Scarica Statistica aziendale e più Panieri in PDF di Statistica solo su Docsity!
STATISTICA AZIENDALE
1 Nel modello di regressione lineare semplice β0: a Rappresenta la componente deterministica della retta di regressione b Rappresenta la derivata prima della componente deterministica rispetto a x c Rappresenta il valore della componente deterministica quando x è uguale a zero x d Indica di quanto aumenta la componente deterministica se x aumenta di una unità 2 Nel modello di regressione lineare Y = a + bX: a Y è una variabile casuale x b Y è una variabile deterministica c X è una variabile casuale d X e Y sono variabili casuali 3 Lo stimatore: a E' esattamente uguale al valore vero del parametro della popolazione b E' così definita la statistica calcolata sui dati del campione c Differisce dal valore vero del parametro della popolazione per effetto del puro caso x d Rispetta sempre la proprietà della correttezza 4 L'intervallo di confidenza al 95% per la media m di una popolazione è 20.5 <μ< 22.25: a Non potrà che diminuire b Non potrà che aumentare x c Rimarrà la stessa d Non è determinabile perché non si dispone di tutti i dati del problema 5 Nel modello di regressione, l'indice di determinazione: a E' pari al rapporto tra devianza residua e devianza totale b E' pari al rapporto tra devianza di regressione e devianza totale x c Un valore dell'indice di determinazione pari a 0,5 implica che i punti sono allineati sulla retta di regressione d E' pari al rapporto tra devianza totale e devianza di regressione 6 Nella specificazione del modello di regressione lineare: a La varianza degli errori è eteroschedastica b Le distribuzioni degli errori non sono centrate sulla media c Le ipotesi di normalità della componente di disturbo sono necessarie per l'analisi inferenziale x d Gli errori sono correlati
7 Nel modello di regressione lineare: a La variabile casuale Y ha lo stesso valore atteso del predittore x b Il predittore ha lo scopo di stimare il valore di un parametro c La varianza dell'errore di stima è più grande della varianza dell'errore di previsione d La varianza dei dati campionari è uno stimatore corretto della varianza della popolazione 8 Lo stimatore: a E' esattamente uguale al valore vero del parametro della popolazione b E' così definita la statistica calcolata sui dati del campione c Differisce dal valore vero del parametro della popolazione per effetto del puro caso x d Rispetta sempre la proprietà della correttezza 9 Sia data la popolazione P = {3,6,9}. a) Calcolate la media μ e la varianza σ^2 della popolazione P: a μ = 6 e varianza = 36 b μ = 3 e varianza = 6 c μ = 6 e varianza = 5 d μ = 6 e varianza = 6 x 10 Data la retta di regressione Y = a + bX, calcolare la media di Y sapendo che X ha media μ e scostamento quadratico medio σ: a La media di Y è pari ad a + bμ x b La media di Y è pari a bμ c La media di Y è pari ad a + d Lo scostamento quadratico medio di Y è pari ad a + bσ 11 Quale delle seguenti definizioni non è corretta: a Il coefficiente di correlazione multipla misura la proporzione di variabilità totale che viene spiegata dall'insieme di predittori b Il coefficiente di correlazione multipla è definito come rapporto tra devianza dovuta alla regressione e devianza totale c L'informazione che fornisce il coefficiente di correlazione multipla è una misura della relazione lineare che intercorre tra due variabili considerate insieme d Quando l'analisi della correlazione interessa più di due variabili, l'indice di correlazione può essere calcolato per tutte le possibili coppie di variabili x
