1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697
|
@new-style gretl.hlp
# add Tests "Test per le variabili aggiunte"
Aggiunge le variabili selezionate al modello precedente e stima il nuovo
modello. Se si aggiunge pi di una variabile, verr mostrata la statistica F
e il suo p-value per le nuove variabili (solo per la procedura OLS). Un
p-value inferiore 0.05 significa che i coefficienti sono congiuntamente
significativi al livello del 5 per cento.
Accesso dal men: Finestra del modello, /Test/ADD - Aggiungi variabili
Comando script: add
# adf Tests "Test Dickey-Fuller aumentato"
Questo comando richiede un ordine di ritardo intero; se si indica un ordine
zero, viene eseguito un test Dickey-Fuller standard (non aumentato).
Calcola le statistiche per un gruppo di test Dickey-Fuller sulla variabile
specificata, assumendo come ipotesi nulla che la variabile abbia una radice
unitaria.
Per impostazione predefinita, vengono mostrate tre varianti del test: una
basata su una regressione che contiene solo una costante, una che include la
costante e un trend lineare, una che usa la costante e un trend quadratico.
possibile controllare le tre varianti specificando una o pi opzioni.
In tutti i casi, la variabile dipendente la differenza prima della
variabile specificata, y, e la variabile dipendente pi importante il
ritardo (di ordine uno) di y. Il modello costruito in modo che il
coefficiente della variabile ritardata y pari a 1 meno la radice. Ad
esempio, il modello con una costante pu essere scritto come
(1 - L)y(t) = b0 + (1-a)y(t-1) + e(t)
Se l'ordine di ritardi, k, maggiore di 0, ai regressori di ognuna delle
regressioni calcolate per il test saranno aggiunti k ritardi della variabile
dipendente.
Se l'ordine di ritardi, k, maggiore di 0, ai regressori di ognuna delle
regressioni calcolate per il test saranno aggiunti k ritardi della variabile
dipendente, a meno che venga selezionata la casella "test per il ritardo
massimo"; in questo caso, l'ordine selezionato verr considerato come ordine
massimo, e l'ordine da usare effettivamente sar ricavato applicando la
seguente procedura di test "all'indietro":
1. Stima la regressione Dickey-Fuller con k ritardi della variabile
dipendente.
2. Se questo ordine di ritardi significativo, esegue il test con l'ordine
di ritardo k. Altrimenti, prova il test con k = k - 1; se k = 0, esegue
il test con ordine di ritardo 0, altrimenti va al punto 1.
Durante il punto 2 spiegato sopra, "significativo" significa che la
statistica t per l'ultimo ritardo abbia un p-value asintotico a due code per
la distribuzione normale pari a 0.10 o inferiore.
I p-value per questo test sono basati su MacKinnon (1996). Il codice
rilevante incluso per gentile concessione dell'autore.
Accesso dal men: /Variabile/Test Dickey-Fuller aumentato
Comando script: adf
# ar Estimation "Stima autoregressiva"
Calcola le stime parametriche usando la procedura iterativa generalizzata di
Cochrane-Orcutt (si veda il Capitolo 9.5 di Ramanathan). La procedura
termina quando le somme dei quadrati degli errori consecutivi non
differiscono per pi dello 0.005 per cento, oppure dopo 20 iterazioni.
La "lista dei ritardi AR" specifica la struttura del processo dell'errore.
Ad esempio, l'indicazione "1 3 4" corrisponde al processo:
u(t) = rho1*u(t-1) + rho3+u(t-3) + rho4*u(t-4)
Accesso dal men: /Modello/Serie storiche/AR - Stima autoregressiva
Comando script: ar
# arch Tests "Test ARCH"
Questo comando richiede un ordine di ritardo intero.
Testa il modello per l'eteroschedasticit condizionale autoregressiva (ARCH:
Autoregressive Conditional Heteroskedasticity) dell'ordine specificato. Se
la statistica del test LM ha un p-value inferiore a 0.10, viene anche
effettuata la stima ARCH. Se la varianza prevista di qualche osservazione
nella regressione ausiliaria non risulta positiva, viene usato il
corrispondente residuo al quadrato. Viene quindi calcolata la stima con i
minimi quadrati ponderati sul modello originale.
Si veda anche "garch".
Accesso dal men: Finestra del modello, /Test/ARCH
Comando script: arch
# arma Estimation "Stima ARMA"
Se selezionato dal men Variabile, stima un modello autoregressivo a media
mobile univariato (ARMA: Autoregressive, Moving Average). Se selezionato
dal men Modello ("ARMAX"), stima un modello ARMAX, che contiene in pi dei
regressori esogeni.
Il funzionamento predefinito utilizza la funzione ARMA "interna" di gretl;
nel caso di un modello ARMA univariato, anche possibile usare X-12-ARIMA
(se stato installato il pacchetto X-12-ARIMA per gretl).
L'algoritmo interno di gretl per ARMA in gran parte dovuto a Riccardo
"Jack" Lucchetti: utilizza una procedura di massima verosimiglianza
condizionale, implementata attraverso la stima iterata con minimi quadrati
della regressione del prodotto esterno del gradiente (OPG). Si veda l'il
manuale di gretl per la logica della procedura. I coefficienti AR (e quelli
per gli eventuali regressori aggiuntivi) sono inizializzati usando una
auto-regressione OLS, mentre i coefficienti MA sono inizializzati a zero.
Il valore AIC mostrato nei modelli ARMA calcolato secondo la definizione
usata in X-12-ARIMA, ossia
AIC = -2L + 2k
dove L la log-verosimiglianza e k il numero totale di parametri stimati.
Il valore di "frequenza" mostrato insieme alle radici AR e MA il valore di
lambda che risolve
z = r * exp(i*2*pi*lambda)
dove z la radice in questione e r il suo modulo.
Accesso dal men: /Variabile/Modello ARMA, /Modello/Serie Storiche/ARMAX
Accesso alternativo: Men pop-up nella finestra principale (selezione singola)
Comando script: arma
# boxplot Graphs "Grafici boxplot"
Questo tipo di grafici (da Tukey e Chambers) mostra la distribuzione di una
variabile. La "scatola" centrale (box) racchiude il 50 per cento centrale
dei dati, ossia delimitato dal primo e terzo quartile. I "baffi"
(whiskers) si estendono fino ai valori minimo e massimo. Una linea
trasversale sulla scatola indica la mediana.
Nel caso dei grafici a tacca ("notches"), una tacca indica i limiti
dell'intervallo di confidenza approssimato al 90 per cento per la mediana,
ottenuto col metodo bootstrap.
Dopo ogni variabile specificata nel comando boxplot, possibile aggiungere
un'espressione booleana tra parentesi per limitare il campione per la
variabile in questione. Occorre inserire uno spazio tra il nome o il numero
della variabile e l'espressione. Si supponga di avere dati sui salari di
uomini e donne e di avere una variabile dummy GENERE che vale 1 per gli
uomini e 0 per le donne. In questo caso, possibile generare dei boxplot
comparativi usando la seguente riga nella finestra di dialogo dei boxplot:
salario (GENERE=1) salario (GENERE=0)
Alcuni dettagli del funzionamento dei boxplot di gretl possono essere
controllati attraverso un file testuale chiamato .boxplotrc. Per ulteriori
dettagli, si veda il manuale di gretl.
Accesso dal men: /Dati/Grafico delle variabili/Boxplot
Comando script: boxplot
# chow Tests "Chow"
Questo comando richiede un numero di osservazione (o una data, se il dataset
lo consente).
Va eseguito dopo una regressione OLS. Crea una variabile dummy che vale 1 a
partire dal punto di rottura specificato da osservazione fino alla fine del
campione, 0 altrove; inoltre crea dei termini di interazione tra questa
dummy e le variabili indipendenti originali, stima una regressione che
include questi termini e calcola una statistica F, prendendo la regressione
aumentata come non vincolata e la regressione originale come vincolata. La
statistica appropriata per testare l'ipotesi nulla che non esista un break
strutturale in corrispondenza del punto di rottura specificato.
Accesso dal men: Finestra del modello, /Test/CHOW
Comando script: chow
# coeffsum Tests "Test sulla somma dei coefficienti"
Questo comando richiede una lista di variabili, selezionate tra le variabili
indipendenti di un modello.
Calcola la somma dei coefficienti delle variabili nella lista e mostra
l'errore standard e il p-value per l'ipotesi nulla che la somma sia zero.
Si noti la differenza tra questo test e "omit", che assume come ipotesi
nulla l'uguaglianza a zero di tutti i coefficienti di un gruppo di variabili
indipendenti.
Accesso dal men: Finestra del modello, /Test/Somma dei coefficienti
Comando script: coeffsum
# coint Tests "Test di cointegrazione di Engle-Granger"
Il test di cointegrazione di Engle-Granger svolge dei test Dickey-Fuller
aumentati sull'ipotesi nulla che ognuna delle variabili elencate abbia una
radice unitaria, usando l'ordine di ritardi specificato. Viene stimata la
regressione di cointegrazione e viene eseguito un test ADF sui residui di
questa regressione, mostrando anche la statistica di Durbin-Watson per la
regressione di cointegrazione.
I pvalue per questo test si basano su MacKinnon (1996). Il codice relativo
stato incluso per gentile concessione dell'autore.
Accesso dal men: /Modello/Serie storiche/Test di cointegrazione/Engle-Granger
Comando script: coint
# coint2 Tests "Test di cointegrazione di Johansen"
Esegue il test traccia di Johansen per la cointegrazione tra le variabili
elencate per l'ordine specificato. I valori critici sono calcolati con
l'approssimazione gamma di J. Doornik's (Doornik, 1998). Per i dettagli su
questo test, si veda Hamilton, Time Series Analysis (1994), Cap. 20.
