Corso di laurea

Statistica, economia e impresa

Università degli studi di Bologna · 71 materie · 10 file condivisi

Per questo corso di laurea sono già disponibili 10 appunti all'interno della community, registrati subito per iniziare a studiare!

Il Corso di Laurea Magistrale in Statistica, Economia e Impresa si propone di fornire una ampia e sofisticata strumentazione statistico-metodologica che viene declinata come elemento di supporto alle decisioni in contesti di analisi e studio puntuali e specifici, con particolare riferimento a) al marketing e alle ricerche di mercato, con attenzione privilegiata al mondo delle imprese; b) all'analisi statistico-economica, con attenzione privilegiata ai centri studi economici di imprese e agenzie di ricerca nazionali e internazionali.
Il Corso prepara lo studente allo svolgimento di funzioni fortemente specialistiche nel campo a) delle analisi e dei processi di marketing di imprese manifatturiere e di servizi, con particolare riferimento a quei settori (banche, imprese della distribuzione organizzata, assicurazioni, imprese di telefonia fissa e mobile, imprese editoriali) che dispongono di ampie e dinamiche basi di dati relative ai comportamenti di consumo della propria clientela; b) dell'analisi, interpretazione e spiegazione quantitativa dei fenomeni e dei processi economici propri della realtà locale, nazionale e internazionale, dello studio delle dinamiche settoriali, della valutazione di politiche industriali ed economiche, dell'analisi dei processi di internazionalizzazione e della competitività delle imprese, della programmazione di piani economici e di sviluppo, della realizzazione e monitoraggio di indagini economiche.

Il Corso di studio, inoltre, pone l'attenzione su modalità di apprendimento in larga misura autodirette, in cui lo studente esprime una propria capacità autonoma di generare nuova conoscenza. Il ricorso, in ambito didattico, alla soluzione di casi e project attraverso attività di gruppo è pensato per fornire al laureato magistrale non solo la capacità di fare, ma anche gli skill relazionali indispensabili.

Il Corso di Laurea Magistrale in Statistica, Economia e Impresa afferisce alla classe di laurea LM-82 come il Corso di Laurea Magistrale in Statistical Sciences, entrambi dell'Ateneo di Bologna.
I due corsi di laurea magistrale sono profondamente differenziati rispetto ai contesti fenomenici di riferimento e alle figure professionali che intendono formare.
Il Corso di Laurea magistrale in Statistical Sciences è sostanzialmente orientato alla ricerca metodologica e demografico-sanitaria.
Il Corso di Laurea magistrale in Statistica, Economia e Impresa coniuga la metodologia statistica con gli studi economici e aziendali.


Presentazione del Corso di Studio

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Al momento abbiamo 10 files caricati sul nostro portale suddivisi nelle 71 materie appartenenti al tuo corso di laurea.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

BIG DATA AND ANALYTICS 1° anno · 10 CFU · SECS-S/01 · 0 file

Aim of the course is to learn the fundamentals of the most important multivariate techniques that help to make intelligent use of large data base by recognizing patterns for predicting or estimating an output based on…

Scheda dell'insegnamento

Obiettivi formativi

Aim of the course is to learn the fundamentals of the most important multivariate techniques that help to make intelligent use of large data base by recognizing patterns for predicting or estimating an output based on one or more inputs. At the end of the course the student is able; - to represent and organize knowledge about big data collections; - to turn data into actionable knowledge; - to choose the best suited methodology for the problem at hand to critically interpret the results.

Programma

Introduction to Supervised Statistical Learning
Resampling methods:
Cross-Validation Bootstrap
Classification:
Naive Bayes k-Nearest Neighbours Logistic Regression Linear Discriminant Analysis
Dimension Reduction:
Principal Component Analysis Principal Component Regression and Partial Least Squares Factor model: definition and estimation Clustering using R software
Regularisation:
Lasso and Ridge Regression
Smoothing methods in R software
Tree-based methods
Regression and Classification trees Bagging; Random Forests; Boosting
Machine learning methods
Support Vector Machines Neural Networks

Modalità d'esame

The learning assessment will be by a written test lasting between 60 and 90 minutes. The test will be composed of theoretical and practical questions, aimed at assessing the student's knowledge of explained statistical methods and the student's ability to perform statistical analyses and to interpret the resulting outputs in R Studio. The final grade is out of thirty.
During the written exam, students can only use the cheat sheet that is provided on virtuale.unibo.it, containing references to R packages and functions. Students cannot make use of the textbook, personal notes and mobile phones (smart watch or similar electronic data storage or communication devices are not allowed either).
Students that, despite having passed the exam, do not feel represented by the obtained result can ask to have an additional (optional) oral exam that can change the grade by +/-3 points.

Testi di riferimento

Slides in PDF and codes in R will be provided by the lecturer for each argument in Virtuale.
The primary text behind the course arguments is:
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to Statistical Learning. Second Edition. New York: Springer. ISBN: 978-1-0716-1417-4. E-book ISBN 978-1-0716-1418-1 The book is freely available here: https://hastie.su.domains/ISLR2/ISLRv2_website.pdf
In addition, we will use:
T. Hastie, R. Tibshirani, and J. Friedman (2001) The Elements of Statistical Learning: data mining, inference and prediction. Springer Verlag. Freely available at: https://web.stanford.edu/~hastie/Papers/ESLII.pdf

Codice insegnamento 96804

BUSINESS STATISTICS: METHOD AND APPLICATIONS 1° anno · 10 CFU · SECS-S/03 · 0 file

At the end of the course the student knows the main applied statistical methods to extract useful information from business databases and to support the management decision process in the face of uncertainty. In…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course the student knows the main applied statistical methods to extract useful information from business databases and to support the management decision process in the face of uncertainty. In particular the student is able to apply statistical indicators and linear/non-linear regression analysis for the evaluation of firms’ performance, the study of customers’ behavior and the choice of an investment project, by using a statistical software. At the end of the course the student is able: - to select and apply the most appropriate methodology to quantitatively analyze the business phenomena; - to critically interpret empirical results.

Programma

By the end of this course, you should be able to: 1. explain what is meant by business statistics, the difference between risk and uncertainty and why they play a fundamental role in the world of business; 2. describe the different kinds of market structure and the implication of market structure for how a business can influence demand for its products/services using pricing, promotion and related strategies; 3. use appropriate data sets to measure and interpret the degree of concentration in a market in which a firm operates and explain how market concentration can affect a firm’s pricing, promotion and related strategies; 4. explain the importance of randomised experiments for making causal inferences and their role in A/B testing for optimising the performance of a website, using frequentist statistical methods; 5. explain what is meant by Bayesian statistics and how randomised experiments can be interpreted from the Bayesian perspective. Explain how the Bayesian approach differs from the frequentist one and use the example of an A/B test to compare and contrast the Bayesian and frequentist approaches; 6. explain the challenges of making causal inferences using non-randomised experimental data sets, such as observational data sets or databases available to your firm and the conditions under which a multiple regression framework can be used to estimate a causal effect; 7. explain the challenges posed to the business statistician by problems arising from endogeneity resulting from omitted variable bias, simultaneity bias and measurement error; 8. explain how natural experiments, instrumental variables and regression discontinuity designs can overcome the endogeneity problem and be able to use appropriate software to carry out instrumental variable estimation; 9. use the above methods to extract and analyse business-relevant information from appropriate data sets and present and report it in a form which provides clear and accessible decision-support to managers. These objectives are arranged under three main headings, each of which contains both taught topics and an application (or applications): 1. Part 1: ‘Know your market’: Market structure and concentration (with applications to measuring and interpreting market structure). 2. Part 2: ‘Know your customers (A)’: Causal effect estimation in randomised experiments (with applications to website optimisation). We take both frequentist and Bayesian approaches to this topic. 3. Part 3: ‘Know your customers (B)’: Causal effect estimation in non-randomised settings (with applications in causal effect estimation for advertising expenditure).

Modalità d'esame

Written examination at the end of the course which will examine students on the learning aims and objectives that are set for the course and each individual class. Duration of exam: 1 hour and 40 minutes. Grading: out of 30, with 18/30 being a pass. Structure of paper: BLOCK A (calculation/short answer questions worth 15 marks); BLOCK B (short essay question(s) worth a total of 30 marks).
Use of AI is forbidden.
The maximum possible grade is 30 cum laude. The grading scale is the following: <18: Fail; 18-23: Sufficient; 24-27: Good; 28-29: Very good; 30: Excellent; 30 cum laude: Outstanding (the instructor was impressed)

Testi di riferimento

There is no single textbook for this course.
Introduction to Econometrics, Global Edition. J. H. Stock and M. W. Watson. 4th edition. Pearson International Content, 2019.
Mostly Harmless Econometrics: An Empiricist’s Companion. J. D. Angrist and J.-S. Pischke. Princeton University Press, 2009.
Econometric Analysis of Cross-Sectional and Panel Data. J. M. Wooldridge. MIT Press, 2010.
Principles of Economics. S. A. Greenlaw and D. Shapiro. Openstax, 2011.
Microeconomic Theory: Concepts and Connections. M. E. Wetzstein. 2nd edition. Routledge, New York, 2013.
Introduction to Bayesian Statistics. W. M. Bolstad and J. M. Curran. John Wiley & Sons, Inc., Third edition, 2016

Codice insegnamento 96796

BUSINESS SURVEYS DESIGN AND PLANNING 1° anno · 2° semestre · 6 CFU · SECS-S/03 · 0 file

At the end of the course the student has a wide knowledge of the different typologies of official and non-official, and conventional and non-conventional sources of data that can be useful to the company, and has the…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course the student has a wide knowledge of the different typologies of official and non-official, and conventional and non-conventional sources of data that can be useful to the company, and has the ability to match the available data sources to the information needs of the company. The student possesses the knowledge of the tools to design and implement a new survey, in order to obtain useful information for the company, taking into account the peculiarities of this type of information and the consequent aspects that characterize its analysis. Moreover, the student knows the problems related to non-sampling errors and is able to deal with them using modern correction techniques. The student is able to implement all the practical tasks using a statistical software. In particular the student is able to: - decide the most suitable source of information for a specific information need of the company; - plan and carry out a sample survey; - organize the data obtained and correct them by using a statistical software.

Programma

Week 1

  • BS1 - Introduction - BS2 - Probability - BSLab1 - Introduction to R and R-Studio Week 2 - BS3 - Simple Random Sampling - BS4 - Sample Size and Systematic Sampling - BSLab2 - Simple Random and Systematic Sampling in R Week 3 - BS5 - Stratified Sampling and Other Estimators - BS6 - Cluster Sampling With Equal Probability - BSLab3 - Stratified Sampling in R
    Week 4 - BS7 - Cluster Sampling With Unequal Probabilities - BS8 - Complex Surveys and Two-Ways Sampling - BSLab4 - Cluster Surveys in R Week 5 - BS9 - Non-Response and Non Probability Surveys - BS10 - Program Recap, Exam Guidelines, and Evaluation - BSLab5 - Non-response in R

Modalità d'esame

The exam consists of a single test conducted in laboratory which includes theory questions covered in class and empirical questions to be solved in R as covered during the laboratory sessions.
Possibility of refusing the grade: 1 time.

Testi di riferimento

Class slides posted on the course page after lectures.
S.L. Lohr (2021). Sampling: Design and Analysis, Third Edition, Brooks / Cole, Boston. Teaching methods. Available in library.
Yan Lu, S.L. Lohr (2021) R Companion for Sampling: Design and Analysis, Third Edition, CRC Press Taylor and Francis Group. Free to download.
Cochran, W. G. (1977) Sampling Techniques, 3rd Edition, John Wiley and Sons, New York. Available on-line.

Codice insegnamento 96798

ECONOMETRIA C.A. 1° anno · 10 CFU · ECON-05/A · 0 file

Al termine del corso lo studente ha competenze relative ai modelli econometrici per l'analisi economica e finanziaria. In particolare, lo studente è in grado di: - costruire modelli econometrici multiequazionali per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente ha competenze relative ai modelli econometrici per l'analisi economica e finanziaria. In particolare, lo studente è in grado di: - costruire modelli econometrici multiequazionali per l'analisi macroeconomica - specificare modelli econometrici in presenza di serie storiche non stazionarie - specificare modelli per la volatilità dei dati finanziari e per la gestione dei rischi

Programma

Richiami di serie storiche multivariate . Stazionarietà, ergodicità. Momenti. Processi lineari. Martingale. Leggi dei grandi numeri e teoremi centrali del limite.
Modelli VAR per dati stazionari . Rappresentazioni alternative del VAR. Stima (OLS, GLS, SUR, MM, ML) e inferenza. Condizioni di stazionarietà. La rappresentazione in forma MA del VAR. Inferenza sulla forma MA.
Introduzione alle serie storiche non stazionarie . Radici unitarie e shock permanenti. Processi integrati. Test di radice unitaria: ADF, PP. Cointegrazione e trend comuni.
Cointegrazione e modelli VAR . Rappresentazione ECM del VAR. Cointegrazione nel VAR(1) e nel caso generale. Teorema di rappresentazione di Granger. Stima (ML) del VAR cointegrato. Test sul rango di cointegrazione (Johansen). Inferenza sui parametri del VAR.
Modelli VAR strutturali . Shock primitivi: identificazione (Choleski). VAR in forma C. VAR in forma A-B. Identificazione con restrizioni di lungo periodo (Blanchard-Quah). Relazione con i sistemi di equazioni simultanee. Stima ed inferenza.
Applicazioni dei modelli VAR . Previsione. Funzioni di risposta agli impulsi (IRF). Scomposizione della varianza (FEVD). Funzioni di risposta agli impulsi generalizzate (GIRF).
Applicazioni in laboratorio

Modalità d'esame

La prova d'esame mira a verificare il raggiungimento dei seguenti obiettivi didattici:

  • conoscenza approfondita delle tecniche econometriche illustrate durante le lezioni frontali
  • capacità di impiegare tali tecniche per analizzare ed interpretare i fenomeni economici
    La prova d'esame consiste nello svolgimento di una prova scritta della durata di al massimo 1 ora, seguita da una prova orale, sia nel caso di esami in presenza che nel caso di esami online. In questo secondo caso, la prova avverrà via Zoom e Esami Online - EOL (le istruzioni verranno caricate su VIRTUALE).
    Il massimo voto è 30 e lode, nel caso in cui tutte le risposte siano corrette, complete e formalmente rigirose. I punteggi sono i seguenti:
    <18 respinto 18-23 sufficiente 24-27 buono 28-30 molto good 30 e lode eccellente
    L’intelligenza artificiale può essere uno strumento utile per supportare lo studio individuale attraverso approfondimenti aggiuntivi, riassunti e attività di autovalutazione. Tuttavia, durante gli esami in presenza, l’uso dell’IA è severamente vietato. Qualsiasi utilizzo di questo tipo costituisce una violazione dell’integrità accademica.

Testi di riferimento

A. A. Gardini, G. Cavaliere, M. Costa, L. Fanelli, P. Paruolo, Econometria, vol. 1 e 2, Franco Angeli, Milano, 2000.

Codice insegnamento 28203

ECONOMETRIA C.A. [cod. 28203] 1° anno · 2 file
FONDAMENTI DI REINFORCEMENT LEARNING 1° anno · 1° semestre · 6 CFU · MATH-03/B · 0 file

Il corso si propone di fornire agli studenti conoscenze di probabilità e inferenza avanzate, con particolare riferimento a successioni di variabili aleatorie e teoremi di convergenza, oltre che mirare a sviluppare le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti conoscenze di probabilità e inferenza avanzate, con particolare riferimento a successioni di variabili aleatorie e teoremi di convergenza, oltre che mirare a sviluppare le loro conoscenze, abilità e competenze sui metodi di reinforcement learning, basati su processi decisionali di Markov. Il corso prevede applicazioni in laboratorio con l’uso del software Python. Lo studente alla fine del corso è in grado di applicare metodi di reinforcement learning per modellare e risolvere problemi decisionali basandosi sui dati.

Programma

Catene di Markov a tempo discreto. Processi decisionali di Markov. Algoritmi di programmazione dinamica: policy evaluation, policy improvement, policy iteration, value iteration. Algoritmi model-free: Monte-Carlo prediction, Temporal-difference prediction, TD(lambda), Monte-Carlo control, Temporal-difference control, SARSA, Q-learning.

Modalità d'esame

E' prevista una prova scritta, della durata di circa due ore, composta da tre esercizi riguardanti gli argomenti trattati nel corso.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Slides fornite dal docente disponibili sulla piattaforma virtuale.unibo.it.
Libro di testo di approfondimento:
R. S. Sutton and A. G. Barto, Reinforcement Learning: An Introduction. Second Edition, 2018.

Codice insegnamento C8297

IDONEITA' LINGUA INGLESE B - 2 Per informazioni sui contenuti, didattica e iscrizioni, riconoscimento di certificazioni, equipollenza ecc. consultare il sito del Centro Linguistico. d'Ateneo http://www.cla.unibo.it/idoneita-linguistica. 1° anno · 1° semestre · 6 CFU · L-LIN/12 · 0 file
INFORMATION SYSTEMS AND DATABASE MANAGEMENT 1° anno · 6 CFU · ING-INF/05 · 0 file

Aim of the course is to understand the concepts and learn the techniques to access data stored in database systems for analytical purposes. In particular, the student will understand the main concepts of relational and…

Scheda dell'insegnamento

Obiettivi formativi

Aim of the course is to understand the concepts and learn the techniques to access data stored in database systems for analytical purposes. In particular, the student will understand the main concepts of relational and noSQL database systems and will learn how to effectively extract data from those systems in order to prepare them for subsequent application of statistical and machine learning techniques. The course will deal with both the query languages of databases and the interfaces with programmatic languages, such as R or Python. At the end of the course the student is able: - to understand the structure of a given database, either relational or noSql; - to access the data stored in a Database Management System either with the specific standard languages or with programmatic interfaces.

Programma

Capire i dati: elementari, strutturati da file e dal Web
Modellare i dati
I formati, il linguaggio XML e la notazione JSON
Le Basi di Dati
Basi di dati relazionale:
Modello concettuale (diagramma Entità-Relazione) Modello logico (schema delle relazionali)
Basi di dati NoSQL:
Modello document-based Modello graph-based
Gestire le basi di dati
Sistemi per la gestione delle basi di dati relazionali (MySQL) e NoSQL (MongoDB e Neo4J)
Il linguaggio per interrogare le basi di dati:
Il linguaggio SQL per interrogare le basi di dati relazionali I linguaggi per interrogare le basi di dati document-based e graph-based
Analizzare i dati
Estrarre dati, informazioni Realizzare viste sui dati
Esperienze con Python per l'uso di dati da Basi di Dati e dal Web

Modalità d'esame

Prova scritta e pratica (durata 2 ore). La prova si articola in due parti.
Una prima parte scritta con la richiesta di disegnare modelli di dati sulla base di requisiti (40%) ed inoltre con brevi esercizi e/o quesiti sul programma dell’insegnamento (20%). Non è ammesso l'uso del materiale didattico.
Una seconda parte pratica con la richiesta di realizzare delle interrogazioni prevalentemente nel linguaggio SQL e nei linguaggi NoSQL, su una base di dati reale (40%). E' ammesso l'uso del solo materiale didattico.
Il voto finale (in trentesimi) è determinato applicando le percentuali - pesi - assegnate a ciascun tipo di richiesta.
L'uso dell'IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Le lezioni si baseranno per la parte basi di dati relazionali sul testo di Jeff Ullman e Jennifer Widom: "A First Course in Database Systems", per la parte basi di dati NoSQL sulla documentazione disponibile sul Web.
Approfondimenti, esempi e esercizi saranno messi a disposizione su “Virtual Learning Environment”.

