Un esperimento clinico viene effettuato per un nuovo medicinale che abbassa il colesterolo. Il farmaco
viene dato a 500 pazienti ed un placebo è dato ad altri 500 pazienti in modo casuale. Come stimereste
l’effetto del trattamento del farmaco? Si supponga di avere i dati sul peso, l’età il genere di ciascun
paziente. Si potrebbero utilizzare questi dati per migliorare la stima? Si supponga di avere dati sui livelli
di colesterolo di ciascun paziente prima che partecipino all’esperimento. Come si potrebbero usare
questi dati per migliorare la stima?. Si argomenti la risposta.
L’effetto di trattamento potrebbe essere stimato come differenza tra i livelli medi di colesterolo per il
gruppo trattato e quello non trattato (di controllo). I dati su peso, età e genere di ciascun paziente
potrebbero essere usati per migliorare la stima usando lo stimatore delle differenze con regressori
aggiuntivi. Questa regressione potrebbe produrre una stima più accurata perché controlla per questi fattori
aggiuntivi che potrebbero influire sul colesterolo. Se aveste dati sui livelli di colesterolo di ciascun paziente
prima che questo entrasse nell’esperimento, allora si potrebbe usare lo stimatore delle differenze delle
differenze. Tale stimatore controlla per determinanti dei livelli di colesterolo specifici dell’individuo, che
sono costanti sul periodo campionato, come la predisposizione genetica della persona ad avere livelli di
colesterolo elevati.
Che cosa sono gli effetti sperimentali? Potrebbero creare effetti di trattamento distorsivi? In che modo un
ricercatore potrebbe ridurre la distorsione?
Gli effetti sperimentali, come l'effetto Hawthorne, si riferiscono al fenomeno per cui i partecipanti a un
esperimento cambiano comportamento appunto perché si trovano in un esperimento. Ciò può
compromettere la validità interna ed esterna, poiché i coefficienti stimati potrebbero essere distorti e i
risultati potrebbero non essere applicabili a situazioni non sperimentali. Per eliminare gli effetti
sperimentali occorre progettare adeguatamente l'esperimento, per esempio con un sistema di doppio
cieco, ove possibile, per far sì che i partecipanti abbiano un comportamento il più simile possibile a quello
che avrebbero normalmente.
Molti economisti finanziari credono che il modello della passeggiata aleatoria sia una buona descrizione
del logaritmo dei prezzi delle azioni. Ciò significa che le variazioni percentuale del logaritmo dei prezzi
delle azioni sono imprevedibili. Un’ analista finanziario afferma di avere un nuovo modello che prevede
meglio del modello con passeggiata aleatoria. Si spieghi come esaminare questa affermazione.
Un modo per farlo è quello di costruire pseudo previsioni fuori campione per il modello della passeggiata
aleatoria e quello dell’analista finanziario. Se il modello dell’analista finanziario è migliore, dovrebbe avere
un minore RMSFE nel periodo della pseudo previsione fuori campione. Anche se il modello dell’analista ha
una migliore performance rispetto a quello della passeggiata aleatoria in tale periodo, è necessario adottare
un approccio scettico. Se l’analista ha avuto accesso ai dati della pseudo previsione fuori campione, il suo
modello potrebbe essere stato costruito in modo da adattarsi molto bene a quei dati, perciò potrebbe
comunque produrre previsioni scarse su dati veri fuori campione. Quindi, un test migliore dell’affermazione
dell’analista consiste nell’usare il modello e quello della passeggiata aleatoria per predire i futuri
rendimenti azionari, quindi confrontare le performance reali fuori campione.
Si supponga che X sia strettamente esogena. Un ricercatore stima un modello ADL(1,1), calcola i residui
della regressione, e trova che questi residui hanno forte correlazione seriale. Il ricercatore dovrebbe
stimare un nuovo modello ADL con ritardi addizionali, o semplicemente utilizzare gli errori standard HAC
per le stime dei coefficienti ADL(1,1)?