La tabella seguente fornisce un esempio di interpretazione dei risultati del
test nel caso di 3 variabili. H0 denota l'ipotesi nulla, H1 l'ipotesi
alternativa e c il numero delle relazioni di cointegrazione.
Rango Test traccia Test Lmax
H0 H1 H0 H1
---------------------------------------
0 c = 0 c = 3 c = 0 c = 1
1 c = 1 c = 3 c = 1 c = 2
2 c = 2 c = 3 c = 2 c = 3
---------------------------------------
Accesso dal men: /Modello/Serie storiche/Test do cointegrazione/Johansen
Comando script: coint2
# compact Dataset "Compattamento dei dati"
Quando viene aggiunta a un dataset una serie di frequenza maggiore, occorre
"compattare" la nuova serie. Ad esempio, una serie mensile deve essere
compattata per adattarsi a un dataset trimestrale.
Inoltre, a volte pu essere necessario compattare un intero dataset
abbassandone la frequenza (ad esempio, prima di aggiungere al dataset una
variabile a frequenza minore).
Ci sono quattro opzioni per il compattamento:
Media: i nuovi valori saranno la media aritmetica dei corrispondenti
valori della serie a frequenza maggiore. Ad esempio, il valore per il
primo trimestre del 1990 sar la media dei valori di gennaio, febbraio e
marzo del 1990.
Somma: i nuovi valori saranno la somma dei corrispondenti valori della
serie a frequenza maggiore. Ad esempio, il valore per il primo trimestre
sar la somma dei valori di gennaio, febbraio e marzo.
Valori di fine periodo: il nuovo valore l'ultimo valore corrispondente
nella serie a frequenza maggiore. Ad esempio, il valore del primo
trimestre del 1990 sar quello del marzo 1990.
Valori di inizio periodo: il nuovo valore il primo valore corrispondente
nella serie a frequenza maggiore. Ad esempio, il valore del primo
trimestre del 1990 sar quello del gennaio 1990.
Se si compatta un intero dataset, il metodo di compattamento scelto diventa
quello predefinito, ma se si scelto un metodo di compattamento per una
certa variabile (nel men "Variabile/Modifica attributi") viene usato quel
metodo al posto di quello predefinito. Se il metodo di compattamento gi
stato scelto per tutte le variabili, non viene presentata la scelta per il
metodo di compattamento predefinito.
# corc Estimation "Stima Cochrane-Orcutt"
Calcola le stime dei parametri usando la procedura iterativa di
Cochrane-Orcutt (si veda il Capitolo 9.4 di Ramanathan). La procedura si
ferma quando le stime consecutive del coefficiente di autocorrelazione
differiscono per meno di 0.001, oppure dopo 20 iterazioni.
Accesso dal men: /Modello/Serie storiche/Cochrane-Orcutt
Comando script: corc
# corrgm Statistics "Correlogramma"
Mostra i valori della funzione di autocorrelazione per la variabile
specificata (dal nome o dal numero). Si veda Ramanathan, Capitolo 11.7.
definita come rho(u(t), u(t-s)) dove ut la t-esima osservazione della
variabile u e s il numero dei ritardi.
Vengono mostrate anche le autocorrelazioni parziali, ossia al netto
dell'effetto dei ritardi intermedi. Il comando produce anche un grafico del
correlogramma e mostra la statistica Q di Box-Pierce per testare l'ipotesi
nulla che la serie sia "white noise" (priva di autocorrelazione). La
statistica si distribuisce asintoticamente come chi-quadro con gradi di
libert pari al numero di ritardi specificati.
Se viene specificato un valore max-ritardo, la lunghezza del correlogramma
viene limitata al numero di ritardi specificato, altrimenti viene scelta
automaticamente.
Accesso dal men: /Variabile/Correlogramma
Accesso alternativo: Men pop-up nella finestra principale (selezione singola)
Comando script: corrgm
# cusum Tests "Test CUSUM"
Va eseguito dopo la stima di un modello OLS. Esegue il test CUSUM per la
stabilit dei parametri. Viene calcolata una serie di errori di previsione
(scalati) per il periodo successivo, attraverso una serie di regressioni: la
prima usa le prime k osservazioni e viene usata per generare la previsione
della variabile dipendente per l'osservazione k + 1; la seconda usa le prime
k + 1 osservazioni per generare una previsione per l'osservazione k + 2 e
cos via (dove k il numero dei parametri nel modello originale). Viene
mostrata, anche graficamente, la somma cumulata degli errori scalati di
previsione. L'ipotesi nulla della stabilit dei parametri rifiutata al
livello di significativit del 5 per cento se la somma cumulata va al di
fuori delle bande di confidenza al 95 per cento.
Viene mostrata anche la statistica t di Harvey-Collier per testare l'ipotesi
nulla della stabilit dei parametri. Si veda il Capitolo 7 di Econometric
Analysis di Greene, per i dettagli.
Accesso dal men: Finestra del modello, /Test/CUSUM
Comando script: cusum
# density Statistics "Stima kernel di densit"
La stima kernel di densit avviene definendo un insieme di punti di
riferimento distanziati in modo uniforme su un appropriato intervallo dei
dati, e attribuendo ad ognuno di essi un valore di densit basato sui valori
delle osservazioni circostanti.
La formula usata per calcolare la densit stimata in ognuno dei punti di
riferimento x
f(x) = (1/nh) sum(t=1 to n) k((x - x(t)) / h)
dove n denota il numero delle osservazioni, h un parametro di "larghezza
di banda" e k() la funzione kernel. All'aumentare del parametro di banda,
aumenta il livellamento della densit stimata.
possibile usare un kernel Gaussiano (la densit normale standard) o il
kernel di Epanechnikov, mentre la larghezza di banda predefinita quella
suggerita da Silverman (1986), ossia
h = 0.9 min(s, IQR/1.349) n^{1/5}
dove s denota la deviazione standard dei dati e IQR denota il range
interquartile. possibile allargare o restringere la banda usando il
"fattore di aggiustamento della banda": la banda effettivamente utilizzata
si ottiene moltiplicando il valore di Silverman per il fattore di
aggiustamento.
Per una buona discussione introduttiva della stima kernel, si veda il
capitolo 15 di Econometric Theory and Methods di Davidson e MacKinnon.
# dialog Estimation "Finestra di dialogo Modello"
Per selezionare la variabile dipendente, fare clic su una variabile nella
lista di sinistra e premere il pulsante "Scegli" con la freccia che punta
verso il riquadro della variabile dipendente. Selezionando la casella
"Imposta come predefinito", la variabile scelta verr sempre pre-selezionata
come variabile dipendente durante le prossime aperture della finestra di
dialogo. Trucco: facendo doppio clic su una variabile sulla sinistra, viene
selezionata come variabile dipendente e impostata come scelta predefinita.
Per selezionare le variabili indipendenti, fare clic su di esse nella lista
di sinistra e premere il pulsante "Aggiungi" (o fare clic col pulsante
destro del mouse). possibile selezionare pi variabili contigue
trascinando il mouse; se le variabili da selezionare non sono contigue,
occorre fare clic tenendo prenuto il tasto Ctrl.
# export Dataset "Esportazione dei dati"
possibile esportare dati in formato separato da virgole (CSV:
Comma-Separated Values), in modo che possano essere aperti con fogli
elettronici e molti altri programmi applicativi.
anche possibile esportare i dati nei formati specifici di GNU R o GNU
octave. Per ulteriori informazioni in questi programmi (entrambi utili per
l'analisi statistica avanzata) si vedano i rispettivi siti web:
http://www.r-project.org/ e http://www.octave.org/
# factorized Graphs "Grafici X-Y con fattore"
Questo comando richiede che si selezionino tre variabili, l'ultima delle
quali deve essere una variabile dummy (con valori 1 o 0). La variabile Y
rappresentata rispetto alla variabile X, con i punti colorati diversamente a
seconda del valore della terza variabile.
Esempio: si hanno dati sui salari e il livello di scolarit per un campione
di persone; si dispone anche di una variabile dummy che vale 1 per gli
uomini e 2 per le donne (come nel file data7-2 di Ramanathan). Un "Grafico
X-Y con fattore" di WAGE rispetto a EDUC usando la dummy GENDER mostrer le
osservazioni che si riferiscono agli uomini in un colore e quelle delle
donne in un altro (insieme a una legenda per identificarli).
# fcasterr Prediction "Previsioni con errori standard"
Dopo aver stimato un modello OLS possibile usare questo comando per
rappresentare i valori stimati su un intervallo di osservazioni specificato,
insieme agli errori standard stimati per queste previsioni e agli intervalli
di confidenza al 95 per cento.
Gli errori standard sono calcolati nel modo descritto da Wooldridge nel
capitolo 6 del suo Introductory Econometrics. Incorporano due fonti di
variabilit: la varianza associata al valore atteso della variabile
dipendente, condizionale ai valori dati delle variabili indipendenti, e la
varianza dei residui della regressione.
Accesso dal men: Finestra del modello, /Dati modello/Previsioni con errori standard
Comando script: fcasterr
# garch Estimation "Stima GARCH"
Stima un modello GARCH (Generalized Autoregressive Conditional
Heteroskedasticity) univariato, o, se sono specificate delle
variabili-indipendenti, includendo delle variabili esogene. L'equazione
della varianza condizionale la seguente:
h(t) = a(0) + somma (i da 1 a q) a(i)*u(t-i) + somma(j da 1 a p) b(j)*h(t-j)
L'algoritmo GARCH usato da gretl in pratica quello di Fiorentini,
Calzolari e Panattoni (1996), usato per gentile concessione del Professor
Fiorentini.
