PRESENTAZIONE

L'insegnamento di Statistical models tratta gli elementi fondamentali dell’inferenza statistica, sia tramite l'approccio classico basato sulla verosimiglianza che tramite simulazione, e gli aspetti sia teorici che applicativi dell’analisi dei modelli di regressione e classificazione con particolare attenzione alle applicazioni in campo economico e sociale.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'insegnamento si propone di fornire una precisa panoramica dell'inferenza statistica a un livello intermedio. La prima parte riguarda la statistica matematica classica, basata sulla verosimiglianza, con alcuni cenni alle tecniche basate sulla simulazione. La seconda parte e' invece incentrata sulle principali tecniche di regressione e classificazione. Verranno in particolare trattati i modelli lineari generalizzati sia per riposte discrete che per risposte continue. Saranno poi illustrati alcuni metodi di regressione e classificazione non parametrici, e verranno infine affrontati metodi classici di validazione, selezione del modello e riduzione della dimensionalita'.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

L’insegnamento è articolato in due parti:

1. Elementi di statistica inferenziale classica: principali classi di distribuzioni univariate e multivariate, verosimiglianza e sue proprietà , simulazione e bootstrap.
2. Modelli di regressione di classificazione: Regressione multipla, teoria dei modelli lineari generalizzati, regressione logistica e per conteggi, tecniche non-parametriche. Tecniche diagnostiche e metodi di selezione del modello.

Tutti gli argomenti saranno accompagnati da esercizi pratici in R, in modo che lo studente possa affiancare alla comprensione degli argomenti trattati anche la capacità di applicare corrette analisi statistiche in contesti reali e di comprendere gli output delle procedure statistiche.

Conoscenza e comprensione: Gli studenti dovranno conoscere le principali tecniche e i principali strumenti per la statistica inferenziale. Dovranno essere in grado di inquadrare tali strumenti in termini generali (sia teorici che applicati), e di analizzarne gli strumenti matematici e statistici sottostanti.

Capacità di applicare conoscenza e comprensione: Gli studenti saranno in grado di individuare, di fronte a problemi applicati in diversi contesti, la corretta tecnica di analisi. Inoltre, saranno in grado di valutare criticamente i risultati ottenuti tramite software statistico.

Autonomia di giudizio: Gli studenti dovranno acquisire consapevolezza delle potenzialità e dei limiti delle tecniche statistiche presentate, attraverso l’analisi di esempi e studio di casi.

Abilità comunicative: Gli studenti dovranno saper utilizzare il linguaggio tecnico-statistico corretto per la comunicazione dei risultati e per la descrizione delle tecniche utilizzate.

Capacità di apprendimento: Gli studenti svilupperanno adeguate capacità di apprendimento che consentano loro di continuare ad approfondire in modo autonomo altri aspetti della materia e diversi campi di applicazione rispetto a quelli illustrati. Inoltre, dovranno poter utilizzare anche autonomamente il software R..

PREREQUISITI

Le competenze tipiche fornite dagli insegnamenti introduttivi di Matematica Generale e di Statistica per lauree triennali di ambito economico o azidendale.

MODALITA' DIDATTICHE

Lezioni teoriche e laboratorio informatico con R. Discussione di casi di studio.

PROGRAMMA/CONTENUTO

0. Introduzione e richiami su stima e verifica di ipotesi.

1. Le principali famiglie di distribuzioni discrete e continue.

2. Distribuzioni multivariate.

3. Verosimiglianza e sufficienza. Stima per massima verosimiglianza. Informazione. La famiglia esponenziale.

4. Simulazione e bootstrap.

5. Regressione lineare multipla e tecniche k-NN.

6. Teoria dei modelli lineari generalizzati.

7. Regressione logistica e per conteggi.

8. Metodi di selezione del modello e regolarizzazione.

TESTI/BIBLIOGRAFIA

Evans, Rosenthal, Probability and Statistics. The Science of Uncertainty, Second edition.

James G, Witten D, Hastie T and Tibshirani R, An Introduction to Statistical Learning. With Applications in R. Springer (disponibile sulla webpage degli autori).

Letture complementari e approfondimenti saranno tratte da:

Casella G and Berger RL, Statistical Inference. Duxbury

Efron B and Hastie T, Computer Age Statistical Inference. Algorithms, Evidence, and Data Science. Stanford University (disponibile sulla webpage degli autori).

Materiali aggiuntivi saranno resi disponibili su Aulaweb a cura del docente.

DOCENTI E COMMISSIONI

Commissione d'esame

FABIO RAPALLO (Presidente)

CORRADO LAGAZIO

MARTA NAI RUSCONE

LEZIONI

INIZIO LEZIONI

L'insegnamento segue il calendario di Dipartimento per il secondo semestre.

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

L’esame consiste in una prova scritta che si compone di tre parti:

1) una domanda di carattere generale a risposta aperta

2) una o più domande specifiche a risposta aperta

3) un output da commentare

Il regolamento completo d’esame sarà pubblicato sulla pagina dell’insegnamento su Aulaweb. Per gli studenti frequentanti, saranno svolte prove intermedie che contribuiranno alla formazione del voto finale.

Se a causa della pandemia Covid-19 si dovessero svolgere esami in remoto, l'esame in remoto sarà strutturato per quanto possibile come l'esame in presenza.

MODALITA' DI ACCERTAMENTO

Le domande dell’esame scritto sono scelte in modo da coprire, per quanto possibile, tutti gli argomenti del programma d'esame. La domanda generale ha lo scopo di valutare il grado di conoscenza della materia e l’acquisizione del linguaggio tecnico corretto, le domande specifiche sono tese a valutare la capacità critica dello studente, mentre il commento all’output serve a valutarne le capacità di applicazione.

Calendario appelli

ALTRE INFORMAZIONI

Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare il/la docente all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali e forniscano idonei strumenti compensativi.