Scarica Statistica aziendale e più Prove d'esame in PDF di Statistica solo su Docsity!
NEL MODELLO DI REGRESSIONE PROBABILISTICO:
La variabile dipendente dipende dalla componente stocastica del modello μ
QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
La costante del modello di regressione misura il valore atteso della variabile dipendente quando almeno una delle variabili esplicative è pari a zero
NEL MODELLO DI REGRESSIONE LINEARE SEMPLICE:
Il segno del coefficiente di correlazione è uguale al segno del coefficiente di regressione
IN UN MODELLO DI REGRESSIONE LINEARE MULTIPLA:
Si usa la statistica test F di Fisher che è funzione di R^
L'ERRORE DI PREVISIONE:
La sua varianza dipende dalla variabilità dei parametri
PER STIMARE CORRETTAMENTE L'ERRORE DI PREVISIONE, QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
La matrice dei dati può non essere invertibile
LA STATISTICA TEST G DENOMINATA RAPPORTO DI VEROSIMIGLIANZA:
Sotto l'ipotesi nulla si distribuisce come un Chi-quadrato
PER VALUTARE LA BONTÀ DEL MODELLO:
Si utilizza la statistica D basata sul rapporto di verosimiglianza che si distribuisce come un Chi-quadrato con n-k gradi di libertà.
LA CURVA ROC:
Consente di discriminare tra due modelli logistici, di cui il primo è costituito dalle singole variabili esplicative ed il secondo comprende anche le interazioni significative tra le coppie di variabili
NELLA VALUTAZIONE DEI RISULTATI AZIENDALI, IL RAPPORTO
PASSIVITÀ CORRENTI SU TOTALE PASSIVO È UN:
Indice di struttura finanziaria
L'ANALISI CLUSTER È:
Un'analisi esplorativa
LA SOMMA DELLE VARIANZE DELLE COMPONENTI PRINCIPALI:
E' pari alla somma delle varianze delle variabili originarie
NELLA SCELTA DELLE VARIABILI:
Se una variabile ha varianza maggiore rispetto alle altre, avrà maggiore peso nella determinazione della prima componente principale
LA MATRICE DEI DATI:
Il vettore colonna i-esimo contiene il profilo della i-esima unità
L'INDICE DI ASSOCIAZIONE CHI-QUADRATO:
Assume valori via via crescenti quanto maggiore è lassociazione tra i due caratteri
NELL'ANALISI DEI PROFILI RIGA:
In corrispondenza a ogni indice di distanza può essere definito un indice di similarità
QUALE DELLE SEGUENTI AFFERMAZIONI È CORRETTA NELL'ANALISI DEI PROFILI RIGA:
Il simple matching è un indice di distanza dato dalla frequenza relativa degli attributi presenti in una unità e assenti nell'altra.
L'ALGORITMO DI MACQUEEN:
Le modalità di scelta dei centroidi di partenza si differenziano negli algoritmi non gerarchici denominati k means
ASSEGNAZIONE DELLE CLASSI ALLE FOGLIE:
Le unità della foglia appartengono a classi diverse con medesima frequenza: tale situazione è rara in un algoritmo CART
30 UNITÀ. SAPENDO CHE LA PROPORZIONE CAMPIONARIA È PARI A
0,6, LERRORE STANDARD RISULTERÀ PARI:
NEL CAMPIONAMENTO STRATIFICATO:
Gli strati dovrebbero contenere unità più omogenee rispetto al carattere di interesse
QUALE DELLE SEGUENTI AFFERMAZIONI NON È VERA:
La violazione dell'ipotesi di rango pieno della matrice X è più grave della presenza di eteroschedasticità
UNA VARIABILE DUMMY CON QUATTRO MODALITÀ:
E' un esempio di variabile politomica
PER STIMARE CORRETTAMENTE L'ERRORE DI PREVISIONE, QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
La matrice dei dati può non essere invertibile
QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
Non è possibile passare dagli odds alle probabilità
LA STIMA DEI PARAMETRI ² :
Il rapporto tra la probabilità di successo e quella di insuccesso è funzione non lineare dei parametri ²
LA STATISTICA TEST G DENOMINATA RAPPORTO DI VEROSIMIGLIANZA:
Sotto l'ipotesi nulla si distribuisce come un Chi-quadrato
NEL MODELLO LOGISTICO UTILIZZATO PER L'ANALISI DELLA DOMANDA DI LAVORO NELLA PROVINCIA DI ROMA:
Le caratteristiche del mercato del lavoro sono identificate con le covariate
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:
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 dellevento Osservato
LA CURVA ROC:
Consente di discriminare tra due modelli logistici, di cui il primo è costituito dalle singole variabili esplicative ed il secondo comprende anche le interazioni significative tra le coppie di variabili
L'ANALISI IN COMPONENTI PRINCIPALI APPLICATA AI DATI DI BILANCIO DELLE IMPRESE:
Analizza simultaneamente più indici di bilancio rappresentati dalle colonne della matrice dei dati.