18 In un test di ipotesi quale delle seguenti affermazioni è vera: a Si accetta l'ipotesi alternativa se il valore della statistica empirica è maggiore del corrispondente percentile della normale b Si accetta l'ipotesi alternativa se il valore della statistica empirica è maggiore del corrispondente percentile della t di student c Un test statistico è una regola per discriminare i campioni che, se osservati, portano al rifiuto o all'accettazione dell'ipotesi nulla x d La regione di rifiuto di un test statistico è formata dai campioni che contengono “abbastanza” evidenza contro l'ipotesi alternativa 19 Quale delle seguenti affermazioni è corretta nell'ipotesi di un modello di regressione lineare: a Gli errori sono eteroschedastici b Gli errori devono avere media nulla e raggrupparsi in cluster sotto e sopra la media c La presenza del termine di errore è dovuta al fatto che la relazione tra la variabile dipendente e indipendente potrebbe non essere lineare x d Il residuo i-esimo è la determinazione di una variabile casuale con media nulla e con varianza che indipendente da i 20 Quale delle seguenti affermazioni non è corretta nell'ipotesi di un modello di regressione lineare: a Gli errori hanno media nulla b La presenza del termine di errore è dovuta alla possibilità di commettere degli errori di rilevazione c La presenza del termine di errore è dovuta fatto che i dati osservati sono tratti da un campione d Gli errori possono distribuirsi non normalmente x 21 Nel modello di regressione semplice, se il coefficiente di correlazione è pari a - 0.829: a Il coefficiente di determinazione è pari a 0,688 x b Il prodotto dei due coefficienti di regressioni, rispettivamente della regressione di Y su X e della regressione di X su Y, è pari a - 0, c Il modello di regressione non riesce a descrivere bene i dati campionari osservati d La radice quadrata del prodotto dei due coefficienti di regressioni, rispettivamente della regressione di Y su X e della regressione di X su Y, è pari a 0, 22 Nel modello di regressione lineare semplice: a Se b Il segno del coefficiente di correlazione è uguale al segno del coefficiente di regressione x c Se le due variabili X e Y sono incorrelate allora sono anche indipendenti d Il coefficiente di determinazione è uguale al coefficiente di correlazione
23 In un modello di regressione lineare multipla: a Per studiare la bontà del modello si utilizza l'indice di determinazione R^ b L'inserimento di una variabile esplicativa ulteriore non incrementa il valore della devianza di regressione c E' indifferente utilizzare l'indice di determinazione R^2 o l'indice di determinazione corretto per studiare la bontà del modello d Quando si confrontano modelli di regressione lineare con un diverso numero di variabili esplicative, l'indice R2 deve essere utilizzato con cautela x 24 In un modello di regressione lineare multipla: a L'inclusione di una variabile esplicativa non altera il valore della devianza di regressione ESS b La scelta di un modello tra diversi è legata al valore dell'indice di determinazione corrispondente: maggiore è l'indice, migliore sarà la bontà del modello c La statistica test per la significatività dei parametri è la t-student d Si usa la statistica test F di Fisher che è funzione di R^2 x 25 Nell'utilizzare la statistica test F di Fisher per valutare la bontà del modello: a L'ipotesi nulla si rifiuta se p-value < b L'ipotesi nulla si rifiuta se p-value > c L'ipotesi nulla non si rifiuta se p-value > d L'ipotesi nulla si rifiuta se p-value < α x 26 Nella verifica della bontà del modello: a Se l'ipotesi nulla viene rifiutata implica che tutti i regressori contribuiscono a spiegare, in termini di relazione lineare, la variabilità della variabile dipendente Y b Se l'ipotesi nulla è verificata, il test conduce alla individuazione ed esclusione di quelle variabili che aiutano poco a spiegare la dipendenza lineare di Y c Devono essere soddisfatte le condizioni di normalità distributiva della Y, di omoschedasticità e di indipendenza delle osservazioni x d Se il valore della F empirica calcolato con i dati è maggiore del valore teorico F*, allora si accetta l'ipotesi nulla