Codice insegnamento 96793

LANGUAGE LABORATORY: COMMUNICATION OF STATISTICS AND DATA BUSINESS ANALYTICS 1° anno · 2° semestre · 6 CFU · 0 file

At the end of the course the student is able to speak, write and understand English in a Business setting. In particular the student will - learn to use English more efficiently; - improve their communication skills; -…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course the student is able to speak, write and understand English in a Business setting. In particular the student will - learn to use English more efficiently; - improve their communication skills; - Learn How to Tell Powerful Stories With Data

Programma

Il corso copre le principali competenze legate alla comunicazione dei dati, quali:
Progettazione di un prodotto comunicativo con i dati, dal reperimento e interpretazione dei dati alla loro rappresentazione grafica. Realizzazione di visualizzazioni dati e dashboard attraverso i principali tool disponibili.
Per entrambi i punti è prevista la presenza di componenti pratiche, per approfondire i tool di visualizzazione dati o per favorire un processo di progettazione creativa.
Nell'approfondire queste due competenze principali, verranno toccate tematiche a esse trasversali, quali:
Valutare accessibilità e inclusività dei prodotti comunicativi con i dati. Elementi di visual e info design Progettare sulla base del proprio pubblico. Percezione e bias, e la loro influenza nella comunicazione dei dati. Esercizi di creatività nella rappresentazione dei dati. Focus su mappe e dati geo. Approcciarsi alla visualizzazione dati con spirito critico, migliorando efficienza e chiarezza dei propri prodotti comunicativi.

Modalità d'esame

L'esame consisterà in un progetto di data storytelling. Un'ultima lezione* sarà dedicata alla presentazione e feedback su una bozza del progetto, preparata secondo il template fornito, che verrà poi finalizzato e consegnato per la data d'esame.
Il progetto è un progetto da portare avanti in gruppo (max. 6 persone, idealmente 4), anche se la docente può accordare a chi lo richieda la possibilità di svolgere il progetto individualmente
*STUDENTI NON-FREQUENTANTI: Si applicano le stesse indicazioni, con la differenza che la presentazione della bozza di progetto avverrà via mail, con un certo anticipo rispetto all'esame. È consigliato contattare la Professoressa in anticipo, soprattutto in caso di dubbi, per gestire in maniera ottimale l'esame.

Testi di riferimento

Si consiglia la lettura dei seguenti volumi per approfondire gli argomenti trattati in classe.
Cairo, A. (2020). How charts lie: Getting smarter about visual information. New York, NY: WW Norton.
D’Ignazio, C., & Klein, L. F. (2020). Data Feminism. London, England: MIT Press.
Knaflic, C. N. (2015). Storytelling with data: A data visualization guide for business professionals (C. N. Knaflic, Ed.). Nashville, TN: John Wiley & Sons.

Codice insegnamento 96801

METODI STATISTICI PER IL DATA MINING 1° anno · 10 CFU · SECS-S/01 · 0 file

Al termine del corso lo studente conosce le problematiche e le metodologie statistiche che sono alla base dell'attività di estrazione di conoscenza da grandi moli di dati. In particolare, lo studente è in grado di: -…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce le problematiche e le metodologie statistiche che sono alla base dell'attività di estrazione di conoscenza da grandi moli di dati. In particolare, lo studente è in grado di: - strutturare correttamente un processo di data mining - scegliere tra gli strumenti metodologici quelli più adeguati a perseguire l'obiettivo in esame - interpretare criticamente i risultati.

Programma

Prerequisiti:
Fondamenti di statistica descrittiva e inferenziale. Elementi di calcolo delle probabilità. Modello di regressione lineare multipla.
Programma/Contenuti
Modulo I Prof.ssa Stefania Mignani

  • Introduzione: il Data Mining e la Statistica.
  • Preparazione dei dati: identificazione delle fonti, valutazione della qualità dei dati, studio delle caratteristiche delle variabili.
  • Pulizia dei dati: identificazione e trattamento degli outlier in ambito uni- e multi-variato; trattamento dei dati mancanti.
  • Trasformazioni di variabili. Tecniche di riduzione del volume dei dati.
  • Analisi delle associazioni.
  • Metodi di cluster analysis. Metodi gerarchici e partitivi.
  • Introduzione ai modelli predittivi: regressione e classificazione.
  • Modelli parametrici: modelli lineari di regressione; modello di regressione logistica.
    Modulo II Prof. Matteo Farnè
  • Criteri di valutazione della performance di un modello predittivo, in problemi di regressione e in problemi di classificazione (curva ROC, curva LIFT).
  • Modelli non parametrici per la stima della funzione di regressione: smoothers, modelli additivi di regressione non parametrica. Classificatori non parametrici: classificatore knn, classificatore Naive Bayes.
  • Metodi di partizione ricorsiva e alberi decisionali.
  • Modelli predittivi a rete neurale: reti Multi-Layer Perceptron; tecniche di regolarizzazione.
    Per entrambi i moduli sono previste attività di laboratorio sull'uso del software R.

Modalità d'esame

La verifica dell'apprendimento avviene mediante il solo esame finale che mira a verificare l'apprendimento dei metodi statistici presentati durante il corso, nonché le capacità critiche maturate dallo studente nella progettazione di un'attività di mining.
L'esame consiste in una prova scritta, composta da quesiti riguardanti sia aspetti teorici sia relativi all'interpretazione e alla lettura critica dei risultati di una specifica analisi di data mining condotta con il software R.
Non sono previsti parziali ma l'esame è unico.
La prova orale è facoltativa e può avvenire previo superamento dello scritto all'interno del medesimo appello d'esame. La votazione complessiva è espressa in trentesimi e tiene conto dell'esito della prova scritta e di quella orale: la valutazione ottenuta nella prova scritta può aumentare o diminuire al più di 3 trentesimi.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Oltre al materiale didattico depositato on-line dal docente su Virtuale, si consiglia:
Hastie T. Tibshirani R., Friedman J. The Elements of Statistical Learning. Data Mining, Inference and Prediction , Springer-Verlag, New York, 2008
Andrea Cerioli, Mauro Zani, Analisi dei dati e data mining per le decisioni aziendali. Giuffrè Editore, 2007
Giudici P. Data Mining: Modelli informatici, statistici e applicazioni, McGraw Hill, 2005
Azzalini A., Scarpa B. Data analysis and data mining. An introduction, Oxford University Press, 2012

Codice insegnamento 23741

MODELLI DI MARKETING 1° anno · 10 CFU · SECS-P/08 · 0 file

Al termine del corso lo studente conosce gli strumenti che meglio si adattano alla analisi del comportamento d'acquisto dei consumatori sia in presenza di dati raccolti a livello di singolo individuo sia di dati raccolti…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce gli strumenti che meglio si adattano alla analisi del comportamento d'acquisto dei consumatori sia in presenza di dati raccolti a livello di singolo individuo sia di dati raccolti a livello di singolo mercato. In particolare, lo studente è in grado di: - utilizzare strumenti analitici per la rappresentazione e previsione di fenomeni di marketing - fornire supporto alle decisioni di marketing

Programma

Il corso si pone l’obiettivo di fornire allo studente gli strumenti utili per analizzare importanti fenomeni di marketing, quali:

  • il targeting
  • la risposta alle promozioni di vendita
  • la risposta alla attività di comunicazione,
  • la scelta di acquisto in una categoria e/o di marca
  • la scelta del canale di vendita
    Nel Modulo 1 le tematiche verranno affrontate con un approccio quantitativo attraverso l’analisi di dati raccolti sia a livello del singolo consumatore che a livello di mercato e l’utilizzo di strumenti di analisi statistica tra i quali:
  • la regressione lineare multipla
  • la regressione logistica
  • i modelli multinomial e conditional logit
    Nel Modulo 2 verranno affrontate alcune metodologie avanzate per lo studio delle decisioni di marketing attraverso metodologie di text analysis e tecniche sperimentali. In particolare verranno studiati i seguenti modelli:
  • modelli Poisson e negative binomial
  • modelli di mediazione e moderazione di Hayes
  • topic modeling

Modalità d'esame

La valutazione del corso avverrà attraverso una prova scritta al termine dei due moduli in cui si cercherà di verificare la comprensione teorica, la capacità di condurre praticamente e di utilizzare le diverse analisi di cui sopra indicato, al fine di supportare le decisioni manageriali.
La prova scritta consiste in due parti:

  • multiple choice
  • domande aperte volte all'interpretazione dei risultati dei modelli e relative implicazioni manageriali.
    L' esame ha una durata di 90 minuti.

Testi di riferimento

Leeflang, P., Wieringa, J.E., Bijmolt, T.H.A., Pauwels, K.H “Modeling Markets Analyzing Marketing Phenomena and Improving Marketing Decision Making” International Series in Quantitative Marketing 2015: Capitolo 2 "Model Specification"; Capitolo 3 “Data”; Capitolo 8 “Individual Demand Models”; Capitolo 9 “Examples of Database Marketing Models”. Blattberg R.C, B. Kim e S.A. Neslin “Database Marketing,” Springer 2008: Capitolo 10 “The Predictive Modeling Process”; Capitolo 11 “Statistical Issues in Predictive Modeling”; Capitolo 24 “Managing Churn” Chintagunta, Pradeep K.; Jain, Dipak C.; Vilcassim, Naufel J (1991) “Investigating Heterogeneity in Brand Preferences in Logit Models for Panel Data” Journal of Marketing Research, 28(4), p. 417-42 De Vries, Lisette, Sonja Gensler, and Peter SH Leeflang. (2012) "Popularity of brand posts on brand fan pages: An investigation of the effects of social media marketing." Journal of Interactive marketing, 26(2), 83-91. Gensler, Sonja, Peter C. Verhoef, and Martin Böhm. (2012) "Understanding consumers’ multichannel choices across the different stages of the buying process." Marketing Letters, 23(4), 987-1003. Lemon, K. N., & Verhoef, P. C. (2016). Understanding customer experience throughout the customer journey. Journal of Marketing, 80(6), 69-96. Visentin, M., Tuan A., Di Domenico G. (2021). "Words matter: How privacy concerns and conspiracy theories spread on twitter." Psychology & Marketing 38(10):1828-1846. Labrecque, L. I., Swani, K., & Stephen, A. T. (2020). The impact of pronoun choices on consumer engagement actions: Exploring top global brands' social media communications. Psychology & Marketing, 37(6), 796-814 Pezzuti, T., Leonhardt, J. M., & Warren, C. (2021). Certainty in language increases consumer engagement on social media. Journal of Interactive Marketing, 53, 32-46 Hayes, A. F. (2017).Introduction to mediation, moderation, and conditional process analysis: A regression-based approach. Guilford publications. Chicago Altre letture di supporto verranno fornite sulla piattaforma Virtuale.

Codice insegnamento 28208

MODELLI STATISTICI DI COMPORTAMENTO ECONOMICO 1° anno · 10 CFU · STAT-02/A · 0 file

Al termine del corso lo studente ha una conoscenza approfondita dei problemi e delle strategie di stima di modelli statistici di comportamento di agenti micro-economici sulla base di dati individuali, soprattutto per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente ha una conoscenza approfondita dei problemi e delle strategie di stima di modelli statistici di comportamento di agenti micro-economici sulla base di dati individuali, soprattutto per quanto concerne le relazioni tra processo generatore dei dati e metodi di stima, nei campi fenomenici che attengono ai consumi, alla produzione e ai processi di durata temporale. In particolare, lo studente è in grado di: - padroneggiare le tecniche di stima lineari e di massima verosimiglianza da dati individuali sezionali - specificare, stimare e discutere i risultati di modelli con dati di panel - specificare stimare e analizzare modelli di durata

Programma

Ripasso di probabilità e algebra Regressione lineare Regressione multivariata Endogeneità e variabili strumentali Regressione lineare per dati panel Massima verosimiglianza Modelli per scelte discrete Modelli di conteggio Modelli per dati censurati e troncati Modelli per dati di durata

Modalità d'esame

La verifica dell’apprendimento avviene mediante una prova scritta, articolata in domande teoriche e in un caso di studio applicato, finalizzata ad accertare:
la conoscenza dei principali modelli statistici trattati nel corso e delle relative assunzioni; la capacità di comprendere come le caratteristiche del processo generatore dei dati influenzino la scelta del modello, dello stimatore e delle procedure inferenziali; la capacità di derivare e discutere gli stimatori analizzati, illustrandone le principali proprietà statistiche; la capacità di selezionare il modello più appropriato nei diversi contesti empirici, motivando la scelta alla luce delle ipotesi del modello e dei risultati dei test diagnostici; la capacità di interpretare correttamente i coefficienti stimati, gli errori standard, gli intervalli di confidenza e i test statistici; la capacità di discutere criticamente i risultati empirici, individuando eventuali problemi di specificazione, endogeneità, debolezza degli strumenti o violazione delle ipotesi del modello.
La valutazione tiene conto della correttezza teorica e formale delle risposte, della completezza delle argomentazioni, della chiarezza espositiva, della qualità delle derivazioni e della capacità di applicare in modo critico gli strumenti econometrici ai casi proposti.
La prova scritta consiste in tre quesiti:
due domande aperte relative agli aspetti metodologici dei modelli trattati nel corso; una domanda dedicata alla discussione dei risultati di un caso studio.
A ciascun quesito sono attribuiti 10 punti. La prova si considera superata con un punteggio complessivo minimo di 18/30, purché lo studente ottenga almeno 6/10 in ciascun quesito.
La durata della prova è di 150 minuti. Non è consentito l’uso di libri, appunti o dispositivi elettronici.

Testi di riferimento

Testo di riferimento
Note del corso preparate dal docente.
Le note del corso costituiscono il principale testo di riferimento per la preparazione dell’esame e definiscono il livello di approfondimento richiesto.
Testi integrativi
W. H. Greene, Econometric Analysis, Macmillan, London, 3rd edition, 2012. Capitoli: 2, 3, 4, 5, 6, 7, 8, 11, 17, 18, 19. B. E. Hansen, Econometrics, Princeton University Press. Capitoli: 1, 2, 3, 4, 5, 6, 7, 9, 11, 12, 17.
I testi integrativi, in lingua inglese, possono essere utilizzati per approfondire gli argomenti trattati nel corso e per consultare spiegazioni alternative. Non sostituiscono le note del corso come riferimento principale per la preparazione dell’esame.

Codice insegnamento 11398

OPTIMIZATION METHODS FOR BUSINESS ANALYTICS 1° anno · 6 CFU · SECS-S/06 · 0 file

By the course the student acquires fundamentals of statistical inference and modeling, with special attention to models and methods that address practical data issues. At the end of the course the student is able: - to…

Scheda dell'insegnamento

Obiettivi formativi

By the course the student acquires fundamentals of statistical inference and modeling, with special attention to models and methods that address practical data issues. At the end of the course the student is able: - to define generalized linear regression models; - to estimate parameters and test hypotheses about them - to choose the most suitable model for the specific problem at hand.

Codice insegnamento 96795

POLITICA ECONOMICA C.A. E METODI 1° anno · 10 CFU · ECON-02/A · 0 file

Il corso ha l'obiettivo di fornire gli strumenti analitici per lo studio dell’impatto delle politiche economiche e del ruolo e modalità dell’intervento pubblico nei mercati. Al termine del corso ci si attende che lo…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l'obiettivo di fornire gli strumenti analitici per lo studio dell’impatto delle politiche economiche e del ruolo e modalità dell’intervento pubblico nei mercati. Al termine del corso ci si attende che lo studente abbia familiarità con l'impianto metodologico e le categorie concettuali necessarie ad analizzare gli effetti delle politiche economiche.

Programma

Le motivazioni dell’intervento pubblico da un punto di vista microeconomico. In particolare:
Fondamenti dell’economia del benessere: Edgeworth box; Primo e secondo teorema del benessere; Funzioni del benessere sociale.
Limiti del mercato e asimmetria informativa. Selezione avversa e azzardo morale.
L'esternalità, i diritti di proprietà e il teorema di Coase. Gli interventi correttivi delle esternalità. Teoria delle aste.
Beni pubblici: un approccio basato sulla teoria dei giochi. Teoria del disegno dei meccanismi.
Teoria delle votazioni.

Modalità d'esame

Presentazione di gruppo in classe e prova finale scritta.
Criteri di valutazione: insufficiente <18; sufficiente 18-23; buono 24-27; ottimo 28-30; eccellente 30 e lode.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Letture tratte da Hindricks J. e G.D. Myles, Intermediate Public Economics, MIT press.

Codice insegnamento 79364

PROBABILITA' [cod. 84608] 1° anno · 4 file
REFRESH COURSE DI PROBABILITA' E STATISTICA 1° anno · 1° semestre · 4 CFU · STAT-01/A · 0 file

Al termine del corso, gli studenti saranno in grado di ricordare e applicare i concetti chiave di probabilità e statistica che sono prerequisiti per gli insegnamenti del corso di laurea.

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, gli studenti saranno in grado di ricordare e applicare i concetti chiave di probabilità e statistica che sono prerequisiti per gli insegnamenti del corso di laurea.

Programma

Il corso riprende e consolida i principali concetti di probabilità, statistica e algebra delle matrici necessari per affrontare gli insegnamenti del corso di laurea. In particolare, saranno trattati i seguenti argomenti:
1. Probabilità
concetto di probabilità; assiomi della probabilità; legge della probabilità totale; teorema di Bayes.
2. Variabili casuali
definizione di variabile casuale; variabili casuali discrete e principali distribuzioni, con particolare riferimento alle distribuzioni di Bernoulli e binomiale; variabili casuali continue e principali distribuzioni, con particolare riferimento alle distribuzioni uniforme e normale; proprietà della media e della varianza.
3. Distribuzioni multivariate
variabili casuali bivariate; distribuzioni congiunte e marginali; distribuzioni condizionate; indipendenza; covarianza e correlazione; distribuzione normale multivariata.
4. Statistiche campionarie e stima puntuale
popolazione e campione casuale semplice; parametri, statistiche campionarie e stimatori; media campionaria; distribuzioni campionarie e spazio campionario; principali proprietà degli stimatori.
5. Intervalli di confidenza
principi della stima intervallare; intervalli di confidenza per la media, la varianza e la proporzione.
6. Verifica di ipotesi
formulazione delle ipotesi statistiche; errori di primo e di secondo tipo; test a una e a due code; test basati sulla distribuzione normale e sulla distribuzione t di Student; livello di significatività e p-value.
7. Algebra delle matrici
definizione e principali tipologie di matrici; operazioni tra matrici; traccia; rango e matrice inversa.

Modalità d'esame

Il raggiungimento degli obiettivi formativi sarà verificato attraverso esercizi e brevi test di autovalutazione proposti durante o al termine dei diversi moduli.
Il corso ha natura di riallineamento e consolidamento delle conoscenze preliminari e non prevede una prova finale con attribuzione di un voto.

Testi di riferimento

Non è previsto un testo obbligatorio. Il materiale didattico utilizzato durante il corso, comprendente presentazioni, esercizi ed eventuali letture integrative, sarà reso disponibile sulla piattaforma Virtuale.
Ulteriori riferimenti bibliografici potranno essere indicati durante le lezioni.

Codice insegnamento C8399

REFRESH COURSE IN PROBABILITY AND STATISTICS 1° anno · 1° semestre · 4 CFU · STAT-01/A · 0 file

Upon completion of the course, students will be able to recall and apply the key concepts of probability and statistics that are prerequisites for the degree courses

Scheda dell'insegnamento

Obiettivi formativi

Upon completion of the course, students will be able to recall and apply the key concepts of probability and statistics that are prerequisites for the degree courses

Codice insegnamento C8400

STATISTICA PER L'ANALISI DEI DATI 1° anno · 10 CFU · STAT-01/A · 0 file

Il corso si propone di fornire agli studenti conoscenze di metodi per la gestione di database e l’analisi dei dati attraverso l’uso di un software statistico. Si affrontano metodi per la visualizzazione dei dati, per…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti conoscenze di metodi per la gestione di database e l’analisi dei dati attraverso l’uso di un software statistico. Si affrontano metodi per la visualizzazione dei dati, per la loro descrizione e per l’inferenza a partire da dati campionari. Nella seconda parte, il corso si propone di fornire agli studenti la conoscenza dei metodi di inferenza avanzata basati sul concetto di verosimiglianza e la sua massimizzazione numerica. Lo studente alla fine del corso è in grado di scegliere e applicare le metodologie statistiche per l'analisi dei dati più opportune in modo efficace e coerente nelle ricerche e negli studi applicati.