NELLA SCELTA DELLE VARIABILI:
Se una variabile ha varianza maggiore rispetto alle altre, avrà maggiore peso nella determinazione della prima componente principale
NELL'ANALISI DEI PROFILI RIGA:
In corrispondenza a ogni indice di distanza può essere definito un indice di similarità
QUALE DELLE SEGUENTI AFFERMAZIONI È CORRETTA NELL'ANALISI DEI PROFILI RIGA:
Il simple matching è un indice di distanza dato dalla frequenza relativa degli attributi presenti in una unità e assenti nell'altra.
LA CLUSTER ANALYSIS È UNA'ANALISI DI TIPO:
Esplorativa
IL LEGAME SINGOLO:
La distanza fra 2 gruppi è la minima distanza fra due unità
IL DENDOGRAMMA:
Riproduce in scala i valori della misura di dissomiglianza e/o distanza
I grappoli devono essere individuati in modo tale che la variabilità del parametro da stimare sia alta entro i grappoli e bassa tra i grappoli
IL CAMPIONAMENTO CASUALE SEMPLICE A PARITÀ DI DIMENSIONE CAMPIONARIA:
E' meno gestibile dal punto di vista organizzativo del campionamento a grappoli e fornisce stime meno precise
NEL CAMPIONAMENTO DI COMODO:
Le unità del campione sono selezionate in base al contenimento dei costi e ai tempi di esecuzione dell'indagine
NEL CAMPIONAMENTO RAGIONATO:
La selezione delle unità viene stabilita in fase di progettazione sulla base di conoscenze a priori sulla popolazione e sul fenomeno indagato
L'INDAGINE DELLE FORZE DI LAVORO DELL'ISTAT:
Per ciascun comune viene estratto dalla lista anagrafica un campione casuale sistematico di famiglie
NEL MODELLO DI REGRESSIONE LINEARE SEMPLICE ² 1:
La sua unità di misura dipende da y e da x
NEL MODELLO DI REGRESSIONE, A BONTÀ DI ADATTAMENTO DEL MODELLO:
L'indice di determinazione esprime quanto la retta di regressione riesce a descrivere i dati campionari osservati
NEL MODELLO DI REGRESSIONE LINEARE:
La variabile casuale Y ha lo stesso valore atteso del predittore
QUALE DELLE SEGUENTI DEFINIZIONI NON È CORRETTA:
Quando lanalisi della correlazione interessa più di due variabili, lindice di correlazione non può essere calcolato per tutte le possibili coppie di variabili
QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
Nel modello di regressione si assume che le osservazioni della variabile risposta siano correlate
IN UN TEST DI IPOTESI QUALE DELLE SEGUENTI AFFERMAZIONI È VERA
Un test statistico e una regola per discriminare i campioni che, se osservati, portano al rifiuto o all'accettazione dell'ipotesi nulla
NELLA VERIFICA DELLA BONTÀ DEL MODELLO:
Devono essere soddisfatte le condizioni di normalità distributiva della Y, di omoschedasticità e di indipendenza delle osservazioni.
IL MODELLO LOGISTICO MULTINOMIALE:
Un esempio di tale modello è costituito da una variabile dipendente e da un insieme di variabili indipendenti entrambe composte da più di due modalità
NEL MODELLO LOGISTICO:
Gli odds ratio stimati consentono una lettura più immediata del modello sebbene in termini solamente pseudo-probabilistici
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):
Un valore negativo del coefficiente ² indica una relazione negativa tra titolo di studio e probabilità di essere assunto
QUALE DELLE SEGUENTI AFFERMAZIONI SUGLI ODDS RATIO NON È CORRETTA:
L'odds ratio è un duplice rapporto di probabilità tra qualsiasi coppia di categorie di volta in volta considerate
NELLA REGRESSIONE LOGISTICA:
Per stimare leffetto causale esercitato dalle covariate sulla variabile dipendente ovvero per quantificare l intensità di tali effetti si ricorre agli odds ratio
QUALE TRA I SEGUENTI INDICI NON È UN INDICE DI BILANCIO:
In quanti gruppi realizzare la classificazione delle unità statistiche
L'ALGORITMO CHAID:
La variabile criterio è espressa su una scala nominale o al più ordinale.