Sono disponibili varie stime della matrice di covarianza dei coefficienti.
Il metodo predefinito quello dell'Hessiana, a meno di non selezionare la
casella "Errori standard robusti", nel qual caso viene usata la matrice di
covarianza QML (White). Altre possibilit (ad es. la matrice di
informazione, o lo stimatore di Bollerslev-Wooldridge) possono essere
specificate con il comando "set".
Accesso dal men: /Modello/Serie storiche/GARCH
Comando script: garch
# genr Dataset "Generazione di una nuova variabile"
Crea nuove variabili, di solito per mezzo di trasformazioni di variabili
esistenti. Si veda anche "diff", "logs", "lags", "ldiff", "multiply" e
"square" per le scorciatoie.
Gli operatori aritmetici supportati sono, in ordine di precedenza: ^
(esponenziale); *, / e % (modulo o resto); + e -.
Gli operatori Booleani disponibili sono (ancora in ordine di precedenza): !
(negazione), & (AND logico), | (OR logico), >, <, =, >= (maggiore o uguale),
<= (minore o uguale) e != (disuguale). Gli operatori Booleani possono essere
usati per costuire variabili dummy: ad esempio (x > 10) produce 1 se x > 10,
0 altrimenti.
Le funzioni supportate appartengono ai gruppi seguenti:
Funzioni matematiche standard: abs, cos, exp, int (parte intera), ln
(logaritmo naturale: log un sinonimo), sin, sqrt (radice quadrata).
Funzioni statistiche: max (valore massimo in una serie), min (minimo),
mean (media aritmetica), median, var (varianza) sd (deviazione standard),
sst (somma dei quadrati delle deviazioni dalla media), sum, cov
(covarianza), corr (coefficiente di correlazione), pvalue, sort, cum
(somma cumulata), cnorm (funzione di ripartizione normale standard), dnorm
(funzione di densit normale standard), resample (ricampiona una serie con
rimpiazzo, utile per il bootstrap), hpfilt (filtro di Hodrick-Prescott:
produce la componente di "ciclo" della serie), bkfilt (filtro passa-banda
di Baxter-King).
Funzioni per serie storiche: diff (differenza prima), ldiff
(log-differenza, ossia la differenza prima dei logaritmi naturali). Per
generare ritardi della variabile x, si pu usare la sintassi "x(-N)", dove
N rappresenta la lunghezza del ritardo desiderato; per generare anticipi
si usi "x(+N)".
Funzioni dataset: misszero (sostituisce con zero il codice delle
osservazioni mancanti in una serie); zeromiss (l'operazione inversa di
misszero); nobs (riporta il numero di osservazioni valide in una data
serie); missing (per ogni osservazione, vale 1 se l'argomento ha un valore
mancante, 0 altrimenti); ok (l'opposto di missing).
Numeri pseudo-casuali: uniform, normal.
Tutte le funzioni viste sopra, con l'eccezione di cov, corr, pvalue, uniform
e normal hanno come unico argomento il nome di una variabile (attenzione:
non possibile indicare le variabili con il loro numero identificativo in
una formula "genr") o un'espressione che si risolve in una variabie (ad es.
ln((x1+x2)/2)). cov e corr richiedono due argomenti e producono
rispettivamente il coefficiente di covarianza e di correlazione tra i due
argomenti. La funzione pvalue richiede gli stessi argomenti del comando
"pvalue", ma in questo caso occorre separare gli argomenti con delle
virgole. Questa funzione produce un p-value a una coda, che nel caso delle
distribuzioni normale e t la "coda corta". Con la normale, ad esempio, sia
1.96 sia -1.96 daranno un risultato di circa 0.025.
uniform() e normal(), che non richiedono argomenti, producono delle serie
pseudo-casuali estratte dalle distribuzioni uniforme (0-1) e normale
standard (si veda anche il comando "set" con l'opzione seed). Le serie dalla
distribuzione uniforme sono generate usando il Mersenne Twister ; per le
serie dalla distribuzione normale, viene usato il metodo di Box e Muller
(1958), prendendo l'input dal Mersenne Twister.
Oltre agli operatori e alle funzioni mostrati, ci sono alcuni usi speciali
del comando "genr":
"genr time" crea una variabile trend temporale (1,2,3,...) chiamata
"time". "genr index" fa la stessa cosa, ma chiamando la variable index.
"genr dummy" crea una serie di variabili dummy a seconda della periodicit
dei dati. Ad esempio, nel caso di dati trimestrali (periodicit 4) il
programma crea dummy_1, che vale 1 nel primo trimestre e 0 altrove,
dummy_2 che vale 1 nel secondo trimestre e 0 altrove, e cos via.
"genr paneldum" crea una serie di variabili dummy da usare in un dataset
di tipo panel -- si veda "panel".
Alcune variabili interne che vengono generate durante il calcolo di una
regressione possono essere recuperate usando "genr", nel modo seguente:
$ess somma dei quadrati degli errori
$rsq R-quadro
$T numero delle osservazioni usate
$df gradi di libert
$trsq TR-quadro (ampiezza del campione moltiplicata per
R-quadro)
$sigma errore standard dei residui
$aic criterio di informazione di Akaike
$bic criterio di informazione bayesiana di Schwarz
$lnl log-verosimiglianza (dove applicabile)
$sigma errore standard dei residui
coeff(variabile) coefficiente stimato per la variabile
stderr(variabile) errore standard stimato per la variabile
rho(i) coefficiente di autoregressione dei residui di ordine
i-esimo
vcv(x1,x2) covarianza tra i coefficienti delle variabili x1 e x2
Nota: nella versione a riga di comando del programma, i comandi "genr" che
estraggono dati relativi al modello si riferiscono sempre al modello stimato
per ultimo. Questo vale anche per la versione grafica del programma se si
usa "genr" nel "terminale di gretl" o si immette una formula usando
l'opzione "Definisci nuova variabile" nel men Variabile della finestra
principale. Usando la versione grafica, per, possibile anche estrarre i
dati da qualunque modello mostrato in una finestra (anche se non il
modello pi recente) usando il men "Dati modello" nella finestra del
modello.
Le serie interne uhat e yhat contengono rispettivamente i residui e i valori
stimati dell'ultima regressione.
Sono disponibili tre variabili dataset "interne": $nobs, che contiene il
numero di osservazioni nell'intervallo del campione attuale (che non
necessariamente uguale al valore di $T, il numero delle osservazioni usate
per stimare l'ultimo modello), $nvars, che contiene il numero di variabili
nel dataset (inclusa la costante), e $pd, che contiene la frequenza o la
periodicit dei dati (ad esempio 4 per dati trimestrali).
Due scalari speciali interni, $test e $pvalue, contengono rispettivamente il
valore e il p-value della statistica test che stata generata dall'ultimo
comando di test eseguito esplicitamente (ad es. chow). Si veda il manuale di
gretl per i dettagli.
La variabile t serve da indice per le osservazioni. Ad esempio, genr dum =
(t=15) crea una variabile dummy che vale 1 per l'osservazione 15 e 0
altrove. La variabile obs simile ma pi flessibile: possibile usarla per
isolare alcune osservazioni indicandole con una data o un nome. Ad esempio,
genr d = (obs>1986:4) o genr d = (obs="CA"). L'ultima forma richiede che
siano definite delle etichette, da usare tra virgolette doppie, per le
osservazioni.
possibile estrarre dei valori scalari da una serie usando una formula genr
con la sintassi nome-variabile[osservazione]. Il valore di osservazione pu
essere specificato con un numero o una data. Esempi: x[5], CPI[1996:01]. Per
i dati giornalieri occorre usare la forma AAAA/MM/GG, ad esempio
ibm[1970/01/23].
possibile modificare una singola osservazione in una serie usando genr.
Per farlo, occorre aggiungere un numero di osservazione o una data valida
tra parentesi quadre al nome della variabile nel lato sinistro della
formula. Ad esempio: genr x[3] = 30 o genr x[1950:04] = 303.7.
La La tabella seguente mostra vari esempi di utilizzo di "genr", con alcune
note esplicative; ecco qualche esempio di utilizzo delle variabili dummy:
Si supponga che x abbia valori 1, 2, o 3 e si desiderino tre variabili
dummy, d1 = 1 se x = 1, e 0 altrove, d2 = 1 se x = 2 e cos via. Per
crearle, basta usare i comandi:
genr d1 = (x=1)
genr d2 = (x=2)
genr d3 = (x=3)
Per creare z = max(x,y) usare
genr d = x>y
genr z = (x*d)+(y*(1-d))
Formula Commento
------- -------
y = x1^3 x1 al cubo
y = ln((x1+x2)/x3)
z = x>y z(t) = 1 se x(t) > y(t), 0 altrove
y = x(-2) x ritardata di 2 periodi
y = x(2) x anticipata di 2 periodi
y = diff(x) y(t) = x(t) - x(t-1)
y = ldiff(x) y(t) = log x(t) - log x(t-1), il tasso di crescita
istantaneo di x
y = sort(x) ordina x in senso crescente e la salva in y
y = -sort(-x) ordina x in senso decrescente
y = int(x) tronca x e salva il valore intero in y
y = abs(x) salva il valore assoluto di x
y = sum(x) somma i valori di x escludendo i valori mancanti -999
y = cum(x) cumulativa: y(t) = somma di x(s) per s da 1 a t
aa = $ess imposta aa uguale alla somma dei quadrati degli errori
dell'ultima regressione
x = coeff(sqft) estrae il coefficiente stimato per la variabile sqft
nell'ultima regressione
rho4 = rho(4) estrae il coefficiente di autoregressione del quarto
ordine dall'ultimo modello (presume un modello ar
model)
cvx1x2 = vcv(x1, x2) estrae il coefficiente di covarianza stimato tra le
variabili x1 e x2 dall'ultimo modello
foo = uniform() variabile pseudo-casuale uniforme nell'intervallo 0-1
bar = 3 * normal() variabile pseudo-casuale normale con mu = 0, sigma = 3
samp = !missing(x) vale 1 per le osservazioni dove il valore di x non
mancante.
