Corso di laurea

metodi statistici ed economici per le decisioni

Università degli Studi di Torino · 31 materie · 7 file condivisi

Il corso di Laurea Magistrale in Metodi Statistici ed Economici per le Decisioni si collega strettamente alla Laurea in Economia e Statistica per le Organizzazioni offerta dal Dipartimento di Economia e Statistica "Cognetti De Martiis". In particolare, vengono ripresi e sviluppati a livello più avanzato i metodi utili per
- analizzare grandi insiemi di dati,
- estrarne modelli statistici e simulare scenari alternativi,
- formulare decisioni empiricamente fondate in campo economico, sociale e organizzativo.
Si tratta di competenze sempre più utili per un lavoro nei campi del marketing, del supporto alle decisioni, dei sistemi informativi, della valutazione delle politiche, della gestione grandi archivi di informazione ecc.
La configurazione dei piani di studio è flessibile. A partire da una base obbligatoria di fondamentali nell'area statistico-matematica ed economica, lo studente può poi disegnare un percorso personalizzato esclusivamente o prevalentemente orientato alla statistica applicata o all'economia empirica o alle applicazioni quantitative in campo organizzativo-decisionale.
Lo studente potrà imparare
- a progettare indagini statistiche;
- a creare e gestire grandi dataset;
- a usare i dati per assistere le decisioni di imprese o enti pubblici;
- a costruire e gestire modelli che permettono di analizzare empiricamente il comportamento degli agenti economici (consumatori, famiglie, imprese ecc.) o di sistemi di agenti (mercati, organizzazioni ecc.) e simularne le scelte di fronte a scenari diversi.
Gli sbocchi professionali riguardano ruoli di ricerca o di gestione e coordinamento nelle strutture che si occupano di indagini, consulenza e valutazione presso le imprese, amministrazioni o i centri di ricerca. Alcuni profili professionali di riferimento per il laureato magistrale in Metodi Statistici ed Economici per le Decisioni sono:
ricercatore in ambito economico-sociale;
progettista e manager dei sistemi di data warehouse aziendali;
analista delle politiche economiche;
dirigente dei servizi statistici delle amministrazioni pubbliche;
consulente strategico d'impresa;
analista di mercato;
specialista di analisi dei dati nei servizi sanitari e di epidemiologia.

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 7 files caricati sul nostro portale suddivisi nelle 31 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

Behavioural Decision Theory 1° anno · 12 CFU · ECON-01/A · 0 file

MODULO DECISION THEORY Il corso si propone di introdurre l’approccio e la metodologia della teoria delle decisioni comportamentale attraverso lo studio dei contributi più rilevanti presenti nella letteratura e dei…

Scheda dell'insegnamento

Obiettivi formativi

MODULO DECISION THEORY

Il corso si propone di introdurre l’approccio e la metodologia della teoria delle decisioni comportamentale attraverso lo studio dei contributi più rilevanti presenti nella letteratura e dei nuovi temi di ricerca, con particolare attenzione alla teoria delle decisioni individuali in condizioni di rischio e incertezza, nei suoi aspetti normativi e descrittivi.

Inoltre, il corso mira a introdurre gli studenti alla metodologia dell’economia sperimentale, considerando alcune delle sue applicazioni in vari ambiti della teoria delle decisioni e coinvolgendo attivamente gli studenti in esperimenti di laboratorio sul processo decisionale.

Riconsiderando alcune delle ipotesi standard relative alle preferenze e alla razionalità — con l’aiuto della metodologia sperimentale — agli studenti verranno forniti gli elementi teorici necessari per interpretare il comportamento dell’agente economico in un contesto decisionale più ampio e articolato.

MODULO BEHAVIORAL ECONOMICS

Il corso fornisce:

  • le competenze e la comprensione dei principi di economia comportamentale e il loro utlizzo nel disegnare interventi di policy
  • la comprensione dei principi atti a valutare l'efficacia di politiche disegnate con incentivi alternativi
  • permette attraverso attivita pratiche condotte in classe di applicare le conoscenze acquisite e distinguere
  • permette di esercitare la capacita' di valutare pacchetti alternativi di policy che utilizzano incentivi tradizionali e comportamentali
  • permette di esercitare le capacita' comunicative attraverso presentazioni in classe
    MODULO DECISION THEORY

Alla fine del corso, gli studenti dovrebbero conoscere i principali ambiti di ricerca nel campo delle decisioni comportamentali, nonché i nuovi strumenti teorici e metodologici propri di quest’area di studio.
Dovrebbero essere in grado di valutare criticamente in che modo questi nuovi strumenti influenzano la loro comprensione delle preferenze, della razionalità e dei processi decisionali nei diversi ambiti della teoria economica

MODULO BEHAVIOURAL ECONOMICS

Alla fine del corso le studentesse e gli studenti comprenderanno i principi dell'architettura delle scelte e saranno in grado di applicarli in ambiti diversi. In particolare:

  • potranno dimostrare di avere acquisito le conoscenze necessarie a comprendere politiche disegnate seguendo incentivi tradizionali e comportamentali (knowledge and understanding) attraverso discussioni in classe
  • utilizzeranno le conoscenze e capacita' di trarre conclusioni e capacità di comprensione in casi specifici che verranno scelti durante il corso per presentazioni, rispetto ai quali verra' chiesto di illustrare vantaggi e svantaggi di politiche diverse, esercitando anche le proprie capacita' comunicative e di discussione in classe

Programma

MODULO DECISION THEORY

Introduzione: la teoria comportamentale delle decisioni e il modello economico standard. Storia ed evoluzione.
Metodologia: l’economia sperimentale.
Perché è necessaria: vantaggi e costi, il problema metodologico della validità

Il modello della razionalità strumentale.
La scelta in condizioni di rischio e incertezza.
Il modello dell’utilità attesa (EU – Expected Utility), le proprietà della funzione di utilità attesa. L’utilità attesa soggettiva (Subjective Expected Utility): il paradosso di Ellsberg.
Gli atteggiamenti nei confronti del rischio; l’equivalente certo e il premio per il rischio.
Le principali misure di avversione al rischio.
Le funzioni CARA e CRRA.

Linearità nelle probabilità del modello di utilità attesa (EU) e principio di indipendenza.
Il triangolo di Machina.
Violazioni della linearità: il paradosso di Allais e l’effetto del common ratio. La Separabilità.

I principali modelli alternativi all’utilità attesa. Prospect Theory.

Preferenze non separabili: emozioni e regret. L’effetto framing. L’inversione delle preferenze (preference reversal): alcune possibili spiegazioni. L’effetto di dotazione (endowment effect).
Alcune applicazioni economiche di Prospect Theory.

MODULO BEHAVIORAL ECONOMICS

  • Distorsioni cognitive nelle decisioni e fondamenti psicologici delle scelte
  • Modelli comportamentali
  • Architettura delle scelte e nudges
  • Disegnare e valutare interventi comportamentali

Modalità d'esame

MODULO DECISION THEORY

La valutazione consisterà in una presentazione orale di 15 minuti con presentazione di slide e discussione in classe durante il corso, su un argomento scelto dagli studenti.
I dettagli relativi alla struttura dell’esame finale saranno forniti nel corso delle lezioni.

MODULO BEHAVIOURAL ECONOMICS

Coloro che frequentano prepareranno una presentazione in INGLESE con diapositive, con appunti completi, su un problema di policy a loro scelta concordato con la docente. Presenteranno evidenza del problema e valuteranno l'efficacia sia delle soluzioni standard che comportamentali. La presentazione dovr’ seguire il modello fornito su Moodle e essere inviata via email, compresi gli appunti, il giorno stesso della consegna. Ogni sessione includerà una presentazione di 20 minuti seguita da una discussione di 10 minuti. Tutte e tutti sono tenuti a partecipare alle presentazioni e a partecipare attivamente alle discussioni. Il voto rifletterà la presentazione, le slide e gli appunti e la partecipazione alla discussione. Sarà comunicato tramite email individuale nella settimana precedente alla data del primo esame e, se accettato, registrato nel sistema. Studenti e studentesse sono responsabili dell'iscrizione all'esame. Coloro che rifiutano il voto seguiranno invece le disposizioni per coloro che non frequentano descritte di seguito.

Coloro che NON frequentano si metteranno d'accordo con la docente su un problema di policy per il quale presenteranno prove e valuteranno l'efficacia sia delle soluzioni standard che comportamentali. Successivamente scriveranno un elaborato IN INGLESE di circa 3.000 parole, seguendo il contenuto e la struttura del modello di presentazione fornito su Moodle. Prima di scegliere un argomento, coloro che non frequentano devono iscriversi a Moodle e studiare tutti i materiali del corso. Il documento deve essere inviato via email alla docente almeno una settimana prima della data dell'esame in cui il voto deve essere registrato. Studentesse e studenti sono responsabili dell'iscrizione all'esame.

Testi di riferimento

MODULO DECISION THEORY

All teaching material will be distributed during the course and made available on the Moodle page of the course

Codice insegnamento ECM0326

Complexity Economics 1° anno · 6 CFU · ECON-03/A · 0 file

Acquisire la capacità di programmare modelli ad agenti ed analizzarne i risultati. Le simulazioni sono utilizzate ampiamente da istituti di ricerca e imprese per simulare fenomeni,economici, sociali, ambientali e…

Scheda dell'insegnamento

Obiettivi formativi

Acquisire la capacità di programmare modelli ad agenti ed analizzarne i risultati. Le simulazioni sono utilizzate ampiamente da istituti di ricerca e imprese per simulare fenomeni,economici, sociali, ambientali e produttivi.
Acquisizione di conoscenza relativa a:

  • fondamenti di programmazione in Netlogo
  • principi di analisi di dati simulati

Capacità di applicare le conoscenza acquisite ai temi di economia dell'ambiente e della cultura anche ai fini di sviluppare le competenze necessarie per della preparazione di una tesi di laurea con contenuti originali.

Programma

Il corso introduce gli studenti alle teorie e agli strumenti propri dell'Economia della Complessità. Nel corso - tenuto nell'aula informatica - si approfondiranno le tecniche di simulazione ad agenti.

In particolare si tratteranno i seguenti temi:

  • Quando e perché utilizzare una simulazione ad agenti: l'economia come sistema adattivo complesso.
  • Come progettare un modello ad agenti: proprietà emergenti, generazione di numeri casuali, stocasticità.
  • Programmare e condurre simulazioni in Netlogo: parametrizzazione e calibrazione
  • Analisi dei modelli di simulazione: serie storiche di dati simulati, sensitivity analysis, robustness analysis, uncertainty analysis.

Netlogo è disponibile gratuitamente sul sito Netlogo: http://ccl.northwestern.edu/netlogo/download.shtml

Modalità d'esame

L'esame consiste in 3 prove:

1 - Una presentazione orale (15-20 minuti) – 3 punti.

2 -Un elaborato scritto (1 ora) – 15 punti.

3 - Un esercizio di modellizzazione utilizzando Netlogo (12 punti). Gli studenti possono scegliere a loro piacimento un modello di libreria Netlogo e modificarlo per affrontare questioni di ricerca significative. Dovranno quindi produrre un report strutturato in tre parti:

a- Motivazione per la/le modifica/he introdotta/e

b- Descrizione di come la/le modifica/he sono state introdotte

c- Presentazione dei risultati

Gli studenti possono formare gruppi fino a 3 persone per l'esercizio di modellazione.

La bibliografia per la presentazione, le scadenze e i dettagli possono essere trovati su Moodle.

Testi di riferimento

Netlogo User Manual: Tutorial #1, #2, #3, Programming Guide, Behavior Space

Codice insegnamento ECM0206

ECONOMETRIA 1° anno · 12 CFU · ECON-05/A · 0 file

L’obiettivo del corso è quello di introdurre ai concetti e a una pratica avanzata dell'analisi econometrica, imparando ad affrontare i casi più rilevanti in cui non sono applicabili direttamente gli strumenti…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo del corso è quello di introdurre ai concetti e a una pratica avanzata dell'analisi econometrica, imparando ad affrontare i casi più rilevanti in cui non sono applicabili direttamente gli strumenti dell'analisi di regressione lineare classica. Tra gli esempi più rilevanti di violazione delle assunzioni classiche verranno considerati il caso di variabili dipendenti categoriche, di errori non omoschedastici, non indipendenti, non ortogonali, e di errori di misura. Gli argomenti verranno presentati facendo un uso estensivo di simulazioni monte carlo, per conseguire una migliore comprensione dei concetti discussi, e per introdurre alla pratica delle tecniche di stima e di validazione basata su modelli computazionali.
Funzioni in un contesto professionale e sbocchi occupazionali: la capacità di utilizzare in modo consapevole modelli multivariati lineari e non lineari per lo studio di fenomeni di varia natura è cruciale in tutti i contesti lavorativi dove si effettuano analisi dati per informare politiche pubbliche e scelte aziendali.
Studenti e studentesse dovranno essere in grado di svolgere e discutere autunomamente analisi empiriche basate sul modello di regressione lineare ordinaria quando le sue assunzioni son verificate, nonché di affrontare alcuni casi notevoli di violazione delle assunzioni, tra cui osservazioni non IID, problemi di qualità dei dati, errori non ortogonali. Dovranno inoltre essere in grado di svolgere e discutere autunomamente analisi empiriche con modelli per dati categoriali (variabili dipendenti binarie, ordinali e nominali).