IL CART:
E' estremamente robusto in presenza di outliers
L'ANALISI DISCRIMINANTE NORMALE:
Consente di classificare correttamente le unità nei due gruppi tramite l'interpretazione geometrica in termini di distanza tra punti
LA VALIDAZIONE DELLA REGOLA:
Nel test sample dell'analisi esterna le unità del campione usate per la verifica devono essere comparabili con quelle del training sample
I DATI SECONDARI:
Rappresentano una fonte di dati
IL CENSIMENTO DELL'INDUSTRIA E DEI SERVIZI:
E' l'unica indagine che consente analisi fino a livello comunale
NELL'INDAGINE CAMPIONARIA:
La selezione delle unità del campione può avvenire mediante schemi di tipo non probabilistico
NEL CAMPIONAMENTO A STADI:
I grappoli devono essere individuati in modo tale che la variabilità del parametro da stimare sia alta entro i grappoli e bassa tra i grappoli
NEL MODELLO DI REGRESSIONE, A BONTÀ DI ADATTAMENTO DEL MODELLO:
L'indice di determinazione esprime quanto la retta di regressione riesce a descrivere i dati campionari osservati
NEL MODELLO DI REGRESSIONE SEMPLICE, SE IL COEFFICIENTE DI
CORRELAZIONE È PARI A -0.829:
Il coefficiente di determinazione è pari a 0,
NEL MODELLO DI REGRESSIONE LINEARE MULTIPLA:
Si assume che esso sia linearizzabile nei parametri
QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA NELL'IPOTESI DI UN MODELLO DI REGRESSIONE LINEARE:
Gli errori possono distribuirsi non normalmente
QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
Le proprietà degli stimatori e i test d'ipotesi sono validi indipendentemente dal verificarsi delle proprietà della componente stocastica.
NEL MODELLO DI REGRESSIONE LINEARE SEMPLICE Y0:
Il valore vero della previsione puntuale di Y
NEL MODELLO DI REGRESSIONE LINEARE:
La variabile casuale Y ha lo stesso valore atteso del predittore
PER STIMARE CORRETTAMENTE L'ERRORE DI PREVISIONE, QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
La matrice dei dati può non essere invertibile
IN UN MODELLO DI PROBABILITÀ LINEARE:
Si effettua una regressione su variabili limitate
L'EFFETTO MARGINALE:
E' l'effetto che produce una variazione unitaria della variabile esplicativa sulla probabilità
IL PROCESSO DI SELEZIONE DELLE VARIABILI:
Nella costruzione del modello, vengono inserite le variabili esplicative che hanno significato dal punto di vista logico e statistico
Assume valori via via crescenti quanto maggiore è lassociazione tra i due caratteri
IL RAPPORTO DI CORRELAZIONE:
Calcolati tutti i rapporti di correlazione è possibile costruire la relativa di tali rapporti
NELLE FASI DI UN'ANALISI CLUSTER DI TIPO GERARCHICO, QUALE STEP PRECEDE TUTTI GLI ALTRI:
Scelta delle variabili
GLI ALGORITMI NON GERACHICI:
Risultano meno dispendiosi dal punto di vista del calcolo per ampie basi di dati rispetto agli algoritmi gerarchici
STIMA DEL TASSO DI ERRATA CLASSIFICAZIONE:
La regola basata sul campione test è più affidabile perché utilizza dati esterni rispetto a quelli impiegati per la regola di classificazione basata sulla stima per risostituzione
IL CART:
E' estremamente robusto in presenza di outliers
LE PROBABILITÀ A PRIORI P1 E P0 DEI DUE GRUPPI G1 E G0 SONO TALI CHE:
P1 + P0 =
NEGLI ERRORI DI CLASSIFICAZIONE DELLE UNITÀ, TRA IMPRESE INSOLVENTI E SANE
Un falso negativo indica un'impresa insolvente classificata come sana
L'INDAGINE CAMPIONARIA:
Prevede che sia identificata la popolazione obiettivo
L'OBIETTIVO DI UN'INDAGINE CAMPIONARIA:
E' la stima dei parametri della popolazione
DA UNA POPOLAZIONE DI 100 UNITÀ, È ESTRATTO UN CAMPIONE CASUALE SEMPLICE SENZA REIMMISSIONE DI DIMENSIONE PARI A
30 UNITÀ. SAPENDO CHE LA PROPORZIONE CAMPIONARIA È PARI A
0,6, LERRORE STANDARD RISULTERÀ PARI:
L'INDAGINE DELLE FORZE DI LAVORO DELL'ISTAT:
Per ciascun comune viene estratto dalla lista anagrafica un campione casuale sistematico di famiglie
IL MODELLO DI REGRESSIONE MULTIPLO:
Si assume che le osservazioni della variabile risposta siano incorrelate.