Accesso dal men: /Variabile/Definisci nuova variabile
Accesso alternativo: Men pop-up nella finestra principale
Comando script: genr
# graphing Graphs "Grafici"
Gretl richiama un programma separato, gnuplot, per generare i grafici.
Gnuplot un programma di grafica molto completo, con una miriade di
opzioni; gretl fornisce l'accesso, attraverso un'interfaccia grafica, a una
parte di queste opzioni, cercando di scegliere dei valori, ma possibile
anche controllare l'aspetto di un grafico in tutti i suoi dettagli, se si
vuole.
Mentre un grafico viene visualizzato, facendo clic sulla finestra del
grafico si aprir un men pop-up con le seguenti opzioni:
Salva come postscript: salva il grafico in formato encapsulated postscript
(EPS)
Salva come PNG: salva in formato Portable Network Graphics
Salva alla sessione come icona: il grafico apparir sotto forma di icona
quando si seleziona "Visualizza Icone" dal men Sessione
Ingrandisci: permette di selezionare un'area all'interno del grafico per
visualizzarla da vicino
Stampa: permette di stampare il grafico direttamente (disponibile solo in
Gnome e MS Windows)
Copia negli appunti: permette di copiare il grafico per poi incollarlo in
altri programmi Windows, come ad esempio MS Word (disponibile solo in MS
Windows)
Modifica: apre una finestra che permette di modificare vari dettagli
dell'aspetto del grafico
Chiudi: chiude la finestra del grafico
Se si conosce gnuplot e si desidera un controllo sull'aspetto del grafico
pi preciso di quello fornito dalla finestra di modifica del grafico
(opzione "Modifica"), ci sono due possibilit:
Una volta salvato il grafico come icona di sessione, facendo clic col
tasto destro sull'icona si apre un altro men pop-up. Una delle opzioni
disponibili "Comandi per modificare il grafico", che apre una finestra
di modifica con i comandi di gnuplot. possibile modificare questi
comandi e salvarli per il futuro, oppure inviarli direttamente a gnuplot
(con il comando "File/Invia a gnuplot" del men della finestra di modifica
dei comandi).
Un altro modo per salvare i comandi del grafico (o per salvare il grafico
in formati diversi da EPS o PNG) quello di usare il comando "Modifica"
nel men pop-up del grafico per aprire la finestra di modifica del
grafico, quindi fare clic su "File": verr visualizzato un men a discesa
con i formati in cui possibile salvare il grafico.
Per saperne di pi su gnuplot, si veda
http://ricardo.ecn.wfu.edu/gnuplot.html oppure http://www.gnuplot.info
# graphpag Graphs "Pagina dei grafici"
La "pagina dei grafici" funzioner solo se si installato il sistema di
composizione LaTeX e si in grado di generare e visualizzare file in
formato postscript.
Nella finestra della sessione, possibile trascinare fino a otto grafici
sull'icona della pagina dei grafici. Facendo doppio clic sull'icona della
pagina dei grafici (o facendo clic col tasto destro e selezionando
"Mostra"), la pagina contenente i grafici selezionati verr composta e
aperta con il proprio visualizzatore di file postscript, da cui sar
possibile stamparla.
Per pulire la pagina dei grafici, fare clic col tasto destro sull'icona e
selezionare "Pulisci".
Su sistemi diversi da MS Windows, pu essere necessario modificare
l'impostazione del programma per visualizzare il postscript, che si trova
nella sezione "Programmi" della finestra di dialogo delle Preferenze di
gretl (nel men File della finestra principale).
# 3-D Graphs "Grafici tridimensionali"
Questa funzionalit migliora se stata installata una versione di gnuplot
pari o superiore alla 3.8, che consente di manipolare il grafico 3D con il
mouse (ruotandolo ed allungando o riducendo gli assi).
Nella composizione di un grafico 3D, si noti che l'asse Z sar l'asse
verticale, quindi se si ha una variabile dipendente che si pensa possa
essere influenzata da due variabili indipendenti, meglio mettere la
variabile dipendente sull'asse Z e le altre due variabili sugli assi X e Y.
A differenza di molti altri grafici di gretl, i grafici 3D sono controllati
da gnuplot invece che da gretl, quindi il men di modifica dei grafici in
questo caso non disponibile.
# hausman Tests "Test di Hausman (diagnosi panel)"
Questo test disponibile solo dopo aver stimato un modello con il comando
"pooled" (si veda anche "panel" e "setobs"). Testa il semplice modello
"pooled" (con tutte le osservazioni considerate indistintamente) contro le
principali alternative: il modello a effetti fissi e quello a effetti
casuali.
Il modello a effetti fissi aggiunge una variabile dummy per tutte le unit
cross section tranne una, permettendo cos all'intercetta della regressione
di variare per ogni unit. Viene poi eseguito un test F per la
significativit congiunta di queste dummy. Il modello a effetti casuali
scompone la varianza dei residui in due parti: una specifica all'unit cross
section e una specifica all'osservazione particolare (la stima pu essere
eseguita solo se il numero delle unit cross section nel dataset maggiore
del numero dei parametri da stimare). La statistica LM di Breusch-Pagan
testa l'ipotesi nulla (che il modello pooled OLS sia adeguato) contro
l'alternativa a effetti casuali.
Pu accadere che il modello pooled OLS sia rifiutato nei confronti di
entrambe le alternative, a effetti fissi o casuali. A patto che gli errori
specifici di unit o di gruppo siano non correlati con le variabili
indipendenti, lo stimatore a effetti casuali pi efficiente dello
stimatore a effetti fissi; nel caso contrario lo stimatore a effetti casuali
non consistente e deve essergli preferito lo stimatore a effetti fissi.
L'ipotesi nulla per il test di Hausman che l'errore specifico di gruppo
non sia correlato con le variabili indipendenti (e quindi che il modello a
effetti casuali sia preferibile). Un basso p-value per questo test
suggerisce di rifiutare il modello a effetti casuali in favore del modello a
effetti fissi.
Accesso dal men: Finestra del modello, /Test/HAUSMAN - Diagnosi panel
Comando script: hausman
# hccme Estimation "Errori standard robusti"
Sono disponibili vari modi di calcolare gli errori standard robusti in
presenza di eteroschedasticit (e, nel caso dello stimatore HAC, di
autocorrelazione).
HC0 produce gli "errori standard originali di White"; HC1, HC2, HC3 e HC3a
sono varianti che si ritiene producano risultati migliori (pi affidabili).
Per i dettagli sugli stimatori, si veda MacKinnon e White (Journal of
Econometrics, 1985) o Davidson e MacKinnon, Econometric Theory and Methods
(Oxford, 2004). Le sigle usate sono quelle proposte da Davidson e MacKinnon.
La variante "HC3a" il "jackknife" descritto da MacKinnon e White (1985);
HC3 una sua vicina approssimazione.
Se si usa lo stimatore HAC per serie storiche, possibile calibrare la
lunghezza dei ritardi usando il comando "set". Si veda il manuale di gretl o
i file di aiuto per i dettagli.
Per i modelli GARCH sono disponibili due stimatori robusti della matrice di
covarianza: QML lo stimatore di quasi massima verosimiglianza, e BW lo
stimatore di Bollerslev-Wooldridge.
# hilu Estimation "Stima Hildreth-Lu"
Calcola le stime dei parametri per il modello specificato usando la
procedura di ricerca di Hildreth-Lu (ottimizzata con la procedura CORC),
progettata per correggere l'effetto della correlazione seriale nel termine
di errore. Viene mostrato un grafico della somma dei quadrati degli errori
per il modello trasformato rispetto ai valori di rho da -0.99 a 0.99.
Accesso dal men: /Modello/Serie storiche/Hildreth-Lu
Comando script: hilu
# hsk Estimation "Stime corrette per l'eteroschedasticit"
Stima una regressione OLS e ne salva i residui. I logaritmi dei quadrati di
questi residui diventano la variabile dipendente di una regressione
ausiliaria che ha come regressori le variabili indipendenti originali e i
loro quadrati. I valori stimati dalla regressione ausiliaria sono quindi
usati per costruire una serie di pesi, usati per ri-stimare il modello
originale con la procedura dei minimi quadrati ponderati. Viene riportato il
risultato finale.
La serie dei pesi composta da 1/sqrt(exp(y*)), dove y* denota i valori
stimati dalla regressione ausiliaria.
Accesso dal men: /Modello/WLS corretti per eteroschedasticit
Comando script: hsk
# hurst Statistics "Esponente di Hurst"
Calcolate l'esponente di Hurst (una misura di persistenza, o di memoria
lunga) per una serie storica con almeno 128 osservazioni.
