Il corso mira ad introdurre i principali strumenti previsivi per serie temporali usati in organizzazioni orientate al business. In particolare, il programma è focalizzato su modelli di regressione per serie temporali,…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira ad introdurre i principali strumenti previsivi per serie temporali usati in organizzazioni orientate al business. In particolare, il programma è focalizzato su modelli di regressione per serie temporali, scomposizione di serie temporali e lisciamento esponenziale. L'approccio è data-driven, quindi verrà introdotta solo la teoria necessaria per l'analisi di dataset reali. Alla fine del corso si prevede che lo studente sia in grado di (i) stimare un modello di regressione multiplo per serie temporali e interpretare i risultati; (ii) prevedere una serie temporale mediante un metodo di previsione appropriato e interpretare i risultati; (iii) padroneggiare il software R. Il mio obiettivo principale nell'insegnare questa corso consiste nel trasmettere agli studenti la convinzione che tecniche statistiche apparentemente complicate non sono solo sofisticazioni matematiche, ma anche strumenti con un enorme impatto nelle applicazioni pratiche, e che sono strumenti importanti per il successo professionale: un manager che padroneggia metodi statistici complessi ha una migliore comprensione dei processi e dei progetti sviluppati in un'organizzazione. Sono convinto che il modo più efficace di apprendere i metodi quantitativi si basi sul problem-solving. Di conseguenza, assegnerò homework regolari che hanno un triplice vantaggio: 1. riproducono una situazione che gli studenti incontreranno spesso nella loro carriera, cioè risolvere un problema entro una scadenza; 2. incoraggiano il lavoro di gruppo: anche se gli studenti saranno individualmente responsabili per la soluzione, si renderanno conto che lavorare insieme può produrre un risultato migliore in un tempo più breve; 3. daranno agli studenti una motivazione per una comprensione approfondita dei metodi presentati in classe. I codici R per risolvere problemi pratici verranno ottenuti anche tramite strumenti di intelligenza artificiale generativa; verranno quindi discussi criteri generali per verificare se un codice risolve correttamente il problema di partenza.
Programma
Il concetto di previsione e la "cassetta degli attrezzi" del previsore: grafici per serie temporali, metodi di base per la previsione, trasformazioni preliminari, valutazione dell'accuratezza previsiva. Modelli di regressione per serie temporali: stima dei minimi quadrati, bontà di adattamento, selezione dei predittori, regressione non-lineare. Scomposizione di serie temporali: componenti della scomposizione classica, medie mobili e loro utilizzo per l'estrazione della componente stagionale. Lisciamento esponenziale: lisciamento esponenziale semplice, approccio Holt-Winters, calcolo delle previsioni e valutazione di accuratezza tramite validation set e cross-validation. Cenni ai modelli ARIMA.
Lezioni standard in aula, con uso interattivo del software R. Consiglio vivamente di venire a lezione con un laptop. Per ogni argomento presentato, gli script R preparati dal docente saranno analizzati ed eseguiti in classe, nonché confrontati con le soluzioni proposte da programmi di intelligenza artificiale generativa.
Modalità d'esame
L'esame finale si svolge nella sala computer e si compone di due sezioni. La prima è scritta e consiste nel rispondere a due domande aperte su qualsiasi argomento trattato in classe. La seconda richiede allo studente di risolvere due problemi basati su dati reali tramite R. Infine, il risultato può essere modificato tenendo conto della partecipazione in classe. Gli homework assegnati durante il corso non sono obbligatori, ma, se risolti correttamente, assegneranno allo studente uno/due punti da aggiungere al voto dell'esame finale.
Testi di riferimento
Testo principale: Hyndman, R.J. and Athanasopoulos, G. (2021), "Forecasting: principles and practices", third edition. Dsiponibile online su OTexts.org/fpp3/. I codici R disponibili online saranno usati used, commentati ed estesi in classe. Dataset aggiuntivi, codici R e homework saranno disponibili su Moodle durante il corso.
Codice insegnamento 50812_650097_91696