Programma

Parte I. Metodi per la gestione di database e l'analisi dei dati
Introduzione all’ambiente statistico R. Procedure per importare, gestire e combinare basi di dati in R. Esempi illustrativi guidati. Comandi per eseguire analisi esplorative tramite indicatori statistici e rappresentazioni grafiche in R. Esempi illustrativi guidati. Funzioni di R per lo studio di distribuzioni di probabilità discrete e continue e la generazione di numeri casuali da una distribuzione di probabilità prefissata. Esempi illustrativi guidati. Metodi e strumenti operativi per il confronto tra una distribuzione empirica e una distribuzione teorica. Il grafico normale-quantile e il grafico quantile-quantile. Esempi illustrativi guidati. Tecniche per la caratterizzazione e la simulazione di distribuzioni campionarie. Esempi illustrativi guidati. Comandi e funzioni di R per la stima puntuale e intervallare. Esempi illustrativi guidati. Strumenti di R per l'esecuzione di test di significatività. Esempi illustrativi guidati. Analisi della regressione lineare. Metodi, modelli e strumenti operativi. Esempi illustrativi guidati.
Parte II. Metodi di inferenza avanzata basati sul concetto di verosimiglianza
Modelli statistici. Identificabilità di un modello statistico. Modelli non identificabili. Esempi illustrativi. La funzione di verosimiglianza. Il principio di verosimiglianza. Esempi illustrativi. Statistiche, statistiche sufficienti e statistiche sufficienti minimali. Esempi ed esercizi illustrativi guidati. Famiglie esponenziali. Esempi ed esercizi illustrativi guidati. Il metodo di stima della massima verosimiglianza. Esempi ed esercizi illustrativi guidati. Tecniche per la massimizzazione numerica della funzione di verosimiglianza. Esempi illustrativi guidati. L'informazione osservata e l’informazione attesa di Fisher. Esempi ed esercizi illustrativi guidati. Proprietà degli stimatori di massima verosimiglianza. Esempi ed esercizi illustrativi guidati. Il problema della verifica di ipotesi e la sua risoluzione secondo l'impostazione di Neyman-Pearson. Test del rapporto di verosimiglianza per sistemi di ipotesi semplici e composte. Applicazioni notevoli del test del rapporto di verosimiglianza.

Modalità d'esame

L'obiettivo generale della prova d'esame consiste nel verificare il livello delle conoscenze e delle abilità indicate nella sezione Contenuti. In particolare, la verifica mira ad accertare la preparazione raggiunta sull’uso degli strumenti disponibili nell’ambiente statistico R e sui metodi di inferenza avanzata trattati durante le lezioni.
A questo scopo, la verifica consiste in due prove: una pratica e una scritta. La prova pratica si svolge in laboratorio informatico, ha durata di un’ora e prevede la risoluzione di esercizi tramite comandi di R. La prova scritta si svolge in un’aula, ha durata di un’ora e si compone di domande aperte (raggruppate in forma di esercizi) riguardanti i metodi trattati durante le lezioni e le loro applicazioni. Per rispondere ad alcune richieste della prova scritta può rendersi necessario svolgere dei calcoli tramite una calcolatrice.
Durante entrambe le prove non è consentito consultare né appunti né libri; non è permesso utilizzare nessun tipo di apparecchiatura elettronica (ad esempio: auricolari, smartphone, smartglass, smartwatch, ecc…). Per lo svolgimento dei calcoli durante la prova scritta è consentito l'impiego di una calcolatrice.
Per ogni esercizio presente in ciascuna delle due prove è indicato il relativo punteggio massimo utilizzato ai fini della determinazione del voto finale. La somma dei punteggi massimi attribuiti agli esercizi presenti in ciascuna delle due prove è 16. La valutazione complessiva della preparazione, espressa in trentesimi, viene calcolata tramite la somma dei punteggi attribuiti ai singoli esercizi risolti nelle due prove. Valutazioni complessive così determinate pari a 31 e 32 corrispondono ad un voto finale di 30 e lode. La prova si intende superata se la valutazione complessiva conseguita è almeno pari a 18 e se il punteggio minimo ottenuto nelle due prove è almeno pari a 8.
Il punteggio massimo di ogni esercizio è stabilito tenendo conto della lunghezza e della complessità degli sviluppi necessari per produrre la risposta corretta; può quindi non essere uguale tra gli esercizi della medesima prova. Il punteggio attribuito agli esercizi risolti dallo studente è stabilito tenendo conto simultaneamente della completezza, dell'adeguatezza e della coerenza dello svolgimento rispetto a quanto richiesto nelle domande che compongono ogni esercizio.
E’ possibile sostenere la prova pratica e la prova scritta in appelli differenti e in qualsiasi ordine.
La prova e il sistema di valutazione sono uguali per tutti gli studenti (frequentanti e non frequentanti). L'aver frequentato o meno le lezioni non è tenuto in nessuna considerazione nella valutazione della preparazione in sede d'esame.
Nella verifica dell’apprendimento per questa attività formativa l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Ulteriori informazioni utili per l'esame
In conformità con il regolamento del corso di laurea, sono programmati quattro appelli d’esame per ogni anno accademico: il primo appello a gennaio, il secondo appello a febbraio, il terzo appello a giugno e il quarto appello a settembre. Le date specifiche degli appelli sono rese note all’inizio dell’anno accademico e possono essere reperite tramite la piattaforma Almaesami. Per poter sostenere l'esame è obbligatoria l'iscrizione nelle liste ufficiali disponibili su Almaesami. Per sostenere l'esame è indispensabile dimostrare la propria identità tramite un idoneo documento in corso di validità. E' consentito ritirarsi durante l’una o l’altra delle due prove. Come previsto dall'articolo 13, comma 1, del Regolamento di Ateneo sulle contribuzioni studentesche (http://www.normateneo.unibo.it/regolamento-di-ateneo-sulle-contribuzioni-studentesche-1), lo studente con posizioni debitorie aperte, di qualsiasi natura (a titolo meramente esemplificativo: contribuzione studentesca, indennità di mora, restituzione della borsa per la mobilità internazionale, prestiti d’onore, etc.), con l’Ateneo e/o con l’Azienda Regionale per il Diritto agli Studi Superiori (ER.GO) non può effettuare alcun atto di carriera, ivi compreso il sostenimento di esami. E' consentito rifiutare un voto positivo per almeno una volta e per non più di due volte. Non è possibile sostenere l'esame al di fuori delle date d'esame ufficiali pubblicate su Almaesami.
Prove parziali in itinere
Al termine delle prime 30 ore di lezione è consentito a tutti gli studenti che lo desiderano (frequentanti/non frequentanti) di sostenere la prova pratica, che sarà relativa agli argomenti trattati nelle prime 30 ore di lezione. Coloro che otterranno una valutazione almeno pari a 8/16 potranno completare l'esame sostenendo la prova scritta.

Testi di riferimento

Materiale indispensabile per la preparazione dell'esame
A. Agresti, M. Kateri, Fondamenti di statistica per data scientists. Con R e Python. EGEA, Milano, 2022, capitoli 1-6 e appendici A e C. E’ possibile accedere ad una versione elettronica del volume tramite questo link. Sono abilitati ad accedere tutti gli utenti autorizzati che si collegano da postazioni connesse alla rete dell'Ateneo e da remoto mediante il servizio EZproxy. H. Wickham, M. Cetinkaya-Rundel, G. Grolemund. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data (2e). O’Reilly. Qui è disponibile in modalità online. Qui è possibile accedere alla traduzione italiana della prima edizione. A. Azzalini, Inferenza statistica. Una presentazione basata sul concetto di verosimiglianza. 2° edizione, Springer-Verlag Italia, Milano, 2001, capitoli 1-4 Dispense predisposte dal docente contenenti materiali didattici di supporto allo studio e sintesi degli argomenti trattati durante le lezioni.
Materiale consigliato
S. Iacus, G. Masarotto, Laboratorio di statistica con R. 2° edizione, McGraw-Hill, Milano, 2007

Codice insegnamento C8296

STATISTICAL INFERENCE AND MODELLING 1° anno · 10 CFU · SECS-S/01 · 0 file

The goal of the course is to provide students with the theoretical knowledge about the likehood function, its properties, its use in statistical inference and how to numerically maximize it. Moreove, by the course the…

Scheda dell'insegnamento

Obiettivi formativi

The goal of the course is to provide students with the theoretical knowledge about the likehood function, its properties, its use in statistical inference and how to numerically maximize it. Moreove, by the course the student acquires fundamentals of modeling, with special attention to models and methods that address practical data issues. At the end of the course, students are expected to be able: to setup and perform statistical analysis based on principled methods, using inferential tools which are appropriate for the applied real data situation; to define generalized linear regression models; to estimate parameters and test hypotheses about them; to choose the most suitable model for the specific problem at hand.

Programma

Prerequisites: definition of probability, events, random variables, probability distributions and related quantities, law of large numbers, central limit theorem. estimators: definition, properties, point estimate, interval estimation; hypothesis testing: framework, type of errors, test statistics, parametric tests.
Part I - Statistical Inference
Likelihood: definition and likelihood principle; sufficient statistics and minimal sufficient statistics; exponential families; maximum likelihood; numerical maximization of the likelihood; observed and expected information; Rao-Cramér inequality; maximum likelihood estimators and their properties; likelihood ratio test.
Part II - Statistical Modeling
Simple linear regression: model definition, estimation, goodness-of-fit, OLS strategy, properties of OLS, hypothesis testing, prediction; Multiple linear regression: model definition, estimation, goodness-of-fit, OLS strategy, properties of OLS, hypothesis testing, prediction; Model selection and diagnostics: strategies, cross-validation (intuition), dataset splitting, some criteria.

Modalità d'esame

Midterm exams - at the end of lectures of Module I and of Module II - or full exam at the end of the course.
Midterm exams are calibrated for 60 minutes duration.
Full exams are calibrated for 120 minutes duration.
Final mark is the average of two midterms (Module I + Module II) or a single evaluation on the full exam.
Type of exam: written, multiple choices and open questions with exercises (both practical and with software).
AI policy: during the exam is strictly forbidden to use any AI tool, either for solving the exercises or producing the comments of the output. Any violation will result in an immediate termination of the exam attempt.
Students with learning disorders and\or temporary or permanent disabilities: please, contact the office responsible (https://site.unibo.it/studenti-con-disabilita-e-dsa/en/for-students ) as soon as possible so that they can propose acceptable adjustments. The request for adaptation must be submitted in advance (15 days before the exam date) to the lecturer, who will assess the appropriateness of the adjustments, taking into account the teaching objectives.

Testi di riferimento

Books are not mandatory but highly recommended.
slides/material from the teacher (part I) "Statistics - Principles and Methods", Cicchitelli, G., D'Urso, P., Minozzo, M. (part I) "Statistical Inference", Casella, G., Berger, R.L. (part II) "An Introduction to Statistical Learning", Gareth, J., Witten, D., Hastie, T., and Tibshirani, R. [freely available online] (part II) "Applied linear statistical models", Kutner, M., Nachtsheim, C., Neter, J., Li, W. [freely available online] (part II) "A modern approach to regression with R", Sheather, S.J. [freely available online]

Codice insegnamento 96794

STATISTICAL SOFTWARE FOR BUSINESS (LABORATORY) 1° anno · 1° semestre · 6 CFU · 0 file

At the end of the course the student is able to use different statistical software useful to explore and analyse commonly used business data structures, as well as to manipulate and integrate data from different sources.…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course the student is able to use different statistical software useful to explore and analyse commonly used business data structures, as well as to manipulate and integrate data from different sources. Moreover, the student knows the modern tools for graphical representation currently used for Business Data Visualization. In particular the student is able: - to use SAS and R programming and tools to clean, arrange, select and manipulate business data, and the basics of using logical operators to pre-process data; - to use SAS and R programming and tools explore business data; - to program using Python language to manage applications, management systems and digital systems transversal to many industries and companies.

Programma

Il corso introduce all’utilizzo di Python, R e Stata per la gestione e l’analisi di dati economici e aziendali. Le attività saranno svolte prevalentemente attraverso lezioni pratiche in ambiente Positron.
Il modulo Python sarà dedicato ai fondamenti della programmazione, alla gestione dei dati e all’introduzione a semplici procedure predittive. Il modulo R riguarderà la trasformazione dei dati, l’analisi statistica, la visualizzazione e la produzione di report riproducibili. Il modulo Stata sarà dedicato alla gestione dei dati e all’applicazione di metodi statistici ed econometrici.

Modalità d'esame

L’apprendimento sarà verificato mediante una prova pratica individuale al computer. Lo studente dovrà importare e organizzare un dataset, effettuare alcune trasformazioni, produrre statistiche descrittive e rappresentazioni grafiche, applicare un metodo statistico appropriato e interpretarne i risultati.

Testi di riferimento

Lynch, S. "Python for Scientific Computing and Artificial Intelligence". ISBN 9781032258713334 Published June 15, 2023 by Chapman & Hall
Wickham H. Advanced r. chapman and hall/CRC; 2019 May 24.
Il materiale didattico, i dataset, gli script e gli esercizi utilizzati durante le lezioni saranno resi disponibili dal docente.

Codice insegnamento 96800

TIROCINIO 1° anno · 1° semestre · 12 CFU · 0 file

Al termine del tirocinio lo studente è in grado di: scegliere in modo autonomo e applicare gli strumenti specifici appresi; acquisire ulteriori conoscenze teoriche e pratiche in alcuni ambiti professionali specifici…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del tirocinio lo studente è in grado di: scegliere in modo autonomo e applicare gli strumenti specifici appresi; acquisire ulteriori conoscenze teoriche e pratiche in alcuni ambiti professionali specifici del corso di laurea; esporre contenuti, informazioni e idee relative al proprio campo di studi; sviluppare capacità comunicative in forma sia scritta che orale adeguate ai diversi interlocutori; sviluppare capacità di lavoro interdisciplinare in equipe.

Programma

Al termine del tirocinio lo studente acquisisce una conoscenza diretta di un ambiente lavorativo coerente con i propri studi in ambito statistico. Lo studente sviluppa una profonda conoscenza dell'organizzazione in cui opera ed è in grado di condurre e organizzare analisi statistiche utili a rispondere a domande empiriche di interesse. Inoltre potenzia la capacità di lavorare in team.
Il tirocinio può essere svolto all'interno del dipartimento di Scienze Statistiche come RAship oppure all'esterno come tirocinio curriculare tradizionale.
RAship: presso il Dipartimento di Scienze Statistiche. Il tirocinio interno consiste in un'attività di ricerca sotto la supervisione di un docente del CLAMSEI (o di altro docente del Dipartimento di Scienze Statistiche dell'Università di Bologna) su uno specifico progetto di ricerca. Il Responsabile di RAships (Coordinatore RAship) è il Dott. Matteo Farnè ([email protected]).
Il tirocinio curriculare tradizionale si sviluppa sulla base di un progetto formativo concordato con l'ente ospitante. I tirocini possono essere svolti sia presso strutture dell'Ateneo che presso altre istituzioni, sia in Italia che all'estero. Per selezionare la tua sede ospitante puoi consultare le offerte di tirocinio pubblicate su Tirocini online [https://tirocini-studenti.unibo.it/tirocini/studenti/loginStudenti.htm] e candidarti direttamente a quello più adatto a te. Per maggiori informazioni consultare: https://corsi.unibo.it/magistrale/StatisticaEconomiaImpresa/tirocini

Codice insegnamento 15349

TIROCINIO DI RICERCA - RAship 1° anno · 1° semestre · 12 CFU · 0 file

Il tirocinio di ricerca si svolge sulla base di un progetto scientifico concordato con il tutor accademico.

Scheda dell'insegnamento

Programma

Il tirocinio di ricerca si svolge sulla base di un progetto scientifico concordato con il tutor accademico.

Codice insegnamento 95348

VALUTAZIONE D'IMPATTO DI SCELTE IMPRENDITORIALI E POLITICHE 1° anno · 10 CFU · STAT-02/A · 0 file

Al termine del corso lo studente ha una conoscenza degli approcci e dei metodi per la valutazione delle politiche e delle scelte in ambito aziendale, e delle principali tecniche statistiche utilizzate per la…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente ha una conoscenza degli approcci e dei metodi per la valutazione delle politiche e delle scelte in ambito aziendale, e delle principali tecniche statistiche utilizzate per la valutazione dei loro effetti. In particolare lo studente è in grado di: - impostare il disegno di valutazione e individuare la metodologia più adatta sulla base dei dati disponibili; - applicare le principali tecniche per la stima degli effetti; - interpretarne i risultati.

Programma

Conoscenze preliminari
Per affrontare la valutazione degli effetti si richiede la conoscenza dei concetti di base della statistica inferenziale e del modello lineare. Per questi concetti si può fare riferimento al testo "Introduzione all'econometria" indicato in bibliografia, capitoli 1-5.
Argomenti trattati
1) Introduzione alla valutazione: concetti e obiettivi, distinzione tra valutazione e monitoraggio
2) Il disegno della valutazione: il disegno della politica e le domande valutative, valutazione dell'implementazione e valutazione degli effetti, logica della politica e obiettivi, il modello logico
3) Valutazione degli effetti e approccio controfattuale: variabile risultato e variabile trattamento, definizione di impatto e controfattuale, alcuni semplici stimatori e minacce alla validità della valutazione d’impatto
4) Il modello dei risultati potenziali: misure dell’impatto (effetto medio del trattamento), distorsione da selezione e da variabili omesse, strategie per limitare la portata delle minacce alla validità della valutazione di impatto
5) Il disegno sperimentale: logica del disegno sperimentale e stimatori, implementazione del disegno sperimentale (dimensione campionaria e modalità di applicazione), limiti nell’applicabilità del disegno sperimentale
6) L'uso della regressione nella valutazione di impatto: implementare semplici stimatori, eliminare le differenze di partenza, migliorare la precisione delle stime nei disegni sperimentali
7) Disegni non sperimentali: strategie nel caso di disegni non sperimentali, il metodo Difference in Differences (DID), stimatore e ipotesi per l’identificazione dell’impatto, regressione e stimatore DID
8) Disegni non sperimentali - Estensione del metodo DID: cross section ripetute e dati panel, Modello Two-Way Fixed Effect, stimatore First Difference, Random Growth Rate Model
9) Altri disegni non sperimentali - Regression Discontinuity Design: condizioni per l'applicabilità del RDD, stimatore RDD e ipotesi identificative, generalizzazione della forma funzionale e stima non parametrica, verifica delle condizioni identificative e robustezza dello stimatore
10) Altri disegni non sperimentali - Propensity Score Matching: abbinamento statistico, definizione e stima del Propensity Score (PS), algoritmi di abbinamento, stimatori e ipotesi identificative
11) Altri disegni non sperimentali: Variabili Strumentali (IV): Partial Compliance e Variabili Strumentali (IV), definizione di variabile strumentale e sue proprietà, stimatore IV, Encouragement Design (caratteristiche e stimatore IV)
12) Eventuali approfondimenti:
Valutazione dell'implementazione (cenni): cosa si osserva e come si risponde alle domande valutative

