Cosa è l'econometria: analisi dati economici e regressione multipla

COSA È L'ECONOMETRIA

Prof. Vincenzo Scoppa Ultima revisione: 26/02/2024

Cos'è l'Econometria?

Le nostre conoscenze sono limitate. Molte le domande a cui vorremmo dare risposte: a livello di imprese, nelle organizzazioni pubbliche, a livello individuale, ecc. Fortunatamente molti fenomeni possono essere misurati, esistono una infinità di banche dati o si possono raccogliere dati e usare questi dati per cercare di dare risposte L'econometria è un metodo rigoroso che permette di fare analisi per fornire queste risposte L'econometria usa i metodi matematici e statistici per:

1. stimare e sottoporre a verifica relazioni economiche
2. fare valutazioni di politiche/strategie pubbliche o aziendali
3. fare previsioni

Esempi di applicazione dell'Econometria

1. Un maggiore livello di istruzione determina remunerazioni più alte? È conveniente andare all'Università?
2. La Didattica a Distanza è efficace quanto quella in classe? Che differenza di rendimento si verifica tra le due modalità?
3. Effetto dimensione classe: classi più piccole aumentano il rendimento degli studenti? Di quanto?
4. Elasticità della domanda: se un'impresa abbassa i prezzi, aumenterà la domanda? Di quanto?
5. Per un'impresa è conveniente fare una campagna pubblicitaria? Quale impatto avrà sulle vendite?
6. Se aumentano le imposte sulle sigarette, si riduce il fumo?
7. Esiste discriminazione di genere? Le donne conseguono risultati peggiori sul mercato del lavoro, a parità di caratteristiche?
8. A livello macro: Se si riduce la tassazione, di quanto aumenta il consumo delle famiglie? Di quanto varia il PIL? Di quanto varia la disoccupazione?
9. Quale sarà il tasso di inflazione l'anno prossimo? Quanto sarà il PIL? Il tasso di cambio euro-dollaro? I tassi di interesse?
10. Un programma di formazione professionale è efficace per il reimpiego dei disoccupati?
11. Predizioni: conoscendo il voto di maturità, il tipo di scuola, il genere, età, ecc. di uno studente, si può prevedere se avrà difficoltà negli studi universitari?
12. Probabilità di acquisto on-line di un dato prodotto X se il consumatore ha acquistato il prodotto Y (Per es., Amazon usa un modello predittivo per determinare la probabilità di acquisto di prodotti correlati)

Regressione Multipla

Il modello di regressione multipla è lo strumento fondamentale dell'Econometria Il modello di regressione permette di stimare l'effetto di una variabile su un outcome, tenendo costanti tutte le altre possibili influenze (variabili)

• permette di dare una risposta quantitativa;
• dà una misura dell'affidabilità di tali risposte.

Spesso siamo interessati a comprendere relazioni causali piuttosto che correlazioni Un concetto che sarà centrale nel corso: "correlazione non significa causazione" Alcuni esempi: pioggia e ombrelli; consumo di gelati e incendi; voto di diploma e crediti all'Università

Previsioni e correlazione

Il ragionamento è diverso se l'obiettivo è di fare previsioni: la correlazione è utilissima, la causalità non necessaria. Per esempio, se dobbiamo prevedere l'andamento del tasso di disoccupazione, le ricerche su Google di "posti di lavoro" o "sussidi di disoccupazione" sono utilissime, anche se non sono la causa

Dati sperimentali vs. Dati non sperimentali

Esperimenti Controllati Randomizzati (RCT: Randomized Controlled Trials) Uso di esperimenti randomizzati per stimare effetti causali di un intervento/politica su un outcome

• Il ricercatore è in grado di cambiare un certo intervento/politica/ variabile
• Gruppo di Trattamento vs. Gruppo di Controllo Assegnazione casuale ai gruppi: tutte le altre variabili che possono influenzare l'outcome sono simili nei due gruppi L'unica differenza è il trattamento Esempio: Esperimento STAR Tuttavia, gli esperimenti sono
• costosi,
• richiedono molto tempo,
• in alcuni casi possono essere contrari all'etica o impossibili da realizzare. Allora si ricorre a dati di natura diversa, dati osservazionali

