STATISTICS FOR ECONOMICS AND BUSINESS
Anno accademico e docente
Non hai trovato la Scheda dell'insegnamento riferita a un anno accademico precedente?
Ecco come fare >>
- English course description
- Anno accademico
- 2022/2023
- Docente
- STEFANO BONNINI
- Crediti formativi
- 12
- Percorso
- Small and medium enterprises(SMEs) in international markets
- Periodo didattico
- Annualità Singola
- SSD
- SECS-S/01
Obiettivi formativi
- L’obiettivo del corso è quello di apprendere tecniche di elaborazione statistica di dataset complessi (problemi multivariati) a supporto di processi di decision making in ambito economico e aziendale.
Le principali tecniche trattate fanno riferimento a modelli di regressione (Modello di Regressione Lineare Semplice - SLRM, e Modello di Regressione Lineare Multipla - MLRM), analisi fattoriale e delle componenti principali, classificazione di unità statistiche (cluster gerarchico e non gerarchico) e indicatori composti.
Al termine del corso lo studente sarà in grado di:
- conoscere i fondamenti e le proprietà teoriche dei principali metodi statistici di analisi multivariata
- applicare tali tecniche a problemi reali
- implementarne l’uso per mezzo del software R Prerequisiti
- Sono richieste conoscenze di base relative a:
- statistica descrittiva
- calcolo delle probabilità e principali distribuzioni notevoli
- statistica inferenziale (test, stima dei parametri, campionamento casuale, regressione lineare semplice) Contenuti del corso
- Modulo "Statistical Methods for Composite Indicators"
1. Elementi di algebra delle matrici e nozioni di base dell’ambiente R (12 ore)
2. Analisi fattoriale e analisi delle componenti principali: teoria, metodi, applicazioni con utilizzo di codici R (24 ore)
3. Costruzione di indicatori composti: teoria, metodi e applicazioni con utilizzo di codici R (12 ore)
Modulo "Statistical Methods for prediction and classification"
4. Regressione lineare multipla: teoria, metodi e applicazioni con utilizzo di codici R (24 ore)
5. Analisi dei cluster: teoria, metodi e applicazioni con utilizzo di codici R (24 ore) Metodi didattici
- Lezioni frontali in aula.
Sono previste esercitazioni in R, alternate alle lezioni teoriche, per l’apprendimento sull’utilizzo dei metodi studiati in problemi reali e del software statistico. Modalità di verifica dell'apprendimento
- 1. Esame scritto (test a risposta multipla)
2. Prova pratica e presentazione
L’obiettivo della prova d’esame è verificare il livello di raggiungimento degli obiettivi formativi precedentemente indicati.
La prova scritta consiste in 10 domande a risposta chiusa, cioè 2 domande per ciascuna delle 5 aree tematiche: (1) algebra delle matrici, (2) regressione multipla, (3) indicatori composti, (4) analisi dei cluster, (5) analisi fattoriale e analisi delle componenti principali. Le domande vertono sull’accertamento delle conoscenze teoriche, sulla capacità di ragionamento e di interpretazione dei risultati e sulla conoscenza dei comandi R per l’applicazione dei metodi. Il punteggio finale è dato dal numero di risposte esatte moltiplicato per 3. L'esame dura 35'.
La prova pratica si concretizza nella redazione di una tesina che documenta l’applicazione di metodi statistici ad un problema reale e su un dataset concordati col docente. La tesina va poi presentata e discussa col docente. La prova pratica viene valutata con un punteggio da 0 a 3.
Il voto finale è dato dalla somma del punteggio conseguito nella prova scritta e del punteggio integrativo della prova pratica. Per superare l’esame è necessario comunque acquisire un punteggio minimo di 18 nella prova scritta. Testi di riferimento
- Mardia K.V., Kent J.T., Bibby J.M., «Multivariate Analysis», Academic Press, London,
Edizione 2000 o successive
Anderson T.W., «An introduction to Multivariate Statistical Analysis», Wiley, Edizione 2003 o successive
Dispense del docente e materiale aggiuntivo sono disponibili nel sito ufficiale dell'insegnamento e/o in Google Classroom