L'esponente di Hurst discusso da Mandelbrot. In termini teorici
l'esponente H nella relazione
RS(x) = an^H
dove RS l'"intervallo riscalato" della variabile x in un campione
dell'ampiezza n, mentre a una costante. L'intervallo riscalato
l'intervallo (valore massimo meno valore minimo) del valore cumulato, o
somma parziale, di x sul periodo del campione (dopo aver sottratto la media
campionaria), diviso per la deviazione standard campionaria.
Come punto di riferimento, se x un rumore bianco (media zero, persistenza
zero) l'intervallo dei suoi valori cumulati (che forma una passeggiata
casuale), scalato per la deviazione standard, cresce come la radice quadrata
dell'ampiezza campionaria, ossia ha un esponente di Hurst atteso pari a 0.5.
Valori dell'esponente sensibilmente maggiori di 0.5 indicano persistenza
della serie, mentre valori minori di 0.5 indicano anti-persistenza
(autocorrelazione negativa). In teoria l'esponente deve essere compreso tra
0 e 1, ma in campioni finiti possibile ottenere delle stime per
l'esponente maggiorni di 1.
In gretl, l'esponente stimato usando il sotto-campionamento binario: si
inizia dall'intero intervallo dei dati, quindi si usano le due met
dell'intervallo, poi i quattro quarti, e cos via. Il valore RS la media
presa sui vari campioni. L'esponente quindi stimato come il coefficiente
di pendenza della regressione del logaritmo di RS sul logaritmo
dell'ampiezza del campione.
Accesso dal men: /Variable/FIXME
Comando script: hurst
# label Dataset "Modifica degli attributi di una variabile"
In questa finestra di dialogo possibile:
* Rinominare una variabile.
* Aggiungere o modificare una descrizione della variabile, che appare
accanto al nome della variabile nella finestra principale di gretl.
* Aggiugere o modificare il "nome per i grafici" della variabile. Questa
stringa (lunga al massimo 19 caratteri) viene usata al posto del nome della
variabile quando questa compare in un grafico. Cos, ad esempio, possibile
associare una stringa pi comprensibile come "Tariffe telefoniche" a un nome
criptico come "tartel".
* Impostare (nel caso di un dataset di serie storiche) il metodo di
compattamento per la variabile, che verr usato se si decide di ridurre la
frequenza del dataset, o se si importa la variabile da un dataset che ha una
frequenza maggiore di quella del dataset in uso.
Accesso dal men: /Variabile/Modifica attributi
Accesso alternativo: Men pop-up nella finestra principale
Comando script: label
# kpss Tests "Test KPSS"
Calcola il test KPSS (Kwiatkowski, Phillips, Schmidt e Shin, 1992) per la
stazionariet di una variabile. L'ipotesi nulla che la variabile in
questione sia stazionaria, attorno a un valore fisso o, se stata
selezionata l'opzione includi un trend, attorno a un trend deterministico
lineare.
L'argomento ordine determina la dimensione della finestra usata per il
livellamento di Bartlett. Se si usa l'opzione Mostra i risultati della
regressione, vengono mostrati anche i risultati della regressione
ausiliaria, insieme alla varianza stimata della componente random walk della
variabile.
Accesso dal men: /Variabile/Test KPSS
Comando script: kpss
# lad Estimation "Stima con minime deviazioni assolute"
Calcola una regressione che minimizza la somma delle deviazioni assolute dei
valori stimati dai valori effettivi della variabile dipendente. Le stime dei
coefficienti sono derivate usando l'algoritmo del simplesso di
Barrodale-Roberts; viene mostrato un messaggio di avvertimento se la
soluzione non unica. Gli errori standard sono derivati attraverso la
procedura bootstrap con 500 estrazioni.
Accesso dal men: /Modello/LAD - Minime deviazioni assolute
Comando script: lad
# leverage Tests "Test per le osservazioni influenti"
Deve seguire immediatamente un comando "ols". Calcola il "leverage" (h,
compreso tra 0 e 1) di ogni osservazione nel campione su cui stato stimato
il precedente modello. Mostra il residuo (u) per ogni osservazione assieme
al leverage corrispondente e a una misura della sua influenza sulla stima:
u*h/(1-h). I "punti di leverage" per cui il valore di h supera 2k/n (dove k
il numero dei parametri stimati e n l'ampiezza del campione) sono
indicati con un asterisco. Per i dettagli sui concetti di leverage e
influenza, si veda Davidson e MacKinnon (1993, capitolo 2).
Vengono mostrati anche i valori DFFITS: questi sono "residui studentizzati"
(ossia i residui previsti, divisi per i propri errori standard) moltiplicati
per sqrt[h/(1 - h)]. Per una discussione dei residui studentizzati e dei
valori DFFITS si veda G. S. Maddala, Introduction to Econometrics, capitolo
12 e anche Belsley, Kuh e Welsch (1980). In breve, i "residui previsti" sono
la differenza tra il valore osservato e il valore stimato della variabile
dipendente all'osservazione t, ottenuti da una regressione in cui
quell'osservazione stata omessa (oppure in cui stata aggiunta una
variabile dummy che vale 1 solo per l'osservazione t); il residuo
studentizzato si ottiene dividendo il residuo previsto per il proprio errore
standard.
L'icona "+" in cima alla finestra del test di leverage apre una finestra di
dialogo che permette di salvare nel dataset in uso una o pi delle variabili
del test.
Accesso dal men: Finestra del modello, /Test/LEVERAGE - Osservazioni influenti
Comando script: leverage
# lmtest Tests "Test LM"
Questo comando racchiude vari test di ipotesi. La caratteristica comune
che ttti i test prevedono la stima di una regressione ausiliaria in cui la
variabile dipendente il residuo di una regressione "originale". Le
variabili indipendenti della regressione ausiliaria comprendono quelle della
regressione originale e alcuni termini aggiuntivi. La statistica test
calcolata come (ampiezza campionaria * R-quadro) della regressione
ausiliaria: si distribuisce come chi-quadro con gradi di libert pari al
numero dei termini aggiuntivi, sotto l'ipotesi nulla che essi non abbiano
potere esplicativo sui residui. Un valore "elevato" del chi-quadro (ossia un
basso p-value) suggerisce di rifiutare questa ipotesi nulla.
Accesso dal men: Finestra del modello, /Test
Comando script: lmtest
# logistic Estimation "Stima logistica"
Regressione logistica: esegue una regressione OLS usando la trasformazione
logistica sulla variabile dipendente:
log(y/(ymax - y))
La variabile dipendente dev'essere strettamente positiva. Se una frazione
decimale, compresa tra 0 e 1, il valore predefinito per ymax (il massimo
asintotico della variabile dipendente) 1. Se la variabile dipendente una
percentuale, compresa tra 0 e 100, il valore predefinito di ymax 100.
possibile indicare un diverso valore massimo nella finestra di dialogo: il
valore deve essere maggiore di tutti i valori osservati della variabile
dipendente.
I valori stimati e i residui della regressione sono trasformati
automaticamente usando
y = ymax / (1 + exp(-x))
dove x rappresenta un valore stimato oppure un residuo della regressione
OLS, usando la variabile dipendente trasformata. I valori riportati sono
dunque confrontabili con la variabile dipendente originale.
Si noti che se la variabile dipendente binaria, occorre usare il comando
"logit" invece di questo comando.
Accesso dal men: /Modello/Logistico
Comando script: logistic
# logit Estimation "Stima logit"
Regressione binomiale logit. La variabile dipendente deve essere binaria. Le
stime di massima verosimiglianza dei coefficienti per le
variabili-indipendenti sono ottenute con il metodo EM
(Expectation-Maximization, si veda Ruud, 2000, capitolo 27). Visto che il
modello nonlineare, le pendenze dipendono dai valori delle variabili
indipendenti: le pendenze riportate sono valutate nelle medie di queste
variabili. La statistica chi-quadro testa l'ipotesi nulla che tutti i
coefficienti tranne la costante siano pari a zero.
Per condurre un'analisi delle proporzioni (dove la variabile dipendente la
proporzione dei casi che hanno una certa caratteristica in ogni
osservazione, invece che una variabile binaria che indica se la
caratteristica presente o no), non bisogna usare il comando "logit", ma
occorre costruire la variabile logit (ad es. "genr lgt_p = log(p/(1 - p))")
e usare questa come variabile dipendente in una regressione OLS; si veda
Ramanathan, capitolo 12.
Accesso dal men: /Modello/Logit
Comando script: logit
# mahal Statistics "Distanze di Mahalanobis"
La distanza di Mahalanobis la distanza tra due punti in uno spazio
k-dimensionale, scalata rispetto alla variazione statistica in ogni
dimensione dello spazio. Ad esempio, se p e q sono due osservazioni su un
insieme di k variabili con matrice di covarianza C, la distanza di
Mahalanobis tra le due osservazioni data da
sqrt((p - q)' * C-inversa * (p - q))
dove (p - q) un vettore a k dimensioni. Se la matrice di covarianza la
matrice identit, la distanza di Mahalanobis corrisponde alla distanza
Euclidea.
Lo spazio in cui vengono calcolate le distanze definito dalle variabili
selezionate; per ogni osservazione nell'intervallo attuale viene calcolata
la distanza tra l'osservazione e il centroide delle variabili selezionate.
La distanza la controparte multidimensionale di uno z-score standard e pu
essere usata per giudicare se una certa osservazione "appartiene" a un
gruppo di altre osservazioni.
Se il numero delle variabili selezionate minore o uguale a 4, vengono
mostrate la matrice di covarianza e la sua inversa. Facendo clic sul
pulsante "+" in cima alla finestra che mostra le distanze possibile
aggiungerle al dataset come nuova variabile.
