| BUSINESS STATISTICS
(obiettivi)
OBIETTIVI FORMATIVI: Il corso di Metodi Statistici per il Management fornisce allo studente un'introduzione alla modellizzazione delle variabili economiche e gestionali utilizzando metodi di regressione e tecniche multivariate, sia parametriche che non parametriche; l'accento è posto sulle applicazioni commerciali, di marketing e industriali (ad es. controllo della qualità, analisi delle vendite, customer satisfaction, analisi di mercato). Il programma riguarda i modelli di supervised statistical learning correntemente utilizzati per l'analisi della dipendenza (regressione lineare, ANOVA, modello autoregressivo, modelli logit e probit) e le tecniche di unsupervised statistical learning utilizzate per l’esplorazione e la riduzione dei dati (analisi in componenti principali e analisi dei gruppi).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Conoscenza e comprensione di tecniche statistiche parametriche e non parametriche applicate a problemi di marketing, previsione delle vendite e problemi finanziari. Alla fine del corso gli studenti dovrebbero essere in grado di comprendere: (i) come applicare modelli statistici in un approccio supervisionato e non supervisionato; (ii) conoscere le assunzioni e saper formulare ipotesi in merito ad un modello insieme alla conoscenza/comprensione degli strumenti necessari per verificare queste ipotesi; (iii) comprendere le tecniche di selezione del modello e le misure della capacità di previsione del modello. In particolare, gli studenti sapranno dominare:
• Il Modello di regressione lineare • Il Modello Logit e Probit • L’Analisi della varianza (ANOVA) • Il Modello autoregressivo AR (1) • L’Analisi dei gruppi • L’Analisi delle componenti principali
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Attraverso esempi su insiemi di dati reali e l’utilizzo di software statistici come STATA e SAS, verranno mostrate diverse applicazioni dei concetti illustrati a lezione. Agli studenti verrà richiesto di esercitarsi, sia in classe sia a casa, applicando le metodologie statistiche a insiemi di dati e fornendo un commento e una interpretazione dei risultati ottenuti.
AUTONOMIA DI GIUDIZIO: Gli studenti saranno in grado di scegliere le tecniche statistiche più appropriate e di selezionare il giusto set di variabili esplicative. Sulla base dei risultati ottenuti, saranno in grado di fornire un'interpretazione sulla relazione tra le variabili oggetto di studio. Gli studenti aumenteranno la capacità di analizzare in modo critico e oggettivo situazioni concrete, fenomeni reali e casi di studio.
ABILITÀ COMUNICATIVE: Gli studenti saranno in grado di preparare report statistici utilizzando grafici, tabelle, figure e più in generale output di software statistico e di corredarli con commenti appropriati.
CAPACITÀ DI APPRENDIMENTO: Gli studenti potranno accedere alla lettura e alla comprensione di articoli scientifici che utilizzano i metodi multivariati considerati nel programma del corso. Saranno in grado di individuare i metodi più appropriati per rispondere a delle specifiche domande di ricerca.
|
|
Codice
|
8011284 |
|
Lingua
|
ENG |
|
Tipo di attestato
|
Attestato di profitto |
|
Crediti
|
6
|
|
Settore scientifico disciplinare
|
SECS-S/01
|
|
Ore Aula
|
36
|
|
Ore Studio
|
-
|
|
Attività formativa
|
Attività formative caratterizzanti
|
Canale Unico
|
Docente
|
BORRA SIMONE
(programma)
Lezione 1-2 Modello di regressione lineare • Introduzione al Modello Statistico • Modello di regressione lineare • Stima dei parametri e bontà di adattamento • Strumenti diagnostici basati sui residui • Applicazioni ed esempi con Stata/SAS Lezione 3-4 Modello di regressione lineare multipla • Algebra matriciale per la regressione lineare • Stima dei coefficienti di regressione • Inferenza sui parametri del modello • Strumenti diagnostici basati sui residui • Multicollinearità e indice VIF • Selezione delle variabili: Backward, forward, stepwise • Applicazioni ed esempi con Stata/SAS Lezione 5 Analisi della Varianza • Definizione • Stima degli effetti • Applicazioni ed esempi con Stata/SAS Lezione 6 • Introduzione ai metodi di Associazione • Analisi in Componenti Principali (ACP): Introduzione e motivazione (riduzione del numero di variabili, combinazione lineare delle variabili) • ACP: Introduzione del metodo (autovalori e autovettori, loadings, scores) Lezione 7 • Metodi grafici (Biplots) • ACP: Applicazioni ed esempi con Stata/SAS Lezione 8 • Analisi dei Gruppi: Introduzione, Partizione dei gruppi: K-medie • Analisi dei Gruppi: Applicazioni ed esempi con Stata/SAS Lezione 9 • Metodi di raggruppamento gerarchico agglomerativi (legame singolo, legame completo, legame medio) • Valutazione dei gruppi (non supervisionato, supervisionato, relativo) • Analisi dei Gruppi: Applicazioni ed esempi con Stata/SAS Lezione 10 Logit e Probit • Modello statistico • Stima dei parametri e bontà di adattamento Comparazione tra modelli: indici AIC e BIC • Matrice di classificazione • Curva ROC Lezione 11 Previsione • Modello Autoregressiovo di lag 1 • Stima dei parametri e inferenza Lezione 12 • Applications with SAS su dati reali
 Lucidi e altro materiale didattico sarà disponibile sul sito web del corso. • J. Neter, M. Kutner, C. Nachtsheim, W. Wasserman, 1996, Applied Linear Regression Models, Irwi - J. Lattin, J. Carroll, P. Green, 2003, Analyzing Multivariate Data, Thomson
|
|
Date di inizio e termine delle attività didattiche
|
- |
|
Modalità di erogazione
|
Tradizionale
|
|
Modalità di frequenza
|
Non obbligatoria
|
|
Metodi di valutazione
|
Prova scritta
|
|
|