31 Quale delle seguenti affermazioni non è corretta nell'ipotesi di un modello di regressione lineare: a Gli errori hanno media nulla b La presenza del termine di errore è dovuta alla possibilità di commettere degli errori di rilevazione c La presenza del termine di errore è dovuta fatto che i dati osservati sono tratti da un campione d Gli errori possono distribuirsi non normalmente x 32 Quale delle seguenti affermazioni è corretta nell'ipotesi di un modello di regressione lineare: a Gli errori sono eteroschedastici b Gli errori devono avere media nulla e raggrupparsi in cluster sotto e sopra la media c La presenza del termine di errore è dovuta al fatto che la relazione tra la variabile dipendente e indipendente potrebbe non essere lineare x d Il residuo i-esimo è la determinazione di una variabile casuale con media nulla e con varianza che indipendente da i 33 Nella verifica delle ipotesi fondamentali alla base del modello di regressione lineare: a Se l'assunzione sull'incorrelazione dei residui non è soddisfata, il metodo dei minimi quadrati ordinari è sempre applicabile b Se l'assunzione sull'omoschedasticità dei residui non è soddisfata, il metodo dei minimi quadrati ordinari conduce sempre a risultati non distorti c Il primo passo consiste nell'analisi grafica dei residui d Se l'ipotesi di normalità dei residui non è soddisfatta, l'assunzione di linearità del modello non è valida x 34 Nell'analisi dei residui: a In presenza di autocorrelazione positiva degli errori, i residui si dispongono in modo casuale intorno alla media b In presenza di mal specificazione del modello i residui si dispongono in maniera casuale intorno all'asse delle ascisse c In presenza di omoschedasticità, il modello di regressione non ha intercetta e i residui hanno media non nulla d In presenza di cambiamento strutturale nella relazione tra variabile dipendente e variabili esplicative, i residui risultano clusterizzati x
35 Nell'analisi dei residui in un modello di regressione lineare: a In presenza di mal specificazione del modello si è in presenza di eteroschedasticità x b In presenza di mal specificazione del modello il modello di regressione non ha intercetta e i residui hanno media nulla c In presenza omissione di una variabile esplicativa, il modello di regressione non ha intercetta e i residui hanno media non nulla d In presenza di mal specificazione del modello, i residui tendono a disporsi lungo una parabola 36 Nel modello di regressione lineare: a Se vale l'assunzione di eteroschedasticità, i residui si dispongono vicino alla retta di regressione b Se la relazione tra la variabile dipendente e indipendente è lineare, i residui tendono a mostrano anch'essi una tendenza lineare c Le assunzioni alla base della distribuzione dei residui si basano sul teorema centrale del limite x d I residui spiegano parte del legame (tra la variabile dipendente e le variabili esplicative) che non è stato catturato e spiegato dal modello 37 Utilizzando un diagramma a dispersione tipo scatterplot: a Il coefficiente di correlazione dei residui deve essere positivo b Il coefficiente di correlazione dei residui deve essere vicino a zero c Il coefficiente di correlazione dei residui deve essere pari a zero x d Il coefficiente di correlazione dei residui non può essere calcolato se la relazione tra tra le variabili del modello di regressione è di tipo non lineare 38 Quando le relazioni non sono lineari occorre utilizzare una forma funzionale appropriata: a E' preferibile utilizzare una forma funzionale quadratica b E' preferibile utilizzare una forma funzionale esponenziale c E' preferibile utilizzare una forma funzionale sempre linearizzabile nei parametri d Si deve utilizzare la forma funzionale che meglio si adatta ai dati x 39 Nel modello identificato dall'equazione logY = a +bX + u: a La regressione è condotta sulla variabile risposta b La regressione è condotta su una trasformata della variabile risposta a causa della relazione di non linearità tra le variabili X e Y c La regressione è condotta su una trasformata della variabile risposta a causa della non linearità dei parametri d La regressione è condotta su una trasformata della variabile risposta a causa dell'ipotesi di non linearità degli errori e per stabilizzare la varianza degli stessi x