Programma

modulo 1 (6 cfu) Prof. Leombruni

Dati e modelli economici.
Il modello dei minimi quadrati ordinari (OLS): teoria, applicazioni e diagnostiche.
Specificazione del modello e minimi quadrati non lineari.
Errori non IID: minimi quadrati ponderati.
Qualità dei dati: outliers, dati mancanti, variabili omesse, dati misurati con errore.
Studio Monte-Carlo delle proprietà degli stimatori dei modelli presentati.

modulo 2 (6 cfu) Prof. Contini

  • Modelli lineari (variabili quantitative continue): errori non ortogonali-metodo delle variabili strumentali
  • Cenni di inferenza causale. Outcome potenziali. Disegno sperimentale controllato.
  • Modelli per variabili dipendenti categoriche: modelli logit, probit, multinomial e ordinal logit.
  • Modelli per dati di conteggio: regressione di Poisson e varianti

Modalità d'esame

L'esame finale consiste in una prova scritta, divisa in:

modulo 1 (6 cfu) Prof. Leombruni

  • una parte strutturata di teoria, con un set di item a scelta multipla e item vero/falso.
  • due esercizi semi strutturati, in cui viene richiesto di commentare i risultati di analisi di regressione presentati nel testo, discutendo gli aspetti specifici richiesti.

Per coloro che hanno superato la prova scritta con un punteggio di almeno 24 è prevista la possibilità di sostenere una prova orale.

La durata dello scritto per questa parte è di 1:15'.

modulo 2 (6 cfu) Prof. Contini

3 esercizi semi strutturati, in cui si richiede di commentare i risultati di analisi presentati nel testo, discutendo gli aspetti specifici richiesti.

La durata dello scritto per questa parte è di 1:30'.

È inoltre possibile svolgere un lavoro di gruppo facoltativo, consigliato, da discutere individualmente in una data da concordare, successiva all’esame scritto. Una discussione valutata almeno sufficiente dà diritto a un punto aggiuntivo sul voto finale.

Il voto finale sarà calcolato come segue:

  • media aritmetica dei voti delle due prove scritte;
  • eventuale aggiunta di un punto per il conseguimento del badge SAS (primo modulo);
  • eventuale aggiunta di un punto per il lavoro di gruppo (secondo modulo).

Testi di riferimento

In aggiunta agli appunti delle lezioni, come materiale didattico, verranno utilizzati:

  • il testo Stock J.H., Watson M.W. (vari anni), Introduzione all’econometria, Pearson Education Italia, Milano; Capitoli 1-9, 12, 17 (solo par. 17.5)
  • il testo Wooldridge J.M. "Introductory Econometrics, a Modern Approach", 7th edition, Cengage ed., disponibile in biblioteca per la consultazione (Cognetti)
  • il testo J. Scott Long (Regression models for categorical and limited dependent variables): capitoli 3, 5, 6.
  • i codici e i risultati commentati dei laboratori in aula informatica svolti durante il corso.

Codice insegnamento P498146393

EPIDEMIOLOGIA 1° anno · 6 CFU · MEDS-24/B · 0 file

Le competenze acquisite saranno: Riconoscere una relazione epidemiologica nelle componenti che la determinano e ragionare sulla sua causalità Riconoscere e distinguere le varie tipologie degli studi epidemiologici,…

Scheda dell'insegnamento

Obiettivi formativi

Le competenze acquisite saranno:

  • Riconoscere una relazione epidemiologica nelle componenti che la determinano e ragionare sulla sua causalità
  • Riconoscere e distinguere le varie tipologie degli studi epidemiologici, descrivendone le caratteristiche, i vantaggi e gli svantaggi
  • Comprendere i principali strumenti e metodi quantitativi che permettono di identificare e misurare i fattori di rischio e di valutarne l'associazione con gli effetti sulla salute, dimostrando di saperne interpretare i risultati
  • Saper leggere un articolo scientifico epidemiologico, comprendendone i metodi e sapendo valutare criticamente i risultati
  • Saper condurre delle analisi in STATA relativamente ai principali metodi utilizzati in epidemiologia

Gli sbocchi occupazionali sono all'interno di amministrazioni pubbliche (es. Aziende Sanitarie Locali, Aziende Ospedaliere, Agenzie Regionali per la Protezione Ambientale, Dipartimenti di Epidemiologia, Registri tumori) e nel settore privato (es. Aziende farmaceutiche, contract research organization - CRO).

Nell'ambito delle amministrazioni pubbliche le competenze acquisite durante il corso possono essere utili per il supporto alla pianificazione delle politiche sanitarie e alla valutazione dei servizi, l'individuazione dei bisogni della popolazione in termini socio-sanitari, la conduzione di studi epidemiologici.
Le competenze acquisite rappresentano una base per il lavoro nel settore privato delle aziende farmaceutiche e delle CRO, ma necessitano di un ulteriore approfondimento relativo alle tematiche della statistica per la ricerca clinica.
Al termine del corso gli/le studenti/studentesse avranno compreso cosa sia una relazione epidemiologica, quali siano gli elementi che la costituiscono e il suo rapporto con la causalità. Conosceranno i principali strumenti e metodi quantitativi che permettono identificare e quantificare la relazione tra un'esposizione di interesse e un outcome. Sapranno quindi scegliere il tipo di studio da applicare a seconda del contesto e dei dati che si hanno a disposizione e di conseguenza le misure di occorrenza e di associazione appropriate. Inoltre saranno in grado di svolgere analisi statistiche epidemiologiche usando il software STATA e di commentare i risultati delle analisi condotte. In particolare sapranno utilizzare il pacchetto EPITAB per l'analisi di dati aggregati in tabelle di contingenza, anche tenendo conto di variabili confondenti, e sapranno analizzare dati di coorte complessi che richiedono la costruzione di dataset appositi e di analisi specifiche quali il modello logistico, di Poisson o Cox.

Programma

  • Relazione epidemiologica e causalità
  • Determinanti, confondenti e modificatori d'effetto
  • Misure di occorrenza e associazione, definizioni concettuali e operative
  • Validità e precisione
  • Tipologie di studi, descrittivi e analitici, osservazionali e sperimentali
  • Studi ecologici
  • Studi osservazionali: cross-sectional, caso-controllo, di coorte
  • Studi sperimentali: RCT

Principali applicazioni pratiche:

  • Pacchetto EPITAB di STATA
  • Controllo del confondimento con STATA
  • Studio caso-controllo usando STATA: modello logistico
  • Studio di coorte usando STATA: modello di Poisson, analisi di sopravvivenza/modello di Cox

Non ci sono differenze di programma tra studenti/studentesse frequentanti e non frequentanti

Modalità d'esame

Il corso è composto da una introduzione teorica ai metodi e disegni di studio, e da esercitazioni su STATA in laboratorio. Per verificare l'apprendimento dei principali elementi verrà richiesta una lettura critica e presentazione orale a gruppi di un articolo scientifico più un'esercitazione pratica al computer (svolgimento di alcune analisi su un dataset fornito). L'esercitazione a computer ha la durata di due ore. Le due parti dell'esame contribuiscono ciascuna per metà sulla valutazione finale.

Non ci sono differenze di esame tra studenti/studentesse frequentanti e non frequentanti.

Testi di riferimento

TOZZI PL LO PALCO AE. Epidemiologia Facile. Roma: Il pensiero scientifico editore, 2009

ROTHMAN KJ. 2012. Epidemiology - an introduction, 2nd edition. Oxford University Press.

SLIDE e MATERIALI distribuiti dal docente

Codice insegnamento P391150828

MATEMATICA 1° anno · 9 CFU · STAT-04/A · 0 file
Archivio Globale

Competenze acquisite: tutti gli strumenti necessari per formulare, discutere e risolvere sia problemi statici di ottimo libero e vincolato, sia problemi di ottimo intertemporale in tempo discreto e continuo. Funzioni…

Scheda dell'insegnamento

Obiettivi formativi

  • Competenze acquisite: tutti gli strumenti necessari per formulare, discutere e risolvere sia problemi statici di ottimo libero e vincolato, sia problemi di ottimo intertemporale in tempo discreto e continuo.
  • Funzioni in un contesto professionale e sbocchi occupazionali: trattandosi di un insegnamento teorico di base propedeutico a tutti gli insegnamenti successivi, applicati e non, tali competenze non sono immediatamente e direttamente spendibili in un contesto lavorativo professionale; cionondimeno, qualsiasi processo decisionale, sia in aziende private che in enti pubblici, nonché in tutti i tipi di organizzazioni, non può prescindere dalla filosofia e dagli strumenti su cui si basano i problemi di ottimizzazione, sia statica che intertemporale, elementi centrali che questo insegnamento si propone di trasmettere alle studentesse e agli studenti.
  • Conoscenza e capacità di comprensione: le studentesse e gli studenti conosceranno e comprederanno gli elementi fondamentali dell'algebra lineare, dell'ottimizzazione statica libera e vincolata, e dell'ottimizzazione intertemporale sia in tempo discreto che continuo.
  • Conoscenza e capacità di comprensione applicate: le studentesse e gli studenti avranno la capacità di leggere e interpretare in modo critico modelli economici con elevata formalizzazione matematica.
  • Autonomia di giudizio: le studentesse e gli studenti saranno in grado di proporre e sviluppare nel dettaglio analitico modelli economici, prestando particolare attenzione alla coerenza fra le ipotesi, il fenomeno che il modello è chiamato a spiegare, e i risultati attesi/desiderati.
  • Abilità comunicative: lo studio teorico, la risoluzione di esercizi e le applicazioni economiche forniranno alle studentesse e gli studenti la capacità di comunicare le proprie analisi e risultati con la proprietà di linguaggio caratteristica del rigore matematico.
  • Capacità di apprendere: le studentesse e gli studenti saranno in grado di comprendere le pubblicazioni scientifiche di argomento economico con elevata formalizzazione matematica e di utilizzarne i risultati.

Programma

  • Teorema della funzione implicita in n variabili e sue applicazioni
  • Ottimizzazione con vincoli di uguaglianza
  • Ottimizzazione con vincoli di disuguaglianza
  • Ottimizzazione dinamica in tempo discreto: equazione di Bellman, equazioni di Eulero
  • Introduzione alle equazioni differenziali ordinarie
  • Ottimizzazione dinamica in tempo continuo: il principio del massimo di Pontryagin
  • Applicazioni all'economia

Il programma è lo stesso per frequentanti e non frequentanti.

Le studentesse e gli studenti che non potessero assistere alla totalità o a gran parte delle lezioni hanno a disposizione tutto il materiale disponibile alla pagina Moodle https://elearning.unito.it/scuolacle/course/view.php?id=4736.

Modalità d'esame

L'esame si svolge in presenza

L'esame è lo stesso per frequentanti e non frequentanti, è valutato in trentesimi e consta di una prova scritta unica della durata di 2 ore e mezza. La prova contiene 3-5 esercizi; ciascun esercizio può prevedere una o più domande a risposta aperta per le quali è richiesto di riportare l'intero svolgimento (ovvero tutti i passaggi logici, gli eventuali grafici, e naturalmente i calcoli). Questa parte può contenere anche un esercizio con affermazioni di cui bisogna stabilire se sono vere o false.

Durante la prova sono ammessi la consultazione di qualsiasi testo e l'utilizzo di qualsiasi calcolatore, eccetto laptops, tablets e calcolatori grafici.

Un'eventuale prova orale aggiuntiva è facoltativa; vi è ammesso solamente chi abbia ottenuto un voto pari ad almeno 25/30 nella prova scritta.

Nella sessione invernale sono previsti due appelli nelle seguenti date:

  • 22/01/2027 alle 11:00 in aula ... del CLE
  • 12/02/2027 alle 11:00 in aula ... del CLE.

Entro quattro giorni prima è necessario iscriversi all'appello scelto mediante la bacheca appelli disponibile sul portale Esse3.

L'esito dell'esame verrà comunicato traite email istituzionale e sarà visibile sulla pagina Esse3 dell'appello. Sarà possibile visionare il proprio elaborato e, se ne sussistono le condizioni, sostenere l'esame orale integrativo, nel giorno e luogo indicati nell'email con l'esito dell'esame. Nella stessa email è comunicata anche la data entro cui è possibile rifiutare il voto.

Dalla pagina Moodle https://elearning.unito.it/scuolacle/course/view.php?id=4736 è possibile scaricare un fac-simile d'esame con soluzioni.

Testi di riferimento

Dispense e altro materiale scaricabile dalla pagina Moodle https://elearning.unito.it/scuolacle/course/view.php?id=4736.

Un testo consultabile per approfondimenti è Simon, C. P. and Blume, L., Mathematics for Economists, Norton & C., New York, 1994.