Modalità d'esame

La verifica consisterà in una prova scritta della durata di 75 minuti da svolgere alla fine del corso, che mira ad accertare il raggiungimento degli obiettivi didattici:
la conoscenza dell’impianto metodologico, dei concetti e dei metodi per la valutazione d’impatto; la capacità di impostare e interpretare il disegno della valutazione (scelta delle variabili risultato, della variabile trattamento e del metodo sulla base dei dati); la capacità di interpretare i risultati delle stime; la capacità di utilizzare un linguaggio formale
La prova scritta prevede due parti:
una serie di 10 quesiti a risposta multipla chiusa che riguardano aspetti teorici, definitori e metodologici (15 punti in totale); 4/5 domande a risposta aperta che riguardano, oltre ad aspetti teorici, definitori e metodologici, anche semplici esercizi di stima dell'impatto o il commento dei risultati riportati dall’output del software utilizzato nelle lezioni. Sarà anche valutata anche la capacità di utilizzare appropriatamente il linguaggio statistico-formale (17 punti in totale).
Esempi di tipologie di domanda saranno consultabili in un documento reso disponibile sulla piattaforma "Virtuale". Verso la fine del corso, sarà disponibile sulla piattaforma "Virtuale" anche un test, da svolgere online e in autonomia, che simula la prova scritta.
La prova d'esame sarà uguale per studenti frequentati e non frequentanti.
Durante la prova è possibile utilizzare una calcolatrice ma non è consentito consultare nessun tipo di materiale (appunti dello studente, materiale didattico messo a disposizione dal docente o i libri di testo).
L’Intelligenza Artificiale può essere uno strumento utile per coadiuvare lo studio individuale con approfondimenti, sintesi e percorsi di autovalutazione. Per quanto riguarda la verifica dell’apprendimento, durante l’esame in presenza l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Testi di riferimento:
A. Martini, M. Sisti (2009), Valutare il successo delle politiche pubbliche, Il Mulino (escluso il cap.14; i capitoli 5, 15 e 16 solo da leggere)
G. Cerulli (2015), Econometric Evaluation of Socio-Economic Programs. Theory and applications, Springer. Cap .1 (1.1, 1.2, 1.3, 1.4, 1.5, 1.8), Cap. 2 (2.3, 2.7), Cap. 3 (3.4, 3.6), Cap. 4 (4.2, 4.3, 4.4).
Testi per consultazione:
J. H. Stock, M. W. Watson, Introduzione all'econometria, Edizione italiana a cura di F. Peracchi (2005), Pearson, Prentice-Hall
Letture di approfondimento (facoltative):
R. Blundell, M. Costa Dias (2002), Alternative approaches to evaluation in empirical microeconomics, Cemmap working paper CWP10/02, The Institute for fiscal studies, Department of economics, Ucl, http://www.cemmap.ac.uk/wps/cwp1002.pdf
Heckman J.J., Smith J.A. (1999), The pre-program earnings dip and the determinants of participation in a social programme. Implications for simple program evaluation strategies, The Economic Journal, 109, 313-348.
James J. Heckman; V. Joseph Hotz (1989), Choosing Among Alternative Nonexperimental Methods for Estimating the Impact of Social Programs: The Case of Manpower Training, Journal of the American Statistical Association, Vol. 84, No. 408, pp. 862-874.
Angrist J.D. and A.B. Krueger (1999), Empirical strategies in labor economics, in O. Ashenfelter and D. Card (eds.), Handbook of Labor Economics, Vol. 3A, Amsterdam, North-Holland, pp.1277-1366.
Becker S.O., Ichino A. (2002), Estimation of average treatment effects based on propensity scores, The Stata Journal, 2(4), 358-377.
Dehejia R.H., Wahba S. (1999), Causal effects in nonexperimental studies: reevaluating the evaluation of training programs, Journal of the America Statistical Association, 94, 1053-1062
Dehejia R.H., Wahba S. (2002), Propensity score matching methods for nonexperimental casual studies, The Review of Economics and Statistics, 84(1), 151-161.
Card and Krueger (1994), Minumum wages and employment: a case study of the fast food industry in New Jersey and Pennsylvania, American Economic Review, 84, 4
D. Bondonio (2000), Statistical methods to evaluate geographically-targeted economic development programs, Statistica applicata, vol. 12, n. 2, pp. 177-204)
T. Lemieux, K. Milligan (2008), Incentive effects of social assistance: A regression discontinuity approach, Journal of Econometrics, 142, pp. 807–828

Codice insegnamento 79213

ANALISI DI DATI ECONOMICI TERRITORIALI 2° anno · 6 CFU · SECS-S/03 · 0 file

Il corso mira a fornire una conoscenza di base sulle caratteristiche ed il trattamento di dati territoriali con riferimento allo studio dei fenomeni di natura economica. Gli studenti sono avviati all'uso di un software…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire una conoscenza di base sulle caratteristiche ed il trattamento di dati territoriali con riferimento allo studio dei fenomeni di natura economica. Gli studenti sono avviati all'uso di un software per l’applicazione di metodi e tecniche statistiche per l’analisi e la rappresentazione dei fenomeni economici territoriali. Al termine del corso lo studente sarà in grado di trattare le basi di dati economiche a livello territoriale, leggere i fenomeni che si manifestano sul territorio e darne una corretta interpretazione e valutazione.

Programma

1) Dati statistici territoriali:
caratteristiche fonti e principali banche dati metadati per l'analisi economica (classificazioni)
2) Analisi descrittiva per dati areali:
Standardizzazione e costruzione di rapporti statistici; numeri indici territoriali Rappresentazioni grafiche: utilizzo di shapefile, costruzione di mappe tematiche e cartogrammi; altre rappresentazioni grafiche Indici: indici di concentrazione, indici di localizzazione e specializzazione
3) Autocorrelazione spaziale:
misura della vicinanza spaziale e matrici dei pesi spaziali indici di autocorrelazione globale Indici di autocorrelazione locale, scatterplot di Moran
4) Regressione con effetti spaziali per dati cross-section:
Spatial Error Model e Spatial Lag Model General Spatial Model metodi di stima (ML e GS2SLS) e selezione tra modelli

Modalità d'esame

La prova d'esame consiste nella produzione di un elaborato, da svolgere individualmente, e da una presentazione orale.
L'elaborato, da preparare in forma scritta, riguarda la descrizione e l'analisi empirica di uno studio di caso da concordare con il docente entro la fine del corso e da consegnare almeno 3 giorni prima della data della prova d'esame.
La presentazione orale verterà principalmente sulla discussione dell'elaborato e su domande relative allo stesso e a temi trattati nel corso.
La prova d'esame si svolgerà con le medesime modalità per gli studenti frequentanti e non frequentanti. Gli studenti non frequentanti devono contattare il docente con adeguato anticipo per concordare il caso di studio oggetto dell'elaborato.
La prova d'esame mira a valutare:
la conoscenza dei concetti e dei metodi la capacità applicare le tecniche di analisi dei dati nel modo corretto la capacità di interpretare i risultati delle analisi dei dati la capacità di utilizzare un linguaggio formale corretto la chiarezza espositiva
L'uso dell’Intelligenza Artificiale nella prova di esame per la preparazione dell'elaborato è ammesso in modo dichiarato e limitato come supporto ma non può sostituire l’apporto originale dello studente. Sono consentite: sintesi, riformulazioni, brainstorming, chiarificazioni linguistiche e suggerimenti sintattici. Non è invece permesso che l’IA produca analisi originali, interpretazioni, o parti estese della prova. Lo studente deve dichiarare se abbia fatto ricorso all’IA per la produzione del proprio elaborato, specificando quali strumenti abbia utilizzato e per quali attività e indicando esplicitamente quali parti del lavoro siano state assistite. Un modello di dichiarazione standard è fornito alla pagina web relativa alla Policy di Ateneo.

Testi di riferimento

Il materiale utilizzato a lezione e altro materiale didattico saranno resi disponibili dal docente sulla piattaforma VIRTUALE accessibile al link https://virtuale.unibo.it/.
Ulteriori informazioni su testi o altro materiale bibliografico saranno indicati dal docente durante il corso.

Codice insegnamento 79219

DATA MINING FOR BUSINESS AND MARKET RESEARCH 2° anno · 10 CFU · SECS-S/03 · 0 file

This course will present the main data mining methods used in knowledge discovery in business employing internal and external data. With an emphasis on data analysis and on the use of a software special attention will be…

Scheda dell'insegnamento

Obiettivi formativi

This course will present the main data mining methods used in knowledge discovery in business employing internal and external data. With an emphasis on data analysis and on the use of a software special attention will be devoted to techniques that help to single out the relationships of interdependence and patterns in business and market research phenomena. Students will learn, hands-on, how to organize and analyse market research data. In particular, at the end of the course students will be able to: - independently run a complete data mining process (from data pre-processing to the interpretation of obtained results); - choose the best suited statistical methodology for the problem at hand; - to critically interpret empirical results.

Programma

This course provides an advanced introduction to the statistical and data mining techniques used for knowledge discovery from business and market research data. It combines methodological foundations with extensive hands-on applications, enabling students to develop the analytical skills required to transform complex datasets into actionable business knowledge.
Students are introduced to the complete data mining process, from understanding the business problem and preparing the data to selecting appropriate analytical methods, interpreting statistical outputs and communicating evidence-based conclusions. Throughout the course, particular emphasis is placed on methodological reasoning, critical interpretation of results and the ability to justify analytical choices in realistic business contexts.
The course combines theoretical lectures with extensive laboratory sessions based on SAS, where students analyse real business and market research datasets. Practical activities progressively develop students' ability to perform an entire data mining project independently, strengthening both technical competence and statistical reasoning.
Although previous knowledge of introductory statistics is assumed, no previous experience with SAS or data mining software is required.
The course is organised into two learning units, each combining theoretical lectures and laboratory activities.
---------------------------------------
Learning Unit 1 (Weeks 1–5)
Introduction to Data Mining
Data-analytic thinking. The Knowledge Discovery in Databases (KDD) process. From business problems to data mining tasks. Real-world business applications.
Data Preparation
Data objects and attribute types. Data matrices and transformations. Data cleaning. Missing data. Data preprocessing.
Statistical Computing with SAS
Introduction to SAS. Data organisation. Data management. Data preprocessing using real datasets.
Dimensionality Reduction
Principal Component Analysis. PCA for ranked variables. Multiple Correspondence Analysis. Interpretation of latent dimensions.
Learning activities
Students progressively develop a complete data preparation workflow using SAS, explore real business datasets, apply dimensionality reduction techniques and interpret multivariate statistical outputs through guided laboratory sessions and classroom discussions.
Key milestone
At the end of Week 5, students may take the first mid-term examination, covering all topics included in Learning Unit 1.
-------------------------------------------
Learning Unit 2 (Weeks 6–10)
Topics
Proximity Measures
Similarity and distance measures for mixed data.
Clustering
Hierarchical clustering. Partitioning methods. Hybrid clustering. Cluster validation. Interpretation of clustering solutions.
Profiling
Behavioural segmentation. Customer profiling.
Association Rule Mining
Support. Confidence. Lift. Interpretation of association rules. Business applications.
Predictive Analytics
Data Mining Scoring. Model evaluation.
Causal Machine Learning
Introduction to causal inference. Causal Machine Learning methods. Evaluation of marketing interventions. Interpretation of heterogeneous treatment effects. Decision-support applications.
Students analyse authentic business and market research datasets using SAS, compare alternative clustering solutions, discover behavioural patterns through association rule mining, build customer profiles and critically interpret predictive and causal machine learning results in realistic business scenarios.
Key milestones
Completion of SAS laboratory activities throughout the course. Interpretation of statistical outputs and presentation of analytical findings during laboratory sessions. Discussion of representative examination questions during revision sessions. Students may complete the assessment either through the two mid-term examinations or by taking the final comprehensive examination, according to the assessment options described in the Assessment Methods section.

Modalità d'esame

The same assessment methods and evaluation criteria apply to both attending and non-attending students. Attendance is not compulsory; however, active participation in lectures and laboratory sessions is strongly recommended, as classroom discussions, SAS practical sessions and formative exercises are designed to progressively develop the analytical, methodological and interpretative skills assessed in the examination.
Students may complete the assessment either by taking two mid-term examinations or by sitting a single comprehensive final examination. The first mid-term examination covers the contents of Learning Unit 1 (Weeks 1–5), while the second mid-term examination, held during the first official examination session, covers the contents of Learning Unit 2 (Weeks 6–10). Students who choose not to take the mid-term examinations may instead take the comprehensive final examination covering the entire course syllabus.
The structure of the examination is identical for both the mid-term examinations and the comprehensive final examination.
Each examination consists of three parts:
one open-ended theoretical question (40% of the final mark); one open-ended question requiring the interpretation and critical discussion of statistical outputs (20% of the final mark); one practical SAS exercise requiring students to independently perform a statistical analysis (40% of the final mark).
The examination is designed to assess whether students have achieved the intended learning outcomes of the course and are able to independently manage the main stages of a data mining project, from methodological reasoning to the interpretation of empirical evidence.
The theoretical question assesses students' understanding of the methodological foundations of the techniques introduced during the course. Students are expected to demonstrate knowledge of the statistical and machine learning methods, explain their assumptions, strengths and limitations, compare alternative analytical approaches, and justify the selection of the most appropriate methodology for different business and market research problems.
The statistical output interpretation question evaluates students' ability to critically interpret the results produced by statistical analyses, explain their substantive meaning, assess the quality of the analytical findings and translate quantitative evidence into meaningful business conclusions using appropriate statistical terminology.
The practical SAS exercise assesses students' ability to independently perform the required statistical analysis using SAS. Students are expected to correctly organise and analyse the data, implement the appropriate procedures, interpret the resulting outputs and justify the analytical choices made throughout the analysis.
Successful performance therefore requires both methodological understanding and practical competence. Students are expected not only to correctly apply the analytical methods introduced during the course, but also to demonstrate sound statistical reasoning, critically interpret empirical results and effectively communicate analytical conclusions in business and market research contexts.
Representative examination questions and practical exercises will be discussed during the course and made available through the University's Virtuale platform.
The examination is closed-book. Books, lecture notes, online resources, mobile phones, smart devices and any other unauthorised material may not be used during the examination.
Resit policy
Students who do not pass the examination or who wish to improve their mark may take the examination during any of the official examination sessions scheduled by the Degree Programme, in accordance with the University of Bologna regulations.
In accordance with the University Teaching Regulations, a passing grade may be refused only twice. If a student declines a passing grade, the result obtained in the subsequent examination attempt—whether higher or lower—will become the official recorded grade.
The same assessment format, learning outcomes and evaluation criteria apply to all examination sessions.
Evaluation criteria
The final mark reflects the student's level of methodological understanding, statistical reasoning, practical competence in SAS and ability to interpret and communicate quantitative evidence in business and market research contexts.
Below 18 (Fail): the intended learning outcomes have not been achieved. The student demonstrates insufficient understanding of the methodological foundations of data mining and is unable to correctly apply or interpret the analytical techniques introduced during the course. 18–23 (Satisfactory): the student demonstrates a satisfactory understanding of the main concepts and methods, correctly performs standard analyses and provides basic interpretations of statistical outputs, although with limited critical discussion or methodological justification. 24–27 (Good): the student demonstrates good knowledge of the course contents, correctly applies the analytical methods using SAS, appropriately interprets statistical outputs and justifies methodological choices with only minor inaccuracies. 28–30 (Very Good): the student demonstrates thorough methodological understanding, confidently applies data mining techniques using SAS, critically interprets empirical results and provides well-reasoned business conclusions. 30 cum laude (Excellent): the student demonstrates outstanding mastery of the complete data mining process, combines methodological rigour with excellent practical competence in SAS, critically evaluates alternative analytical strategies and communicates statistical evidence clearly, accurately and convincingly.
Use of Artificial Intelligence
For the assessment, the use of generative Artificial Intelligence (AI) is not permitted. Any unauthorised use constitutes a violation of academic integrity and will be treated in accordance with the University of Bologna regulations
Students with disabilities or specific learning disorders (DSA)
Students with temporary or permanent disabilities or specific learning disorders (DSA) are encouraged to contact the University's dedicated support service well in advance. Appropriate accommodations may be arranged in accordance with University procedures and are subject to the approval of the course instructor, taking into account the intended learning outcomes of the course.

Testi di riferimento

Required readings
The course is supported by both the required textbooks and the teaching materials made available on the University's Virtuale platform. These complementary resources are designed to be used together throughout the course.
Main textbook
Tufféry, S. (2011). Data Mining and Statistics for Decision Making. John Wiley & Sons.
Required chapters: 1–3, 7, 9–10 and 12.
This textbook provides the methodological foundations of the course and should be used to consolidate and deepen the concepts introduced during lectures and laboratory sessions.
Causal Machine Learning
Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If.
Available free of charge at:
https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
Selected chapters will be assigned during the second part of the course when causal inference and Causal Machine Learning methods are introduced.
Recommended readings
The following papers provide additional methodological insights into causal inference and matching methods and are recommended for students wishing to deepen their understanding of modern evaluation techniques.
Becker, S. O., & Ichino, A. (2002). Estimation of average treatment effects based on propensity scores. The Stata Journal, 2(4), 358–377. Dehejia, R. H., & Wahba, S. (1999). Causal effects in nonexperimental studies: Reevaluating the evaluation of training programs. Journal of the American Statistical Association, 94, 1053–1062. Dehejia, R. H., & Wahba, S. (2002). Propensity score matching methods for nonexperimental causal studies. Review of Economics and Statistics, 84(1), 151–161.
These readings are not required for the examination but provide useful background for students interested in advanced applications of Causal Machine Learning and programme evaluation.
Teaching materials
The teaching materials made available on Virtuale include:
lecture slides; structured lecture notes; SAS laboratory notes; annotated SAS code; business and market research datasets; practical exercises; sample examination questions; additional reading material.
The lecture notes provide structured summaries of the textbook chapters covered during the course and are enriched with additional explanations, practical examples, SAS code and case studies discussed during the lectures. They are intended to complement, rather than replace, the required textbooks.
How to use the course resources
Students are encouraged to prepare for each learning unit by reading the relevant textbook chapters before or shortly after the corresponding lectures. The lecture notes and laboratory materials should then be used to consolidate the theoretical concepts through practical implementation in SAS and the interpretation of statistical outputs.
The recommended textbooks provide the theoretical foundations of the course, while the teaching materials available on Virtuale bridge theory and practice by illustrating how the methods are applied to real business and market research problems.
Students are encouraged to use both resources throughout the semester to support independent learning and preparation for both the mid-term and final examinations.

Codice insegnamento 96802

DESIGN OF EXPERIMENT 2° anno · 6 CFU · SECS-S/01 · 0 file

The course objective is to learn how to plan, design and conduct experiments efficiently and effectively, and analyze the resulting data to obtain objective conclusions. Both design and statistical analysis issues are…

Scheda dell'insegnamento

Obiettivi formativi

The course objective is to learn how to plan, design and conduct experiments efficiently and effectively, and analyze the resulting data to obtain objective conclusions. Both design and statistical analysis issues are discussed. Particular attention will be paid to: understanding the process of designing an experiment including factorial and fractional factorial designs; examining how a factorial design allows cost reduction, increases

Programma

Criteri generali per la programmazione degli esperimenti
1 Esperimenti ad un fattore (10 ore) -Il modello ad effetti fissi: analisi della varianza e modello di regressione -Il modello ad effetti casuali -Il piano completo a blocchi casualizzati -Esempi con R
2 Esperimenti fattoriali (6 ore) -Il piano fattoriale a due fattori con effetti fissi: analisi della varianza e modello di regressione -Esempi con R
3 Il piano fattoriale 2k (14 ore) -Il piano 22 -Il piano 23 -Il piano 2k -Il piano 2k con una sola replicazione -L’aggiunta di punti centrali al piano 2k
4 L'uso del blocchi in un piano fattoriale (6 ore) -I blocchi in un piano fattoriale -Esempi con R

Modalità d'esame

L'esame intende verificare il raggiungimento dei seguenti obiettivi didattici:
la conoscenza metodologica del disegno degli esperimenti la capacità di utilizzare il disegno degli esperimenti in casi reali
Per poter sostenere l'esame è obbligatoria l'iscrizione nelle liste ufficiali disponibili su Almaesami.
La prova d'esame è svolta in forma scritta e consiste in esercizi che lo studente deve risolvere in un tempo di circa due ore. La valutazione è in trentesimi.
Ai fini della determinazione della valutazione il punteggio attribuito agli esercizi risolti dallo studente è stabilito tenendo conto simultaneamente della completezza, dell'adeguatezza e della coerenza dello svolgimento rispetto a quanto richiesto nelle domande che compongono ogni esercizio.
La somma dei punteggi massimi attribuiti agli esercizi presenti in una prova è pari a 32. Valutazioni complessive così determinate pari a 31 e 32 corrispondono ad un voto finale di 30 e lode. La prova si intende superata se la valutazione conseguita è almeno pari a 18.
Durante la prova non è ammesso l'uso di libri o appunti. Per lo svolgimento dei calcoli è necessario portare con sé una calcolatrice.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Ulteriori informazioni utili
In base all'evoluzione della pandemia da COVID-19 potrebbero essere necessarie modifiche alle modalità di esame che saranno comunicate in modo opportuno.

Testi di riferimento

Testo di riferimento necessario: D.C. Montgomery (2005), "Progettazione e analisi degli esperimenti", McGraw-Hill
Lettura consigliata: J. Lawson (2015). "Design and Analysis of Experiments with R", Boca Raton: CRC Press, Taylor & Francis Group.
Lucidi delle lezioni a cura del docente ed esercizi da svolgere saranno presenti e scaricabili sulla piattaforma Virtuale (https://virtuale.unibo.it/).

Codice insegnamento 96808

DISCRETE CHOICE MODELS OF CONSUMER BEHAVIOUR 2° anno · 6 CFU · SECS-S/03 · 0 file

At the end of the course the student is able to choose, among several discrete choice models, the specification most adequate to solve a specific problem of market analytics. Moreover, he is able to estimate the model,…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course the student is able to choose, among several discrete choice models, the specification most adequate to solve a specific problem of market analytics. Moreover, he is able to estimate the model, check the model and interpret the results. In particular the student: - has a deep knowledge of the theory related to the main discrete choice models (Multinomial Logit/Probit Model, Neste Logit/Probit Models, Mixed Logit/Probit Model); - has the competence to apply these models to business contexts through the solution of case studies.

