε = Y-π

ε = Y-x

ε = Y-π (x)

Quali sono le linee di codice di R per calcolare l'output del modello 2 di regressione probit con tutti i valori

3.

caratteristici dati i valori della variabile dipendente dicotomica y (1,1,0,1,0,0,1,1,0,1,1,1,0,1) e delle variabili

indipendenti x1 (312,344,307,311,401,298,345,367,444,376,598,509,311,265), x2

(121,102,132,127,177,104,148,171,215,198,109,156,108,143) e x3

(4154,4532,3988,3722,3946,3211,4021,4724,5432,5033,4598,4817,2111,3278) ?

modello2<-glm(y~x1+x2+x3, family = binomial (probit)); summary(modello2)

modello2<-glm(y~x1+x2, family = binomial (link=probit)); summary(modello2)

modello2<-glm(y~x1+x2+x3, family = binomial (link=probit)); summary(modello2)

modello2<- (y~x1+x2+x3, family = binomial (link=probit)); summary(modello2)

Quali sono le linee di codice di R per calcolare l'output del modello di regressione logistica (logit) con tutti i valori

4.

caratteristici dati i valori della variabile dipendente dicotomica y (1,1,0,1,0,0,1,1,0,1,1,1,0,1) e delle variabili

indipendenti x1 (312,344,307,311,401,298,345,367,444,376,598,509,311,265), x2

(121,102,132,127,177,104,148,171,215,198,109,156,108,143) e x3

(4154,4532,3988,3722,3946,3211,4021,4724,5432,5033,4598,4817,2111,3278)

modello<-glm(y~x1+x2+x3, (link=logit));summary(modello)

modello<-glm(y~x1+x2+x3, family = binomial);summary(modello)

modello<-lm(y~x1+x2+x3, family = binomial (link=logit));summary(modello)

modello<-glm(y~x1+x2+x3, family = binomial (link=logit));summary(modello)

In un modello di regressione logistica come deve essere la variabile dipendente?

5. diretta

latente

indiretta

dicotomica

l’equazione

Quale è del Modello di regressione logistica?

6. ε

Y = (x)+

π ε

Y = (x)+

π ε

Y = +

Y = π (x)

Lezione 020

La notazione per il calcolo del modello di regressione con dati panel a effetti fissi può essere espresso anche nella

1.

seguente forma, tenuto conto che occorre stimare il numeri di intercette presenti nel modello stesso?

= β1Xit+ αi

Yit +eit

αi

Yit =Xit+ +eit

=β1Xit+

Yit eit

=β1Xit+αi

Yit

Quando un modello di regressione con dati panel si dice bilanciato?

2. tutte le osservazioni sono presenti sia in termini di unità statistiche (i) che in termini di periodi (t)

nessuna osservazione è presente sia in termini di unità statistiche (i) che in termini di periodi (t)

tutte le osservazioni sono presenti sia in termini che in termini di periodi (t)

tutte le osservazioni sono presenti sia in termini di unità statistiche (i)

Qual’è la notazione del modello di regressione con dati panel a effetti fissi?

3. =β0+ +β2

Yit Xit Zi+eit

=β0+ β1Xit+β2Zi+eit

Yit =β0+ β1

Yit Xit + Zi+eit

= β1 +β2

Yit Xit Zi+eit

Quali sono le linee di codice di R per calcolare la regressione per dati panel del modello 2 whitin ad effetti fissi a due vie per

4. il data frame Grunfeld?

modello2 <- plm(inv ~ value + capital,data = Grunfeld, model = "within",effect = "twoways"); summary(modello2)

modello2 <- plm(inv ~ value + capital,data = Grunfeld, effect = "twoways"); summary(modello2)

modello2 <- plm(inv + capital,data = Grunfeld, model = "within",effect = "twoways"); summary(modello2)

modello2 <- plm(inv ~ value + capital, model = "within",effect = "twoways"); summary(modello2)

Quali sono le linee di codice di R per calcolare la regressione per dati panel del modello 1 pooling per il data frame

5. Grunfeld?

modello1 <- lm(inv ~ value + capital,data = Grunfeld, model = "pooling"); summary(modello1)

modello1 <- plm(value + capital,data = Grunfeld, model = "pooling"); summary(modello1)

modello1 <- plm(inv ~ value + capital,data = Grunfeld, model = "pooling"); summary(modello1)

modello1 <- plm(inv ~ value + capital,data = Grunfeld); summary(modello1)

Quali sono le linee di codice di R per calcolare l'ANOVA del modello di regressione con dati Panel con variabile

6.

dipendente y e variabili indipendenti x1, x2, x3 e x4?

lm(y~x1+x2+x3+x4); anova(modello1)

modello1<-lm(y~x1+x2+x3+x4); anova(modello1)

modello1<-(y~x1+x2+x3+x4); anova(modello1)

modello1<-lm(y~x1+x2+x3); anova(modello1)

Quali sono le linee di codice di R per calcolare l'output della regressione per dati panel del modello 1 dati i valori del

7.

modello 1 con variabile dipendente y e variabili indipendenti x1, x2, x3 e x4?

modello1<-lm(y~x1+x2+x3+x4); summary(modello1)

modello1<-lm(y~x1+x3+x4); summary(modello1)

modello1<-lm(y~x1+x2+x3+x4); modello1

modello1<-lm(y~x1+x2+x3); summary(modello1)

Lezione 021

Quali sono i concetti base del data warehouse?