44 I residui studentizzati: a Hanno somma pari a zero b Sono indipendenti gli uni dagli altri x c Si distribuiscono normalmente per qualunque valore della numerosità campionaria d Se il diagramma di dispersione da luogo a una nuvola di punti che non presenta particolari strutture l'ipotesi di eteroschedasticità è confermata 45 In caso di multicollinearità: a Il Vif presenta valori superiori ad 1 e inferiori a 2 b L'indice R^2 presenta valori pari a 0. c Se i valori della correlazione sono prossimi a ±0.7, la multicollinearità è sospetta x d In caso di quasi multicollinearità non è possible calcolare il vettore b dei parametri 46 Quale delle seguenti affermazioni non è vera: a La multicollinearità può essere risolta aumentando la numerosità campionaria b La multicollinearità può essere risolta aumentando il numero delle variabili esplicative c In presenza di multicollinearità si ha una perdita di precisione delle stime dei parametri d La violazione dell'ipotesi di rango pieno della matrice X è più grave della presenza di eteroschedasticità x 47 L'analisi grafica dei residui di un modello di regressione non consente di: a Verificare l'ipotesi di linearità b Verificare l'ipotesi di omoschedasticità c Verificare l'ipotesi di rango pieno della matrice X d Selezionare le variabili affette da multicollinearità x 48 Il metodo dei minimi quadrati pesati: a Si utilizza al posto della trasformazione logaritmitica della variabile risposta per risolvere il problema dell'eteroschedasticità b Assegnare dei pesi non equivale a operare una trasformazione di variabili c Si utilizza quando le comuni trasformazioni di variabili non risolvono il problema dell'eteroschedasticità x d E' utilizzato per risolvere il problema della violazione dell'ipotesi di incorrelazione degli errori
49 Una variabile dummy con quattro modalità: a E' un esempio di variabile politomica x b E' un esempio di variabile dicotomica c Se utilizzata in un modello di regressione non crea problemi di collinearità d E' una variabile di tipo misto ossia quali-quantitativa 50 Supponiamo di utilizzare una variabile dummy con quattro modalità (1= licenza media; 2=scuola superiore; 3= laurea; 4=post-laurea): a La trappola delle variabili dummy crea problemi di multicollinearità, essendo le modalità della variabile legate tra loro dalla relazione: D1+D2+D3+D4 = x b Se D1+D2+D3=0 implica che una persona ha conseguto il titolo di laurea c Il relativo modello di regressione denominato base è tale che D1+D2+D3+D4= d Le rette di regressione dei 3 modelli di regressione che posso complessivamente costruire sono tra loro parallele 51 Nel modello di regressione lineare semplice Y0: a Rappresenta la componente deterministica della retta di regressione b Il valore atteso della previsione puntuale di Y c Rappresenta il valore della componente deterministica quando l'intercetta è uguale a zero d Il valore vero della previsione puntuale di Y x 52 L'errore di previsione: a Presenta varianza costante b Presenta distribuzione t-student con media nulla c La sua varianza dipende dalla variabilità dei parametri x d Y0 è la migliore previsione corretta a varianza minima 53 La varianza dell'errore di previsione: a La varianza della componente a è dipendente dalla varianza dell'errore associato a ogni osservazione x b La varianza della componente b è indipendente dalla varianza dell'errore associato a ogni osservazione c Dipende dalla covarianza tra le due variabili X e Y d Aumenta all'aumentare della numerosità campionaria 54 La varianza dell'errore di previsione: a Aumenta con il diminuire dei residui campionari b Aumenta al diminuire della numerosità campionaria x c Diminuisce con l'aumentare della distanza dalla media di X d Non si può calcolare se non si conosce la varianza del termine di errore associato ad ogni osservazione
60 Quale delle seguenti affermazioni non è corretta, nella stima dell'errore di previsione in un modello di regressione lineare: a Gli errori hanno media nulla b La presenza del termine di errore è dovuta alla possibilità di commettere degli errori di rilevazione c La presenza del termine di errore è dovuta fatto che i dati osservati sono tratti da un campione d Gli errori possono distribuirsi non normalmente x 61 In un modello di probabilità lineare: a Le stime degli OLS sono inconsistenti b Si effettua una regressione su variabili limitate x c La probabilità d Non si ha il problema dell'eteroschedasticità poiché la