Programma

The course will cover the following topics:
Foundations of discrete choice modelling: behavioural assumptions and derivation of discrete choice models.
Data for choice analysis: revealed- and stated-preference data, and the design and implementation of discrete choice experiments.
Discrete choice models: multinomial logit, mixed logit, and latent class models. For each model, the course will cover theoretical foundations and specification, estimation, interpretation of results and practical applications.
Case studies based on real-world consumer choice data will be developed during computer laboratory sessions using the Apollo package in R.

Modalità d'esame

Attending students can choose between a written exam or the development of an individual or group case study, accompanied by a written report and an oral presentation.
Non-attending students will take the written exam.
Case study: a 4–5-page report including objective, theoretical background, empirical model, data, results, discussion, and conclusions. The oral presentation lasts 10–15 minutes. During the presentation, the teacher may ask questions on the case study and on any topic covered in the course. The final grade is based on the quality of the work (80%) and the clarity of the presentation (20%).
Written exam: 60 minutes, with 4-6 open-ended questions worth 5-7 points each. The maximum score is 31, corresponding to 30 cum laude; the passing grade is 18/30. No textbooks, notes, electronic devices, or other supporting materials are allowed.

Testi di riferimento

The course will be mainly based on lecture notes and chapters/papers provided through Virtuale. The teacher will refer also to useful chapters in the following books:
Greene, W. (2009). Discrete choice modeling. In Palgrave handbook of econometrics (pp. 473-556). Palgrave Macmillan, London.
Train, K. E. (2009). Discrete choice methods with simulation. Cambridge University Press.
Hess, S., & Daly, A. (Eds.). (2014). Handbook of choice modelling. Edward Elgar Publishing.

Codice insegnamento C8298

ECONOMIA E DINAMICA INDUSTRIALE 2° anno · 1° semestre · 6 CFU · SECS-P/02 · 0 file

Il corso intende fornire agli studenti la capacità di comprendere i modelli teorici e di applicarli all’analisi di situazioni reali. In particolare, esso focalizza sugli strumenti necessari per lo studio dei processi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso intende fornire agli studenti la capacità di comprendere i modelli teorici e di applicarli all’analisi di situazioni reali. In particolare, esso focalizza sugli strumenti necessari per lo studio dei processi di dinamica delle imprese e dei settori nella nuova economia globale. Tra i temi trattati: nascita, sopravvivenza e crescita delle imprese; la gestione dei processi di delocalizzazione internazionale delle imprese; le esternalità di rete; il funzionamento dei mercati a rete e dei mercati dei servizi di pubblica utilità.

Programma

Il quadro concettuale centrale di questo corso si basa sull’idea, originariamente proposta da Joseph A. Schumpeter, secondo cui l’attività imprenditoriale (produttiva) è il principale motore del ciclo economico e dello sviluppo economico. Questa idea è strettamente legata al processo di Distruzione Creatrice, che si verifica quando ondate di innovazione trasformano l’economia, sostituendo prodotti e metodi di produzione obsoleti. A questo segue un processo imitativo, alimentato dalla nascita di nuove imprese.
Il corso approfondisce caratteristiche e implicazioni del processo di Distruzione Creatrice, mostrando come le nuove imprese introducano innovazioni che possono portare allo sviluppo di interi nuovi settori produttivi. Gli studenti apprenderanno come studiare empiricamente le dinamiche industriali che ne derivano, con un’attenzione particolare alla nascita e alla crescita delle nuove imprese, all’emergere e alla diffusione dell’innovazione tecnologica, e alla progettazione e attuazione di politiche pubbliche efficaci.

Modalità d'esame

Gli studenti che sceglieranno di partecipare attivamente al corso sosterranno l'esame in due parti, la valutazione ottenuta in ciascuna delle quali contribuirà per il 50% al voto finale. La prima parte (coursework) consiste nella preparazione di un business plan per un progetto imprenditoriale che sfrutti il potenziale o esplori possibili sviluppi di uno dei due principali tipi di Intelligenza Artificiale: e Learning and Symbolic Systems (LS-SYS) e Robotics and Autonomous Systems (RA-SYS). Ogni business plan sarà realizzato in collaborazione da almeno due studenti. Per il coursework, è consentito un uso limitato, dichiarato e non sostanziale dell’IA per attività di supporto (sintesi, riformulazioni). La seconda parte consiste in un esame scritto finale ai fini del quale gli studenti dovranno rispondere a 5 domande a piacere (4 aperte e 1 a scelta multipla) in una rosa di 8 (6 aperte e 2 a scelta multipla).
Per gli studenti impossibilitati a seguire le lezioni: esame scritto finale, ai fini del quale dovranno rispondere a 8 domane aperte e 4 domande a scelta multipla.
Criteri di valutazione:
18-23: preparazione e capacità di analisi sufficienti ma relative ad un numero limitato di argomenti affrontati nel corso, utilizzo di un linguaggio complessivamente corretto;
24-27: preparazione tecnicamente adeguata ma con alcuni limiti rispetto agli argomenti trattati, capacità di analisi buone, anche se non particolarmente articolate, espresse in un linguaggio corretto;
28-30: ottima conoscenza di un ampio numero di temi affrontati nel corso, buone capacità di analisi e di critica, padronanza della terminologia specifica;
30L: conoscenza eccellente e molto approfondita ed esaustiva dei temi affrontati nel corso, capacità di analisi critica e di collegamento, padronanza della terminologia specifica.

Testi di riferimento

Parker, S. C. (2018). The Economics of Entrepreneurship. Cambridge University Press, 2nd edition.
Klepper, S. & Simons, K. L. (2005). Industry Shakeouts and Technological Change. International Journal of Industrial Organization, 23(1-2): 23-43.
Chung, B., Franses, P. H., & Pennings, E. (2024). Conditions that make ventures thrive: from individual entrepreneur to innovation impact? Small Business Economics, 62(3): 1177–1200.
Anser, M. K. et al. (2022). Relationship of environment with technological innovation, carbon pricing, renewable energy, and global food production. Economics of Innovation and New Technology, 31(4): 231-267.

Codice insegnamento 84610

ECONOMIA E DINAMICA INDUSTRIALE [cod. 84610] 2° anno · 1 file
FINAL EXAMINATION 2° anno · 1° semestre · 4 CFU · 0 file

The preparation of the degree thesis and the subsequent discussion allow the student to give an account of the research and the activity carried out in preparation for the final exam. In this way the student acquires the…

Scheda dell'insegnamento

Obiettivi formativi

The preparation of the degree thesis and the subsequent discussion allow the student to give an account of the research and the activity carried out in preparation for the final exam. In this way the student acquires the ability to present the results obtained in a critical and original way, to understand their significance, to summarize the specialist contents of the discipline and to communicate the contributions made to it clearly and effectively, demonstrating full mastery of the statistical lexicon. - mathematician.

Codice insegnamento B0636

FINAL EXAMINATION LM 2° anno · 1° semestre · 16 CFU · 0 file

The drafting of the thesis work highlights that the student is able to: - autonomously organize bibliographic research, documentation, and the collection and processing of data relating to the topic of the thesis -…

Scheda dell'insegnamento

Obiettivi formativi

The drafting of the thesis work highlights that the student is able to: - autonomously organize bibliographic research, documentation, and the collection and processing of data relating to the topic of the thesis - show ability to use and critical elaboration of advanced methodological tools in the statistical-mathematical field - write a paper that shows, in addition to the full mastery of the discipline relating to the topic of the thesis, the ability to generate new knowledge through original contributions - express themselves in English in both oral and written form The discussion of the thesis shows that the student is able to: - summarize the specialist contents of the discipline and communicate the contributions made to it clearly and effectively, demonstrating full mastery of the statistical-mathematical lexicon - possess the theoretical and operational tools for the constant updating (in terms of lifelong learning) of the knowledge acquired in the context of the master's degree course.

Codice insegnamento B0677

FORECASTING AND PREDICTIVE ANALYTICS 2° anno · 10 CFU · SECS-S/03 · 0 file

At the end of the course the student has a wide knowledge of the most important statistical techniques employed for forecasting and prediction purposes in modern business activities. In particular the student is able to:…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course the student has a wide knowledge of the most important statistical techniques employed for forecasting and prediction purposes in modern business activities. In particular the student is able to: - Select the most appropriate predictive model to solve the business problem at hand; - Analyze the data and perform predictions using the statistical software R; - Report the results in a proper format for the business management.

Programma

R for statistical analysis and reproducible forecasting workflows Foundations of statistical forecasting and time series analysis Time series visualization, decomposition, and stationarity Forecast diagnostics, uncertainty, and model evaluation Regression-based forecasting for trends, seasonality, and structural breaks Exponential smoothing methods ARIMA and seasonal ARIMA models Conditional variance and volatility forecasting

Modalità d'esame

Students are required to develop a forecasting project, submit a final report including the code and datasets, and discuss the project in an individual oral examination.
The project will be assessed based on the clarity of the empirical problem, the technical complexity of the forecasting task, and the quality of the data analysis.
The final grade will reflect both the quality of the project and the oral discussion. During the oral examination, students will also be evaluated on their technical knowledge and understanding of the statistical methods used in the project.

Testi di riferimento

Diebold, F. X. (2017). Forecasting in Economics, Business, Finance and Beyond. Open textbook. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. Open textbook.

Codice insegnamento 96799

IDONEITA' LINGUA FRANCESE B - 2 2° anno · 1° semestre · 6 CFU · 0 file
IDONEITA' LINGUA SPAGNOLA B - 2 2° anno · 1° semestre · 6 CFU · 0 file
IDONEITA' LINGUA TEDESCA B - 2 2° anno · 1° semestre · 6 CFU · 0 file
INTERNSHIP 2° anno · 1° semestre · 12 CFU · 0 file

The internship aims at developing the student’s skills thanks to real work experience. By spending a period of time in a firm/institution, the student acquires knowledge of potential post-graduate employment sectors…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

The internship aims at developing the student’s skills thanks to real work experience. By spending a period of time in a firm/institution, the student acquires knowledge of potential post-graduate employment sectors through practical experience and professional skills related to the specific area the firm/institution operates in.

Programma

At the end of the internship the student acquires a direct knowledge of a working environment coherent with their studies in statistics. The student develops a deep understanding of the organization she/he's working in and is able to conduct and organize statistical analyses useful to answer empirical questions of interest. She/he also enhances abilities to work in teams. The internship can be developed within the department of Statistical Sciences as RAship or outside as a traditional curricular internship. RAship: at the Department of Statistical Sciences. This internal internship consists of a research activity under the supervision of a faculty member of CLAMSEI (or of another member of the Department of Statistical Sciences of the University of Bologna) on a specific research project. The person in charge for RAships (RAship Coordinator) is Dott. Matteo Farnè ([email protected]). The traditional curricular internship is developed on the basis of a training project agreed with a host organization. Internships may be carried out at either University structures or other institutions, both in Italy and abroad. In order to select your host institution, you can consult the internship offers published on Tirocini online [https://tirocini-studenti.unibo.it/tirocini/studenti/loginStudenti.htm] and apply directly to the ones most suitable to you. For more information see: https://corsi.unibo.it/2cycle/BusinessAnalytics/Internships

Codice insegnamento 96811

INTERNSHIP ABROAD FOR PREPARATION OF THE FINAL EXAMINATION 2° anno · 1° semestre · 12 CFU · 0 file

The student, through the internship in preparation for the final exam, carries out research and / or practical activities in a company based abroad that allow him to acquire skills and professionalism useful for…

Scheda dell'insegnamento

Obiettivi formativi

The student, through the internship in preparation for the final exam, carries out research and / or practical activities in a company based abroad that allow him to acquire skills and professionalism useful for preparing the degree thesis, on the basis of a project agreed with the supervisor and with the support of an external tutor. Through the internship, the student acquires in-depth knowledge in an area of his interest in terms of data, decision-making processes and operating modes that characterize the management of the host organization. Furthermore, the student applies his problem analysis skills in a professional reality and develops his communication skills by comparing himself in a working context of interest.

Programma

The internship is develpoed on the basis of a training project agreed with the host organization and with the support of a tutor.
Students can carry out their internship outside of Italy following one of the possibilities listed below:
by participating in an international mobility programme, such as Erasmus+ Mobility for Traineeship; grants for preparing the dissertation abroad; see also Internships abroad with international mobility programmes; by contacting a company/institution located abroad, and following the passages explained here
This internship allows the student to gain the first 12 credits associated with the final dissertation. To this end, (at least) 300 hours of activities (max. 360 hours) have to be conducted by the student in the company. Such activities have to be consistent with the project shared with the teacher who will play the role of thesis supervisor and the tutor within the company.

Codice insegnamento B0683

INTERNSHIP FOR PREPARATION FOR THE FINAL EXAMINATION 2° anno · 12 CFU · 0 file

During the internship for the preparation of the final examination, the student carries out practical and/or research activities in a company/organisation based in Italy. The internship allows the student to acquire…

Scheda dell'insegnamento

Obiettivi formativi

During the internship for the preparation of the final examination, the student carries out practical and/or research activities in a company/organisation based in Italy. The internship allows the student to acquire knowledge and professional skills useful for the preparation of the final dissertation. The dissertation is developed on the basis of a project shared with the supervisor and supported by an external tutor within the company/organisation. Through the internship, the student acquires a direct knowledge of a professional environment related to his/her studies in the master degree in Applied Economics and Markets, such as data analysis, decision processes and operational behaviours which are typical in the hosting organisation. The student develops a deep understanding of the organisation he/she is working in and is able to adapt to the internal governance rules. The student is trained to manage relations with management, colleagues, clients and other public stakeholders. In this respect, the student is expected to enhance abilities to work in teams.

Codice insegnamento B0701

LABORATORIO DI ANALISI DEI DATI ECONOMICI E DI MERCATO 2° anno · 6 CFU · 0 file

Il corso si propone l'obiettivo di fornire gli strumenti operativi per l'analisi di casi di studio in ambito economico e delle ricerche di mercato tramite l'ausilio di un software statistico. Al termine del corso lo…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone l'obiettivo di fornire gli strumenti operativi per l'analisi di casi di studio in ambito economico e delle ricerche di mercato tramite l'ausilio di un software statistico. Al termine del corso lo studente possiede gli strumenti operativi per l’analisi quantitativa di dati di tipo economico e aziendale; è in grado di scegliere, tra i principali metodi presentati, quello più idoneo all’analisi di uno specifico problema empirico utilizzando un software statistico; è in grado di leggere e interpretare criticamente i risultati prodotti.

Programma

1. Basic statistics for data analysis in R and Introduction to R programming
2. Nonlinear models in regressors and marginal effects, Power transformations and difference in difference regression. Applications in R
3. Microeconometrics and Applications in R:
discrete choice models count data regressions limited dependent variable models hurdle or two-part models SUR models spatial probit model
4. Panel Data models. Applications in R
5. MC simulations and Resampling methods. Applications in R

Modalità d'esame

Esame scritto
(Voto massimo: 33)
Scala di valutazione:
< 18: insufficiente (esame non superato) 18–21: sufficiente 22–24: discreto 25–27: buono 28–30: molto buono 31–33 (30 e lode): eccellente

Testi di riferimento

Cameron and Trivedi (2005), Microeconometrics: Methods and Applications. Cambridge.

Codice insegnamento 79210

LABORATORIO DI PYTHON 2° anno · 6 CFU · 0 file

Il laboratorio si propone di fornire agli studenti una solida comprensione della sintassi di Python, dei tipi di dati e delle strutture di controllo, illustrando le principali librerie Python orientate all’analisi e…

Scheda dell'insegnamento

Obiettivi formativi

Il laboratorio si propone di fornire agli studenti una solida comprensione della sintassi di Python, dei tipi di dati e delle strutture di controllo, illustrando le principali librerie Python orientate all’analisi e visualizzazione di dati strutturati nel contesto delle scienze economiche e aziendali. Alla fine del laboratorio, gli studenti saranno in grado di scrivere programmi in Python e svilupperanno competenze per tradurre enunciati di problemi in codice Python.

Codice insegnamento D0114

LABORATORIO DI SAS 2° anno · 6 CFU · 0 file

Al termine del corso, lo studente: - possiede gli strumenti operativi per l'analisi di casi studio in diversi ambiti applicativi - è in grado di redigere reports mediante l'utilizzo di R/SAS e Microsoft Power Point

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente: - possiede gli strumenti operativi per l'analisi di casi studio in diversi ambiti applicativi - è in grado di redigere reports mediante l'utilizzo di R/SAS e Microsoft Power Point

Programma

SAS Overview Datasets, Libname, Sintassi Datasets import e struttura Proc Contents/Proc Print Data types Selezione delle osservazioni, Operazioni sulle variabili Proc Sort, first., last. Format, Informat, Proc Format Proc Freq, Proc Univariate, Proc Means Merge, Transpose Proc Report, ODS

Modalità d'esame

Per il superamento dell’esame, gli studenti dovranno creare gruppi da 3-4 persone max. A ciascun gruppo verrà assegnato un progetto da una lista fornita dall'insegnante prima della fine del corso. Per lo svolgimento del progetto, ciascun gruppo svolgerà un'analisi statistica tramite l’utilizzo di SAS. Prima dello svolgimento dell’esame, ciascun gruppo invierà in powerpoint l’analisi all'insegnante, contenente:
gli obiettivi dell’analisi; la descrizione del dataset utilizzato; il codice SAS utilizzato; e l'interpretazione dei risultati
L’esame consiste nell'esposizione della presentazione dell'analisi tramite il powerpoint. La valutazione sarà effettuata su base individuale (i.e. non di gruppo), e si baserà anche sulla verifica delle conoscenze acquisite tramite domande individuali sulle regole di programmazione in SAS. Gli studenti non frequentanti potranno scegliere un dataset a loro scelta e portare la relativa analisi (RMK: da concordare via e-mail con l'insegnante prima dell’esame).
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Dispense fornite dall'insegnante.
Lettura suggerita:
Lora D. Delwiche, Susan J. Slaughter, The Little SAS Book: A Primer, Fifth Edition (English Edition) 5th Edition, 2012.

Codice insegnamento 69844

LATENT VARIABLE MODELS 2° anno · 2° semestre · 6 CFU · SECS-S/01 · 0 file

By the end of the course the student acquires knowledge of multivariate statistical methods based on latent variable models for the analysis of categorical and continuous data. The student is also able to choose the best…

Scheda dell'insegnamento

Obiettivi formativi

By the end of the course the student acquires knowledge of multivariate statistical methods based on latent variable models for the analysis of categorical and continuous data. The student is also able to choose the best method to perform multivariate analyses of a given dataset and to interpret the obtained results.

Programma

Introduction to the latent variable models.
The normal linear factor model: specification, maximum likelihood estimation by the EM algorithm, goodness of fit.
Latent trait model with binary data: specification of logit/normit model and normit/normit model, model estimation by the E-M algorithm, goodness of fit.
Latent trait model with polytomous and ordinal data: specification and parameter interpretation. The underlyng variable approach.
Latent class model with binary data: specification, identifiability, maximum likelihood estimation, goodness of fit.

Modalità d'esame

The exam consists of a mandatory written exam lasting two hours. It is composed by questions concerning the theoretical aspects and one exercise in R focused on the data analysis and on the interpretion of the results. The final mark is given by the sum of the partial grades given to the exercise and to the theoretical questions and it is expressed out of thirty.
During the exam the use of textbooks, notes and computers tools are not allowed.
The use of generative artificial intelligence tools in unsupervised assessment tasks is prohibited. These tasks will be validated through a review of the working materials, which must be submitted, and, where appropriate, an oral interview.

Testi di riferimento

Bartholomew D., Knott M., Moustaki I (2011), Latent variable models and factor analysis : a unified approach / third ed. Chichester, UK : Wiley.
Bartholomew D., Moustaki I., Steele F., Galbraith J.I. (2002), The Analysis and Interpretation of Multivariate Data for Social Scientists,Chapman and Hall/CRC.

