Teoria della selezione del portafoglio e modelli di equilibrio del ...
Teoria della selezione del portafoglio e modelli di equilibrio del ...
Teoria della selezione del portafoglio e modelli di equilibrio del ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
p<br />
∑ λi =<br />
i=<br />
1<br />
poichè tale somma equivale al calcolo <strong><strong>del</strong>la</strong> traccia <strong><strong>del</strong>la</strong> matrice presa in considerazione<br />
che nel caso <strong><strong>del</strong>la</strong> matrice <strong>di</strong> correlazione, con <strong>di</strong>agonale principale unitaria, risulta uguale<br />
alla <strong>di</strong>mensione <strong><strong>del</strong>la</strong> matrice stessa. Si deve inoltre sottolineare che, in seguito alla<br />
normalizzazione con cui si passa da C ad<br />
⎧⎪<br />
σ ij ⎫⎪<br />
R = ⎨ρ<br />
ij = ⎬ ,<br />
⎩⎪ σσ i j ⎭⎪<br />
gli autovalori e autovettori <strong>di</strong> R sono, in generale, <strong>di</strong>versi da quelli <strong>di</strong> C.<br />
Prima <strong>di</strong> passare agli esempi sull'applicazione <strong><strong>del</strong>la</strong> PCA risulta utile determinare i<br />
coefficienti <strong>di</strong> correlazione fra i fattori e le variabili iniziali. Si definisce coefficiente <strong>di</strong><br />
correlazione fra la k-esima variabile iniziale e l'i-esimo fattore il seguente rapporto:<br />
Cov( xk, zi)<br />
ρxz = k i Var( xk) Var( zi)<br />
.<br />
Si osserva che la k-esima variabile può essere in<strong>di</strong>cata come:<br />
xk = lkx con lk<br />
= ( 0,..., 1,.... 0 ) . La covarianza Cov( xk , zi<br />
) può ora essere scritta nel<br />
seguente modo:<br />
Cov( xk, zi) = E ( lkx)( ax i ) ′ = lkCa<br />
i<br />
valendo l'uguaglianza Cai = λi ai<br />
Cov( xk, zi) = lkλiai = λiaik.<br />
Se Var( xk )= σk 2 , essendo la varianza <strong>di</strong> zi uguale all'i-esimo autovalore λi, si ha:<br />
Cov( x λ λ<br />
k, zi)<br />
ia a<br />
ik ik i<br />
ρxkz=<br />
= =<br />
i<br />
2<br />
Var ( xk) Var ( zi)<br />
σ λ σ<br />
k i k<br />
Il coefficiente <strong>di</strong> correlazione ρxz descrive quanto la variabile casuale k-esima sia legata<br />
k i<br />
linearmente all'i-esimo fattore.<br />
Se la matrice utilizzata è quella <strong>di</strong> correlazione R tale coefficiente risulta uguale a<br />
ρxz= aik<br />
λ<br />
k i<br />
i ,<br />
essendo in questo caso le variabili x standar<strong>di</strong>zzate e quin<strong>di</strong> con varianza unitaria.<br />
Inoltre, se i fattori stimati sono fra loro ortogonali, i factor loa<strong>di</strong>ngs rappresentano anche la<br />
correlazione fra i fattori e le variabili; <strong>di</strong> conseguenza la somma per riga dei quadrati dei<br />
factor loa<strong>di</strong>ngs risulterà uguale a λi<br />
2<br />
σ k<br />
se la matrice iniziale è C, oppure a λi se la matrice<br />
originaria è R.<br />
Spesso, purtroppo, da una prima analisi i fattori determinati rappresentano<br />
significativamente più <strong>di</strong> una variabile alla volta risultando così <strong>di</strong> <strong>di</strong>fficile interpretazione.<br />
Per risolvere questo problema si può applicare una rotazione dei fattori, per esempio<br />
utilizzando il metodo VARIMAX 64, che cerca <strong>di</strong> minimizzare il numero <strong>di</strong> variabili che<br />
64 HARMANN H.H., Modern factor analysis, The University of Chicago Press, Chicago, 1967, 2nd E<strong>di</strong>tion;<br />
CHILD D., The essentials of Factor Analysis, Holt, Rineart and Winstone, London, 1970;<br />
MORRISON D.F., Meto<strong>di</strong> <strong>di</strong> analisi statistica multivariata, Casa E<strong>di</strong>trice Ambrosiana, Milano, 1976;<br />
90<br />
p,