Accesso dal men: /Dati/Distanze di Mahalanobis
Comando script: mahal
# markers Dataset "Aggiunta di marcatori"
Questo comando richiede il nome di un file che contiene "marcatori" per le
osservazioni, ossia brevi stringhe identificative per singole osservazioni
del dataset (ad esempio nomi di paesi o citt, o altri codici), che possono
essere lunghe fino a 8 caratteri. Il file deve contenere un marcatore per
riga e devono esserci tanti marcatori quante sono le osservazioni nel
dataset corrente. Se queste condizioni sono rispettate e se il file
specificato esiste, i marcatori verranno aggiunti al dataset e saranno
visibili scegliendo "Mostra valori" dal men "Dati" di gretl.
# meantest Tests "Test per la differenza delle medie"
Calcola la statistica t per l'ipotesi nulla che le medie della popolazione
siano uguali per due variabili selezionate, mostrando il suo p-value. Il
comando pu essere eseguito con o senza l'ipotesi che le varianze delle due
variabili siano uguali (anche se questo rilevante per la statistica test
solo se le due variabili contengono un diverso numero di osservazioni
valide).
Accesso dal men: /Dati/Differenza delle medie
Comando script: meantest
# missing Dataset "Valori dati mancanti"
Imposta un valore numerico che sar interpretato come "mancante" o "non
disponibile", per una serie particolare (nel menu Variabile) o globalmente
per l'intero dataset (nel menu Campione).
Gretl ha un codice interno per i valori mancanti, che non sempre pu
coincidere con quello usato dai dati importati. Ad esempio, se una serie usa
il valore -1 col significato di "non disponibile", possibile selezionare
"Imposta codice valori mancanti" nel men Variabile e immettere il valore
"-1" (senza le virgolette); gretl interpreter quindi i valori -1 come
osservazioni mancanti.
# modeltab Utilities "Tabella modelli"
Nella ricerca econometrica si soliti stimare vari modelli con una
variabile dipendente comune, che differiscono tra loro per le variabili
indipendenti o per lo stimatore usato. In questa situazione comodo poter
rappresentare i risultati delle regressioni sotto forma di una tabella dove
ogni colonna contiene i risultati (stime dei coefficienti e errori standard)
per un dato modello e ogni riga contiene le stime per una certa variabile
nei differenti modelli.
Gretl d la possibilit di costruire una tabella simile (e di esportarla in
testo semplice, LaTeX o RTF - Rich Text Format). Ecco come fare:
1. 1. Stimare un modello che si vuole includere nella tabella e selezionare,
nel men File della finestra di visualizzazione del modello, "Salva alla
sessione come icona" o "Salva come icona e chiudi".
2. 2. Ripetere il punto 1 per gli alri modelli da includere nella tabella
(fino a un massimo di sei modelli).
3. 3. Completata la stima dei modelli, aprire l'icona della sessione di
gretl (selezionando "Visualizza Icone" nel men Sessione della finestra
principale di gretl, o facendo clic su "Icone di sessione" sulla barra
degli strumenti di gretl).
4. 4. La finestra delle icone di sessione contiene un'icona chiamata
"Tabella Modelli". Per aggiungere alla tabella modelli il modello che
deve apparire nella colonna pi a sinistra della tabella, basta
trascinare l'icona del modello sull'icona della Tabella Modelli, oppure
fare clic col tasto destro sull'icona del modello e selezionare "Aggiungi
alla tabella modelli" dal men pop-up.
5. 5. Ripetere il punto 4 per gli altri modelli da aggiungere alla tabella.
Il secondo modello scelto apparir nella seconda colonna da sinistra
della tabella, e cos via.
6. 6. Ultimata la composizione della tabella, possibile visualizzarla
facendo doppio clic sulla sua icona. Per copiare la tabella negli appunti
in uno dei formati supportati, basta fare clic sul men Modifica della
finestra in cui appare la tabella.
7. 7. Se l'ordinamento dei modelli nella tabella non quello voluto, fare
clic col tasto destro sull'icona della tabella modelli e selezionare
"Pulisci", quindi tornare al punto 4.
Accesso dal men: Finestra di sessione, Icona Tabella Modelli
Comando script: modeltab
# mpols Estimation "Stima OLS a precisione multipla"
Calcola le stime OLS per il modello indicato usando aritmetica in virgola
mobile a precisione multipla. Questo comando disponibile solo se gretl
compilato con il supporto per la libreria Gnu Multiple Precision (GMP).
Accesso dal men: /Modello/MPOLS - Minimi quadrati in alta precisione
Comando script: mpols
# nls Estimation "Stima minimi quadrati non-lineari"
Esegue una stima con minimi quadrati non-lineari (NLS: Nonlinear Least
Squares) usando una versione modificata dell'algoritmo di
Levenberg-Marquandt. Occorre fornire una specificazione di funzione e si
raccomanda di specificare anche le espressioni per le derivate di questa
funzione rispetto a ognuno dei parametri, se possibile.
Esempio: si supponga di avere un dataset con le variabili C e Y (ad es.
greene11_3.gdt) e di voler stimare una funzione di consumo non-lineare del
tipo:
C = alfa + beta * Y^gamma
I parametri alfa, beta e gamma devono per prima cosa essere aggiunti al
dataset, indicando un valore iniziale; possibile farlo usando il comando
genr o attraverso i men. possibile inserire i comandi "genr" appropriati
nella finestra di dialogo della specificazione NLS prima di specificare la
funzione.
Nella finestra NLS si inseriranno le righe seguenti:
C = alfa + beta * Y^gamma
deriv alfa = 1
deriv beta = Y^gamma
deriv gamma = beta * Y^gamma * log(Y)
La prima riga indica la specificazione della funzione, mentre le righe
successive forniscono le derivate della funzione rispetto ad ognuno dei tre
parametri. Se non vengono fornite le righe "deriv", viene calcolata
un'approssimazione numerica del Jacobiano.
Se i parametri alfa, beta e gamma non sono stati dichiarati in precedenza,
possibile premettere alle righe viste sopra le seguenti:
genr alpha = 1
genr beta = 1
genr gamma = 1
Per ulteriori dettagli sulla stima NLS si veda il il manuale di gretl.
Accesso dal men: /Modello/Minimi quadrati non lineari
Comando script: nls
# nulldata Dataset "Creazione di un dataset vuoto"
Crea un dataset "vuoto", che contiene solo una costante e una variabile
indice, con periodicit 1 e il numero indicato di osservazioni. Ad esempio,
possibile creare un dataset a scopo di simulazione usando alcuni comandi
"genr" (come "genr uniform()" e "genr normal()") per generare dati di prova.
Questo comando pu essere usato insieme a "loop". Si veda anche l'opzione
"seed" del comando "set".
Accesso dal men: /File/Crea dataset
Comando script: nulldata
# ols Estimation "Stima minimi quadrati ordinari"
Calcola le stime minimi quadrati ordinari (OLS: Ordinary Least Squares) per
il modello specificato.
Oltre alle stime dei coefficienti e agli errori standard, il programma
mostra i p-value per le statistiche t (a due code) e F. Un p-value inferiore
a 0.01 indica significativit al livello dell'1 per cento ed denotato con
***. ** indica invece la significativit tra l'1 e il 5 per cento, mentre *
indica un livello di significativit tra il 5 e il 10 per cento. Vengono
mostrate anche le statistiche di selezione del modello (il criterio di
informazione di Akaike, AIC, e il criterio di informazione bayesiana di
Schwarz, BIC). La formula usata per AIC descritta in Akaike (1974), ossia
meno due volte la log-verosimiglianza massimizzata pi il doppio del numero
di parametri stimati.
Accesso dal men: /Modello/OLS - Minimi quadrati ordinari
Accesso alternativo: Pulsante Beta-hat sulla barra degli strumenti
Comando script: ols
# omit Tests "Test per le variabili omesse"
Questo comando deve seguire un comando di stima. Omette le variabili
indicate dal modello precedente e stima il nuovo modello. Se viene omessa
pi di una variabile, viene mostrata la statistica F di Wald per le
variabili omesse, insieme al suo p-value (solo per la procedura OLS). Un
p-value inferiore a 0.05 indica che i coefficienti sono congiuntamente
significativi al livello del 5 per cento.
Accesso dal men: Finestra del modello, /Test/OMIT - Ometti variabili
Comando script: omit
# online Dataset "Accesso ai database online"
Gretl pu accedere ai database della Wake Forest University (se il proprio
computer connesso a internet).
Dal men "File, Consulta database", selezionare "Sul server di database":
apparir una finestra che mostra i database disponibili alla Wake Forest (a
seconda della localit e della velocit della connessione internet,
l'operazione pu richiedere alcuni secondi). Oltre al nome del database e a
una breve descrizione, apparir un campo "Stato", che mostra se il database
stato installato localmente (sul disco del computer), e, in caso positivo,
se la versione installata aggiornata a quella disponibile sul server.
Se un database stato installato localmente ed aggiornato, non c' nessun
vantaggio nell'accedervi attraverso il server, mentre per un database non
installato o non aggiornato, pu essere utile scaricare un elenco delle
serie di dati, facendo clic su "Scarica l'elenco delle serie". Apparir una
nuova finestra da cui possibile visualizzare i valori di una serie scelta,
vederne il grafico o importarle in gretl. possibile effettuare queste
operazioni usando il men "Serie", o attraverso il men pop-up che appare
facendo clic col tasto destro su una serie. anche possibile cercare
nell'elenco una variabile in particolare, usando il comando "Trova" del
men.