Codice insegnamento 96809

METHODS AND TOOLS FOR OFFICIAL STATISTICS: SOCIO-ECONOMIC STATISTICS 2° anno · 6 CFU · SECS-S/01 · 0 file

By the end of the course the student knows the methodologies adopted by European countries for producing official statistics on main socio-economic phenomena. Particularly, the student should be aware of the data…

Scheda dell'insegnamento

Obiettivi formativi

By the end of the course the student knows the methodologies adopted by European countries for producing official statistics on main socio-economic phenomena. Particularly, the student should be aware of the data collection and estimation methods adopted by the countries and of the main methodological issues, including the accuracy and the comparability of the official statistics produced by the different countries. The student is also able to analyse and understand the trends of socio-economic phenomena in some European and OECD countries.

Programma

Organisation and role of the European Statistical System (ESS) and the European System of Central Banks (ESCB) in the society.
The European statistics code of practice and its application in data production and dissemination.
Data sources, data collection, and estimation methods adopted by the institutions of ESS and ESCB, including the accuracy and the comparability of the official statistics produced by the different countries.
The trends of socio-economic phenomena in some European and OECD countries.
EU statistics on income and living conditions (EU-SILC) methodology.
The procedures, methods and tools adopted by European countries for producing and disseminating official statistics on main socio-economic phenomena, including:
Specification of needs Methods of data collection in official statistics Sampling techniques Survey design Use of administrative sources Integration of data from different sources Estimation Small area estimators Area sampling frames Optimisation of area sample designs Multiple Frame Sample Surveys Adaptive sampling Sequential sampling Group sequential sampling Use of remote sensing data for official statistics Analysis of socio-economic phenomena Quality assessment Dissemination of official statistics. Emerging statistical information needs for decision-making and possible approaches for satisfying these needs. New data sources, data science and citizen science

Modalità d'esame

Oral exam made of two parts.
In the first part, the student must show to be able to solve exercises similar to the ones addressed in class during practicals. Excel and manuals can be used. Students are not permitted to use a mobile phone (and smart watch or similar electronic data storage or communication device). In the second part, theoretical questions are asked. The student has to show to be able to choose and apply the appropriate methods to be adopted for solving specific problems. The use of the manuals is allowed for discussing the formulas. The final mark is out of thirty.

Testi di riferimento

European statistics code of practice, available at https://ec.europa.eu/eurostat/web/products-catalogues/-/KS-02-18-142
EU statistics on income and living conditions (EU-SILC) methodology available at
https://ec.europa.eu/eurostat/statistics-explained/index.php?title=EU_statistics_on_income_and_living_conditions_(EU-SILC)_methodology
Handbook on Methodology of Modern Business Statistics (MEMOBUST) to be downloaded at:
https://cros.ec.europa.eu/group/cros-archives/files
for the following topics:
Institutions and organization of OECD, European and Italian statistical systems. National and international socio-economic surveys and methodological instruments to examine socio-economic phenomena. Steps in the statistical investigation for socio-economic phenomena at national and international levels, including: Specification of needs Methods of data collection in official statistics Sampling techniques Survey design Use of administrative sources Integration of data from different sources Estimation Small area estimators Analysis of socio-economic phenomena Quality assessment Dissemination of official statistics.
Cochran W.G. (1977). Sampling Techniques, third edition, Wiley, New York. Chapters to be studied:
Introduction Chapter 1; Simple random sampling Chapter 2; Estimation of sample size Chapter 4; Stratified random sampling Chapter 5, from 5.1 to 5.7; Further aspects of stratified sampling Chapter 5A, from 5A.1 to 5A.3; from 5A.9 to 5A.11; 5A.15; Regression estimators Chapter, 7 from 7.1 to 7.6 and 7.10; Systematic sampling Chapter 8; Single stage cluster sampling Chapter, 9 from 9.1 to 9.4: Subsampling with units of equal size Chapter, 10 from 10.1 to 10.4; Double sampling Chapter 12, from 12.1 to 12.2; Sources of error Chapter 13, 13.1.
http://ec.europa.eu/eurostat/web/products-statistical-reports/-/ks-ft-18-005
for the following topic:
Emerging statistical information needs for decision-making and possible approaches for satisfying these needs
For the following topics, material will be made available:
Area sampling frames Optimisation of area sample designs Multiple Frame Sample Surveys Adaptive sampling Sequential sampling Group sequential sampling Use of remote sensing data for official statistics Use of administrative sources New data sources, data science and citizen science
Optional readings
Carfagna, E., Di Fonzo G., Jona Lasinio G., Canas Rodrigues P. Data science, citizen sci-ence and smart official statistics, Methodological and Applied Statistics and Demography I, Scientific Meeting of the Italian Statistical Society, SIS 2024, Short Papers, Plenary and Specialized Sessions, Editors Alessio Pollice, Paolo Mariani, Springer Cham, ISBN 978-3-031-64345-3, 2025, eBook ISBN 978-3-031-64346-0, pp. 170-175 https://link.springer.com/book/9783031643453
Conti P.L., Marella D. (2025) An Uncertainty Based Approach for Dealing With Selection Bias in Non-Probability Samples, International Statistical Review (2025) doi: 10.1111/insr.12614
Mecatti, F. (2025). Bridging BigData and sampling methodology: What is big and where is the bridge?. SURVEY METHODOLOGY, 51(1), 145-168
Perri, P., Marella, D., Mecatti, F. (2025). Editorial to the Special Issue on “New challenges for sample surveys: innovation through tradition”. METRON, 83(1), 1-4 [10.1007/s40300-025-00291-0]
Pratesi M. (2023) Letter from the President, The Survey Statistician, 2023, Vol. 88, 4.
Rodrigues P. C., Carfagna E. (2023) Data science applied to environmental sciences, Environmetrics, Volume 34, Issue 1, e2783. https://doi.org/10.1002/env.2783
Beręsewicz, M. (2017) A Two‐Step Procedure to Measure Representativeness of Internet Data Sources. International Statistical Review, 85: 473–493. doi: 10.1111/insr.12217 [https://doi.org/10.1111/insr.12217] .
Hand D.J. (2016) Big data and data sharing. Journal of the Royal Statistical Society, Series A: Statistics in Society, 179, 1-3, http://hdl.handle.net/10044/1/33934
Hand, D. J. (2018), Statistical challenges of administrative and transaction data. J. R. Stat. Soc. A. . doi:10.1111/rssa.12315 [https://doi.org/10.1111/rssa.12315]
Rao, J.N.K., and Fuller, W.A. (2017). Sample survey theory and methods: Past, present, and future directions [http://www.statcan.gc.ca/pub/12-001-x/2017002/article/54888-eng.htm] . Survey Methodology, Statistics Canada, Catalogue No. 12-001-X, Vol. 43, No. 2. Paper available at http://www.statcan.gc.ca/pub/12-001-x/2017002/article/54888-eng.htm
Tam, S.‐M., and Clarke, F. (2015) Big Data, Official Statistics and Some Initiatives by the Australian Bureau of Statistics. International Statistical Review, 83: 436–448. doi: 10.1111/insr.12105 [https://doi.org/10.1111/insr.12105]

Codice insegnamento 93112

METODI DI CAMPIONAMENTO 2° anno · 1° semestre · 6 CFU · STAT-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza avanzata del problema del campionamento da popolazioni finite. In particolare lo studente è in grado di: - progettare indagini campionarie complesse e analizzare e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza avanzata del problema del campionamento da popolazioni finite. In particolare lo studente è in grado di: - progettare indagini campionarie complesse e analizzare e sintetizzare in un'ottica statistica avanzata le informazioni ottenute

Programma

Introduzione al campionamento in popolazioni finite. Popolazione e campione. Piano di campionamento e variabili aleatorie che regolano la selezione.
Le popolazioni finite e l'inferenza descrittiva. L’inferenza analitica e le popolazioni finite .
Il campionamento di unità complesse (campionamento di grappoli o cluster sampling).
Il coefficiente di correlazione intracluster e il suo ruolo nel campionamento di grappoli. Il ruolo delle variabili ausiliarie e l'abbandono del campionamento casuale semplice. Inferenza in unità complesse selezionate con probabilità variabile.
Correzione per quoziente e regressione nel campionamento di unità complesse. Proprietà approssimate degli stimatori per quoziente e regressione viste in termini di residui.
Il campionamento a più stadi.
Il campionamento sequenziale e verifica di ipotesi in popolazioni finite.
Il test sequenziale del rapporto di probabilità: verifica d'ipotesi sul parametro di una Bernoulli; verifica d'ipotesi sulla media di una normale.
Utilizzo del software R per implementare e realizzare i disegni campionari esaminati nel corso

Modalità d'esame

L'esame mira a verificare il raggiungimento dei seguenti obiettivi didattici:
conoscenza degli aspetti fondamentali del campionamento da popolazioni finite e del campionamento sequenziale; capacità di utilizzare le conoscenze acquisite per realizzare un'indagine campionaria e analizzare i risultati.
L'esame è scritto e consiste in esercizi da risolvere. Il tempo per la prova scritta è due ore.
Durante la prova scritta è consentito l’uso di un formulario (massimo un foglio protocollo) mentre non è consentita la consultazione di appunti né di libri; per lo svolgimento dei calcoli è necessario portare con sé una calcolatrice.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Nella prova scritta non verrà richiesto di programmare in R, ma di commentare e spiegare il codice R presente nel testo dell'esercizio. E' consentito consultare i manuali dei pacchetti R visti a lezione.
La somma dei punteggi massimi attribuiti agli esercizi presenti in una prova è pari a 32. Valutazioni complessive così determinate pari a 31 e 32 corrispondono ad un voto finale di 30 e lode.
La prova si intende superata se la valutazione conseguita è almeno pari a 18.

Testi di riferimento

Dispensa completa per il corso: Daniela Cocchi "Principi e Metodi di Campionamento (corso intermedio)", 2023
Dispense del docente contenenti slide utilizzate durante le lezioni.
Tutto il materiale didattico è a disposizione all'interno della piattaforma "Virtual learning environment" (https://virtuale.unibo.it/).
Testi integrativi consigliati
Yves TILLé, Maria Michela Dickson, Giuseppe Espa, ELEMENTI DI CAMPIONAMENTO E STIMA DA POPOLAZIONI FINITE, Pearson Italia, 2020.
P.L. Conti, D. Marella, Campionamento da popolazioni finite. Il disegno campionario. Springer-Verlag Italia 2012. S.L. Lohr (2021). Sampling: Design and Analysis, Third Edition, Brooks / Cole, Boston. Teaching methods.

Codice insegnamento 84609

METODI DI CAMPIONAMENTO E INDAGINI CAMPIONARIE 2° anno · 10 CFU · SECS-S/01 · 0 file

Al termine del corso lo studente è in grado di realizzare un’indagine statistica campionaria, e di analizzare con gli strumenti più opportuni le informazioni ottenute. Avrà acquisito le conoscenze per selezionare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente è in grado di realizzare un’indagine statistica campionaria, e di analizzare con gli strumenti più opportuni le informazioni ottenute. Avrà acquisito le conoscenze per selezionare campioni e condurre indagini statistiche. Saprà adottare i criteri più adeguati per la scelta delle migliori strategie di stima e di confronto tra impostazioni diverse. Saprà specificare e stimare modelli per dati complessi.

Programma

L’inferenza nel campionamento da popolazioni infinite e da popolazioni finite. L’inferenza basata sul piano di campionamento. Probabilità di estrazione e di inclusione e lo stimatore di Horvitz-Thompson. Il campionamento casuale semplice con e senza reintroduzione. L’effetto del disegno. Il campionamento a probabilità variabile. Il campionamento stratificato. Scelta della dimensione del campione. Il campionamento a grappolo. L’impiego di variabili ausiliarie: stimatori per quoziente, stimatori per regressione, stimatori per calibrazione. Il campionamento a due stadi. Inferenza da campioni non probabilistici (cenni) Lo strumento di rilevazione: il questionario. Struttura, tipologia e formulazione delle domande. Metodi di somministrazione del questionario. Valutazione della validità del questionario: strumenti per l'analisi di attendibilità. Modelli per l'analisi di dati da questionari
La parte teorica di introduzione ai concetti di base sarà affiancata da una parte dedicata agli esercizi e all'analisi di casi di studio mediante l'uso del software R

Modalità d'esame

La prova d'esame ha lo scopo di verificare il raggiungimento dei seguenti obiettivi:

  • conoscenza approfondita degli aspetti teorici illustrati durante le lezioni; - capacità di pianificare indagini campionarie; - capacità di sviluppare i due precedenti punti mediante il software statistico R.
    L'accertamento dell'apprendimento si articola in una prova scritta obbligatoria e una prova orale facoltativa. La prova scritta, della durata di due ore, è composta da esercizi teorici e applicati da svolgere con l'ausilio del software R.
    Durante le prove scritte è consentito consultare dei “formulari” che ogni candidato provvederà a preparare da sé. I formulari devono essere contenuti in 4 facciate A4. Oltre ai formulari non è consentito consultare altro materiale. I formulari devono essere consegnati unitamente all'elaborato.
    Per quanto riguarda la graduazione del voto, la valutazione corrisponderà a:
    <18 insufficiente 18-23 sufficiente 24-26 discreto 27-28 buono 29-30 ottimo 30 e lode eccellente
    Per ogni punto del testo d'esame sarà indicato il punteggio che concorrerà al punteggio finale.
    Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
    Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it); sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

G. Cicchitelli, A. Herzel, G.E. Montanari, Il campionamento statistico. Il Mulino, Bologna, 1997.
Ulteriori riferimenti bibliografici saranno dati durante il corso.
Il docente pubblicherà le slides utilizzate in aula con congruo anticipo rispetto alla lezione

Codice insegnamento 84613

METODI STATISTICI DI CONTROLLO DELLA QUALITA' 2° anno · 2° semestre · 6 CFU · SECS-S/01 · 0 file

Al termine del corso lo studente conosce le tecniche statistiche per progettare e realizzare sistemi per il controllo e miglioramento della qualità nelle realtà produttive. In particolare, lo studente è in grado di: -…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce le tecniche statistiche per progettare e realizzare sistemi per il controllo e miglioramento della qualità nelle realtà produttive. In particolare, lo studente è in grado di: - realizzare il controllo statistico di processo - svolgere l'analisi della capacità dei processi produttivi - effettuare il controllo campionario della produzione

Programma

1. Il miglioramento della qualità nel moderno ambiente produttivo (2 ore) -Significato dei termini "qualità" e "miglioramento della qualità". -La descrizione della variabilità in un processo produttivo.
2. Il controllo statistico in corso di produzione (16 ore) -Aspetti generali del controllo statistico di processo -Carte di controllo di tipo Shewhart: carte di controllo per variabili; carte di controllo per attributi. -Il ruolo della funzione di potenza e della funzione Average Run Lenght (ARL) nella progettazione delle carte di controllo. -Carte di controllo CUSUM ed EWMA -Esercizi con R 3. Analisi di capacità di un processo produttivo (6 ore) -Misura di capacità e di performance di un processo produttivo -I principali indici di capacità: Cp, Cpk e Cpm. -Esercizi con R 4. Il controllo statistico di accettazione e collaudo (6 ore) -Il problema del campionamento in accettazione. -I piani di campionamento per attributi. -Il ruolo della curva operativa per la costruzione di un piano di campionamento. -Piani di campionamento doppi. -I piani di campionamento di Dodge-Roming. -Tavole ISO per il controllo di accettazione o collaudo.

Modalità d'esame

L'esame intende verificare il raggiungimento dei seguenti obiettivi didattici:
la conoscenza degli aspetti fondamentali del controllo statistico di qualità la capacità di progettare e implementare il controllo statistico di processo, i piani di campionamento in accettazione, analizzare la capacità di un processo produttivo e valutare l'adeguatezza di un sistema di misura
Per poter sostenere l'esame è obbligatoria l'iscrizione nelle liste ufficiali disponibili su Almaesami.
La prova d'esame è svolta in forma scritta e consiste in esercizi che lo studente deve risolvere in un tempo di circa due ore.
Ai fini della determinazione della valutazione il punteggio attribuito agli esercizi risolti dallo studente è stabilito tenendo conto simultaneamente della completezza, dell'adeguatezza e della coerenza dello svolgimento rispetto a quanto richiesto nelle domande che compongono ogni esercizio.
La somma dei punteggi massimi attribuiti agli esercizi presenti in una prova è pari a 32. Valutazioni complessive così determinate pari a 31 e 32 corrispondono ad un voto finale di 30 e lode.
La prova si intende superata se la valutazione conseguita è almeno pari a 18.
La prova e il sistema di valutazione sono uguali per tutti gli studenti (frequentanti e non frequentanti). L'aver frequentato o meno le lezioni non è tenuto in nessuna considerazione nella valutazione della preparazione in sede d'esame.
Durante la prova non è ammesso l'uso di libri o appunti. Per lo svolgimento dei calcoli è necessario portare con sé una calcolatrice.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica

Testi di riferimento

Testo di riferimento necessario
D.C. Montgomery (2006), "Controllo Statistico della Qualità", McGraw-Hill
Lucidi delle lezioni a cura del docente ed esercizi da svolgere saranno presenti e scaricabili sulla piattaforma Virtuale di Unibo

Codice insegnamento 84616

MICRO-MARKETING AND CRM 2° anno · 2° semestre · 6 CFU · SECS-P/08 · 0 file

The purpose of the course is to make participants understand and appreciate the relative strengths and weaknesses of a variety of customer satisfaction and customer value measurement approaches and instruments…

Scheda dell'insegnamento

Obiettivi formativi

The purpose of the course is to make participants understand and appreciate the relative strengths and weaknesses of a variety of customer satisfaction and customer value measurement approaches and instruments available today. At the end of the course the student is familiar with, and is able to choose among, strategies and tactics aimed to optimize the quality of the relationships between the company and the actual and/or potential customer base, improving customer satisfaction, customer loyalty and, finally, company’s profitability. At the end of this course participants are able to: - Understand the meaning of (and the relations between) customer satisfaction, CRM and loyalty - Apply relevant concepts of business analysis to marketing problems, with specific emphasis on CRM decisions (Customer Lifetime Value estimation, customer satisfaction measurement and related managerial implications) - Be familiar with different types of real world customer-level data, and able to apply advanced statistical techniques to those data. - Manage and analyze customers related data through modern Customer Relationship Management software

Programma

In mature and highly competitive markets the concept of customer satisfaction as a fundamental precursor of loyalty, profitability and customer value plays a central role in the implementation of successful business models. While finding new customers is vital, it is important to realize that retaining current customers is much less expensive than to finding new customers. It is therefore no surprise that a great deal of attention has been recently brought to the issue of designing and establishing formal systems able to bring the “voice of the customer” into the business/marketing decision-making processes. The purpose of the course is to make participants understand and appreciate the relative strengths and weaknesses of a variety of customer value and customer satisfaction measurement approaches and instruments available today. A key element in this process is measuring customer satisfaction through market research. As such, the course will focus on the understanding and the actual implementation of the customer satisfaction measurement practices currently employed in business environment. The links existing between Customer Satisfaction scores, Customer Relationship Management (CRM) instruments and Customer Profitability results will be explored in depth, in order to create an understanding of how companies, service organizations and retail banks translate CS measurement in actual commercial strategies and decisions.
At the end of this course participants will be able to:

  • Understand the meaning of (and the relations between) customer satisfaction, CRM, Customer Value Management and loyalty
  • Evaluate the main techniques available to measure customer satisfaction and Customer Value Management
  • Design customer satisfaction measurement processes
  • Recognize how customer satisfaction impacts profitability
  • Identify the main issues involved in customer satisfaction (and dissatisfaction) management

Modalità d'esame

Attending students:
Final written exam (exam duration: 50 min) plus assessment of team-based project works .
Marks are intended on a numerical grade scale (0 to 30), being 18 to 30 the passing grade range. As for the grading policy, the course evaluation is made of 60% group project work (CS custom survey) and 40% final individual written (in the first and second call) or oral (in the following calls) examination.
Non-Attending students
Final individual written/oral examination.
Marks are intended on a numerical grade scale (0 to 30), being 18 to 30 the passing grade range. As for the grading policy, the course evaluation is made of 100% final individual written/oral examination.
The development of the group project work (maximum 6 members per group, minimum 4) allows students to apply all the knowledge acquired during the course. The objective of the project—consistent with the course's placement in the second year of the Master’s program—is to acquire (and demonstrate) operational skills in designing and conducting a professional-level research study on the topic of service quality evaluation.
The project involves several stages: defining the research subject, analyzing information needs, conducting a literature review, carrying out the exploratory phase of the research (including in-depth interviews and focus groups), developing an appropriate measurement tool (questionnaire), defining a sampling plan, collecting data, and, of course, analyzing the data using multiple methods (traditional multivariate analysis and structural equation modeling). The final deliverable also includes a professionally structured PowerPoint presentation.
The project work is graded according to the following scale:
28–30 with honors: correct, thorough, and sufficiently complex project demonstrating full mastery of the course topics and consistent execution skills, with at most minimal inaccuracies 24–27: project not entirely correct and/or incomplete, but showing a good level of understanding of the course content and solid execution skills 18–23: project with significant methodological errors or major analytical weaknesses, yet showing just sufficient execution ability 0–17: project inadequate in terms of methodology and data analysis
The group grade is subject to peer evaluation, where each group member evaluates their peers based on both their factual contributions and idea generation throughout the project. If a student's peer evaluation score is more than 5% below the group average, their individual grade will be reduced by the same percentage, up to a maximum penalty of 20%. Simmetrically, if a student's peer evaluation score is more than 5% above the group average, their individual grade will be augmented by the same percentage, up to a maximum reward of 20%.
The purpose of the written/oral exam is to assess the student’s ability to apply their knowledge and make logical and deductive connections. The written/oral examination will consist of open-ended questions and/or short analytical exercises concerning the topics discussed during the course. The grading criteria are as follows:
Comprehensive preparation on all course topics, with the ability to independently conduct critical analysis and make connections, full command of terminology, and strong argumentation and self-reflection skills → 30–30 with honors
Preparation on a wide range of course topics, with the ability to make independent critical assessments and good command of specific terminology → 25–29
Preparation on a limited number of topics, with independent analytical ability limited to procedural issues; correct language use → 20–24
Preparation on a very limited number of course topics, with analytical skills emerging only with the instructor’s assistance; overall correct language use → 18–19
Preparation inadequate in terms of topics knowledge and critical analysis → 0–17
Non-attending students or attending students dissatisfied with their project work grade may, of course, take the full written/oral exam during the regular exam sessions.