1. Fatto, Misura, Dimensione e Evento

Misura, Dimensione e Evento

Misura e Dimensione

Fatto

Su quanti punti si fonda lo studio dei sistemi direzionali o decisionali?

2. evoluzione; il modello dei dati multidimensionale; scenari decisionali

evoluzione; architettura; il modello dei dati multidimensionale

architettura; il modello dei dati multidimensionale; scenari decisionali

evoluzione; architettura; il modello dei dati multidimensionale; scenari decisionali

‘70?

Come si evolve la generazione dei sistemi direzionali o decisionali degli anni

3. dalle decisioni concordate ai Decision Support Systems (DSS)

dal Management Information Systems (MIS) ai Decision Support Systems (DSS)

dal Transaction Processin Systems (TPS) ai Decision Support Systems (DSS)

dal Decision Support Systems (DSS) al Management Information Systems (MIS)

Lezione 022

Qual’è

01. la definizione di varietà in un modello con "Big Data"?

dati strutturati, semi-strutturati, non strutturati; Immagini, Audio, Video, Record

dati strutturati, semi-strutturati, strutturati; Testi, Immagini, Audio, Video, Record

dati strutturati, semi-strutturati, non strutturati; Testi, Immagini, Audio, Video, Record

dati strutturati, strutturati, non strutturati; Testi, Immagini, Audio, Video, Record

Su quali dimensioni si sviluppano i "Big Data"?

2. volume, velocità, varietà

volume, velocità, varietà e valore

volume, varietà e capacità

volume, velocità, valore

Che cosa s'intende per "cloud computing"?

3. è una tecnologia che consente di usufruire di risorse software e hardware

è una tecnologia che consente di usufruire di risorse software

è una tecnologia che consente di usufruire, tramite server remoto, di risorse hardware

è una tecnologia che consente di usufruire, tramite server remoto, di risorse software e hardware

Lezione 023

Quali sono le linee di codice di R per individuare la e/o le componenti principali con valori standardizzati?

01.

pc1<- princomp(df[, 2:4], cor = TRUE);summary(pc1);round(cor(df[, 2:4], 2)

pc1<- princomp(cor = TRUE);summary(pc1);round(cor(df[, 2:4], pc1$scores[, 1:3]), 2)

pc1<- princomp(df[, 2:4], cor = TRUE);summary(pc1);round(cor(df[, 2:4])

pc1<- princomp(df[, 2:4], cor = TRUE);summary(pc1);round(cor(df[, 2:4], pc1$scores[, 1:3]), 2)

Partendo dalla matrice degli scarti standardizzati come devono espresse le variabili?

2. in una unità di misura diversa

nella stessa unità di misura e ordine di grandezza differenti

nella stessa unità di misura

nella stessa unità di misura e ordine di grandezza uguali

Di quali proprietà godono le ACP ?

3. combinazioni lineari, ordine decrescente rispetto alla varianza

combinazioni lineari, non correlazione

combinazioni lineari, non correlazione, ordine decrescente rispetto alla varianza

non correlazione, ordine decrescente rispetto alla varianza

Lezione 24 nell’analisi

1. Quali attitudini devono avere le variabili ACP per la Customer Satisfaction?

identificatrice, discriminante ed esplicativa

identificatrice, indiscriminante ed esplicativa

identificatrice, discriminante

discriminante ed esplicativa

Quali sono le linee di codice di R per svolgere l'analisi descrittiva del data-set df (Posizionamento) attraverso l'analisi delle

2.

componenti principali (ACP)?

tab<-matrix(c(2, ..., 1),4,4);tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd(df);scarto;summary(df)

tab<-matrix(c(2, ..., 1),4,4);tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd;scarto;summary(df)

tab<-matrix(c(2, ..., 1),4);tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd(df);scarto;summary(df)

tab<-matrix(c(2, ..., 1));tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd(df);scarto;summary(df)

Quali sono le linee di codice di R per per individuare la e/o le componenti principali con valori standardizzati e

3.

non che sintetizzano il posizionamento dell'azienda nel settore?

tab<-matrix(c(2, ..., 1),4,4);tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd(df);scarto;pc1<-princomp(df[, 2:4],

cor = TRUE);summary(pc1)

tab<-matrix(c(2, ..., 1));tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd(df);scarto;pc1<-princomp(df[, 2:4], cor =

TRUE);summary(pc1)

tab<-matrix(c(2, ..., 1),4);tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd(df);scarto;pc1<-princomp(df[, 2:4], cor =

TRUE);summary(pc1)

tab<-matrix(c(2, ..., 1),4,4);tab;df<-tab;df;medie<-colMeans(df);medie;scarto<-sd(df);scarto;pc1<-princomp(df[, 2], cor =

TRUE);summary(pc1)

Quali sono i tre pilastri su