Codice insegnamento P685018837

METODI DI SIMULAZIONE PER LA STATISTICA 1° anno · 1 file
MICROECONOMIA 1° anno · 12 CFU · ECON-01/A · 0 file
Archivio Globale

L'obiettivo principale dell'insegnamento è quello di fornire le basi teoriche e gli elementi analitici propri della microeconomia a un livello intermedio, che permettano la comprensione dei fenomeni economici a livello…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo principale dell'insegnamento è quello di fornire le basi teoriche e gli elementi analitici propri della microeconomia a un livello intermedio, che permettano la comprensione dei fenomeni economici a livello micro e delle interazioni tra agenti economici singoli a livello di mercati. In particolare, l'insegnamento si prefigge lo scopo di illustrare e spiegare il funzionamento della teoria del consumatore, della teoria dell'impresa, della concorrenza perfetta e della teoria dei giochi, con alcune applicazioni. L'insegnamento fornirà sia gli strumenti analitico-quantitativi per la comprensione dei principali fenomeni micro-economici sia esempi di applicazione concreta degli schemi e dei modelli teorici affrontati.
Conoscenza e capacità di comprensione. Al termine del corso si sarà acquisita la conoscenza delle basi teoriche del comportamento degli agenti economici (consumatori e imprese) secondo il modello neoclassico. Si saranno inoltre acquisiti gli strumenti analitici e interpretativi relativi a tali aspetti della microeconomia. Inoltre, si conosceranno gli aspetti principali della teoria dei giochi, delle interazioni strategiche tra agenti economici individuali e i fondamenti dell'economia comportamentale. Anche in questo caso si saranno acquisiti gli strumenti quantitativi e interpretativi dei fenomeni studiati. Questi elementi forniranno la capacità di comprendere da un lato il modo in cui i singoli agenti economici prendono le proprie decisioni e le interazioni tra i soggetti; dall'altro lato i contenuti dell'insegnamento permetteranno di comprendere la necessità di intervento di soggetti regolatori, al fine di preservare situazioni il più possibile vicine a quelle della concorrenza perfetta.

Autonomia di giudizio: al termine del corso studentesse e studenti saranno in grado di comprendere il funzionamento dei processi decisionali individuali degli agenti economici e delle interazioni strategiche tra individui e imprese, con particolare riferimento ai modi di risposta degli agenti economici al comportamento delle loro controparti e degli altri agenti operanti nei mercati. Inoltre, studentesse e studenti saranno in grado di comprendere, in modo critico, le ragioni e le conseguenze dell'intervento pubblico nei mercati, attraverso la conoscenza apporfondita della concorrenza perfetta.

Abilità comunicative. Studentesse e studenti avranno acquisito la capacità di esprimersi utilizzando un linguaggio economico appropriato. Inoltre, saranno in grado di comunicare i risultati di ragionamenti e analisi a livello microeconomico in modo sistematico e secondo le logiche dei modelli fondamentali della microeconomia e della teoria dei giochi.

Capacità di apprendere: il corso fornirà le basi teoriche della microeconomia e, con esse, la possibilità alle studentesse e agli studenti che lo desiderassero di apprendere ulteriori nozioni avanzate di economia, in particolare nell'ambito dell'economia industriale, della microeconomia avanzata e della politica microeconomica.

Programma

1. Introduzione alla microeconomia

2. Teoria del consumatore

  • Preferenze
  • Utilità e funzioni di utilità
  • Utilità marginale
  • Curve di indifferenza e saggio marginale di sostituzione
  • Vincolo di bilancio
  • Scelta ottima
  • Beni normali, complementari, inferiori
  • Preferenze rivelate

3. Teoria della domanda

  • Curve di domanda individuali
  • Curva di domanda di mercato
  • Elasticità
  • Effetto reddito ed effetto sostituzione
  • Surplus del consumatore
  • Esternalità di rete

4. Applicazioni

  • Mercato del lavoro: scelte individuali
  • Sussidi
  • Scelte intertemporali

5. Teoria della produzione

  • Funzione di produzione
  • Sostituibilità tra fattori della produzione
  • Rendimenti di scala
  • Progresso tecnologico
  • Costi
  • Breve e lungo periodo
  • Minimizzazione dei costi
  • Curve di costo

6. Teoria dell’offerta

  • Curve di offerta individuali
  • Curve di offerta di mercato

7. Concorrenza perfetta

  • Definizione
  • Equilibrio di mercato in concorrenza perfetta
  • Scelta della quantità ottima dell’impresa
  • Massimizzazione del profitto d’impresa
  • Equilibrio concorrenziale di breve periodo
  • Equilibrio concorrenziale di lungo periodo
  • Surplus del produttore
  • Surplus sociale

8. Applicazioni

  • Imposte
  • Sussidi
  • Regolamentazione di prezzo
  • Quote di produzione

9. Equilibrio economico generale

  • Equilibrio generale nel consumo (scatola di Edgeworth nel consumo)
  • Equilibrio generale nella produzione (scatola di Edgeworth nella produzione)
  • Frontiera delle possibilità produttive
  • Equilibrio economico generale e legge di Walras

10. Teoria dei giochi

  • Definizione di gioco, di strategia e di payoff
  • Equilibrio in strategie dominanti
  • Equilibrio di Nash
  • Giochi sequenziali
  • Giochi dinamici
  • Equilibrio in strategie miste

11. Economia comportamentale e sperimentale

  • Fondamenti dell’economia comportamentale: le principali distorsioni
  • Economia comportamentale e modello neoclassico
  • Elementi di economia sperimentale

12. Monopolio

  • Monopolio legale
  • Monopolio naturale

Oligopolio

  • Oligopolio non collusivo
  • Oligopolio collusivo
  • Modelli di Cournot, di Stackelberg e di Bertrand

Concorrenza monopolistica

Differenziazione del prodotto

  • Modelli di Hotelling e Salop
  • Monopsonio

Discriminazione di prezzo

  • Discriminazione di primo grado
  • Discriminazione di secondo grado
  • Vendite a blocchi
  • Discriminazione di terzo grado
  • Tariffe in due parti
  • Bundling puro e bundling misto

Beni pubblici e risorse comuni

Esternalità

  • Esternalità negative
  • Soluzioni pubbliche e soluzioni di mercato
  • Esternalità positive
  • Soluzioni pubbliche e soluzioni di mercato

Elementi di scelte in condizioni di incertezza

  • Avversione, neutralità e propensione al rischio
  • Elementi di economia delle assicurazioni

Asimmetrie informative

  • Selezione avversa
  • Azzardo morale
  • Risposte assicurative alle asimmetrie informative

Elementi di teoria delle aste

Elementi di economia per i mercati energetici

Modalità d'esame

Nota bene: i due moduli che costituiscono l'insegnamento integrato non prevedono esami separati. Le informazioni che seguono, quindi, si riferiscono all'esame dell'insegnamento integrato.

Esame scritto della durata di due ore, composto da sei domande a risposta aperta, tre sugli argomenti del primo modulo e tre su quelli del secondo modulo. Le domande a risposta aperta avranno un valore di cinque trentesimi ciascuna e si comporranno di esercizi numerici e domande teoriche. Argomenti teorici potranno essere chiesti anche come commento ai risultati degli esercizi numerici. Per il raggiungimento della sufficienza è richiesta la capacità di risolvere le parti essenziali degli esercizi numerici e di saper esporre ed argomentare aspetti teorici di base.

Non vi sono differenze di programma né di modalità di esame tra chi frequenta le lezioni e chi non le frequenta. Lo stesso vale per studentesse e studenti Erasmus.

Testi di riferimento

LibroTitolo:

Microeconomia V ed.

Anno pubblicazione:

2024

Editore:

McGraw Hill

Autore:

David A. Besanko, Ronald R. Braeutigam

Capitoli:

1-18

Obbligatorio: No

Titolo:

Economia comportamentale

Anno pubblicazione:

2024

Editore:

Il Mulino

Autore:

Vincenzo Scoppa

Capitoli:

1, 2, 3, 4.1, 4.2.0, 6.8, 7.1, 7.2, 7.3 e 7.4

Obbligatorio: No

Dispense a cura del docente

Su alcuni argomenti saranno rese disponibili su Moodle alcune dispense.

Obbligatorio: No

Codice insegnamento P902399594

MODELLI AD AGENTI 1° anno · 1 file
MODELLI DEMOGRAFICI 1° anno · 6 CFU · STAT-03/A · 0 file

L'obiettivo formativo del corso è quello di saper formulare domande di ricerca in ambito demografico e dell'economia della famiglia e di saper utilizzare gli strumenti per analizzare dati micro. Lo studente sarà poi in…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo formativo del corso è quello di saper formulare domande di ricerca in ambito demografico e dell'economia della famiglia e di saper utilizzare gli strumenti per analizzare dati micro. Lo studente sarà poi in grado di utilizzare le stesse tecniche di analisi, e lo stesso modo di approcciarsi alla ricerca, in ambiti lavorativi anche non demografici.
Lo studente – dal punto di vista macro - apprenderà i principali indicatori per descrivere la fecondità, la mortalità e le migrazioni, e sarà in grado di comprendere i trend di questi indicatori nelle regioni del mondo negli ultimi 70 anni. Dal punto di vista micro, attraverso lo studio di recenti ricerche in campo demografico e le esercitazioni in Stata, studierà e imparerà ad utilizzare diverse tecniche di analisi dei dati impiegate nella ricerca demografica economica e sociale. Sarà in grado, partendo da dati di indagini sugli individui e sulle famiglie, di analizzare i dati micro utilizzando le diverse tecniche e di ricostruire versioni alternative degli indicatori macro, che permettano la risposta a definite domande di ricerca.

Programma

Il corso è organizzato in tre parti: una parte sui metodi per l'analisi dei dati demografici, una parte in laboratorio, una parte su recenti temi demografici. Nella prima parte del corso, studieremo alcuni metodi statistici usati per studiare i fenomeni demografici: l'analisi delle sequenze, l'analisi della sopravvivenza, i modelli multi-level. Nella seconda parte, in laboratorio, studieremo alcuni fenomeni demografici (fecondità, divorzio, convivenza, lasciar casa dei genitori,...) usando queste tecniche di analisi, dati micro da diverse indagini, e utilizzando il software Stata. Nella terza parte del corso, affronteremo recenti studi sulla crescita e sulla struttura delle popolazioni in termini di mortalità, fecondità, e migrazioni. Lo studio sarà, in parte, teorico ed, in parte, empirico tramite la lettura di recenti articoli demografici.

Il materiale è lo stesso per studenti frequentanti e non frequentanti.

Modalità d'esame

L’esame è scritto ed è composto da 4 domande (punteggio massimo = 30 punti a domanda)

  • 2 domande su articoli scientifici presentati dal docente
  • 2 domande su metodologie + comandi e output del software utilizzato

Presentando un articolo a lezione, è possibile non rispondere – a scelta – ad una delle 4 domande. Presentando un' esrcitazione di Stata lezione, è possibile non rispondere – a scelta – a 1 delle 4 domande. La valutazione della/e domanda/e alla quale non si risponde verrà sostituita dalla valutazione della presentazione (punteggio massimo = 30).

La durata dell'esame scritto è di 1h - 1h30 (a seconda del numero di domande). La valutazione finale è la media dei voti alle quattro domande.

Testi di riferimento

  • G. De Santis, DEMOGRAFIA, il Mulino

MASSIMO LIVI BACCI, Storia minima della popolazione del mondo, Il Mulino, 2016

BARBARA ANDERSON, World Population Dynamics: An Introduction to Demography, Pearson, 2014

Mario Cleves, William W. Gould, and Yulia V. Marchenko, An Introduction to Survival Analysis Using Stata, Revised Third Edition, Stata Press, 2016

  • Sophia Rabe-Hesketh and Anders Skrondal, Multilevel and Longitudinal Modeling Using Stata, Fourth Edition Stata Press, 2022

Christian Brzinsky-Fay, Ulrich Kohler, Magdalena Luniak, Sequence analysis with Stata, The Stata Journal (2006) 6, Number 4, pp. 435-;460

  • Angrist and Pischke, Mostly Harmless Econometrics: An Empiricist's Companion, 2009, Princenton University Press
  • Articles from Demography, Population and Development Review, European Journal of Population

Codice insegnamento P384425473

PROBABILITA' E INFERENZA STATISTICA 1° anno · 12 CFU · STAT-01/A · 3 file

Il corso si propone di fornire una rigorosa conoscenza dei principali strumenti probabilistici per il trattamento di fenomeni aleatori e dei metodi fondamentali dell'inferenza statistica classica, con l’approfondimento…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire una rigorosa conoscenza dei principali strumenti probabilistici per il trattamento di fenomeni aleatori e dei metodi fondamentali dell'inferenza statistica classica, con l’approfondimento concettuale e teorico di tecniche e metodi già introdotti nel percorso di studi triennale. Al tempo stesso, le competenze fornite sono base indispensabile per la corretta prosecuzione degli studi negli ambiti più specialistici.
Il corso fornisce una rigorosa conoscenza dei principali strumenti probabilistici per il trattamento di fenomeni aleatori e dei metodi fondamentali dell'inferenza statistica classica.
Gli studenti apprendono come applicare il calcolo delle probabilità e le tecniche inferenziali a problemi reali e come derivare risultati teorici in modo formale. Viene acquisita consapevolezza sui vantaggi e sui limiti delle metodologie trattate, in modo da saper valutare criticamente quali siano gli strumenti più adatti nelle specifiche situazioni da sottoporre ad analisi e quali siamo le migliori strategie di comunicazione dei risultati ottenuti nella loro applicazione in diversi contesti.
Inoltre, il corso fornisce agli studenti le capacità di consultare e comprendere studi, ricerche ed articoli scientifici per aggiornamento ed approfondimento.

Programma

Introduzione al Calcolo delle Probabilità e cenni della sua storia. La diverse concezioni probabilistiche. Definizione e teoria assiomatica di probabilità. Probabilità condizionata, indipendenza. Probabilità totali e teorema di Bayes.

Variabili casuali. Funzioni di ripartizione e di densità. Valori attesi e momenti. Diseguaglianza di Chebischev. Funzione generatrice dei momenti.

Particolari famiglie parametriche di distribuzioni unidimensionali, discrete e continue. Teoremi limite e convergenze.