Testi di riferimento

A reading package will be made available by the instructor at the beginning of the course
The reading package is differentiated between attending and non-attending student. The non-attending students package will include additional readings to compensate for the missed CS survey project work.

Codice insegnamento 96805

MISURA DELLA PRODUTTIVITÀ, DELLA CRESCITA E DELL'EFFICIENZA 2° anno · 6 CFU · STAT-02/A · 0 file

Il corso intende fornire agli studenti la conoscenza di base necessaria per la definizione dei modelli di misura della produttività, efficienza e competitività, con la finalità di affrontare i problemi connessi alla…

Scheda dell'insegnamento

Obiettivi formativi

Il corso intende fornire agli studenti la conoscenza di base necessaria per la definizione dei modelli di misura della produttività, efficienza e competitività, con la finalità di affrontare i problemi connessi alla stima dei modelli per dati panel nell’analisi della convergenza e crescita economica.

Programma

Misura e analisi della produttività.
Misure di produttività generiche e parziali del lavoro e del capitale. Produttività globale; indici di Kendrick e di Solow. Produttività totale dei fattori. Trattamento dei cambiamenti di qualità.
Metodi di decomposizione della produttività. Relazioni tra produttività, occupazione e crescita.
Crescita e sviluppo.
Teoria della crescita e dello sviluppo. Modello neoclassico e tests di convergenza condizionata. Convergenza in clubs. Modelli di crescita endogena. Analisi di tipo cross-countries: modelli per dati panel; misura, stima e verifica di ipotesi di base.
Modelli di crescita in ambito spaziale.
Analisi esplorative dei dati, Test Moran, locale & globale. Matrice dei pesi spaziali: Spatial Contiguity; Geographical Distance; K-Nearest Neighbors.
Spatial Lag Variables: Spatial Independent Variables; Spatial Dependent Variables; Spatial Error Variable.
Spatial Models: Spatial Exogenous Model, Spatial Lag Mode, Spatial Mixed Model, Spatial Error Model (Spatial AR(1); Spatial MA(1); Spatial ARMA(1,1); Spatial Error Components Model).
Stimatori: LS, ML, Momenti, SHAC.
Specification Tests: ML based Tests. LM based Tests.

Modalità d'esame

Esame scritto
L’esame consiste in una prova scritta, costituita da 1 esercizio e da 2 quesiti di natura sia teorica che pratica;
tempo a disposizione: 50 minuti; non è consentita la consultazione di libri o appunti; è necessario dotarsi di calcolatrice.
La verifica dell'apprendimento è volta a valutare le capacità (i) di analisi delle conoscenze acquisite, (ii) di espressione chiara e sintetica dei punti chiave delle tematiche affrontate durante il corso, (iii) nell’utilizzo di un software per la parte di analisi statistica.
Studenti frequentanti
Si prevede lo svolgimento di un lavoro di gruppo
Vengono assegnati due problemi riferiti a dati reali inerenti gli argomenti trattati nel corso (da risolvere in laboratorio in gruppi di al massimo 5 studenti) e da consegnare al docente entro la data del primo appello d'esame. E’ prevista la presentazione in classe entro la conclusione del corso di un articolo (20 minuti per gruppo; il materiale viene in parte fornito dal docente).
La valutazione del lavoro può portare ad un incremento del voto finale della prova scritta fino ad un massimo di 4 punti.

Testi di riferimento

Testi/Bibliografia
Eurostat, Methodologies and working papers, (2006), 31st CEIES Seminar: Are we measuring productivity correctly?
Mulas A., Bracalente B, Cossignani M. (2009), Statistica Aziendale, Mc Graw Hill, (Cap 6.1,6.2,6.3).
Bernardini Papalia R., Bracalente B. (2026), Statistica Economica, Pearson (in corso di pubblicazione). Parte III
Anselin L. (2003), Spatial Econometrics, in A comparison to theoretical econometrics, BH Baldagi Ed, Blackwell Publishing Ltd.
Materiale integrativo a cura del Prof. Bernardini Papalia.

Codice insegnamento B8203

MODELLI STATISTICI PER L'ANALISI DI MERCATO 2° anno · 10 CFU · SECS-S/03 · 0 file

Al termine del corso lo studente conosce ed applica alcuni strumenti statistici utili per l’analisi di mercato. In particolare lo studente è in grado di: - progettare e implementare una indagine per la rilevazione…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce ed applica alcuni strumenti statistici utili per l’analisi di mercato. In particolare lo studente è in grado di: - progettare e implementare una indagine per la rilevazione delle preferenze dei consumatori rispetto a prodotti alternativi; - stimare, valutare e , interpretare i modelli di scelta discreta e di risposta di mercato.

Programma

Il corso tratterà i seguenti argomenti:
Fondamenti teorici dei modelli di scelta discreta: teorie comportamentali e derivazione dei modelli.
Dati per l’analisi delle scelte: preferenze rivelate e dichiarate, fonti di dati.
Progettazione e realizzazione di esperimenti di scelta discreta: disegno degli esperimenti, formulazione del questionario.
Modelli di scelta discreta: logit multinomiale, mixed logit e modello a classi latenti. Per ciascun modello saranno trattati fondamenti teorici, specificazione, stima, interpretazione dei risultati e applicazioni pratiche.
Applicazioni manageriali: stima delle elasticità, previsione delle quote di mercato e simulazione di scenari controfattuali, con particolare attenzione all’impatto delle variazioni di prezzo.
Costituiscono prerequisiti per affrontare con successo il corso: conoscenze di base di modelli di regressione e modelli logit binari, familiarità con il software R e nozioni fondamentali di marketing.

Modalità d'esame

Per gli studenti frequentanti, la valutazione dell’apprendimento si basa sulla realizzazione di un lavoro di gruppo finalizzato ad applicare le conoscenze e le competenze acquisite durante il corso.
Il lavoro di gruppo (3-4 partecipanti per gruppo) consiste nella realizzazione di un business case sulla rilevazione e l’analisi delle preferenze dei consumatori. Gli studenti dovranno individuare l’oggetto dell’analisi, predisporre un questionario comprensivo di un choice experiment, raccogliere i dati mediante interviste, analizzarli attraverso modelli di scelta discreta e formulare implicazioni coerenti con i risultati ottenuti.
Il lavoro dovrà essere presentato tramite esposizione orale e tutti i componenti del gruppo saranno tenuti a illustrare una parte del progetto. La docente potrà integrare la discussione con domande individuali sui contenuti del lavoro e sugli argomenti trattati durante il corso.
Il voto finale individuale tiene conto della qualità complessiva del lavoro, della qualità dell'esposizione del singolo studente e delle risposte alle domande individuali. La valutazione segue i seguenti criteri: 28–30 e lode: lavoro corretto, completo e adeguatamente articolato, che dimostra piena padronanza dei contenuti, solide capacità applicative e di interpretazione, nonché capacità di applicare le conoscenze acquisite a casi reali; 24–27: lavoro sostanzialmente corretto, pur con alcune imprecisioni, caratterizzato da una buona conoscenza dei contenuti e da adeguate capacità applicative e interpretative; 18–23: lavoro con imprecisioni metodologiche o analitiche, ma complessivamente sufficiente.
Per quanto riguarda la verifica dell’apprendimento, è consentito un uso limitato, dichiarato e non sostanziale dell’IA per attività di supporto (ad esempio, debugging del codice e preparazione di tabelle e infografiche per le slide). Non è permesso l’uso sostanziale per lo svolgimento di parti della prova.
-----------------------------------------------------------------
Gli studenti non frequentanti sostengono la prova scritta.
La prova scritta consiste in domande aperte e esercizi; punteggio per domanda 2-5 punti in base al tipo di domanda/esercizio e allo sforzo richiesto. Il punteggio finale è determinato come somma dei punteggi alle singole domande. Il punteggio massimo è pari a 31, che corrisponde ad un voto finale di 30 e lode. La prova si intende superata con un punteggio di 18/30. Graduazione indicativa: 30–31 eccellente; 27–29 molto buono; 24–26 buono; 21–23 discreto; 18–20 sufficiente.
Due tipologie di quesiti: teorici e applicati su output/modelli. Per i quesiti teorici si valuta conoscenza, accuratezza, completezza, terminologia, chiarezza espositiva (le domande teoriche possono essere a risposta breve o estesa). Per i quesiti applicati si valuta la lettura corretta dell’output, collegamento a teoria/assunzioni, comprensione di implicazioni e limiti, chiarezza. Le consegne esplicitano cosa fare (“definisci…”, “interpreta…”), per garantire trasparenza e coerenza.
Il tempo a disposizione dello studente per la prova scritta è di 100 minuti. Durante la prova non è ammesso l'uso di materiale di supporto quale: libri di testo, appunti, supporti informatici. Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Dispense didattiche disponibili su Virtuale.
I testi di riferimento sono:
F. Bassi e S. Ingrassia, Statistica per analisi di mercato. Metodi e strumenti, Pearson, Milano, 2022.
Train, K. E. Discrete Choice Methods with Simulation. Cambridge University Press, 2009.
Shang, L., & Chandra, Y. Discrete choice experiments using R. Springer Singapore, 2023.

Codice insegnamento 84611

POVERTÀ E DISEGUAGLIANZA 2° anno · 2° semestre · 6 CFU · STAT-02/A · 0 file

L'insegnamento si propone di fornire allo studente le competenze necessarie per analizzare i fenomeni della povertà e disuguaglianza e comprendere la natura degli indicatori utilizzati a livello nazionale ed…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire allo studente le competenze necessarie per analizzare i fenomeni della povertà e disuguaglianza e comprendere la natura degli indicatori utilizzati a livello nazionale ed internazionale per misurare tali fenomeni. Al termine del corso lo studente è in grado di: - stimare ed interpretare alcuni modelli di distribuzione del reddito - utilizzare le misure di povertà e disuguaglianza reddituali e non, anche multidimensionali - interpretare le informazioni statistiche prodotte sulla base delle indagini ufficiali - leggere l’evoluzione temporale della diseguaglianza nelle economie avanzate - analizzare le specifiche delle principali risposte di policy di contrasto alla povertà. Le lezioni saranno corredate da esercitazioni svolte in laboratorio informatico su dati reali prodotti dalle principali indagini campionarie sul tema. Tale attività consentirà allo studente di elaborare autonomamente le informazioni individuali sul reddito, anche mediante packages dedicati del software R.

Programma

Evidenze e motivazioni Evidenze empiriche su povertà, disuguaglianza, distribuzione del reddito in Italia, in Europa, nel mondo. Perché è importante misurare ed analizzare reddito, povertà e disuguaglianza? Scopo ed outline del corso. Aspetti introduttivi e definizioni PIL e reddito disponibile. Distribuzione funzionale e distribuzione personale. Il reddito equivalente. Indagini e fonti amministrative Le principali indagini campionarie. I dati fiscali sul reddito. Misura della povertà Povertà assoluta e relativa. La soglia di povertà. Gli indicatori di Laeken. Indici di povertà multidimensionali (cenni). Indici di deprivazione. Misura della disuguaglianza Approcci statistico ed assiomatico. Indici di concentrazione. Curva di Lorenz. Indici di entropia. Approccio normativo. La scomposizione degli indici. Gli stimatori dei parametri di povertà e disuguaglianza Gli stimatori in indagini complesse. La varianza degli stimatori. La distribuzione probabilistica del reddito I modelli parametrici (Lognormale, Pareto, Singh-Maddala, Dagum, GB2) Utilizzo di alcuni packages del software R dedicati all’analisi di povertà, disuguaglianza e distribuzione del reddito

Modalità d'esame

La prova d'esame ha lo scopo di verificare il raggiungimento dei seguenti obiettivi didattici:
conoscenza approfondita delle caratteristiche degli strumenti statistici illustrati durante le lezioni capacità di analizzare criticamente insiemi di dati mediante tali strumenti statistici capacità di utilizzare i packages del software R dedicati ai temi trattati a lezione capacità di impiegare i risultati ottenuti al fine di interpretare i fenomeni oggetto di studio
L'accertamento dell'apprendimento è realizzato mediante una prova scritta che prevede quesiti a risposta aperta, relativi ad aspetti di metodo, quesiti riferiti all'interpretazione dell’output del software utilizzato nelle lezioni in laboratorio, e semplici esercizi per il calcolo di misure illustrate a lezione.
La valutazione dei contenuti delle risposte presenti nella prova d’esame terrà conto in modo particolare dei seguenti aspetti: a) articolazione, precisione e chiarezza nell’esposizione dei contenuti teorici acquisiti e nella illustrazione delle applicazioni, b) capacità di fornire la corretta risposta, articolata in tutti gli aspetti proposti nella domanda, c) capacità di interpretare i risultati ottenuti, dove richiesto.
L’esame ha una durata di 1 ora e 30 minuti. Il numero delle domande contenute nel compito è compreso tra 6 e 8 e varia a seconda della difficoltà dei singoli quesiti. Il punteggio massimo associato ad ogni risposta corretta verrà reso noto agli studenti nella fase di discussione del compito corretto. Durante la prova d’esame non è ammesso l'uso di materiale di supporto quali libri di testo, appunti, supporti informatici, ed è necessario dotarsi di calcolatrice (non è consentito l’uso della calcolatrice del telefono cellulare).
Gli studenti avranno la possibilità di svolgere nell'ultima settimana di lezioni una esercitazione di laboratorio, con valutazione, sull'utilizzo del software R per l’analisi della distribuzione del reddito. Lo studente che sostiene tale prova potrà ottenere un massimo di 2 punti che andranno eventualmente ad aggiungersi alla valutazione conseguita nella prova finale, purché l’esame sia sostenuto e superato durante la prima sessione d’esame (gennaio-febbraio). In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza in presenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning.
In ottemperanza alla normativa di Ateneo, il rifiuto del voto positivo conferito dal docente è consentito per una sola occasione d’esame. La volontà di rifiutare il voto va comunicata via e-mail al docente utilizzando l'indirizzo istituzionale, ovviamente prima della data individuata per la verbalizzazione.
L’Intelligenza Artificiale può essere uno strumento utile per coadiuvare lo studio individuale con approfondimenti, sintesi e percorsi di autovalutazione. Per quanto riguarda la verifica dell’apprendimento, durante l’esame in presenza l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Baldini M., Toso. S. (2009), Diseguaglianza, povertà e politiche pubbliche, Bologna, Il Mulino.
Wolff E. N. (2009), Poverty and income distribution, Wiley-Blackwell.
Alfons A., Templ M. (2013), Estimation of Social Exclusion Indicators from Complex Surveys: The R Package laeken, Journal of Statistical Software, 54, 15, 1-25
Graf M., Nedyalkova D. (2014), Modelling of income and indicators of poverty and social exclusion using the Generalized Beta distribution of the second kind, The review of Income and Wealth, 60, 4, 821-842.
Per approfondimenti
Atkinson A.B., Bourguignon, F. eds., Handbook of Income Distribution (vol. 2A, 2014 - vol. 2B, 2015), Elsevier, North Holland, Amsterdam
Ulteriore materiale bibliografico sarà indicato dal docente durante le lezioni. Gli studenti non frequentanti possono richiedere questa informazione al docente via e-mail.

Codice insegnamento B1699

PREPARATION FOR THE FINAL EXAMINATION ABROAD 2° anno · 1° semestre · 12 CFU · 0 file
PREPARAZIONE PROVA FINALE ALL'ESTERO 2° anno · 1° semestre · 12 CFU · 0 file

Al termine dell'attività all'estero, lo studente è in grado di documentarsi ed aggiornarsi autonomamente, nonché di organizzare e gestire in autonomia il proprio lavoro relativo alla prova finale

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell'attività all'estero, lo studente è in grado di documentarsi ed aggiornarsi autonomamente, nonché di organizzare e gestire in autonomia il proprio lavoro relativo alla prova finale

Codice insegnamento 81355

PROGETTAZIONE E REALIZZAZIONE DI INDAGINI ECONOMICHE 2° anno · 2° semestre · 6 CFU · STAT-02/A · 0 file

Il corso si propone di fornire agli studenti gli strumenti utili per la progettazione e realizzazione di indagini per la comprensione dei fenomeni economici e aziendali, delle loro caratteristiche e della loro evoluzione…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti gli strumenti utili per la progettazione e realizzazione di indagini per la comprensione dei fenomeni economici e aziendali, delle loro caratteristiche e della loro evoluzione temporale. Tenendo conto delle peculiarità di tali fenomeni e dei conseguenti aspetti che caratterizzano il loro studio, il corso affronta i temi relativi: - alla pianificazione di un’indagine economica, che vanno dalla scelta della strategia di campionamento e della tecnica di rilevazione, alla preparazione del modello di rilevazione ed alle tecniche di prevenzione degli errori non campionari; - all’organizzazione e correzione delle informazioni ottenute, comprese le tecniche di correzione degli errori non campionari; - alle scelte metodologiche effettuate con riferimento ai punti precedenti nell’ambito delle principali fonti di dati economici esistenti sulle famiglie e sulle imprese, di tipo ufficiale (ad esempio indagini ISTAT e Banca d’Italia) e non ufficiale; anche con riferimento alle tecniche più innovative suggerite in letteratura per la modernizzazione delle statistiche economiche. Il tutto è corredato da esercitazioni su dati reali o simulati. Lo studente alla fine del corso è in grado di organizzare un’indagine campionaria volta al reperimento di dati economico-aziendali per rispondere a specifici obiettivi conoscitivi.

Programma

Contenuti
1. L'ERRORE NON CAMPIONARIO.
1.1. Le fonti di errore.
1.2. La mancata risposta e sue conseguenze.
1.3. Tre tipi di mancata risposta: a) mancata copertura; b) non risposta totale; c) non risposta parziale.
2. MANCATA COPERTURA
2.1. Popolazione, lista e metodo di rilevazione: principali abbinamenti tra «lista» e «modalità di indagine».
2.2. Tipologie di errori nelle liste: Lista incompleta; Sovracopertura della lista; Duplicazione di lista; Lista con grappoli di unità.
2.3. Metodi per contenere gli errori di copertura
3. NON RISPOSTA TOTALE
3.1. I motivi della non risposta totale. Le conseguenze della non risposta totale.
3.2. Come prevenire le mancate risposte totali o correggerle a livello di indagine.
3.3. Correzione della mancata risposta totale in fase di stima: 1. Classi di aggiustamento per mancate risposte; 2. Metodo in due fasi; 3. Stima per regressione; 4. Stimatori a ponderazione vincolata.
3.4. Schemi di mancata risposta e selezione delle variabili ausiliarie.
4. NON RISPOSTA PARZIALE
4.1. Tipologie di mancata risposta parziale.
4.2. Azioni per prevenire le mancate risposte parziali.
4.3. Metodi per trattare i dati incompleti: 1. Metodi basati sulle sole unità rispondenti; 2. Metodi di riponderazione; 3. Metodi di imputazione (Imputazione deduttiva; Imputazione di medie; Imputazione con donatore).
4.4. Metodi di imputazione per indagini longitudinali.
4.5. Analisi comparativa dei metodi di imputazione.
4.6. Imputazione multipla.
5. Esempi di applicazioni in indagini ufficiali: Indagine sui bilanci delle famiglie italiane della Banca d'Italia; Indagine sulle piccole e medie imprese.
6. Cenni alla stima per piccole aree o domini.
IL TUTTO E' CORREDATO DA ESERCITAZIONI IN SAS SU DATI REALI O SIMULATI.
PREREQUISITI: assiomi delle probabilità, variabili aleatorie, stimatori e loro proprietà, intervalli di confidenza, verifica delle ipotesi, modello di regressione lineare.