QUALE DELLE SEGUENTI AFFERMAZIONI È CORRETTA NELL'IPOTESI DI UN MODELLO DI REGRESSIONE LINEARE
La presenza del termine di errore è dovuta al fatto che la relazione tra la variabile dipendente e indipendente potrebbe non essere lineare
IN UN MODELLO DI REGRESSIONE LINEARE MULTIPLA:
Quando si confrontano modelli di regressione lineare con un diverso numero di variabili esplicative, lindice R2 deve utilizzato con cautela
IN UN MODELLO DI REGRESSIONE LINEARE MULTIPLA:
Si usa la statistica test F di Fisher che è funzione di R^
NELL'UTILIZZARE LA STATISTICA TEST F DI FISHER PER VALUTARE LA BONTÀ DEL MODELLO:
L'ipotesi nulla si rifiuta se p-value <� ±
NELL'ANALISI DEI RESIDUI IN UN MODELLO DI REGRESSIONE LINEARE:
In presenza di mal specificazione del modello si è in presenza di eteroschedasticità
NEL MODELLO DI REGRESSIONE LINEARE:
Le assunzioni alla base della distribuzione dei residui si basano sul teorema centrale del limite
QUALE DELLE SEGUENTI AFFERMAZIONI NON È VERA:
QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA:
Per l'ammissione alla procedura di liqudiazione di un'impresa ci devono essere possibilità di risanamento dell'impresa stessa
LE PROBABILITÀ A PRIORI P1 E P0 DEI DUE GRUPPI G1 E G0 SONO TALI CHE:
P1 + P0 =
L'ANALISI ESTERNA:
Grazie alla matrice di riclassificazione si possono riconoscere quegli indici di bilancio premonitori nel segnalare precocemente lo stato di insolvenza di un'impresa
IL SISTAN:
E' l'insieme di soggetti produttori di statistica ufficiale
LA PUNTUALITÀ È UN CONCETTO LEGATO ALLA:
Tempestività
I DATI SECONDARI:
Rappresentano una fonte di dati
L'ARCHIVIO STATISTICO DELLE IMPRESE ATTIVE (ASIA) PER LE UNITÀ LOCALI:
Analizza le caratteristiche strutturali del sistema produttivo tra due censimenti
NELL'INDAGINE CAMPIONARIA:
La selezione delle unità del campione può avvenire mediante schemi di tipo non probabilistico
LA TECNICA DELL'AUTOCOMPILAZIONE:
Non presenta eccessive difficoltà organizzative
LA TECNICA DELL'INTERVISTA TELEFONICA:
Ha un basso tasso di copertura della lista di campionamento
NEL CASO DI UN CAMPIONAMENTO CASUALE SEMPLICE:
I valori campionari, ad esempio della variabile media campionaria, tendono a distribuirsi intorno al valore del parametro della popolazione
NEL CAMPIONAMENTO CASUALE SEMPLICE:
Se il valore di p è ignoto, si utilizza la proporzione campionaria P
LA DIMENSIONE CAMPIONARIA OTTIMALE:
E' pari all'inverso del quadrato dell'errore, se p e q sono pari a 0.5 (condizione di massima cautela)
NEL MODELLO DI REGRESSIONE LINEARE SEMPLICE:
Il segno del coefficiente di correlazione è uguale al segno del coefficiente di regressione
DATA LA RETTA DI REGRESSIONE Y = A + BX, CALCOLARE LA MEDIA DI Y SAPENDO CHE X HA MEDIA Œ E SCOSTAMENTO QUADRATICO MEDIO Ã.