Variabili casuali multiple: distribuzioni congiunte, condizionate e marginali. Indipendenza stocastica. Momenti misti e valori attesi condizionati. Distribuzioni normale bivariata e multinomiale.

Trasformazioni di variabili casuali. Teorema centrale del limite.

La logica e gli obiettivi dell'inferenza statistica. Campionamento e distribuzioni campionarie. Tipi di campionamento. Campionamento da distribuzioni normali. Statistiche d’ordine.

Stima puntuale di parametri. Metodi di ricerca degli stimatori. Proprietà degli stimatori puntuali. Famiglie esponenziali. Sufficienza. Stimatori con il metodo dei momenti. La funzione di verosimiglianza ed il principio di verosimiglianza, proprietà ottimali degli stimatori di massima verosimiglianza. Stimatori UMVUE.

Stima per intervalli di parametri. Metodi per la ricerca di intervalli di confidenza. Intervalli di confidenza (IC) nel caso di popolazioni normali, per famiglie di posizione e scala e ricerca di IC asintotici.

La verifica di ipotesi. Approcci di Fisher e Neyman-Pearson. Struttura probabilistica del test. Bontà di un test: funzione di potenza e ampiezza. Rapporto di verosimiglianza. Lemma di Neyman-Pearson.

Test uniformemente più potente. Test del rapporto di verosimiglianza (LRT) e relative proprietà. Test "score" e di Wald. Test di significatività e p-value.

Dualità tra test e intervalli di confidenza. Insiemi di confidenza. Proprietà degli stimatori intervallari.

Verifica di ipotesi nel caso di popolazioni normali. Analisi della varianza (ANOVA) per il confronto di più medie. Verifica di ipotesi per il confronto di due o più varianze.

Modello di regressione semplice: stima di massima verosimiglianza, stima dei minimi quadrati ordinari (OLS), intervalli di confidenza e test per i parametri.

Introduzione ai metodi non parametrici. Test Chi-quadrato per bontà di adattamento, omogeneità e indipendenza. Funzione di ripartizione empirica e test di Kolmogorv-Smirnov. Stima a nucleo della funzione di densità.

Laboratorio di Inferenza con R.

Modalità d'esame

L’esame consiste in una prova scritta che conterrà sia esercizi che domande di carattere teorico, finalizzata a valutare la piena conoscenza concettuale ed operativa degli argomenti presentati durante il corso. Allo scritto potrà eventualmente seguire una prova orale facoltativa.

Di norma, la prova scritta prevede 4 esercizi/problemi, con un tempo di svolgimento tra i 30 e i 40 minuti, a seeconda della complessità degli stessi.

La prova scritta si svolgerà in presenza.

La prova orale non è obbligatoria per tutti, ma la commissione si riserva la facoltà, qualora lo ritenga necessario, di procedere ad una verifica orale della preparazione dei candidati (in particolare qualora durante lo svolgimento della prova emergessero comportamenti anomali da parte di questi ultimi).

Data la complessità organizzativa degli appelli d'esame, si raccomanda di iscriversi con largo anticipo (ALMENO dieci giorni prima dell'appello) e di cancellare la propria iscrizione tempestivamente nel caso non si intenda più partecipare all'esame.

Testi di riferimento

Testi principali:

MOOD A.M., GRAYBILL F.A., BOES D.C. (1991) Introduzione alla statistica, McGraw-Hill

PICCOLO D. (2010) Statistica. Il Mulino

Testi di consultazione e approfondimento:

AZZALINI A. (1992) Inferenza Statistica. Una presentazione basata sul concetto di verosimiglianza. Springer-Verlag

DALL’AGLIO G. (2003) Calcolo delle probabilità. Zanichelli

IEVA F., MASCI C., PAGANONI A.M. (2016) Laboratorio di statistica con R (2/Ed). Pearson

Codice insegnamento P594449889

Compiti ed esercitazioni esercitazione 1 — 2019 pillola free Il documento illustra soluzioni a esercizi di probabilità e inferenza statistica, trattando concetti fondamentali come eventi indipendenti, condizionati e incompatibili. Vengono calcolate probabilità complesse relative a scenari con reimmissione o senza, utilizzando formule standard e diagrammi di Venn per visualizzare le intersezioni tra insiemi. Gli esempi pratici includono estrazioni da mazzi di carte, analisi demografica di lavoratori e risultati sportivi, dimostrando l'applicazione del terzo postulato e delle regole di addizione e moltiplicazione. Compiti ed esercitazioni esercitazione 2-3 — 2019 pillola free Il testo presenta soluzioni a esercizi di probabilità e statistica, trattando distribuzioni come la binomiale, Poisson, normale e uniforme. Vengono calcolati momenti, funzioni di ripartizione e applicate disuguaglianze quali quella di Chebyshev. Si analizzano anche casi specifici legati a processi di Poisson per eventi temporali e approssimazioni di modelli complessi con distribuzioni più semplici. Compiti ed esercitazioni esercitazione 5 — 2019 pillola free Il testo illustra due esercizi di probabilità applicata: il primo calcola la probabilità di overbooking in un volo e determina il numero ottimale di biglietti da vendere per massimizzare il guadagno atteso, mentre il secondo analizza le prestazioni di studenti provenienti da diverse lauree in un test ammissivo. Nel secondo caso si definisce la funzione di ripartizione del punteggio ottenuto, si calcola la probabilità condizionata che uno studente provenga da economia dato un certo risultato e si stima infine la probabilità complessiva di conseguire la laurea magistrale per gli iscritti in statistica.
Simulazione E Coding Per La Statistica 1° anno · 12 CFU · INFO-01/A · 0 file

MODULO DI SIMULAZIONE Il corso si pone obiettivi di formazione delle competenze, legati dal riferimento all'impiego di strumenti informatici in ambito statistico, relativi alle procedure di simulazione come strumento per…

Scheda dell'insegnamento

Obiettivi formativi

MODULO DI SIMULAZIONE

Il corso si pone obiettivi di formazione delle competenze, legati dal riferimento all'impiego di strumenti informatici in ambito statistico, relativi alle procedure di simulazione come strumento per la verifica empirica delle proprietà delle variabili aleatorie e delle procedure di inferenza statistica, nonché come strumenti per l'approssimazione del loro comportamento quando non sono disponibili al ricercatore risultati analitici.

Funzioni in un contesto professionale e sbocchi occupazionali: l'insegnamento è di natura metodologica ed è propedeutico agli insegnamenti successivi. Esso quindi non configura direttamente specifiche funzioni professionali, ma fornisce strumenti che permettono di affrontare in modo flessibile e innovativo i più complessi problemi analitici dei casi trattati nei centri studi pubblici, di banche e grandi aziende.

MODULO DI CODING

L’insegnamento ha come obiettivi formativi principali l'acquisizione delle competenze necessarie nell’ambito della Data Science e dell'Analisi dei Dati. In particolare, l’insegnamento si propone di fornire una solida base di conoscenze sui fondamenti della Data Science, comprese le tecniche di esplorazione e comunicazione dei risultati. Inoltre, l’insegnamento mira a fornire una formazione avanzata sul coding con R, inclusi i fondamenti di programmazione e l'utilizzo dei pacchetti R per l'analisi dei dati. Al termine del corso, gli studenti e le studentesse dovrebbero essere in grado di applicare queste competenze in progetti di data science reali e di contribuire in modo significativo allo sviluppo di soluzioni di data science in diversi settori.
MODULO DI SIMULAZIONE

Conoscenza e capacità di comprensione: acquisizione dei concetti di casualità, di casualità simulata e della logica degli algoritmi di simulazione su computer

Conoscenza e capacità di comprensione applicate: capacità di implementare e svolgere su personal computer procedure di simulazione di esperimenti casuali, di valutazione empirica del comportamento di statistiche campionarie mediante simulazione approssimata dello spazio campionario, di definizione e studio della verosimiglianza, nonchè dell'uso di semplici metodi di ricampionamento

Autonomia di giudizio: il corso permette di comprendere come lo studio di simulazione fornisca strumenti critici per la valutazione ed eventuale validazione empirica di metodi di inferenza statistica le cui proprietà risultano difficili o impossibili da individuare analiticamente.

Abilità comunicative: sollecitate attraverso il dialogo a lezione.

Capacità di apprendere: studenti e studentesse saranno in grado di comprendere tanto situazioni concrete quanto contributi tecnici e scientifici sul tema.

MODULO DI CODING

Si prevede l'apprendimento della terminologia scientifica e la capacità di comprensione degli aspetti teorici ed applicativi relativi alla Data Science, all’utilizzo di R per la manipolazione e analisi dei dati.
Gli studenti e le studentesse dovranno essere in grado di applicare i metodi e gli strumenti acquisiti per aggiornare ed approfondire i contenuti studiati, anche in contesti professionali, e per intraprendere studi successivi.

Programma

MODULO DI SIMULAZIONE

Il concetto di aleatorietà, numeri casuali e pseudo-casuali. Algoritimi di generazione di numeri pseudo casuali: evoluzione ed esempi, test di casualità. Simulazione di estrazioni da distribuzioni arbitrarie, discrete e continue. Verifica empirica dei principali teoremi del calcolo delle probabilità. L'approssimazione simulata dello spazio campionario: studio empirico delle proprietà delle statistiche campionarie. Procedure di verifica di ipotesi: analisi della significatività e potenza di un test tramite simulazione. La simulazione su modelli di regressione. Introduzione ai metodi di ricampionamento; jacknife e bootstrap. Esempi e casi particolari.

MODULO DI CODING

  • Recap sul linguaggio di programmazione R e al suo ambiente di sviluppo RStudio
  • Fondamenti di programmazione con R: import/export, variabili, funzioni, cicli e condizioni
  • Utilizzo dei pacchetti R per la visualizzazione e l'analisi dei dati, tra cui ggplot2, dplyr e tidyverse
  • Rmarkdown per la produzione di report di analisi dei dati
  • Applicazione su esempi ed esercitazioni anche relative a metodi di simulazione per la statistica

Modalità d'esame

MODULO DI SIMULAZIONE

La verifica dell'apprendimento verrà svolta con una prova pratica al Computer, nella quale si sarà chiamati a progettare, produrre e utilizzare dati statistici simulati a fini di inferenza statistica e calcolo delle probabilità. Gli esami si svolgeranno in aula informatica.

MODULO DI CODING

L'apprendimento verrà valutato attraverso un esame scritto. La prova scritta, della durata di 45 minuti, propone esercizi semi-strutturati volti a verificare il grado di acquisizione dei concetti e delle metodologie di progettazione e realizzazione di soluzioni per problemi di Data Science, usando costrutti del linguaggio R. Il punteggio della valutazione finale è espresso con un numero compreso tra 1 e 30 e lode (dove 18 è il valore minimo per considerare l'esame come superato).

Testi di riferimento

MODULO DI SIMULAZIONE: Il materiale didattico consisterà principalmente nei video multimediali delle lezioni svolte in aula, disponibili per il download agli studenti e alle studentesse nella pagina Moodle del modulo.

Codice insegnamento ECM0324

TEORIE, METODOLOGIE E DATI IN ECONOMIA 1° anno · 6 CFU · ECON-01/A · 0 file

L’economia come disciplina oggi, più che in passato, è caratterizzata da una pluralità di approcci, sia nell’ambito della mainstream economics (l’approccio dominante, di origine neoclassica, ma che ormai non coincide più…

Scheda dell'insegnamento

Obiettivi formativi

L’economia come disciplina oggi, più che in passato, è caratterizzata da una pluralità di approcci, sia nell’ambito della mainstream economics (l’approccio dominante, di origine neoclassica, ma che ormai non coincide più con il “core” cosiddetto ortodosso della disciplina) sia nelle scuole di pensiero alternative. Tale frammentazione - nei principi-base, nei metodi e nei contenuti - pone numerose domande circa la natura dei fondamenti della scienza economica e dei tipi di spiegazione che essa adotta, che hanno conseguenze anche sulla politica economica.

Partendo da queste considerazioni, l’insegnamento – in linea con gli obiettivi generali del corso di laurea - si propone di esaminare come alcune nozioni fondamentali dell’economia ortodossa siano state e sono continuamente reinterpretate, modificate e persino rigettate in alcuni approcci ad esso alternativi.

Esso inoltre analizzerà il rapporto tra teorie economiche e metodologie utilizzate (con attenzione anche a problemi epistemologici). Al termine dell'insegnamento, studentesse e studenti saranno in grado di interpretare autonomamente le metodologie del ragionamento economico, di valutare criticamente le loro applicazioni all’interno dei principali modelli utilizzati, e dunque di identificare i principali fondamenti teorici delle diverse politiche economiche.
Al termine dell'insegnamento, studentesse e studenti:

  • dimostreranno con appropriata terminologia di conoscere i principali approcci di teoria economica, e di saper distinguere le principali categorie analitiche che li contraddistinguono (conoscenza e capacità di comprensione);
  • dimostreranno di comprendere gli aspetti teorici ed applicativi contenuti nei testi di riferimento e nelle letture complementari (conoscenza e capacità di comprensione);
  • saranno in grado di utilizzare e analizzare i concetti della metodologia economica e identificare le connessioni che fra di essi si possono instaurare, nella consapevolezza delle controversie tra le diverse scuole di pensiero (conoscenza e capacità di comprensione applicate);
  • sapranno riconoscere i diversi approcci metodologici adottati anche tacitamente nella costruzione delle teorie economiche (conoscenza e capacità di comprensione applicate);
  • avranno acquisito autonomia di giudizio nell'identificare gli assunti teorici di base sui quali si fondano principi applicativi delle teorie e politiche economiche (autonomia di giudizio);
  • avranno acquisito le abilità richieste per presentare in modo logico ed efficace la materia oggetto di studio, utilizzando forme comunicative adeguate alla natura degli interlocutori (abilità comunicative);
  • avranno acquisito le capacità per applicare in modo originale i metodi e gli strumenti appresi durante l'insegnamento al fine di condurre successivi lavori di ricerca autonomi (capacità di apprendere).