varianza della variabile rispsota è costante 62 In un modello di probabilità lineare: a Le variabili esplicative sono di tipo dicotomico b La variabile risposta segue una distribuzione binomiale x c I parametri non sono direttamente interpretabili come effetti di variazioni unitarie delle variabili esplicative sulla probabilità di successo d La probabilità di successo è indipendente dalle variabili esplicative X 63 In quale dei seguenti esempi non è consigliabile utilizzare un modello di probabilità lineare: a Analisi della influenza di una leva di marketing sull'acquisto o non acquisto del prodotto b Analisi delle determinanti della permanenza in attività o del fallimento di aziende durante la recessione c Analisi delle determinanti della presenza o meno delle imprese nei mercati esteri d Analisi della relazione tra consumi e reddito x 64 Quale delle seguenti affermazioni non è corretta, utilizzando un modello di probabilità lineare: a La relazione tra probabilità e variabili esplicative è lineare x b Le assunzioni di normalità dei residui sono violate c L'eteroschedasticità presente può essere risolta introducendo i minimi quadrati pesati d Il modello non è efficiente se si utilizzano i minimi quadrati ordinari 65 In un modello logit: a La forma della curva è a S x b La forma della curva è di tipo lineare c Il valore atteso della variabile risposta non è una probabilità d La funzione di ripartizione è quella di una normale standardizzata
66 Nel confronto tra un modello logit e un modello probit: a La funzione di ripartizione dei due modelli è la stessa per entrambi i modelli ed è la funzione logistica b I due modelli non forniscono stime simili nell'intervallo [0,1] c Si preferisce il modello logit al modello probit per una semplicità nei calcoli x d La probabilità associta agli eventi estremi è maggiore nel modello probit che nel logit 67 Nel modello logit, quale delle seguenti affermazioni non è corretta: a Mentre b Se operiamo una trasformazione lineare dei parametri, possiamo utilizzare come stima dei parametri i minimi quadrati generalizzati c Si esplicita una funzione di probabilità congiunta di regressori e variabile dipendente d L'interpretazione dei coefficienti è la stessa di un modello di regressione lineare x 68 L'odds ratio OR: a Se Xj è una variabile dicotomica: OR(j) misura la variazione di propensione al successo derivante da un incremento unitario della variabile Xj b Se Xj è una variabile continua: OR(j) misura la variazione di propensione al successo derivante dal possesso dell'attributo c A una variazione unitaria della variabile Xj corrisponde un OR pari all'esponenziale del relativo parametro x d E' il rapporto tra la probabilità di un evento (successo) e quella dell'evento complementare (insuccesso) 69 Nell'interpretare i risultati di un modello logit, tramite gli odds ratio (OR): a Se OR(j) = 1 e quindi b Se 0 < OR(j) < 1 e quindi c OR misura l'incremento di propensione al successo: quanto varia la proporzione tra successi e insuccessi x d Se OR(j) = 1 e 70 In un modello logit, il parametro: a Per β>0, P(y=1) aumenta se x aumenta b Per^ β<0,^ P(y=1)^ diminuisce^ se^ x^ aumenta c Se^ β=0,^ P(y=1)^ non^ varia^ se^ x^ varia,^ ovvero^ la^ curva^ si^ appiattisce^ a^ una^ retta^ orizzontale d Se^ β=0,^ P(y=1)^ non^ varia^ se^ x^ non^ varia,^ ovvero^ la^ curva^ si^ appiattisce^ a^ una^ retta^ orizzontal^ e x
76 La stima dei parametri: a Il logaritmo della probabilità di successo è funzione lineare dei parametri b Il rapporto tra la probabilità di successo e quella di insuccesso è funzione non lineare dei parametri x c E' effettuata con la funzione di log-verosimiglianza, quando non è possibile utilizzare direttamente la funzione di verosimiglianza d I valori delle stime sono sempre non negativi 77 La statistica test G denominata rapporto di verosimiglianza: a Sotto l'ipotesi nulla si distribuisce come una t-student b Sotto l'ipotesi nulla si distribuisce come una F di Fisher c Sotto l'ipotesi nulla si distribuisce come un Chi-quadrato x d Sotto l'ipotesi nulla si distribuisce come una normale standardizzata 78 La statistica test G