Dati Non Sperimentali ("Osservazionali")

Dati sezionali (Cross-section)

Dati riferiti a N unità (individui/imprese/regioni, ecc.) osservate in un unico periodo di tempo t. Esempio: 8,000 famiglie osservate dalla Banca d'Italia nel 2016 (dati su consumi, redditi, lavoro, scelte finanziarie, ecc.)

TABLE 1.1 A Cross-Sectional Data Set on Wages and Other Individual Characteristics obsno wage educ exper female married 1 3.10 11 2 1 0 2 3.24 12 22 1 1 3 3.00 11 2 0 0 4 6.00 8 44 0 1 5 5.30 12 7 0 1 . . . . . . . . . . . . . . . . 525 11.56 16 5 0 1 526 3.50 14 5 1 0

Serie temporali (storiche)

Dati riferiti a una certa entità (per es., l'Italia) per diversi periodi di tempo: t=1, 2, ... T Es: Dati su PIL, occupazione, popolazione e capitale umano per l'Italia dal 2000 al 2019

Year Real GDP Employment Population Human Capital 2000 2046562 22.917 56.692 2.771 2001 2047271 23.430 56.875 2.793 2002 2019463 23.917 57.182 2.815 2003 2028395 24.322 57.564 2.837 2004 2040373 24.474 57.948 2.859 2005 2123677 24.632 58.281 2.881 2006 2202943 25.155 58.542 2.904 2007 2307501 25.427 58.747 2.927 .. 2012 2301511 24.913 59.879 3.031 2013 2246689 24.301 60.166 3.049 2014 2232718 24.195 60.409 3.067 2015 2241117 24.444 60.578 3.085 2016 2351041 24.852 60.663 3.103 2017 2436383 25.184 60.673 3.121 2018 2458236 25.417 60.627 3.139 2019 2466328 25.596 60.550 3.158

9Real GDP at constant 2017 national prices (in mil. 2017US$ 1000000 2500000 2000000 1500000 500000 1940 1960 1980 Year 2000 2020

Dati Longitudinali o Panel

Dati riferiti a N unità che sono osservate ripetutamente (t periodi). Gli stessi N individui sono osservati in più periodi. Esempio 1: Dati sui bilanci di N imprese osservate nel 2010, 2011, 2012, 2013, ecc. Esempio 2: Dati sui Pil, pop, e istruzione tra paesi osservati nel 1980, 1985, 1990, ecc.

Country year log_gdppc log_pop Educ Ireland 1985 9.206 8.131 7.605 Ireland 1990 9.295 8.171 7.869 Ireland 1995 9.558 8.162 8.503 Ireland 2000 9.756 8.189 8.786 Italy 1985 9.631 10.940 5.324 Italy 1990 9.704 10.943 5.756 Italy 1995 9.868 10.945 6.162 Italy 2000 9.918 10.954 6.6 Japan 1985 9.656 11.668 8.232 Japan 1990 9.783 11.701 8.507 Japan 1995 10.00 11.724 9.224 Japan 2000 10.05 11.739 9.442

Dati pooled (Cross-section ripetute)

Cross-section fatte in più anni (a differenza dei Panel, gli individui in ogni cross- section cambiano di anno in anno)

Id_individuo Anno Genere Eta Studio Condizione Lavorativa 100 2004 1 50 5 2 101 2004 1 65 3 2 102 2004 1 54 3 1 103 2004 2 70 2 3 104 2004 2 72 2 3 105 2006 1 67 2 3 106 2006 1 77 2 3 107 2006 1 57 2 3 108 2006 1 75 2 3 109 2008 2 71 3 3 110 2008 1 51 5 3 111 2008 2 71 4 3 112 2008 1 76 2 3