Programma

La razionalità neoclassica e la razionalità limitata;

I fondamenti dell’economia comportamentale e della psicologia economica;

I fondamenti dell’istituzionalismo e del neo-istituzionalismo;

La metodologia della scuola austriaca;

Economia Femminista;

Friedman e lo strumentalismo: teorie e previsione;

Becker e l'imperialismo economico;

I dibattiti metodologici: il falsificazionismo di Popper, le rivoluzioni scientifiche (Kuhn) e i programmi di ricerca (Lakatos);

L'economia e le altre discipline sociali.

Modalità d'esame

La prova è orale, verte sul programma dell'insegnamento e presuppone una lettura ragionata e il più possibile attenta dei testi indicati nella sezione "Testi consigliati e bibliografia".

Essa è volta a verificare:

  • la comprensione dei temi e degli approcci trattati nel corso e delle informazioni a essi correlate;
  • l'abilità nell'analizzare i concetti attraverso un'appropriata terminologia (specialmente quando quest'ultima ha natura tecnica);
  • la competenza nell'elaborare connessioni concettuali.

Al fine di accedere alla prova, studentesse e studenti devono obbligatoriamente iscriversi all'appello utilizzando il Sistema Esse3 di Ateneo e presentarsi all'appello munito di documento di riconoscimento valido.

Il voto è espresso in trentesimi; per superare l’esame, studentesse e studenti dovranno conseguire un voto di almeno 18/30.

Testi di riferimento

L'insegnamento prevede lo studio dei seguenti testi (l’elenco è valido sia per studentesse e studenti frequentanti sia per studentesse e studenti non frequentanti):

  • Francesco Guala, Filosofia dell'economia, Bologna, Il Mulino, 2006, cap. 5 (Friedman e l’irrealismo delle assunzioni), cap. 7 (L’imperialismo economico), cap. 8 (Il falsificazionismo di Popper), cap. 10 (Il dogmatismo della scienza).
  • Maura Franchi e Augusto Schianchi, Scelte economiche e neuroscienze. Razionalità, emozioni e relazioni, Roma, Carocci, 2009.
  • A scelta, uno dei seguenti testi:

Daniel Kahneman, Pensieri lenti e veloci, Milano, Mondadori, 2012, cap. 1; cap. 15, capp. 25-29; capp. 31-34;

oppure

Liliann Fischer, Joe Hasell, J. Christopher Proctor, David Uwakwe, Zach Ward-Perkins, Catriona Watson (eds.), Rethinking Economics. An Introduction to Pluralist Economics, London and New York, Routledge, 2018 (pp. 1-135).

Ulteriori suggerimenti di lettura (da intendersi quali letture consigliate, non obbligatorie) saranno indicati dal docente durante le ore di insegnamento.

  • - -

NB. I testi per le studentesse e gli studenti della Laurea magistrale in METODI STATISTICI ED ECONOMICI PER LE DECISIONI (SEED) che intendono sostenere l’esame “Teorie, metodologie e dati in economia” sono i seguenti (l’elenco è valido sia per studentesse e studenti frequentanti sia per studentesse e studenti non frequentanti):

1. Francesco Guala, Filosofia dell'economia, Bologna, il Mulino, 2006, cap. 5 (Friedman e l’irrealismo delle assunzioni), cap. 7 (L’imperialismo economico), cap. 8 (Il falsificazionismo di Popper), cap. 10 (Il dogmatismo della scienza).

2. A scelta, uno dei seguenti testi:

Daniel Kahneman, Pensieri lenti e veloci, Milano, Mondadori, 2012, cap. 1; cap. 15, capp. 25-29; capp. 31-34;

oppure

Liliann Fischer, Joe Hasell, J. Christopher Proctor, David Uwakwe, Zach Ward-Perkins, Catriona Watson (eds.), Rethinking Economics. An Introduction to Pluralist Economics, London and New York, Routledge, 2018 (pp. 1-135).

Ulteriori suggerimenti di lettura (da intendersi quali letture consigliate, non obbligatorie) saranno indicati dai docenti durante le ore di insegnamento.

Codice insegnamento P647444125

TIME SERIES ANALYSIS 1° anno · 6 CFU · ECON-05/A · 0 file

Gli studenti apprenderanno i concetti principali della teoria e dei metodi di analisi della serie temporale. Inotre gli studenti impareranno ad usare modelli econometrici utili all’analisi di serie storiche e finanziarie…

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti apprenderanno i concetti principali della teoria e dei metodi di analisi della serie temporale. Inotre gli studenti impareranno ad usare modelli econometrici utili all’analisi di serie storiche e finanziarie che sono usati comunemente nella ricerca empirica.

Gli studenti impareranno a comprendere le differenze tra altri tipi di dati e le serie temporali, e i problemi econometrici specifici, che si verificano quando si lavora con le serie storiche.
Al termine del corso lo studente avra' acquisito:

-dimestichezza con i concetti di base nell'analisi delle serie temporali

-dimestichezza con modelli dinamici

-dimestichezza con modelli utili per analizzare serie temporali stazionarie e non stazionarie

-dimestichezza con modelli di ARCH e GARCH utilizzati frequentemente in econometria finanziaria

-dimestichezza con problemi che sorgono quando si considerano serie con radici unitarie

-esperienza pratica di stima di serie temporali e problemi di previsione

-capacita’ di valutare in modo critico i modelli di serie temporali e scegliere il migliore approcio di modellazione

-capacità di trasmettere aspetti pertinenti della modellizazione e dei risultati della ricerca ad esempio nel ruolo di consulente statistico

-una buona base per ulteriori studi e la capacità di intraprendere nuovi sviluppi nel settore.

Programma

Programma (dettaglio)

Richiami e inquadramento

Processi stocastici per serie temporali, trend deterministici e stocastici, media e varianza dipendenti dal tempo.

Differenza fra stazionarietà in senso debole e in senso forte; implicazioni per la modellizzazione e la previsione.

Test di stazionarietà

Test ADF e DF-GLS: specificazione, selezione dei ritardi, interpretazione delle ipotesi.

Test Phillips–Perron (PP) e KPSS: differenze concettuali (null di radice unitaria vs. stazionarietà).

Linee guida pratiche: criteri informativi (AIC/BIC), diagnostica residui, gestione di trend e intercette.

Modelli ARDL

Specificazione ARDL(p, q) con regressori potenzialmente integrati di ordine diverso (I(0)/I(1)) e condizioni di utilizzo.

Dinamiche di breve e relazioni di lungo periodo; Error Correction Model (ECM) e interpretazione dei parametri.

Selezione dei lag, verifiche diagnostiche (autocorrelazione, eteroschedasticità, stabilità).

ARDL Bounds Testing per la cointegrazione; identificazione e stima dei moltiplicatori di lungo periodo.

Applicazioni a dati macroeconomici e finanziari; esercizi di previsione e analisi degli impulsi di lungo periodo.

Cointegrazione

Quadro teorico: combinazioni lineari stazionarie fra variabili I(1), equilibrio di lungo periodo e correzione dell’errore.

Approccio Engle–Granger (a due stadi): stima, test sui residui, ECM.

Volatilità condizionata: ARCH/GARCH

Modelli ARCH(q) e GARCH(p, q): proprietà, stima (QMLE), diagnostica (ARCH-LM).

Estensioni per asimmetrie ed effetti leva: EGARCH, GJR/TGARCH, APARCH.

Scelte di distribuzione (normale, Student-t, GED) e implicazioni per code spesse.

Previsione della volatilità e valutazione (MAE/RMSE su varianze previste, backtesting di Value-at-Risk a cenni).

Applicazioni a serie finanziarie (rendimenti, volatilità realizzata a cenni).

Valutazione dei modelli e pratica applicata

  • Implementazioni con software STATA su dataset macro e finanziari; replicazione di risultati della letteratura.

Modalità d'esame

Verifica dell’apprendimento

L’apprendimento sarà verificato mediante esame scritto della durata di due ore, volto ad accertare la comprensione teorica e la capacità applicativa dei metodi trattati durante il corso.

La prova scritta comprenderà:

Domande teoriche a risposta aperta per valutare la conoscenza dei principali concetti di econometria delle serie temporali (stazionarietà, cointegrazione, modelli ARDL, ARCH/GARCH);

Esercizi applicativi su dati simulati o reali, finalizzati a verificare la capacità di impostare, stimare e interpretare modelli econometrici, nonché di eseguire test diagnostici e di valutazione delle previsioni;

Eventuali quesiti interpretativi relativi ai risultati di output ottenuti con software STATA.

La valutazione terrà conto sia dell’accuratezza delle risposte teoriche, sia della correttezza delle applicazioni pratiche e dell’interpretazione economica dei risultati.

Il voto finale sarà espresso in trentesimi.

Gli studenti con disabilità o con disturbi specifici dell’apprendimento (DSA) hanno diritto a misure compensative e strumenti di supporto adeguati, in conformità con la normativa vigente e con i servizi di assistenza offerti dall’Ateneo.
Si invitano gli studenti a contattare preventivamente l’Ufficio Disabilità e DSA dell’Università per concordare le modalità più opportune di svolgimento della prova d’esame.

Testi di riferimento

Time Series Analysis by James D. Hamilton

Time Series Econometrics: A Concise Introduction" by Terence C. Mills

The Econometric Analysis of Time Series" by Andrew C. Harvey

Codice insegnamento P261447984

VALUTAZIONE DELLE POLITICHE 1° anno · 6 CFU · ECON-01/A · 1 file

Il corso contribuisce alla realizzazione del progetto formativo del corso di studio fornendo le conoscenze di base sui metodi di valutazione delle politiche, nonché dei programmi e interventi sul campo, ad esempio di ONG…

Scheda dell'insegnamento

Obiettivi formativi

Il corso contribuisce alla realizzazione del progetto formativo del corso di studio fornendo le conoscenze di base sui metodi di valutazione delle politiche, nonché dei programmi e interventi sul campo, ad esempio di ONG o istituzioni internazionali, concentrandosi sugli strumenti econometrici che permettono di misurarne gli impatti in senso causale
Al termine del corso, lo studente saprà quale metodo applicare nei diversi contesti e conoscerà le ipotesi necessarie per l'utilizzo dei metodi presentati. Avrà inoltre assimilato le conoscenze di base per effettuare una stima con dati reali e interpretare correttamente i risultati. Infine, sarà in grado di leggere la letteratura che utilizza la valutazione d'impatto, almeno nei suoi elementi essenziali

Programma

ATE vs ATT vs LATE

Randomized Trials (OLS)

Difference in differences (OLS)

Regression Discontinuity Design (OLS, IV)

Matching methods (Mahalanobis, logit)

Modalità d'esame

Esame orale, integrato (facoltativamente) da una breve relazione su un'applicazione pratica.

Testi di riferimento

Materiali aggiuntivi forniti dalla docente

Codice insegnamento P693597208

ANALISI DEI MERCATI FINANZIARI 2° anno · 6 CFU · SECS-P/07 · 0 file

L'insegnamento "Analisi dei Mercati Finanziari" si propone di introdurre i principali strumenti finanziari a disposizione degli investitori, concentrandosi prevalentemente su obbligazioni, azioni e strumenti derivati.…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento "Analisi dei Mercati Finanziari" si propone di introdurre i principali strumenti finanziari a disposizione degli investitori, concentrandosi prevalentemente su obbligazioni, azioni e strumenti derivati. Una volta consolidate queste basi, verranno descritte le basi della teoria di Allocazione del Portafoglio (modelli media-varianza alla Markowitz, Capital Asset Pricing Model, Asset Pricing Theory, modello di Fama e French). Verranno, inoltre, presentati alcuni modelli di selezione di investimenti applicabili sia ai Mercati privati che a quelli pubblici.

L'obiettivo dell'insegnamento è di sfruttare il background universitario in ambito matematico e statistico per toccare con mano le applicazioni in ambito finanziario, partendo dallo studio del funzionamento dei Mercati Finanziari per arrivare alla teoria di portafoglio.

