Metodi Quantitativi per Economia, Finanza e Management Lezione n° 9.

Presentazione sul tema: "Metodi Quantitativi per Economia, Finanza e Management Lezione n° 9."— Transcript della presentazione:

1 Metodi Quantitativi per Economia, Finanza e Management Lezione n° 9

2 Il modello di regressione lineare 1.Introduzione ai modelli di regressione – Case Study 2.Obiettivi 3.Le ipotesi del modello 4.La stima del modello 5.La valutazione del modello 6.Commenti

3 La classificazione dei clienti/prospect in termini predittivi Case Study – Club del Libro

4 Il problema di analisi CAT 1CAT n anzianità

5 Lobiettivo dellanalisi Prevedere la redditivita del socio fin dalle prime evidenze

6 Limpostazione del problema Redditività = ricavi - costi F F redditività var. continua F classi di redditività ( = 0)

7 I dati di input F Y :Redditività consolidata F X :# ordini pagato ordini pagato rateale mensile sesso (dicotomica) area (dicotomiche) # liste

8 Il percorso di analisi Predisposizione Banca Dati Costruzione Var. Obiettivo Analisi Preliminari Stima del Modello Validazione Implementazione

9 Analisi preliminari F F lo studio della distribuzione F lo studio della concentrazione F la struttura di correlazione

10 Limpostazione del problema F F Redditività var. continua F F Redditività var. dicotomica Regressione LineareRegressione Logistica

11 Il modello di regressione lineare 1.Introduzione ai modelli di regressione – Case Study 2.Obiettivi 3.Le ipotesi del modello 4.La stima del modello 5.La valutazione del modello 6.Commenti

12 I modelli di regressione Modelli di dipendenza per la rappresentazione di relazioni non simmetriche tra le variabili Y variabile dipendente (variabile target da spiegare) X 1,…,X p variabili indipendenti (variabili esplicative o regressori)

13 Il modello di regressione lineare Si vuole descrivere la relazione tra Y e X 1,…,X p con una funzione lineare se p=1 osservazioni in uno spazio a due dimensioni (i=1,…,n) se p>1 osservazioni in uno spazio a p+1 dimensioni (i=1,…,n)

14 Il modello di regressione lineare Y X se p=1 spazio a due dimensioni retta di regressione lineare semplice

15 Il modello di regressione lineare se p>1 spazio a p+1 dimensioni retta di regressione lineare multipla Y X1 X2

16 Il modello di regressione lineare Obiettivi Esplicativo - Stimare linfluenza 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 lineare diversi).

17 n unità statistiche vettore colonna (nx1) di n misurazioni su una variabile continua (Y) matrice (nxp) di n misurazioni su p variabili quantitative (X 1,…,X p ) la singola osservazione è il vettore riga (y i,x i1,x i2,x i3,…,x ip ) i=1,…,n Il modello di regressione lineare Le ipotesi del modello

18 Equazione di regressione lineare multipla i-esima oss. su Y i-esima oss. su X 1 errore relativo alli-esima oss. intercettacoefficiente di X1 La matrice X=[1,X 1,…,X p ] è detta matrice del disegno. Il modello di regressione lineare Le ipotesi del modello

19 Lerrore presente nel modello si ipotizza essere di natura casuale. Può essere determinato da: variabili non considerate problemi di misurazione modello inadeguato effetti puramente casuali Il modello di regressione lineare Le ipotesi del modello

20 1.Errori a media nulla 2.Errori con varianza costante (omoschedasticità) 3.Errori non correlati (per ogni ij) 4.Errori con distribuzione Normale * 1 – 3 hp deboli 1 – 4 hp forti Il modello di regressione lineare Le ipotesi del modello

21 Da un punto di vista statistico Y è un vettore aleatorio di cui si osserva una specifica realizzazione campionaria hp sulla distribuzione X è una matrice costante con valore noto no hp sulla distribuzione beta è un vettore costante non noto lerrore è un vettore aleatorio di cui si osserva una specifica realizzazione campionaria hp sulla distribuzione Il modello di regressione lineare Le ipotesi del modello

22 ogni osservazione di Y è uguale ad una combinazione lineare dei regressori con pesi=coefficienti beta + un termine di errore in media Y può essere rappresentata come funzione lineare delle sole (X 1,…,X p ) Il modello di regressione lineare Le ipotesi del modello

23 Si vuole trovare la retta lineare migliore data la nuvola di punti Y X Il modello di regressione lineare La stima del modello

24 Equazione teorica coefficienti non noti Equazione stimata coefficienti stimati (una delle infinite rette possibili) stime dei coefficienti errore di previsione previsione Il modello di regressione lineare La stima del modello

25 Stimando la retta di regressione si commette un errore di previsione: Metodo dei Minimi Quadrati Y X VALORE STIMATO VALORE OSS. ERRORE Il modello di regressione lineare La stima del modello

26 Obiettivo trovare la miglior approssimazione lineare della relazione tra Y e X 1,…,X p (trovare le stime dei parametri beta che identificano la migliore retta di regressione) Metodo dei minimi quadrati lo stimatore LS è la soluzione al problema Il modello di regressione lineare La stima del modello

27 Lo stimatore dei Minimi Quadrati: LS è funzione di Y e X ha media ha varianza Il modello di regressione lineare La stima del modello

28 Proprietà dello stimatore LS non distorto consistente (se valgono certe hp su XX) coincide con lo stimatore di max verosimiglianza sotto hp forti BLUE (Best Linear Unbiased Estimator) Il modello di regressione lineare La stima del modello

29 Scomposizione della varianza SST=SSE+SSM total sum of squares variabilità di Y error sum of squares variabilità dei residui model sum of squares variabilità spiegata Il modello di regressione lineare La stima del modello

30 Indicatori sintetici di bontà del Modello R-quadro adjusted OK valori alti R-quadro OK valori alti Il modello di regressione lineare La stima del modello Test F OK p-value con valori bassi

31 R-quadro= SSM/SST misura la % di variabilità di Y spiegata dal modello = capacità esplicativa del modello misura la variabilità delle osservazioni intorno alla retta di regressione. SSM=0 (R-quadro=0) il modello non spiega SSM=SST (R-quadro=1) OK R-quadro adjusted= [1-(1-SSM/SST)]/(n-1)(n-p-1) come R-quadro ma indipendente dal numero di regressori combina adattabilità e parsimonia Il modello di regressione lineare La stima del modello

32 Test F per valutare la significatività congiunta dei coefficienti ipotesi nulla statistica test valutazione se p-value piccolo (rifiuto lhp di coefficienti tutti nulli) il modello ha buona capacità esplicativa Il modello di regressione lineare La stima del modello

33 Indicatori di bontà del Modello Il modello di regressione lineare La stima del modello Y X Y X Y X R-SQUARE=0.7 F con p-value piccolo R-SQUARE=0.7 F con p-value piccolo R-SQUARE=0.7 F con p-value piccolo

34 Test t per valutare la significatività dei singoli coefficienti ipotesi nulla (j=1,…,p) valutazione il coefficiente è significativo (significativamente diverso da 0) se il corrispondente p- value è piccolo (ossia, rifiuto lipotesi di coefficiente nullo) il regressore a cui il coefficiente è associato è rilevante per la spiegazione del fenomeno statistica test Il modello di regressione lineare La stima del modello