Modalità d'esame

Prova SAS in laboratorio (da svolgersi utilizzando esclusivamente un PC del laboratorio), con idoneità, propedeutica alla prova orale con voto. La prova SAS e la prova orale sono da svolgersi nello stesso appello.
Le prove hanno lo scopo di verificare: il livello di comprensione e di approfondimento degli argomenti, la capacità di eseguire i relativi collegamenti logico-deduttivi, la padronanza del lessico di base.
La prova SAS dura un'ora, a cui va aggiunto il tempo necessario per l'identificazione degli studenti, la disposizione degli studenti nelle postazioni, la distribuzione delle prove e le istruzioni per lo svolgimento della prova.
La prova SAS può essere svolta unicamente con un computer del laboratorio.
Possibilità di rifiutare il voto: 1 volta.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Lucidi del docente.
G. Nicolini; D. Marasini; G.E. Montanari; M. Pratesi; M.G. Ranalli; E. Rocco (2013). Metodi di stima in presenza di errori non campionari. Milano: Springer-Verlag Italia. Capitoli 4, 5 e 6.

Codice insegnamento 79215

PROGETTAZIONE E REALIZZAZIONE DI INDAGINI ECONOMICHE [cod. 79215] 2° anno · 2 file
PROVA FINALE 2° anno · 1° semestre · 4 CFU · 0 file

La redazione della tesi di laurea e la successiva discussione consentono allo studente di dare conto della ricerca e dell'attività svolta in preparazione alla prova finale. In questo modo lo studente acquisisce la…

Scheda dell'insegnamento

Obiettivi formativi

La redazione della tesi di laurea e la successiva discussione consentono allo studente di dare conto della ricerca e dell'attività svolta in preparazione alla prova finale. In questo modo lo studente acquisisce la capacità di presentare in modo critico ed originale i risultati ottenuti, di comprenderne la portata, di riassumere i contenuti specialistici della disciplina e comunicare in modo chiaro ed efficace i contributi a questa apportati, dimostrando piena padronanza del lessico statistico- matematico.

Codice insegnamento 86293

PROVA FINALE LM 2° anno · 1° semestre · 16 CFU · 0 file

La stesura dell’'elaborato di tesi mette in evidenza che lo studente è in grado di : - organizzare in autonomia le ricerche bibliografiche, di documentazione, e di raccolta ed elaborazione di dati relative all’ argomento…

Scheda dell'insegnamento

Obiettivi formativi

La stesura dell’'elaborato di tesi mette in evidenza che lo studente è in grado di : - organizzare in autonomia le ricerche bibliografiche, di documentazione, e di raccolta ed elaborazione di dati relative all’ argomento della tesi - mostrare capacità di utilizzo ed elaborazione critica degli strumenti metodologici avanzati in ambito statistico-matematico - redigere un elaborato che mostri, oltre alla piena padronanza della disciplina relativa all argomento della tesi, capacità di generare nuova conoscenza attraverso contributi originali - esprimersi in lingua inglese in forma orale e scritta La discussione della tesi mostra che lo studente è in grado di: -riassumere i contenuti specialistici della disciplina e comunicare in modo chiaro ed efficace i contributi a questa apportati, dimostrando piena padronanza del lessico statistico- matematico -possedere gli strumenti teorici e operativi per il costante aggiornamento ( in chiave di lifelong learning) delle conoscenza acquisita nell’ ambito del Corso di laurea magistrale.

Codice insegnamento 27083

Research internship – RAship 2° anno · 1° semestre · 12 CFU · 0 file

Il tirocinio di ricerca si svolge sulla base di un progetto scientifico concordato con il tutor accademico.

Scheda dell'insegnamento

Programma

Il tirocinio di ricerca si svolge sulla base di un progetto scientifico concordato con il tutor accademico.

Codice insegnamento D1220

SAS PROGRAMMING 2° anno · 6 CFU · 0 file

By the end of the course the student acquires the operational tools for the statistical analysis of datasets and case studies, and is able to prepare reports, by using SAS

Scheda dell'insegnamento

Obiettivi formativi

By the end of the course the student acquires the operational tools for the statistical analysis of datasets and case studies, and is able to prepare reports, by using SAS

Programma

SAS Overview Datasets, Libname, Syntax Datasets import and structure Proc Contents/Proc Print Data types Selection of observations, Operations on variables Proc Sort, first., last. Format, Informat, Proc Format Proc Freq, Proc Univariate, Proc Means Merge, Transpose Proc Report, ODS

Modalità d'esame

Students are required to form work groups consisting of 3 to 4 members. Each group will be assigned a project from a list of topics provided at the end of the course. The project involves conducting a statistical analysis using SAS software. The final deliverable will be a PowerPoint presentation that summarizes the analysis, which must be submitted to the instructor prior to the exam.
The PowerPoint presentation should include the following sections:
Objectives of the Analysis Description of the Dataset SAS Code Utilized Interpretation of Results
The oral exam will involve a presentation of the group's analysis, but grading will be done on an individual basis. To assess each student’s contribution, additional questions about SAS programming may be asked during the presentation.
Non-attending students can perform the task by choosing a dataset among those provided (RMK: write an e-mail to agree on the project before the exam).

Testi di riferimento

Handouts provided by the teacher.
Suggested reading:
Lora D. Delwiche, Susan J. Slaughter, The Little SAS Book: A Primer, Fifth Edition (English Edition) 5th Edition, 2012.

Codice insegnamento B6614

TIROCINIO IN PREPARAZIONE DELLA PROVA FINALE 2° anno · 1° semestre · 12 CFU · 0 file

Al termine del tirocinio per la preparazione della prova finale lo studente acquisisce conoscenze teoriche e pratiche in alcuni ambiti professionali specifici del corso di laurea, nonché i relativi processi decisionali…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del tirocinio per la preparazione della prova finale lo studente acquisisce conoscenze teoriche e pratiche in alcuni ambiti professionali specifici del corso di laurea, nonché i relativi processi decisionali ed operativi, utili per la preparazione della prova finale.

Codice insegnamento 70441

TIROCINIO IN PREPARAZIONE DELLA PROVA FINALE ALL'ESTERO 2° anno · 1° semestre · 12 CFU · 0 file

Al termine del tirocinio all'estero per la preparazione della prova finale lo studente acquisisce conoscenze teoriche e pratiche in alcuni ambiti professionali specifici del corso di laurea, nonché i relativi processi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del tirocinio all'estero per la preparazione della prova finale lo studente acquisisce conoscenze teoriche e pratiche in alcuni ambiti professionali specifici del corso di laurea, nonché i relativi processi decisionali ed operativi, utili per la stesura della prova finale

Codice insegnamento 81354

VALUTAZIONE DELL'EFFICACIA DELLA PUBBLICITÀ 2° anno · 6 CFU · SECS-S/03 · 0 file

Al termine del corso lo studente conosce ed applica alcuni strumenti statistici utili per la misura dell’efficacia delle campagne di comunicazione pubblicitaria. In particolare lo studente è in grado di: - conoscere i…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce ed applica alcuni strumenti statistici utili per la misura dell’efficacia delle campagne di comunicazione pubblicitaria. In particolare lo studente è in grado di: - conoscere i principali veicoli di diffusione dei messaggi pubblicitari e le fonti di dati secondari indispensabili per la pianificazione ottimale delle campagne di comunicazione pubblicitaria; - misurare con strumenti quantitativi adeguati il ritorno delle politiche di investimento in comunicazione pubblicitaria.

Programma

LA MISURAZIONE DELLA PRESSIONE PUBBLICITARIA
Gli effetti cognitivo, affettivo, comportamentale e relative misure
Cognitivo: brand awareness, recall Affettivo: liking Comportamentale: performances
LA MISURAZIONE DELL’EFFETTO DELLA PUBBLICITÀ SULLE PERFORMANCE DI VENDITA
Fonti di dati Variabili di input e di output
Casi di studio
LA PUBBLICITÀ NEI DIVERSI CANALI MEDIA
Televisione Digitale Stampa Radio Outdoor
LA PUBBLICITÀ NEI PRINCIPALI MERCATI
Largo Consumo Automotive Direct Response Servizi
MODELLI STATISTICI PER LA VALUTAZIONE DELL’EFFICACIA
Modelli Additivi e Moltiplicativi Modelli per gli Effetti di Lungo Periodo Attribution Modelling

Modalità d'esame

L’esame è orale e ha lo scopo di verificare il grado di raggiungimento degli obiettivi formativi del corso, appurando la conoscenza dei modelli statistico-econometrici per la valutazione dell’efficacia delle strategie di comunicazione, la capacità di interpretarli criticamente e di utilizzarli per analizzare decisioni di marketing in contesti di mercato reali.
La valutazione della prova d’esame terrà conto, in particolare:
della comprensione dei principali modelli statistici ed econometrici e delle loro logiche di utilizzo della capacità di collegare i risultati dei modelli alle decisioni manageriali relative alle strategie di comunicazione (ad esempio: allocazione del budget, valutazione dell’efficacia della comunicazione nei diversi canali, confronto tra scenari alternativi) della capacità di interpretare i risultati alla luce del contesto di mercato e delle performance osservate, sviluppando collegamenti logici tra investimenti, risultati e modelli dell’uso consapevole e critico dei case study discussi in aula della chiarezza espositiva e della capacità di sintesi, con un linguaggio appropriato, dati il contesto accademico e il taglio tecnico e manageriale del corso
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell'integrità accademica

Testi di riferimento

Di seguito i testi base:
Bonori V., Tassinari G., Misurare il ritorno della pubblicità (2011), Gruppo 24 ore
Brasini, S., Freo, M., Tassinari, F., Tassinari, G., Marketing e pubblicità. Strumenti e modelli di analisi statistica (2010), Il Mulino
Durante le lezioni verranno indicati testi ulteriori per approfondimenti su punti specifici.

Codice insegnamento 79211

VALUTAZIONE DELLA QUALITÀ DEI SERVIZI 2° anno · 10 CFU · SECS-P/08 · 0 file

Il corso si propone di analizzare le principali dimensioni fenomeniche e metodologiche caratterizzanti le problematiche di valutazione dei processi di erogazione di un servizio: a questo proposito sono presentate le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di analizzare le principali dimensioni fenomeniche e metodologiche caratterizzanti le problematiche di valutazione dei processi di erogazione di un servizio: a questo proposito sono presentate le principali teorie e le relative applicazioni che hanno caratterizzato i più recenti sviluppi della disciplina. Oltre ad una capacità di analisi critica dei più diffusi modelli di analisi disponibili nella letteratura scientifica e nella prassi consulenziale, il corso si propone di trasferire le capacità e le competenze necessarie ad uno sviluppo autonomo di strumenti di misurazione originali. A questo fine una parte significativa del corso è dedicata alla progettazione e allo sviluppo di un progetto di ricerca volto alla concreta misurazione e diagnosi della qualità di un sistema di servizio reale. La strumentazione analitica utilizzata attribuisce un ruolo centrale ai modelli di equazioni strutturali con variabili latenti (SEM).

Programma

1. Le specificità del processo di erogazione dei servizi. 2. L'evoluzione del concetto di qualità. 3. Elementi del processo di misurazione della qualità. 4. Validità ed affidabilità delle misure. 5. Lo sviluppo e la raffinazione di una scala di misura multiitem. 6. Analisi dei più diffusi modelli di qualità del servizio. 7. Il modello SERVQUAL: una rilettura critica. 8. Lo sviluppo di strumenti di misura originali. 9. Un'applicazione operativa: la progettazione ed esecuzione di una ricerca sulla qualità dei servizi

Modalità d'esame

La valutazione del livello di apprendimento, per gli studenti frequentanti, si basa sullo sviluppo di un project work di gruppo (max 6 componenti per gruppo, min 4) in cui sono messe a frutto tutte le conoscenze acquisite durante il corso. L'obiettivo del project, coerente con la collocazione del corso al secondo anno della LM, è quello di acquisire (e dimostrare) una capacità operativa di progettazione ed esecuzione di una ricerca di livello professionale sui temi della valutazione della qualità di un servizio.
Il project implica la definizione di un oggetto di indagine, l'analisi dei fabbisogni informativi, l'analisi della letteratura, la conduzione della fase esplorativa della ricerca (interviste in profondità e focus group), lo sviluppo di un adeguato strumento di misura (questionario), la definizione di un piano di campionamento, la raccolta dei dati e, naturalmente, l'analisi degli stessi attraverso metodologie multiple (analisi multivariata tradizionale e structural equation modeling) nonchè la messa a punto di una presentazione (Powerpoint) di livello professionale. La gradazione del punteggio del project work è il seguente: 28-30L project corretto, esaustivo, adeguatamente complesso, che evidenzia la padronanza completa degli argomenti oggetto del corso e una coerente capacità esecutiva, con eventuali minime imprecisioni 24-27 project non del tutto corretto e/o incompleto, da cui emerge comunque un apprezzabile grado di conoscenza degli argomenti oggetto del corso e una buona capacità esecutiva 18-23 project con significative imprecisioni metodologiche o rilevanti imperfezioni analitiche, da cui traspare una (appena) sufficiente capacità esecutiva 0-17 project inadeguato per impostazione di metodo e analisi dei dati
Il voto di gruppo è soggetto a peer evaluation, in cui ciascun componente del gruppo valuta i propri colleghi sulla base del contributo, fattuale e di idee, allo sviluppo del progetto. Una valutazione sotto media per una percentuale superiore al 10% implica una eguale correzione al ribasso del voto di gruppo ottenuto, con una penalizzazione massima del 15%.
Gli studenti non frequentanti o insoddisfatti della valutazione ottenuta dal project work possono ovviamente sostenere l'esame in forma orale nell'ambito dei consueti appelli di esame.
Lo scopo della prova orale è verificare la capacità dello studente di applicare il proprio bagaglio di conoscenze e di eseguire i necessari collegamenti logico-deduttivi. Gradazione del voto finale: Preparazione su un numero molto limitato di argomenti affrontati nel corso e capacità di analisi che emerge solo con l’aiuto del docente, espressione in linguaggio complessivamente corretto → 18-19; Preparazione su un numero limitato di argomenti affrontati nel corso e capacità di analisi autonoma solo su questioni puramente esecutive, espressione in linguaggio corretto → 20-24; Preparazione su un numero ampio di argomenti affrontati nel corso, capacità di compiere scelte autonome di analisi critica, padronanza della terminologia specifica → 25-29; Preparazione sostanzialmente esaustiva sugli argomenti affrontati nel corso, capacità di compiere scelte autonome di analisi critica e di collegamento, piena padronanza della terminologia specifica e capacità di argomentazione e autoriflessione → 30-30L.

Testi di riferimento

Come precisato più sopra, il corso attribuisce un ruolo centrale alla capacità di utilizzare modelli di equazioni strutturali con variabili latenti (SEM), in particolare attraverso la conoscenza operativa del software LISREL. Le competenze necessarie sono acquisite durante il corso. Gli studenti non frequentanti sono comunque tenuti a conoscere teoria e pratica di SEM e LISREL.
Un eccellente testo in tal senso, il cui studio è la premessa per poter sostenere l'esame e poter comprendere il relativo materiale didattico, è:
P. Corbetta, Metodi di analisi multivariata per le scienze sociali. I modelli di equazioni strutturali, Il Mulino, Bologna, 2002.
In alternativa un altro volume assolutamente valido è:
R. Kline, Principles and Practice of Structural Equation Modeling, The Guilford Press, 2016
Sono inoltre da studiare i seguenti materiali:
P. Eiglier, E. Langeard, Il marketing strategico nei servizi, McGraw-Hill Italia, Milano, 2003, chapters 1, 2 and 5.
G. A. Churchill, "A paradigm for developing better marketing constructs", Journal of Marketing Research, 16 (1), 1979.
A. Parasuraman, V.A. Zeithaml, L.L. Berry, “SERVQUAL: a multiple-item scale for measuring consumer perceptions of service quality”, Journal of Retailing, 64 (1), 1988.
J. Carman, “Consumer perceptions of service quality: an assessment of SERVQUAL dimension”, Journal of Retailing, 66 (1), 1990.
J. J. Cronin, S.A. Taylor, “Measuring service quality: a reexamination and extension”, Journal of Marketing, 56 (July), 1992.
R.A.Peterson, W.R. Wilson, "Measuring Customer Satisfaction: fact and Artifact", Journal of the Academy of Marketing Science, 20 (1), 1992.
S.A. Taylor, T.L. Baker, "An assessment of the relationship between service quality and customer satisfaction in the formation of consumers' purchase intentions", Journal of Retailing, 70 (2), 1994.
M. K. Brady, J. J. Cronin Jr., "Some New Thoughts on Conceptualizing Perceived Service Quality: A Hierarchical Approach", Journal of Marketing, 65 (July), 2001.

Codice insegnamento 28231

WEB AND SOCIAL MINING 2° anno · 1° semestre · 6 CFU · SECS-S/03 · 0 file

At the end of the course the student is able to choose and use recent methods for web and social Mining. In particular the student is able to extract knowledge from the web and social media by applying machine learning…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course the student is able to choose and use recent methods for web and social Mining. In particular the student is able to extract knowledge from the web and social media by applying machine learning techniques to analyze associations and carry out clickstream, sentiment, text mining and network analysis. The student is able to: - use methods for extracting knowledge from the web; - use recent data mining software for solving practical problems of web mining; and has the experience to carry out independent study and research.

Programma

Obiettivi e fasi del web mining Estrazione dei dati Web scraping struttura delle pagine web, il linguaggio html procedure e funzioni per il web scraping uso delle API (application programming interfaces) estrazione di dati dai social media utilizzando le API Text mining pre-trattamento dei dati pulizia dei dati tokenizzazione e tagging delle parti del discorso vettorizzazione del testo analisi esplorativa dei dati testuali topic modelling analisi di sentiment Analisi delle reti sociali teoria delle reti misure di centralità

Modalità d'esame

L'esame mira ad accertare la conoscenza e la capacità di utilizzare gli strumenti presentati a lezione. La valutazione dell'apprendimento prevede la presentazione di un progetto in cui siano ripercorsi i diversi argomenti trattati a lezione.
Gli elementi che determinano la valutazione del progetto sono:
la chiara definizione della domanda di ricerca e degli obiettivi specifici; la descrizione dettagliata del processo seguito nello sviluppo del lavoro; la presentazione dei metodi utilizzati per il raggiungimento di ciascun obiettivo; la coerenza tra i risultati ottenuti e gli obiettivi prefissati; la chiarezza e l’efficacia nella presentazione finale dei risultati; originalità, capacità critica e approfondimento personale.

Testi di riferimento

Le slide e gli script R utilizzati durante le lezioni saranno resi disponibili su virtuale.unibo.it

Codice insegnamento 96803

ATTIVITÀ DI ALLINEAMENTO-LABORATORIO INFORMATICO-STATISTICO 1° semestre · 0 file
CALCOLO DIFFERENZIALE 1° semestre · 6 CFU · SECS-S/06 · 0 file
DESIGN OF EXPERIMENTS 6 CFU · SECS-S/01 · 0 file
LABORATORY ACTIVITY ON PYTHON 0 file
PROBABILITA' 1° semestre · 6 CFU · MAT/06 · 0 file
STATISTICA C.A. 10 CFU · SECS-S/01 · 0 file
TUTORATO TRASVERSALE PER IL SUPPORTO E L'ALLINEAMENTO CLAMSEI: STATISTICA 1° semestre · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.