Le competenze acquisite favoriscono l’inserimento in funzioni professionali quali l'area Finanza, il Risparmio Gestito e il Risk Management, coprendo pertanto un perimetro di possibili impieghi in ambito bancario, finanziario, fintech e consulenziale.
Conoscenza e capacità di comprensione

  • Conoscenza delle caratteristiche e dei meccanismi di funzionamento dei principali strumenti finanziari
  • Identificazione delle dinamiche e del comportamento degli operatori sui Mercati Finanziari
  • Piena comprensione del dualismo tra rischio e rendimento e della relazione tra i due
    Elementi base di valutazione del prezzo degli strumenti finanziari e metriche di Risk Management connesse
  • Introduzione del concetto di portafoglio, come insieme di più strumenti finanziari ottimamente selezionati e combinati
  • Piena comprensione della teoria di allocazione di portafoglio in ambito media-varianza e del concetto di diversificazione dei rischi
  • Estensioni del modello media-varianza, nell’ottica dell’equilibrio di mercato (Capital Asset Pricing Model -CAPM) e di una pluralità di fonti di rischio/rendimento (Arbitrage Pricing Theory, APT)

Autonomia di giudizio

  • Approccio critico ai risultati ottenuti dai modelli di valutazione degli strumenti finanziari e dai modelli di allocazione di portafoglio, considerando le numerose semplificazioni/assunzioni necessarie per modellizzare il mondo reale
  • Abilità di ricostruire con semplici strumenti (Microsoft Excel, Python) tali modelli, per poter autonomamente monitorare i Mercati Finanziari e creare un proprio processo di allocazione di portafoglio embrionale
  • Lettura critica e lucida delle dinamiche di attualità dei Mercati Finanziari

Abilità comunicative

  • Imparare ad utilizzare il gergo tecnico dei Mercati Finanziari
  • Predisporre analisi su strumenti finanziari o su portafogli, rivolte ad interlocutori tecnici (es. analisti, gestori di portafoglio, risk manager) o non tecnici (top management, clienti)

Programma

PARTE I - Strumenti Finanziari

  • Obbligazioni (caratteristiche, mercato, approccio del Valore Attuale Netto, misure di duration, yield-to-maturity, struttura a termine dei tassi d'interesse)
  • Azioni (caratteristiche, mercato, cenni a modelli di valutazione)
  • Derivati a payoff lineare, come contratti forward e futures (caratteristiche, cenni al modello di pricing)
  • Derivati a payoff asimmetrico, come le opzioni (caratteristiche, modello di pricing di Black & Scholes, cenni alle greche di BS)
  • Organismi di Investimento Collettivo del Risparmio (OICR), concentrandosi sui fondi comuni d'investimento e sugli Exchange Traded Funds (ETF)
  • Strumenti di mercato privato (Private Equity e Venture Capital)

PARTE II - Strumenti di analisi

  • Misure di rischio e rendimento in ambito media-varianza
  • Misure di correlazione e sensitività (beta)
  • Altre misure di rischio, come il Maximum Drawdown
  • Analisi grafica statica e dinamica di serie storiche di strumenti finanziari o di portafogli
  • Strumenti per valutare la profittabilità di progetti in mercati privati e scegliere quello ottimale

PARTE III - Allocazione di portafoglio

  • Modello media-varianza di Markowitz con due titoli rischiosi
  • Generalizzazione del modello a n titoli rischiosi
  • Frontiera efficiente dei portafogli
  • Scelta di portafoglio sulla Frontiera Efficiente, distinguendo tra Minimum Variance Portfolio (MVP), portafoglio di tangenza e cenni alle curve di indifferenza del risparmiatore
  • Capital Asset Pricing Model (CAPM), con l'introduzione del portafoglio di mercato e la definizione della Security Market Line (SML)
  • Approfondimento sul tema del beta di portafoglio e concetto di diversificazione
  • Critiche empiriche al CAPM (studi di Black, Fama, French)
  • Modello a tre fattori di Fama & French
  • Arbitrage Pricing Theory (APT)
  • Cenni alle teorie comportamentali sui Mercati Finanziari

Modalità d'esame

Esame scritto con 3 domande aperte su temi teorici (max 18 punti), 3 domande aperte di interpretazione di un Business Case (max 12 punti; analisi quantitativa di un fondo comune d'investimento o di uno strumento finanziario) e 1 domanda bonus per la lode

Testi di riferimento

Testi obbligatori

  • Slides e articoli presentati a lezione e pubblicati sul sito

Testi facoltativi

  • "Investments", Bodie, Kane, Marcus - McGraw-Hill (facoltativo, ma utile per approfondire i temi affrontati a lezione)
  • "Modelli Finanziari", Benninga - McGraw-Hill (facoltativo, ma utile per approfondire l'implementazione in Excel dei modelli visti a lezione)
  • "Python for Finance: mastering data-driven finance", Hilpisch - O'Reilly (facoltativo, ma utile per approfondire l'implementazione in Python dei modelli visti a lezione)
  • "The little book of behavioural investing", Montier - Wiley & Sons (facoltativo, ma utile per approfondire i temi della finanza comportamentale, come vista da un gestore di portafoglio famoso)
  • "The most important thing", Marks - Wiley & Sons (facoltativo, ma utile per approfondire il bilanciamento tra rischio e rendimento)

Codice insegnamento P479691434

Advanced Machine Learning 2° anno · 6 CFU · SECS-S/01 · 0 file

L'insegnamento è finalizzato a: Fornire agli\alle studenti\esse una comprensione approfondita delle tecniche contemporanee di modellazione e analisi per il data science. Fornire agli studenti un'ampia gamma di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento è finalizzato a:

Fornire agli\alle studenti\esse una comprensione approfondita delle tecniche contemporanee di modellazione e analisi per il data science.

Fornire agli studenti un'ampia gamma di strumenti per il machine learning avanzato.

Fornire un'esperienza di problem solving rilevante per il mondo del lavoro.
Al termine del corso lo\la studente\essa dovrà essere in grado di:

Mostrare una comprensione approfondita delle tecniche di modellazione e analisi avanzate di machine learning e una consapevolezza critica dei loro limiti.

Scegliere e valutare criticamente le tecniche di modellazione e di analisi appropriate in situazioni pratiche nuove e complesse.

Presentare i risultati in modo professionale e sistematico.

Programma

I contenuti riguarderanno alcune delle principali tecniche avanzate di data science e machine learning, quali, per esempio:

introduzione ai modelli grafici

reti Bayesiane

Bayesian additive regression trees (BART)

deep learning e artificial neural networks

cenni ai large language models (LLM)

hidden Markov models (HMM)

Modalità d'esame

Per i frequentanti la valutazione finale includerà un lavoro di gruppo (50%) e un esame orale (50%).

Gli\le studenti\esse dovranno lavorare in piccoli gruppi e produrre un report dell’analisi di un set di dati, focalizzandosi sui metodi di data science e machine learning introdotti nel corso, dimostrando di averne una piena comprensione; dovranno inoltre integrare le analisi con le opportune interpretazioni dei risultati.

Il formato del report finale è una presentazione (power point o pdf) che evidenzi i modelli usati, le elaborazioni effettuate ed i risultati ottenuti.

La presentazione verrà integrata con una discussione degli argomenti visti a lezione.

Per i non frequentanti il lavoro di gruppo è sostituito da un lavoro individuale da concordare con la docente.

Testi di riferimento

  • Appunti e materiali resi disponibili online nella pagina Moodle dell'insegnamento.

Højsgaard, S., Edwards, D., & Lauritzen, S. (2012). Graphical models with R. Springer Science & Business Media.

Ghatak, A. (2019). Deep learning with R. Singapore: Springer Singapore.

Codice insegnamento ECM0329

Altre Attivita' 2° anno · 3 CFU · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Giudizio Finale.

Codice insegnamento ECM0037

BUSINESS ANALYTICS 2° anno · 6 CFU · SECS-S/03 · 0 file

Conoscenza e capacità di comprensione sia teorica che applicata della modellazione delle informazioni in database strutturati e non strutturati. Applicazione delle conoscenze acquisite sui modelli statistici ed…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione sia teorica che applicata della modellazione delle informazioni in database strutturati e non strutturati.

Applicazione delle conoscenze acquisite sui modelli statistici ed econometrici alle esigenze conoscitive aziendali e nei processi di business intelligence.

Conoscenza e capacità di comprensione sia teorica che applicata dei modelli di analisi statistica di dati testuali (Text Mining e Natural Language Processing).

Abilità interpretative e comunicative dei risultati dei modelli utilizzati.
Capacità di gestire in Python tutte le fasi dei processi di Data Analytics Life Cycle:

  • data scraping e data modeling
  • analisi statistica-econometrica
  • presentazione dei dati tramite dashboard dinamiche

Capacità di gestire queste fasi all'interno di un team tramite piattaforme condivise di Project Management.

Programma

1. Big Data. Definizioni, sfide, opportunità

2. Dati strutturati e non strutturati: introduzione a datalakes, database relazionali e Data Wharehousing

3. Introduzione a HTML e Web scraping

4. L'analisi dati in azienda: modello CRISP e Data Science Life Cycle

5. L'analisi statistica di dati testuali: Text Mining e introduzione al Natural Language Processing

Modalità d'esame

Per i frequentanti la valutazione finale includerà un lavoro di gruppo (50%) e un esame orale finale (50%). Si richiede di lavorare in piccoli gruppi di (massimo 4 discenti) e di concordare con l'insegnante l'argomento. Per i non frequentanti il lavoro di gruppo è sostituito da un lavoro individuale da concordare con l'insegnante.

Testi di riferimento

Il materiale didattico è costituito da alcuni capitoli di libro e da una serie di articoli su rivista scientifica e dai lucidi delle lezioni. Il materiale didattico sarà disponibile in forma elettronica sulla piattaforma di e-learning. Quando questo non è possibile una copia cartacea degli articoli sarà resa disponibile all'inizio del corso.

Materiale didattico per non frequentanti:

  • Provost, F. and Fawcett, T., 2013. Data Science for Business: What you need to know about data mining and data-analytic thinking. " O'Reilly Media, Inc."

Codice insegnamento P705906532

Behavioural Economics 2° anno · 6 CFU · SECS-P/02 · 0 file

Il corso fornisce: le competenze e la comprensione dei principi di economia comportamentale e il loro utlizzo nel disegnare interventi di policy la comprensione dei principi atti a valutare l'efficacia di politiche…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce:

  • le competenze e la comprensione dei principi di economia comportamentale e il loro utlizzo nel disegnare interventi di policy
  • la comprensione dei principi atti a valutare l'efficacia di politiche disegnate con incentivi alternativi
  • permette attraverso attivita pratiche condotte in classe di applicare le conoscenze acquisite
  • permette di esercitare la capacita' di valutare pacchetti alternativi di policy che utilizzano incentivi tradizionali e comportamentali
  • permette di esercitare le capacita' comunicative attraverso presentazioni in classe
    Alla fine del corso le studentesse e gli studenti comprenderanno i principi dell'architettura delle scelte e saranno in grado di applicarli in ambiti diversi. In particolare:
  • potranno dimostrare di avere acquisito le conoscenze necessarie a comprendere politiche disegnate seguendo incentivi tradizionali e comportamentali (knowledge and understanding) attraverso discussioni in classe
  • utilizzeranno le conoscenze e capacita' di trarre conclusioni e capacità di comprensione in casi specifici che verranno scelti durante il corso per presentazioni, rispetto ai quali verra' chiesto di illustrare vantaggi e svantaggi di politiche diverse, esercitando anche le proprie capacita' comunicative e di discussione in classe

Programma

  • Distorsioni cognitive nelle decisioni e fondamenti psicologici delle scelte
  • Modelli comportamentali
  • Architettura delle scelte e nudges
  • Disegnare e valutare interventi comportamentali

Modalità d'esame

Una presentazione di 10 minuti seguiti da 5 minuti di discussione in classe con consegna di slides con note esaustive su un tema scelto dagli studenti, in alternativa per i non frequentanti una relazione scritta da concordare con la docente mirata alla verifica della comprensione dei concetti principali.

Testi di riferimento

Slide delle lezioni. presentazioni audio e video, papers e altre risorse verrannno tutte rese disponibili su Moodle.

Codice insegnamento ECM0318

DATA MINING E STASTISTICAL LEARNING 2° anno · 12 CFU · SECS-S/01 · 1 file

Il corso si propone di introdurre metodi e modelli per estrarre informazioni rilevanti da grandi moli di dati, con particolare attenzione all'apprendimento statistico (statistical learning) sia in contesto predittivo che…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di introdurre metodi e modelli per estrarre informazioni rilevanti da grandi moli di dati, con particolare attenzione all'apprendimento statistico (statistical learning) sia in contesto predittivo che non (apprendimento supervisionato e non). Al fine di fornire le competenze per l'analisi e la modellazione di dati reali, le lezioni saranno integrate da esercitazioni in R.
Conoscenza delle principali tecniche di data mining e apprendimento statistico. Abilità nell'utilizzo della conoscenza acquisita in questo e in precedenti corsi per trattare problemi applicativi, anche attraverso l'uso di specifiche librerie del software statistico R.
Comprensione critica delle caratteristiche, delle potenzialità e dei limiti delle tecniche trattate, in modo da saper valutare quali siano gli strumenti più adatti nelle specifiche situazioni da sottoporre ad analisi.

Programma

  • Introduzione al data mining e allo statistical learning.
  • Tecniche di visualizzazione dei dati (con ggplot2).
  • Modelli parametrici e nonparametrici. Valutazione dell'accuratezza di un modello. Contrasto tra bontà di adattamento e complessità di un modello.
  • Regressione e Classificazione: richiami su regressione lineare e regressione logistica; analisi discriminante e K-nearest neighbors.
  • Metodi di ricampionamento: validazione incrociata e bootstrap.
  • Selezione di un modello lineare e regolarizzazione: selezione stepwise, ridge regression, principal components regression, partial least squares, LASSO.
  • Metodi non-lineari (regressione flessibile): regressione polinomiale, splines di regressione, splines di lisciamento, modelli additivi generalizzati.
  • Metodi basati su alberi di decisione: alberi di regressione e classificazione, Bagging, foreste casuali, Boosting.
  • Support Vector Machines: classificatore con margine massimale, classificatore di tipo Support Vector, Classificazione con margini di decisione nonlineari, SVM con più di due classi.
  • Apprendimento non supervisionato: regole di associazione, analisi delle componenti principali, metodi di raggruppamento.

