Obiettivi Formativi

Il corso partendo dalla definizione di modello lineare classico e dalla discussione della inadeguatezza per l’analisi econometrica delle assunzioni su cui è basato introduce varie generalizzazioni che comportano sia la possibilità di errori correlati o eteroschedastici sia la presenza di regressori stocastici correlati con le componenti di errore. Per i modelli esaminati sono discussi sia i problemi di stima e verifica di ipotesi sia quelli di previsione.

Learning Goals

The aim of the module is to allow students to get the basic tools to estimate an econometric model and to interpret the coefficients attached to the independent variables. Furthermore, they will be able to test hypothesis about the parameters of the population model and to do inference.

Metodi didattici

Lezioni frontali ed esercitazioni.

Teaching Methods

Lectures and classes.

Prerequisiti

Buona conoscenza di Statistica e Matematica

Prerequisites

Good Knowledge of Statistics and Mathematics

Verifiche dell'apprendimento

Esame scritto e prova intermedia.

Assessment

Written exam and mod-term test.

Programma del Corso

Il modello di regressione classico. Le assunzioni del modello di regressione classico e loro inadeguatezza nell’analisi econometrica. Stimatori dei minimi quadrati dei coefficienti di regressione del modello di regressione classic. Teorema di Gauss Markov e proprietà algebriche dello stimatore OLS. Introduzione all’algebra lineare. Distribuzione campionaria degli stimatori dei coefficienti di regression. Verifica di ipotesi sui parametri di regressione. Bontà di adattamento del modello e test di specificazione. Variabili dummy. Violazioni delle assunzioni OLS: Come modellare la eteroschedasticità degli errori. Come modellare l’ autocorrelazione degli errori. Stima dei parametri di regressione in presenza di errori autocorrelati ed eteroschedastici (metodo di massima verosimiglianza e minimi quadrati generalizzati). Test di autocorrelazione ed eteroschedasticità. Regressori Stocastici correlati con gli errori (modelli con variabili ritardate). Minacce alla validità interna del modello econometrico. Stima col metodo delle variabili strumentali e 2sls nel caso di regressori stocastici. Regressione con dati Panel. Regressione con variabile dipendente binaria: i modelli di probabilità lineare.

Course Syllabus

Linear regression model. Assumptions of linear regression model. Ordinary Least Squares. Gauss-Markov Theorem. Introduction to linear algebra. Hypothesis testing. R-squared. Dummy variables. Heteroskedasticity and autocorrelation. Maximum Likelihood estimator. Instrumental variables and 2sls. Panel Data. Linear Probability Model.