La media di Y è pari ad a + bŒ
QUALE DELLE SEGUENTI AFFERMAZIONI NON È CORRETTA NELL'IPOTESI DI UN MODELLO DI REGRESSIONE LINEARE:
Gli errori possono distribuirsi non normalmente
UTILIZZANDO UN DIAGRAMMA A DISPERSIONE TIPO SCATTERPLOT:
Il coefficiente di correlazione dei residui deve essere pari a zero
QUANDO LE RELAZIONI NON SONO LINEARI OCCORRE UTILIZZARE UNA FORMA FUNZIONALE APPROPRIATA:
Si deve utilizzare la forma funzionale che meglio si adatta ai dati
L'ERRORE DI PREVISIONE:
La sua varianza dipende dalla variabilità dei parametri
Il concetto di impurità si riferisce ad una misura di variabilità delle osservazioni
QUALE DELLE SEGUENTI AFFERMAZIONI È NON CORRETTA CIRCA IL CONCETTO DI IMPURITÀ:
Se l'indice di eterogeneità è pari 0.439 per il nodo padre e uguale rispettivamente a 0.231 e 0.266 per i nodi figli ciò implica che i due nodi figli sono meno puri rispetto al nodo padre
IL RISCHIO DI INSOLVENZA DELLE IMPRESE:
E' possibile determinarlo con l'aiuto di adeguati metodi statistici
L'APPROCCIO STATISTICO:
Consente di studiare la relazione fra i segnali premonitori e l'evento insolvenza
NELL'ANALISI STATISTICA DI TIPO PREDITTIVO:
Si produce un punteggio sintetico che esprime il rischio di insolvenza riferito a uno specifico orizzonte temporale futuro
NELLA FORMAZIONE DEL CAMPIONE DELLE IMPRESE COSIDDETTE SANE:
Si costrusice un campione bilanciato, ovvero stratificato secondo le caratteristiche che presentano le imprese insolventi
NEGLI ERRORI DI CLASSIFICAZIONE DELLE UNITÀ, TRA IMPRESE INSOLVENTI E SANE
Un falso negativo indica un'impresa insolvente classificata come sana
IL REQUISITO DELLA COMPARABILITÀ SI UTILIZZA:
Quando si confrontano statistiche corrispondenti nello spazio
IL CENSIMENTO DELL'INDUSTRIA E DEI SERVIZI:
E' l'unica indagine che consente analisi fino a livello comunale
L'ERRORE STATISTICO:
E' indipendente dal tipo di campionamento scelto
NEL CAMPIONAMENTO SISTEMATICO:
La lista di campionamento è ordinata secondo un qualche criterio in modo tale che il campione selezionato è condizionato da tale ordinamento
NEL CAMPIONAMENTO RAGIONATO:
La selezione delle unità viene stabilita in fase di progettazione sulla base di conoscenze a priori sulla popolazione e sul fenomeno indagato
IL CAMPIONAMENTO PER QUOTE:
Presenta l'errore statistico come il campionamento stratificato
L'EFFICIENZA COMPLESSIVA DEL DISEGNO DI CAMPIONAMENTO UTILIZZATO:
E' misurata attraverso il rapporto tra la varianza del campione complesso utilizzato e quella di un ipotetico campione casuale semplice di pari numerosità in termini di unità finali di campionamento
L'INDAGINE DELLE FORZE DI LAVORO DELL'ISTAT:
Per ciascun comune viene estratto dalla lista anagrafica un campione casuale sistematico di famiglie
NEL MODELLO DI REGRESSIONE SEMPLICE, SE IL COEFFICIENTE DI CORRELAZIONE È PARI A -0.829:
Il coefficiente di determinazione è pari a 0,
NEL MODELLO DI REGRESSIONE SEMPLICE, SE IL COEFFICIENTE DI CORRELAZIONE È PARI A -0.829:
Il coefficiente di determinazione è pari a 0,
ESISTONO ALCUNI MODI PER INDIVIDUARE IL CASO DI MULTICOLLINEARITÀ NEI DATI:
Quando le statistiche test t e il test F danno risultati contraddittori
QUALE DELLE SEGUENTI AFFERMAZIONI È CORRETTA NELL'IPOTESI DI UN MODELLO DI REGRESSIONE LINEARE