Modalità d'esame

Esame scritto. La prova si svolgerà in presenza e avrà la durata di due ore.
Nella prova scritta lo studente/la studentessa sarà chiamato/a a rispondere a domande aperte concernenti metodi e algoritmi, nonché grafici, output o codice R relativi all’analisi di dati reali.
Data la complessità organizzativa degli appelli d'esame, si raccomanda di iscriversi con largo anticipo (ALMENO dieci giorni prima dell'appello) e di cancellare la propria iscrizione tempestivamente nel caso non si intenda più partecipare all'esame.

Testi di riferimento

Azzalini, Scarpa (2004), Analisi dei dati e data mining, Springer-Verlag

James, Witten, Hastie, Tibshirani (2021), An Introduction to Statistical Learning (with Applications in R), Second Edition, Springer-Verlag

Hastie, Tibshirani, Friedman (2009), The elements of statistical learning: data mining, inference and prediction. 2nd edition, Springer-Verlag

Maindonald, Braun (2010) Data Analysis and Graphics Using R: An Example-Based Approach. 3rd edition, Cambridge University Press

Wickham (2016), ggplot2. Elegant Graphics for Data Analysis. 2nd Edition, Springer-Verlag

Codice insegnamento P965081511

Decision Theory 2° anno · 6 CFU · SECS-P/01 · 0 file

Il corso si propone di introdurre l’approccio e la metodologia della teoria delle decisioni comportamentale attraverso lo studio dei contributi più rilevanti presenti nella letteratura e dei nuovi temi di ricerca, con…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di introdurre l’approccio e la metodologia della teoria delle decisioni comportamentale attraverso lo studio dei contributi più rilevanti presenti nella letteratura e dei nuovi temi di ricerca, con particolare attenzione alla teoria delle decisioni individuali in condizioni di rischio e incertezza, nei suoi aspetti normativi e descrittivi.

Inoltre, il corso mira a introdurre gli studenti alla metodologia dell’economia sperimentale, considerando alcune delle sue applicazioni in vari ambiti della teoria delle decisioni e coinvolgendo attivamente gli studenti in esperimenti di laboratorio sul processo decisionale.

Riconsiderando alcune delle ipotesi standard relative alle preferenze e alla razionalità — con l’aiuto della metodologia sperimentale — agli studenti verranno forniti gli elementi teorici necessari per interpretare il comportamento dell’agente economico in un contesto decisionale più ampio e articolato.
Alla fine del corso, gli studenti dovrebbero conoscere i principali ambiti di ricerca nel campo delle decisioni comportamentali, nonché i nuovi strumenti teorici e metodologici propri di quest’area di studio.
Dovrebbero essere in grado di valutare criticamente in che modo questi nuovi strumenti influenzano la loro comprensione delle preferenze, della razionalità e dei processi decisionali nei diversi ambiti della teoria economica

Programma

Introduzione: la teoria comportamentale delle decisioni e il modello economico standard. Storia ed evoluzione.
Metodologia: l’economia sperimentale.
Perché è necessaria: vantaggi e costi, il problema metodologico della validità

Il modello della razionalità strumentale.
La scelta in condizioni di rischio e incertezza.
Il modello dell’utilità attesa (EU – Expected Utility), le proprietà della funzione di utilità attesa. L’utilità attesa soggettiva (Subjective Expected Utility): il paradosso di Ellsberg.
Gli atteggiamenti nei confronti del rischio; l’equivalente certo e il premio per il rischio.
Le principali misure di avversione al rischio.
Le funzioni CARA e CRRA.

Linearità nelle probabilità del modello di utilità attesa (EU) e principio di indipendenza.
Il triangolo di Machina.
Violazioni della linearità: il paradosso di Allais e l’effetto del common ratio. La Separabilità.

I principali modelli alternativi all’utilità attesa. Prospect Theory.

Preferenze non separabili: emozioni e regret. L’effetto framing. L’inversione delle preferenze (preference reversal): alcune possibili spiegazioni. L’effetto di dotazione (endowment effect).
Alcune applicazioni economiche di Prospect Theory.

Modalità d'esame

La valutazione consisterà in una presentazione orale di 15 minuti con presentazione di slide e discussione in classe durante il corso, su un argomento scelto dagli studenti.
I dettagli relativi alla struttura dell’esame finale saranno forniti nel corso delle lezioni.

Testi di riferimento

All teaching material will be distributed during the course and made available on the Moodle page of the course

Codice insegnamento ECM0332

Game Theory 2° anno · 6 CFU · SECS-P/06 · 0 file

Introduzione alla teoria dei giochi. Al termine del corso studentesse e studenti avranno conoscenza dei principi della teoria dei giochi non cooperativi relativamente a giochi statici e dinamici, unitamente ad una…

Scheda dell'insegnamento

Obiettivi formativi

Introduzione alla teoria dei giochi. Al termine del corso studentesse e studenti avranno conoscenza dei principi della teoria dei giochi non cooperativi relativamente a giochi statici e dinamici, unitamente ad una introduzione ai giochi di contrattazione, evolutivi e cooperativi.
Studentesse e studenti grazie alla conoscenza dei principi della teoria dei giochi non cooperativi relativamente a giochi statici e dinamici, unitamente ad una introduzione ai giochi di contrattazione, evolutivi e cooperativi, saranno in grado di leggere articoli giornalistici e accademici basati su concetti di teoria dei giochi.

Programma

Giochi statici: forma normale, equilibrio di Nash in strategie pure

Equilibrio di Nash con strategie miste

Giochi dinamici con informazione completa: equilibrio di Nash perfetto nei sottogiochi

Giochi dinamici con informazione incompleta: equilibrio bayesiano

Giochi ripetuti e cooperazione

Cournot, Stackelberg e Bertrand

Giochi di contrattazione

Giochi evolutivi

Giochi cooperativi

Modalità d'esame

L'esame scritto consiste in un quiz comprensivo di 1 domanda a scelta multipla , 1 domanda aperta e 1 esercizio.

Il tempo a disposizione sarà di 1 ora e la valutazione in trentesimi.

Testi di riferimento

Libro
Titolo:
A primer in game theory
Anno pubblicazione:
1992
Editore:
Ft Prentice Hall
Autore:
R. Gibbons,
ISBN
9780745011592
Obbligatorio:

Codice insegnamento ECM0330

Lab Of Networks And Graphs In Data Analysis 2° anno · 3 CFU · SECS-S/06 · 0 file

L’insegnamento si propone, coerentemente con gli obiettivi formativi del Corso di Laurea magistrale in Metodi statistici ed economici per le decisioni , di: 1. fornire le conoscenze di base sui grafi e sull'omologia…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone, coerentemente con gli obiettivi formativi del Corso di Laurea magistrale in Metodi statistici ed economici per le decisioni , di:

1. fornire le conoscenze di base sui grafi e sull'omologia persistente di grafi;

2. mostrare esempi di applicazioni dell'omologia persistente di un grafo a networks in economia e nelle neuroscienze.

L'omologia persistente di grafi è una tecnica dell'analisi topologica di dati il cui utilizzo è diffuso soprattutto nelle neuroscienze. Le applicazioni dirette sono varie soprattutto nel caso dei big data, ossia quando e' necessario lo studio di grandi quantità di dati (ad esempio per la pulizia di dati).

Funzioni in un contesto professionale e sbocchi occupazionali

Il corso consente di acquisire competenze fondamentali per l'analisi dati in tutti i contesti professionali: centri di ricerca epidemiologica, neuroscientifica, demografica, sociale ed economica, nonché nelle assicurazioni e, più in generale, ovunque sia necessaria un'analisi di grandi quantità di dati.
Conoscenza e capacità di comprensione:conoscere le basi della teoria dei grafi e di applicarle per la modellizzazione di semplici problemi; acquisizione dei concetti di base della teoria dei grafi, di omologia persistente di un grafo e di calcolo dell'omologia persistente su modelli semplici.

Conoscenza e capacità di comprensione applicate: capacità di implementare e svolgere sia a mano che su personal computer procedure di simulazione di grafi e di calcolo della loro omologia persistente, nonchè dell'uso di questi metodi per ottenere grafi da dati pre esistenti e calcolarne l'omologia persistente.

Autonomia di giudizio: il corso permette di comprendere come lo studio dei grafi fornisca strumenti per lo studio di problemi economici e sociali che possono essere modellati a partire da dati discreti.

Abilità comunicative: sollecitate attraverso il dialogo a lezione.

Capacità di apprendere: studenti e studentesse saranno in grado di comprendere tanto situazioni concrete quanto contributi tecnici e scientifici sul tema.

Programma

Parte 1 Teoria dei Grafi

1. Concetti introduttivi; Grafi e loro relativi; Le basi;

2. Tipi speciali di grafi e distanza nei grafi;

3. Definizioni e alcune proprietà;

4. Grafi e matrici; Modelli di grafi e distanza;

5. Alberi: definizioni ed esempi; Proprietà degli alberi; Alberi di supporto;

6. Percorsi, circuiti, cammini e cicli: percorsi e circuiti euleriani.

Parte 2 Omologia persistente dei grafi

1. Complessi simpliciali;

2. Clique e complessi di clique;

3. Il k-scheletro di un complesso simpliciale;

4. Filtrazione dei complessi simpliciali e mappa di bordo;

5. Omologia dei complessi simpliciali: l'esempio del grafo;

6. Omologia persistente di grafi e codice a barre di una filtrazione.

Modalità d'esame

L'esame consisterà in un seminario di 20 minuti su un argomento precedentemente concordato con l'insegnante.

Testi di riferimento

Libro
Titolo:
Combinatorics and Graph Theory
Anno pubblicazione:
2008
Editore:
Springer
Autore:
J.M. Harris, J.L. Hirst, M. J. Mossinghoff
ISBN
9780387797710
Obbligatorio:

Codice insegnamento ECM0334

Laboratorio Di Data Visualization 2° anno · 3 CFU · SECS-S/01 · 0 file

In un mondo ormai data driven, la visualizzazione dei dati è un’abilità essenziale richiesta a tutti coloro che si servono della rappresentazione grafica per presentare e raccontare i risultati delle loro analisi. Questo…

Scheda dell'insegnamento

Obiettivi formativi

In un mondo ormai data driven, la visualizzazione dei dati è un’abilità essenziale richiesta a tutti coloro che si servono della rappresentazione grafica per presentare e raccontare i risultati delle loro analisi. Questo non è un insegnamento di analisi statistica o di modelli statistici, bensì un laboratorio che ha come obiettivo principale quello di fornire le conoscenze e gli strumenti per rappresentare in modo corretto, chiaro, attrattivo, efficace e critico i dati. In particolare, il Laboratorio prepara a realizzare grafici statistici tramite la libreria R ggplot2 e a sviluppare applicazioni web interattive tramite il pacchetto R Shiny.
Alla fine del Laboratorio le studentesse e gli studenti saranno in grado di:

  • decidere quali dati visualizzare sulla base del messaggio che vogliono comunicare e del pubblico al quale intendono rivolgersi;
  • individuare le rappresentazioni grafiche più idonee a rappresentare i dati;
  • organizzare i dati per la visualizzazione;
  • realizzare i grafici scelti utilizzando la libreria R ggplot2;
  • creare applicazioni web interattive tramite il pacchetto R Shiny;
  • presentare dal vivo i dati rendendoli il punto cardine di una storia generale (storytelling).

Programma

  • Introduzione alla visualizzazione dei dati;
  • Approcci ed esempi della visualizzazione dei dati;
  • Le rappresentazioni grafiche tramite il pacchetto R ggplot2;
  • Applicazioni web interattive tramite il pacchetto R Shiny;
  • Storytelling.

Modalità d'esame

Le studentesse e gli studenti, suddivisi in piccoli gruppi, dovranno realizzare un’applicazione web interattiva tramite il pacchetto R Shiny utilizzando un dataset reale di grandi dimensioni. I gruppi dovranno consegnare al docente la versione definitiva dell’applicazione prima della sessione estiva degli esami del Corso di Laurea.

Ciascun gruppo presenterà il lavoro al docente del Corso e agli altri gruppi in un’unica giornata durante la sessione estiva degli esami del Corso. La presentazione del lavoro avverrà in presenza.

Testi di riferimento

Non sono segnalati libri di testo. Il materiale didattico di riferimento è costituito dalle dispense e dagli script R prodotti dal docente e pubblicati sulla pagina Moodle dell’insegnamento.

Letture consigliate e siti di riferimento:

  • Alberto Cairo, 2019, How Charts Lie: Getting Smarter about Visual Information, W. W. Norton Company
  • Winston Chang, 2018, R Graphics Cookbook (2nd ed.), [2013], O'Reilly Media, Inc. (edizione on line al link: https://r-graphics.org/)
  • Hadley Wickham, 2016 [2009], ggplot2: Elegant Graphics for Data Analysis (Use R!) (2nd ed.), Springer, New York (3nd edizione on line al link https://ggplot2-book.org/)
  • Shiny by Rstudio; A web application framework for R: https://shiny.rstudio.com/
  • Hadley Wickham, 2020, Mastering Shiny (online version, https://mastering-shiny.org/index.html)
  • Cole Nussbaumer Knaflic, 2020, Storytelling with data: let’s pratice!, Hoboken, New Jersey: John Wiley & Sons, Inc.

