Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X...
-
Upload
edvige-mori -
Category
Documents
-
view
217 -
download
2
Transcript of Riassumendo: ipotesi per OLS 1.Modello lineare 2.X e Y sono frutto di osservazioni indipendenti 3.X...
Riassumendo: ipotesi per OLS
1. Modello lineare
2. X e Y sono frutto di osservazioni indipendenti
3. X è di rango pieno
4. I residui hanno media = 0
5. I residui sono omoschedastici e incorrelati
6. X è non-stocastica
Neghiamo la 5:
E(’)=
E(’)=
Naturalmente è una matrice simmetrica positiva definitaAllora si può scomporre secondo i suoi autovalori/autovettori:
diagonalematriceautovalori
iautovettorC
CC
'
PARENTESI: Autovalori () e autovettori (C)
Sono la soluzione del sistema:
Il numero di soluzioni (autovalori) è pari alla dimensione della matrice
360)(
1892)4)(5()(
42
15)(
42
15:
0)(
0)(
21
2
oseIDet
IDet
IEs
IDetsesoluzione
CI
PARENTESI: Autovalori e autovettori
Abbiamo torniamo all’equazione iniziale e troviamo C
2121
2121
2
1
2
1023
06
042
15:
0)(
1'
0)(
cccc
cccc
c
cEs
IDetsesoluzione
CCvincoloilsotto
CI
Per trovare i valori di C (autovalori) dobbiamo sfruttare il vincolo:
51
51
2
13
21
216
21
21
Ccc
Ccc
IPPVcon
XYotteniamo
PPXPYcioèXY
perpesocomePusiamo
PPPC
diagonalematriceautovalori
iautovettorC
CC
212*
***
121
')(
""
''
'
Si possono utilizzare OLS sui dati trasformati !!!!
YXXXb
PYPXPXPXYXXXb
OLS
iautovettorC
CC
11*
1**1***
')'(
'')''(')'(
:
'
Stimatore GLS
Un esempio numerico OLS:
y x x'
20 1 10 1 1 1
30 1 0 10 0 5
40 1 5
OLS
X'X (X'X)-1 X'Y B
3 15 0,83 -0,10 90 35
15 125 -0,10 0,02 400 -1
Un esempio numerico GLS_1:
y x x'
20 1 10 1 1 1
30 1 0 10 0 5
40 1 5
() 1
0,5 0 0 2 0 0
0 0,2 0 0 5 0
0 0 0,3 0 0 3,333
GLS
X'() 1 (X'()-1X)
2 5 3,333 10,33 36,67
20 0 16,67 36,67 283,3
(X'()-1X)-1 X'()-1Y B
0,18 -0,02 323,3 33,16
-0,02 0,01 1067 -0,53
112
11
)'()(
)(
')'(
XXBV
BE
YXXXB
nota
GLS
oRiassumend
NB. Non esiste un corrispondente dellindice di Determinazione Lineare
la funzione minimizzata e le sue statistiche riguarda gli * non gli
Che il modello “pesato” abbia un buon adattamento, poco dice su quello originale
Caso di non noto, stima FGLS
Cioè va stimata, con non pochi problemi:
, in generale, ha n(n+1)/2 parametri, ovviamente non è possibile stimarlaDirettamente a partire da n osservazioni
Dobbiamo imporre qualche restrizione, cioè ipotizzare che dipenda daun numero (ristretto) di parametri, cioè che sia esprimibile nella forma
= ()
Cioè dobbiamo ipotizzare un modello per la Var-Covar del fenomeno
Determinata la forma della non noto, la stima FGLS consiste in processo iterativo
Con i seguenti passi:
aconvergenzafinoripeti
conGLSbstima
parametrodelstimamediantestima
MLEoppureOLSignorandobstima
3,2
ˆ:3
ˆ:2
)(:1
NB!! Solo MLE garantisce la convergenza,
alcune strutture di non sono “trattabili” partendo da OLS
Alcuni esempi di modelli di VAR-COVAR
Diversa per ogniEffetto fisso
costante ogniEffetto fisso
Max eterogeneità
Max eterogeneitàA bande
AutoregressivoOrdine 1
Moving averageOrdine q-1
Moving averageOrdine 2
Correlazione spazialeF(distanza)
AR(1)eterogeneo
Simmetricoeterogeneo
fattorialeeterogeneo