Per poter accedere a un database anche offline, basta selezionare la riga
del database desiderato nella prima finestra e premere il pulsante
"Installa". Il database verr scaricato in formato compresso, verr
decompresso e installato sul proprio disco fisso, in modo da poter essere
caricato usando il men "File, Consulta database, gretl".
# pca Statistics "Analisi delle componenti principali"
Analisi delle componenti principali. Mostra gli autovalori della matrice di
correlazione per le variabili nella lista-variabili, insieme alla
proporzione della varianza comune spiegata da ogni componente. Mostra anche
i corrispondenti autovettori (o "pesi della componente").
Usando l'opzione --save, le componenti con autovalori maggiori di 1.0
vengono salvati nel dataset come variabili, con i nomi PC1, PC2 e cos via.
Queste variabili artificiali sono definite come la somma del peso della
componente moltiplicato per Xi standardizzato, dove Xi denota la i-esima
variabile nella lista-variabili.
Usando l'opzione --save-all, vengono salvate tutte le componenti, come
descritto sopra.
Accesso dal men: Pop-up nella finestra principale (selezione multipla)
Comando script: pca
# pergm Statistics "Periodogramma"
Calcola e mostra (graficamente se non si in modalit batch) lo spettro
della variabile specificata. Senza l'opzione --bartlett, viene mostrato il
periodogramma nel campione, usando l'opzione, lo spettro viene stimato
usando una finestra di Bartlett per i ritardi di lunghezza 2*sqrt(T) (dove T
l'ampiezza del campione); si veda il capitolo 18 di Econometric Analysis
di Greene. Se viene mostrato il periodogramma del campione, viene mostrato
anche il test t per l'integrazione frazionale della serie ("memoria lunga"):
l'ipotesi nulla che l'ordine di integrazione sia zero.
Accesso dal men: /Variabile/Spettro
Accesso alternativo: Men pop-up nella finestra principale (selezione singola)
Comando script: pergm
# poisson Estimation "Poisson"
Stimates una regressione di Poisson, in cui la variabile dipendente
rappresenta le occorrenze di un qualche tipo di evento e pu assumere solo
valori interi non negativi.
Se una variabile casuale discreta Y segue la distribuzione di Poisson,
Pr(Y = y) = exp(-v) * v^y / y!
per y = 0, 1, 2,.... La media e la varianza della distribuzione sono
entrambe uguali a v. Nel modello di regressione di Poisson, il parametro v
rappresentato da una funzione di una o pi varabili indipendenti. La
versione pi comune del modello (e l'unica supportata da gretl) ha
v = exp(b0 + b1*x1 + b2*x2 + ...)
, ossia il logaritmo di v una funzione lineare delle variabili
indipendenti.
Opzionalmente possibile aggiungere una variabile "offset" alla
specificazione, ossia una variabile di scala, il cui logaritmo viene
aggiunto alla funzione di regressione lineare (con un coefficiente implicito
di 1.0). Ci ha senso se si ipotizza che il numero di occorrenze dell'evento
in questione sia proporzionale a qualche fattore noto, a parit di altre
condizioni. Ad esempio, il numero di incidenti stradali pu essere
ipotizzato proporzionale al volume del traffico, che potrebbe essere
specificato come una variabile di "offset" in un modello di Poisson per il
tasso di incidenti. La variabile di offset dev'essere strettamente positiva.
Accesso dal men: /Modello/Poisson
Comando script: poisson
# pooled Estimation "Stima pooled OLS"
In modalit predefinita, stima un modello con OLS (si veda "ols" per i
dettagli sulla sintassi) e lo marca come modello pooled o panel, rendendo
disponibile il comando "hausman".
Con l'opzione --unit-weights, viene usato lo stimatore feasible GLS, con i
pesi costruiti a partire dalle varianze specifiche degli errori per ogni
unit cross section. Questa modalit offre un guadagno di efficienza
rispetto alla stima OLS nel caso in cui la varianza differisca tra le
diverse unit.
Se viene usata anche l'opzione --iterate, lo stimatore GLS viene iterato: se
la procedura converge, verranno prodotte stime di massima verosimiglianza.
Accesso dal men: /Modello/POOLED - Pooled OLS (panel)
Comando script: pooled
# probit Estimation "Stima probit"
Stima un modello probit, per variabili dipendenti binarie. Le stime di
massima verosimiglianza dei coefficienti delle variabili-indipendenti sono
ottenute con i minimi quadrati iterati (il metodo EM,
Expectation-Maximization). Poich il modello non-lineare, le pendenze
dipendono dai valori delle variabili indipendenti: le pendenze riportate
sono valutate nelle medie di queste variabili. La statistica chi-quadro
testa l'ipotesi nulla che tutti i coefficienti tranne la costante siano pari
a zero.
Il probit per l'analisi delle proporzioni non ancora stato implementato in
gretl.
Accesso dal men: /Modello/Probit
Comando script: probit
# pwe Estimation "Stimatore di Prais-Winsten"
Calcola le stime dei parametri usando la procedura Prais-Winsten,
un'implementazione GLS sviluppata per gestire l'autocorrelazione del primo
ordine nel termine di errore. La procedura viene iterata, cos come in
"corc"; la differenza che mentre Cochrane-Orcutt tralascia la prima
osservazione, Prais-Winsten ne fa uso. Per i dettagli, si veda per esempio
il capitolo 13 di Econometric Analysis (2000) di Greene.
Accesso dal men: /Modello/Serie storiche/PWE - Prais-Winsten
Comando script: pwe
# reset Tests "Test RESET di Ramsey"
Va eseguito dopo la stima di un modello via OLS. Esegue il test RESET di
Ramsey per la specificazione del modello (non-linearit), aggiungendo alla
regressione il quadrato e il cubo dei valori stimati e calcolando la
statistica F per l'ipotesi nulla che i coefficienti dei due termini aggiunti
siano pari a zero.
Accesso dal men: Finestra del modello, /Test/RESET - Ramsey
Comando script: reset
# restrict Tests "Test per vincoli lineari"
Impone un insieme di vincoli lineari sull'ultimo modello stimato o su un
sistema di equazioni definito in precedenza. La sintassi del comando
leggermente diversa in ognuno dei due casi.
In entrambi i casi, l'insieme di vincoli deve essere racchiuso tra i comandi
"restrict" e "end restrict". Nel caso della singola equazione, i vincoli
sono applicati implicitamente all'ultimo modello e vengono valutati appena
viene terminato il comando "restrict". Nel caso del sistema, il comando
iniziale "restrict" deve essere seguito immediatamente dal nome di un
sistema di equazioni definito in precedenza (si veda "system"). I vincoli
vengono valutati nella successiva stima del sistema effettuata con il
comando "estimate".
Ogni vincolo nell'insieme va indicato sotto forma di equazione con una
combinazione lineare dei parametri al primo membro e un valore numerico al
secondo. Nel caso della singola equazione, i parametri sono indicati con la
sintassi bN, dove N rappresenta la posizione nella lista dei regressori, a
partire da zero. Ad esempio, b1 indica il secondo parametro della
regressione. Nel caso del sistema, i parametri vengono indicati con la
sintassi b seguita da due numeri tra parentesi quadre. Il primo numero
rappresenta la posizione dell'equazione all'interno del sistema a partire da
1, mentre il secondo indica la posizione nella lista dei regressori, a
partire da zero. Ad esempio b[2,0] indica il primo parametro della seconda
equazione, mentre b[3,1] il secondo parametro della terza equazione.
I termini b nell'equazione che rappresenta un vincolo possono essere
prefissati da un moltiplicatore numerico, usando il segno * per indicare la
moltiplicazione, ad esempio 3.5*b4.
Ecco un esempio di un insieme di vincoli per un modello stimato in
precedenza:
restrict
b1 = 0
b2 - b3 = 0
b4 + 2*b5 = 1
end restrict
Ed ecco un esempio di un insieme di vincoli da applicare a un sistema (se il
nome del sistema non contiene spazi, possibile tralasciare le virgolette).
restrict "Sistema 1"
b[1,1] = 0
b[1,2] - b[2,2] = 0
b[3,4] + 2*b[3,5] = 1
end restrict
Nel casdo dell'equazione singola, i vincoli sono valutati attraverso un test
F di Wald, usando la matrice di covarianza dei coefficienti del modello in
questione. Nel caso del sistema, vengono presentati i risultati completi
della stima del sistema soggetto ai vincoli; la statistica test dipende
dallo stimatore scelto (un test del rapporto di verosimiglianza nel caso di
un sistema stimato con un metodo di massima verosimiglianza, o altrimenti un
test F asintotico).
Accesso dal men: Modello, /Test/Vincoli lineari
Comando script: restrict
# rmplot Graphs "Grafici range-mean"
Grafici Range-mean: questo comando crea un semplice grafico che aiuta a
capire se una serie storica y(t) ha varianza costante o no. L'intero
campione t=1,...,T viene diviso in piccoli sotto-campioni di dimensione
arbitraria k. Il primo sotto-campione formato da y(1), ... ,y(k), il
secondo da y(k+1), ... , y(2k), e cos via. Per ogni sotto-campione, vengono
calcolati la media e il campo di variazione (range: il valore massimo meno
quello minimo) e viene costruito un grafico con le medie sull'asse
orizzontale e i campi di variazione su quello verticale, in modo che ogni
sotto-campione sia rappresentato da un punto sul piano. Se la varianza della
serie costante, ci si aspetta che il campo di variazione del
sotto-campione sia indipendente dalla media del sotto-campione; se i punti
si dispongono su una linea crescente, la varianza della serie cresce al
crescere della media, viceversa se i punti si dispongono su una linea
decrescente.