denominata rapporto di verosimiglianza: a Valori elevati di G indicano che le variabili esplicative non sono rilevanti nello spiegare i valori delle Y b In assenza di dipendenza di Y, variabile dipendente, dalla variabile esplicative X la statistica G assume comunque valori positivi c E' data dal rapporto tra la verosimiglianza del modello con la sola intercetta L(0) e quella del modello con le variabili esplicative L(β) x d In assenza di dipendenza di Y, variabile dipendente, dalla variabile esplicative X L(β) =1 e L(0)= 79 Il test di Wald: a Sotto l'ipotesi nulla si distribuisce come una t-student b Sotto l'ipotesi nulla si distribuisce come una F di Fisher c Sotto l'ipotesi nulla si distribuisce come un Chi-quadrato d Sotto l'ipotesi nulla si distribuisce come una normale standardizzata x 80 Per valutare la bontà del modello: a Si confronta il modello considerato nell'analisi con il modello ristretto, che considera solo alcune variabili esplicative riteneute necessarie nella spiegazione del modello b Si utilizza la statistica pseudo-R quadro basata sul confronto tra la verosimiglianza del modello considerato e quella del modello saturo c Si utilizza la statistica D basata sul rapporto di verosimiglianza che si distribuisce come un Chi-quadrato con n-k gradi di libertà x d Si confronta il modello considerato nell'analisi con il modello che contiene la sola intercetta
81 Il Sistema Informativo Excelsior per l'occupazione e la formazione: a E' un'indagine annuale e trimestrale sull'offerta di lavoro b E' un'indagine annuale e trimestrale sulla domanda di lavoro condotta dall'Istat c E' uno strumento di valido aiuto per supportare le scelte di programmazione della formazione, dell'orientamento e delle politiche del lavoro x d E' un'indagine condotta a livello europeo per analizzare la domanda di lavoro delle imprese 82 Quali delle seguenti informazioni non è contenuta nel Sistema Informativo Excelsior: a Le caratteristiche delle imprese che assumono b I motivi di non assunzione per le imprese che non assumono c Le assunzioni previste dalle imprese per tipologia contrattuale d Le assunzioni previste dalla Pubblica Amministrazione x 83 Quali dei seguenti Enti/Istituzioni è esclusa dalla rilevazione del Sistema Informativo Excelsior: a Gli studi professionali con almeno un dipendente b Le scuole private c Le università pubbliche x d Le imprese del benessere e della cura della persona 84 Quale delle seguenti affermazioni non è corretta, a proposito del Sistema Informativo Excelsior: a Contiene le previsioni di assunzione di lavoratori immigrati e le relative figure professionali b Contiene informazioni sulle imprese che ospitano tirocinanti e sul numero di tirocini ogni anno complessivamente attivati c Contiene informazioni sulle dimensioni e sulle caratteristiche degli investimenti annuali delle imprese italiane in formazione continua d Contiene informazioni sulla domanda di assunzione delle imprese giovani, ovvere nate dopo il 31 dicembre 2013 x 85 Il modello logistico per l'analisi della domanda di lavoro nella provincia di Roma è introdotto: a Per indagare sulla validità e sull'efficacia delle professioni richieste dalle imprese romane nel periodo 2003 - 2007 x b Il modello utilizzato è in grado di effettuare un'analisi strutturale del mercato del lavoro di Roma ma non può essere utilizzato a fini previsivi c Nel modello si ipotizza che la formazione completa di un lavoratore deve necessaria contemplare un grado elevato di istruzione d Nel modello si ipotizza che al di la delle competenze specifiche di ciascun lavoratore, le aziende hanno sempre un approccio che premia il lavoro piuttosto che il lavoratore