Oltre al grafico, gretl mostra anche le medie e i campi di variazione per
ogni sotto-campione, insieme al coefficiente di pendenza della regressione
OLS del campo di variazione sulla media e il p-value per l'ipotesi nulla che
la pendenza sia zero. Se il coefficiente di pendenza significativo al
livello del 10 per cento, viene mostrata sul grafico la linea stimata della
regressione del campo di variazione sulla media.
Accesso dal men: /Variabile/Grafico range-mean
Comando script: rmplot
# runs Tests "Test delle successioni"
Esegue il test non parametrico "delle successioni" per la casualit della
variabile specificata. Ad esempio, per testare la casualit delle deviazioni
dalla mediana per una variabile chiamata x1, con una mediana diversa da
zero, eseguire i comandi seguenti:
genr signx1 = x1 - median(x1)
runs signx1
Accesso dal men: /Variabile/Test delle successioni
Comando script: runs
# sampling Dataset "Impostazione del campione"
Il men Campione offre vari modi di selezionare un sotto-campione dal
dataset in uso.
Scegliendo "Campione/Imposta in base a dummy...", viene chiesto di scegliere
una variabile dummy (indicatrice), che pu assumere solo valori 0 o 1 per
ogni osservazione. Il campione verr limitato alle osservazioni per cui la
variabile dummy vale 1.
Scegliendo "Campione/Imposta in base a condizione...", viene chiesto di
inserire un'espressione Booleana (logica), dello stesso tipo di quella che
si userebbe per definire una variabile dummy. Ad esempio, l'espressione
"sqft > 1400" selezioner solo le osservazioni per cui la variabile sqft ha
un valore maggiore di 1400. Le condizioni possono essere concatenate con gli
operatori logici "&" (AND) e "|" (OR) e possono essere negate usando "!"
(NOT).
Il comando "Campione/Scarta valori mancanti" ridefinisce il campione in modo
da escludere tutte le osservazioni per cui i valori di una o pi variabili
sono mancanti (lasciando nel campione solo i casi completi).
Per selezionare le osservazioni per cui solo una particolare variabile non
ha valori mancanti, occorre usare "Campione/Imposta in base a condizione..."
e inserire la condizione Booleana "!missing(nome-variabile)" (sostituire
"nome-variabile" con il nome della variabile che si intende usare).
Se sono state associate etichette alle osservazioni, possibile escludere
una particolare osservazione dal campione impostando una condizione del tipo
obs!="Francia". L'etichetta dell'osservazione deve essere racchiuso tra
virgolette doppie.
Occore tenere presente che ridefinendo il campione basandosi su una
variabile dummy, un'espressione Booleana o sul criterio delle osservazioni
mancanti, tutte le informazioni "strutturali" contenute nel file con la
descrizione dei dati (riguardanti la struttura di serie storiche o di panel
dei dati) vengono perse. possibile reimpostare la struttura originale con
"Campione/Imposta frequenza e inizio...".
Si veda il manuale di gretl per maggiori dettagli.
# scatters Graphs "Grafici a dispersione multipli"
Produce grafici a dispersione della "Variabile asse Y" selezionata rispetto
ad ognuna delle "Variabili asse X" selezionate. Questi gruppi di grafici
sono utili nell'analisi esplorativa dei dati. possibile creare fino a sei
grafici alla volta, eventuali variabili in sovrappi saranno ignorate.
Accesso dal men: /Dati/Grafici multipli a dispersione
Comando script: scatters
# seed Programming "Seme dei numeri casuali"
Richiede un argomento intero. Imposta il seme del generatore di numeri
pseudo-casuali usato dalle opzioni Variabile casuale uniforme e normale nel
men Dati, Aggiungi variabili. Di solito il seme impostato al momento
dell'avvio del programma usando l'orologio di sistema, ma per ottenere
sequenze ripetibili di numeri pseudo-casuali occorre impostarlo manualmente.
# setmiss Dataset "Codice dei valori mancanti"
Imposta un valore numerico che verr interpretato come "mancante" o "non
applicabile", per una particolare serie (sotto il men Variabile) o
globalmente per l'intero dataset (sotto il men Campione).
Gretl ha un codice interno per i valori mancanti, che non sempre pu
coincidere con quello usato dai dati importati. Ad esempio, se una serie usa
il valore -1 col significato di "non disponibile", possibile selezionare
"Imposta codice valori mancanti" nel men Variabile e immettere il valore
"-1" (senza le virgolette); gretl interpreter quindi i valori -1 come
osservazioni mancanti.
Accesso dal men: /Campione/Imposta codice valori mancanti
Comando script: setmiss
# spearman Statistics "Correlazione di rango di Spearman"
Mostra il coefficiente di correlazione di rango di Spearman per una coppia
di variabili. Le variabili non devono essere state ordinate manualmente in
precedenza, se ne occupa la funzione.
L'ordinamento automatico dal massimo al minimo (ossia il valore massimo
nei dati assume il rango 1). Se occorre invertire l'ordinamento, creare una
variabile che il negativo della variabile originale, ad esempio:
genr altx = -x
spearman altx y
Accesso dal men: /Modello/SPEARMAN - Correlazione di rango
Comando script: spearman
# store Dataset "Salvataggio dei dati"
Salva l'intero dataset, o un sottoinsieme delle variabili se stata
indicata una lista-variabili, nel file indicato con file-dati.
L'impostazione predefinita di salvare i dati nel formato "interno" di
gretl, ma le opzioni del comando permettono di usare formati alternativi. I
dati CSV (Comma-Separated Values, dati separati da virgole) possono essere
letti dai programmi di foglio elettronico e possono essere modificati con un
editor di testi. I formati Octave, R e PcGive sono destinati ad essere usati
con i rispettivi programmi. La compressione con gzip pu essere utile per
grandi dataset. Si veda il il manuale di gretl per i dettagli sui vari
formati.
Si noti che le variabili scalari non saranno salvate automaticamente: per
salvarle occorre includerle esplicitamente nella lista-variabili.
Accesso dal men: /File/Salva dati; /File/Esporta dati
Comando script: store
# system Estimation "Sistemi di equazioni"
Gretl offre la possibilit di stimare sistemi di equazioni, ma al momento
solo tramite l'interfaccia a riga di comando. Si veda l'aiuto online per i
comandi testuali o il manuale di gretl.
Comando script: system
# tobit Estimation "Stima Tobit"
Stima un modello Tobit. Il modello pu essere appropriato quando la
variabile dipendente "troncata". Ad esempio, vengono osservati valori
positivi o nulli della spesa dei consumatori per beni durevoli, ma non
valori negativi; tuttavia le decisioni di spesa possono essere pensate come
derivanti da una propensione al consumo, sottostante e non osservata, che
pu anche essere negativa in alcuni casi. Per i dettagli si veda il capitolo
20 di Econometric Analysis di Greene.
Accesso dal men: /Modello/Tobit
Comando script: tobit
# tsls Estimation "Stima minimi quadrati a due stadi"
Questo comando richiede la scelta di due liste di variabili; le variabili
indipendenti che appaiono nel modello e un elenco di "strumenti". Questi
ultimi comprendono le variabili esogene e/o altre variabili predeterminate
che possono essere usate come regressori per derivare valori stimati delle
variabili endogene del modello.
Se alcune delle variabili del modello sono esogene, vanno incluse in
entrambe le liste.
Accesso dal men: /Modello/TSLS - Minimi quadrati a due stadi
Comando script: tsls
# var Estimation "Stima autoregressione vettoriale"
Questo comando richiede la specificazione dei seguenti elementi:
- La variabile dipendente per la prima equazione nel sistema VAR;
- L'ordine di ritardi, ossia il numero di ritardi di ogni variabile
presente nel sistema;
- Eventuali termini "deterministici" (ad es. la costante, un trend
temporale, variabili dummy stagionali e cos via; e
- Una lista di variabili indipendenti, i cui ritardi saranno inclusi a
destra delle equazioni (nota: non includere variabili ritardate in questa
lista, verranno aggiunte automaticamente).
Viene calcolata una regressione separata per ogni variabile del sistema; i
risultati comprendono i test F per i vincoli di uguaglianza a zero su tutti
i ritardi della variabili e un test F per il ritardo massimo, oltre
(opzionalmente) alla scomposizione della varianza della previsione e alle
funzioni di impulso-risposta.
Le decomposizioni della varianza della previsione e le funzioni di
impulso-risposta sono basate sulla decomposizione di Cholesky della matrice
di covarianza contemporanea, e in questo contesto l'ordine in cui vengono
date le variabili stocastiche conta. La prima variabile nella lista viene
considerata come la "pi esogena" all'interno del periodo.
Accesso dal men: /Modello/Serie storiche/VAR - Autoregressione vettoriale
Comando script: var
# vartest Tests "Test per la differenza delle varianze"
Calcola la statistica F per l'ipotesi nulla che le varianze della
popolazione per le variabili selezionate siano uguali e mostra il p-value.
Accesso dal men: /Dati/Differenza delle varianze
Comando script: vartest
# wls Estimation "Stima minimi quadrati ponderati"
Detta "variabile-pesi" la variabile scelta nel campo "Variabile pesi", viena
stimata una regressione OLS in cui la variabile dipendente il prodotto
della variabile dipendente selezionata e della variabile-pesi, e anche le
variabili indipendenti sono moltiplicate per la variabile-pesi. Se la
variabile-pesi una variabile dummy, ci equivale a eliminare tutte le
osservazioni per cui variabile-pesi vale zero.
Accesso dal men: /Modello/WLS - Minimi quadrati ponderati
Comando script: wls
|