91 Nel modello logistico: a I parametri b L'interpretazione delle stime in termini di coefficienti c Gli odds ratio stimati consentono una lettura più immediata del modello sebbene in termini solamente pseudo-probabilistici x d L'odds ratio può essere interpretato come una misura diretta dell'effetto causale della variabile indipendente su quella dipendente 92 Si vuole stimare, tramite un modello logistico, la relazione tra il profilo richiesto dalle aziende per svolgere la professione i, dato il livello di istruzione (licenza media lm, diploma d, laurea l): a Un valore negativo del coefficiente β indica una relazione negativa tra titolo di studio e probabilità di essere assunto x b Un^ valore^ negativo^ del^ coefficiente^ β^ indica^ che^ il^ corrispondente^ odds^ ratio^ assume^ valori^ maggiori^ o^ uguali^ a^ zero c A^ valori^ positivi^ dei^ parametri^ β^ corrispondono^ valori^ maggiori^ di^0 per^ l’exp(β) d Un valore pari a zero del coefficiente β implica che si è in presenza di una regione di indecisione, in cui si alternano effetti positivi ed effetti negativi 93 Quale delle seguenti affermazioni sugli odds ratio non è corretta: a In termini probabilistici, se exp(β) >1 ciò implica che il rapporto tra probabilità di successo e probabilità insucesso è maggiore di 1 b Se l'odds ratio assume valore pari a 1 ne consegue che non esiste alcuna relazione tra la variabile causale d'interesse e la variabile dipendente c Se l'odds ratio assume valori compresi tra zero ed uno, si può desumere che la variabile causale esercita un effetto negativo sulla variabile dipendente d L'odds ratio è un duplice rapporto di probabilità tra qualsiasi coppia di categorie di volta in volta considerate x 94 Nella regressione logistica: a Per la stima dei parametri b Per stimare l'effetto causale esercitato dalle covariate sulla variabile dipendente ovvero per quantificare l'intensità di tali effetti si ricorre agli odds ratio x c L'odds ratio può essere calcolato solo se le variabili esplicative sono qualitative, ovvero dicotomiche e/o politomiche d Più i valori di exp(β) sono prossimi all’unità maggiore è la differenza dell’effetto relativo tra la categoria considerata e quella di riferimento sulla variabile dipendente 95 Per calcolare la bontà del modello logistico stimato si ricorre: a All'indice R quadro corretto b Alla statistica F di Fisher c Ai grafici di dispersione dei residui standardizzati d Ai grafici di dispersione utilizzando le distanze di Cook x
96 In un grafico di dispersione, utilizzato per stimare la bontà del modello logistico: a I casi anomali si addensano nella nuvola di punti situata in basso a sinistra del grafico b I casi anomali si addensano nella nuvola di punti situata in basso a destra del grafico c I casi anomali si addensano nella nuvola di punti situata al centro del grafico d I casi anomali si distanziano notevolmente dalla nuvola dei punti situata prevalentemente nella parte in basso del grafico x 97 Ai fini di una corretta previsione per la stima del modello logistico sulle assunzioni previste per la provincia di Roma, si può costruire una tabella tetracorica in cui: a La cella (0,1) rappresenta il caso in cui gli individui richiesti per l'assunzione risultano essere in possesso della qualifica richiesta ma che il modello classifica come se in possesso di competenze diverse per svolgere altre professioni b La cella (1,0) indica il numero di soggetti con competenze diverse da quelle richieste ma che il modello riconosce come se in possesso di qualifiche per svolgere la professione richiesta c In generale, la capacità predittiva del modello logistico è buona se la percentuale di corretta classificazione complessiva è maggiore del 50% d In generale, la capacità predittiva del modello logistico è buona se la percentuale di corretta classificazione è elevata (maggiore del 50%) per entrambe le modalità dell'evento Osservato x 98 Quale delle seguenti affermazioni non è corretta in una regressione logistica: a In una tabella tetracorica è riportata la numerosità degli errori di classificazione che si ottengono applicando ai dati il modello di regressione logistica b La tabella tetracorica di classificazione pone a confronto le frequenze osservate di assunzione prevista per un individuo in grado di svolgere la professione oggetto di studio con le frequenze che vengono predette utilizzando i valori dei parametri stimati con la regressione logistica c Per valutare la bontà del modello logistico costruito si introduce l'analisi diagnostica d La funzione logit varia nell'intervallo (0,+ x