Codice insegnamento ECM0224

Laboratorio Di Marketing Research: Modelli A Classi Latenti 2° anno · 3 CFU · SECS-S/01 · 0 file

Coerentemente con gli obiettivi formativi del corso di laurea magistrale, l’insegnamento si propone di fornire agli studenti e alle studentesse le conoscenze teoriche, applicative e di condivisione dei modelli per classi…

Scheda dell'insegnamento

Obiettivi formativi

Coerentemente con gli obiettivi formativi del corso di laurea magistrale, l’insegnamento si propone di fornire agli studenti e alle studentesse le conoscenze teoriche, applicative e di condivisione dei modelli per classi latenti. Le capacità acquisite consentiranno di effettuare in autonomia analisi di dati sia in ambito accademico che lavorativo.
Al termine del corso e coerentemente con gli obiettivi formativi previsti dal corso di studi, lo studente:

  • conoscerà gli strumenti teorici dei modelli per classi latenti, nello specifico i modelli SEM-PLS;
  • sarà in grado di usare la terminologia scientifica di base ai metodi studiati;
  • sarà in grado di applicare gli strumenti teorici affrontati, selezionandoli opportunamente in ragione della degli obiettivi prescelti e dell’informazione disponibile;
  • sarà in grado di interpretare e comunicare (almeno in forma scritta) i risultati delle analisi statistiche prodotte o condivise.

Programma

Il programma è il medesimo per tutti gli studenti e studentesse indipendentemente dalla frequenza alle lezioni frontali.

  • Introduzione ad R (eventuale)
  • Introduzione ai Modelli per classi latenti
  • I modelli SEM-PLS

Modalità d'esame

L'apprendimento sarà verificato con una breve relazione, nella quale gli studenti e le studentesse applicheranno le tecniche di analisi acquisite ad un dataset di loro piacimento. Tale attività potrà svolgersi anche in gruppi (max 5 partecipanti). Le scadenze per le consegne degli elaborati saranno pubblicate su Moodle, indicativamente saranno 8/10 gironi prima dell'appello ufficiale.

Testi di riferimento

Dispense e materiale per sperimentazione gratuiti, curati e forniti dal docente, saranno disponibili su una piattaforma dedicata al supporto on-line alla didattica.

Codice insegnamento ECM0333

Longitudinal Data Modeling 2° anno · 6 CFU · SECS-S/05 · 0 file

In questo insegnamento si imparano i fondamenti metodologici e gli aspetti applicativi più rilevanti dei modelli per dati di durata (anche detti modelli di sopravvivenza) e dei modelli per dati panel. I dati…

Scheda dell'insegnamento

Obiettivi formativi

In questo insegnamento si imparano i fondamenti metodologici e gli aspetti applicativi più rilevanti dei modelli per dati di durata (anche detti modelli di sopravvivenza) e dei modelli per dati panel.

I dati longitudinali sono informazioni che si riferiscono ad un insieme di individui, famiglie, imprese ... che vengono seguiti nel corso del tempo e per i quali si dispone di più informazioni ripetute.

--> I dati longitudinali relativi a variabili qualitative consentono di tracciare "le storie" degli individui rispetto a uno o più aspetti, e quindi di studiare i cambiamenti di stato e la durata di permanenza in un certa condizione.

Esempi: individui

  • la durata della condizione di disoccupazione (prima di un passaggio allo stato di occupato)
  • il tempo intercorso tra formazione della coppie e primo figlio
  • la durata di una malattia (prima della guarigione o del decesso)

Esempi: aziende

  • la durata dell'attività dell'azienda (prima della cessazione)

Esempi: prodotti

  • la durata di vita di un prodotto (prima del guasto)

-> I dati longitudinali di tipo quantitativo, spesso indicati come dati panel, costituiscono la base informativa per studiare fenomeni di varia natura in un'ottica dinamica e consentono spesso di risolvere in modo robusto problemi di endogeneità e problemi di variabili omesse.

Qual è la differenza tra modelli di analisi delle serie storiche (time series analysis) e i modelli per dati longitudinali?
La differenza principale è che le analisi delle serie storiche si riferiscono tipicamente a una singola entità (es: il fatturato di una azienda, il numero di clienti, indicatori economici a livello di paese ... ), mentre i dati longitudinali si riferiscono a dati di molti individui (micro) seguiti nel corso del tempo. Obiettivo dell'analisi delle serie storiche è la previsione, mentre le analisi di dati longitudinali generalmente hanno l'obiettivo di "spiegare" la variabilità della variabile dipendente di interesse in un contesto dinamico, e talvolta di individuare effetti causali.

Funzioni in un contesto professionale e sbocchi occupazionali
Il corso consente di acquisire competenze fondamentali per analizzare dati di durata e dei dati panel in tutti i contesti professionali: centri di ricerca epidemiologica, demografica, sociale ed economica, nonché nelle assicurazioni e nelle aziende dove si effettua il controllo statistico della qualità dei prodotti.
Lo studente dovrà possedere una buona conoscenza degli argomenti trattati ed essere in grado di utilizzare consapevolmente gli strumenti acquisiti. In particolare, dovrà dimostrare di padroneggiare i fondamenti

logici dei modelli per dati di durata (anche detti modelli di sopravvivenza), dei metodi di stima parametrici e semi-parametrici, dell'inclusioni di covariate che variano nel tempo, dei modelli con destinazioni multiple.

Dovrà inoltre essere in grado di scrivere la verosimiglianza completa e parziale in svariati casi applicativi, per modelli in tempo continuo e discreto. Dovrà aver compreso i fondamenti logici dei modelli (statici) per dati panel quantitativi e binari, con particolare rifermento ai modelli a effetti fissi e random, e dei relativi stimatori. Lo studente dovrà inoltre aver acquisito la capacità di interpretare i risultati delle stime dei modelli trattati e di comunicarli efficacemente a un pubblico esperto e non esperto.

Programma

  • Modelli di sopravvivenza:
    Metodi parametrici e non-parametrici.
    Modello semi-parametrico di Cox e piecewise constant.
    Covariate variabili nel tempo.
    Modello a rischi competitivi.
    Modelli di durata per tempo discreto.
  • Modelli statici per l'analisi di dati panel
    Effetti fissi e effetti random e relativi stimatori
    Modelli per dati panel binari

Non ci sono differenze di programma tra frequentanti e non frequentanti.

Modalità d'esame

Verifica scritta della durata di 90 minuti con 3 esercizi semi-strutturati, comprendenti quesiti di carattere teorico, definizione della funzione di verosimiglianza in uno specifico contesto applicativo, interpretazione di risultati di analisi svolte. La parte di interpretazione dei risultati delle analisi avrà un peso sulla valutazione finale pari a circa il 60%, mentre gli aspetti teorico-metodologici pari a circa il 40%.

A fine corso verrà inoltre assegnato un lavoro da svolgere in piccoli gruppi (2-3 persone).
La discussione del lavoro avrà luogo individualmente, in un momento concordato.

Il voto finale sarà la media ponderata dell'esame scritto (che deve essere sufficiente) e dellla discussione dellì lavoro di gruppo, con peso rispettivamente 80% e 20%.

Non ci sono differenze tra frequentanti e non frequentanti.

Testi di riferimento

Box-Steffensmeier, Jones "Event history modeling. A guide far social scientists", Cambridge University Press

Jenkins "Survival analysis", downloadable pdf on
https://www.iser.essex.ac.uk/wp-content/uploads/files/teaching/stephenj/ec968/pdfs/ec968lnotesv6.pdf

Materiale preparato dalla docente (disponibile online sulla piattaforma Moodle)

Codice insegnamento ECM0328

Prova Finale 2° anno · 12 CFU · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento ECO0256

SISTEMI INFORMATIVI 2° anno · 6 CFU · INF/01 · 0 file

L'insegnamento di Sistemi Informativi ha lo scopo di dare una panoramica delle maggiori e più diffuse applicazioni delle basi di dati nel mondo del lavoro e dell'impresa in cui buona parte dei processi aziendali sono…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento di Sistemi Informativi ha lo scopo di dare una panoramica delle maggiori e più diffuse applicazioni delle basi di dati nel mondo del lavoro e dell'impresa in cui buona parte dei processi aziendali sono ormai automatizzati.
A tal fine, il corso introdurrà nozioni basilari Business Process Management (BPM) e consentirà di sperimentare la modellazione di processi di business mediante lo standard Business Process Modeling Notation (BPMN).

Inoltre, l'insegnamento introduce lo studente (studentessa) ai sistemi di pianificazione delle risorse aziendali (Enterprise Resource Planning - ERP), ai sistemi integrati di gestione e profilazione del cliente (CRM), ai sistemi di supporto alla decisione (DSS) e alle piattaforme di Business Intelligence. In particolare, l'insegnamento si focalizzerà sulle Data Warehouse, introducendo una metodologia per la loro progettazione, e presentando le tecniche di analisi on-line dei dati (OLAP).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Acquisizione dei principali amibiti di applicazione dei sistemi informativi in ambito aziendale
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Capacità di progettazione di processi di business supportati dai sistemi informativi. Progettazione ed interrogazione delle Data Warehouse.
AUTONOMIA DI GIUDIZIO: Acquisizione di consapevole autonomia di giudizio con riferimento a
valutazione e interpretazione di dati sperimentali per scelte strategiche in situazioni nuove.
ABILITÀ COMUNICATIVE: Acquisizione di competenze e strumenti per la comunicazione nella forma
scritta e orale, in lingua italiana, unitamente all'utilizzo di linguaggi grafici e formali, quali ad esempio BPMN,e DFM.
CAPACITÀ DI APPRENDIMENTO: Acquisizione di capacità autonome di apprendimento e di
autovalutazione della propria preparazione, atte ad intraprendere gli studi successivi con un alto
grado di autonomia.

Programma

Introduzione ai sistemi informativi aziendali: (Modello organizzativo, modello funzionale, modello informatico), presentazione di alcuni formalismi di progettazione del modello funzionale: Class Diagram UML, DFD, BPMN.

  • Gestione dell'azienda orientata ai processi: passaggio da processi orientati alle risorse a processi orientati alle missioni

Sistemi ERP: Le suite ERP; Paradigma ERP; Piattaforme software; Offerta ERP; Trasformazione dell'impresa

Integrazione con il cliente: i sistemi CRM: paradigma CRM; Ruolo dei sistemi CRM nelle aziende; Schema architetturale;

Piattaforme di Business Intelligence e DSS: Data Warehouse : Livello delle fonti; ETL; Progettazione del sistema di warehousing; Livello di elaborazione: reporting e DSS; Motori di analisi e data mining;

  • Metodologie di progettazione delle Data Warehouse: modello multidimensionale e DFD, gerarchie di aggregazione. Esempi di progettazione di query analitiche con SQL esteso applicato a modelli Star Schema derivati da DFD.

Modalità d'esame

L'esame è composto da due parti.
La prima parte consiste in un progetto di laboratorio in cui lo studente progetta un sistema informativo, un processo aziendale da esso supportato, e una data warehouse correlata.
La seconda parte è una prova orale in cui saranno verificate le competenze metodologiche acquisite dallo studente.

Testi di riferimento

  • G. Bracchi, C. Francalanci, G. Motta, Sistemi informativi d'impresa, McGraw-Hill, Milano, 2010, ISBN: 978-88-386-6328-4
  • M. Golfarelli, S. Rizzi, Data Warehouse - Teoria e pratica della progettazione 2/ed, McGraw-Hill, 2006, ISBN: 9788838662911

Libro di consultazione per la parte di Data Warehouse:

  • Ralph Kimball, Margy Ross, The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, John Wiley & Sons, 2nd Edition, 2002

Libro di consultazione per la parte di Business Process Management:

  • Antonio Di Leva, La Gestione dell'Azienda Basata sui Processi e i Sistemi Informativi Aziendali, Celid, 1st Edition, 2014, ISBN 978-88-6789-017-0

Codice insegnamento P615787594

STATISTICA BAYESIANA 2° anno · 6 CFU · SECS-S/01 · 0 file

L'insegnamento è finalizzato a: arricchire gli strumenti analitici disponibili allo studente, arricchire la sua formazione critica, arricchire la capacità di comprendere e applicare i metodi di statistical learning e…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento è finalizzato a:

  • arricchire gli strumenti analitici disponibili allo studente,
  • arricchire la sua formazione critica,
  • arricchire la capacità di comprendere e applicare i metodi di statistical learning e data mining sempre più basati sull'approccio bayesiano alla statistica e sempre più apprezzati nel mondo del lavoro,
  • arricchire le abilità richieste a futuri Data Analyst e Data Scientist da parte delle moderne aziende pubbliche e private.
    Alla fine dell'insegnamento lo studente saprà:
  • comparare gli approcci classico e bayesiano all'inferenza statistica, comprendere problemi aperti sia nei modelli statistici classici che bayesiani ed esplorare le limitazioni di risultati teorici consolidati nella statistica inferenziale;

-apprezzare i principali benefici dell'approccio bayesiano che consente di tener conto dell'incertezza in maniera migliore, di ottenere risultati dal significato più intuitivo e facile da interpretare e di rendere più esplicite tutte le assunzioni sottostanti alle analisi;

  • leggere, comprendere e applicare le tecniche di base dell'inferenza Bayesiana;
  • discutere e comunicare con linguaggio appropriato i risultati delle inferenze anzidette.

Programma

Temi trattati:

  • logica induttiva bayesiana- distribuzioni a priori
  • distribuzioni a posteriori
  • funzione di verosimiglianza
  • stima puntuale e intervalli di credibilità
  • prova delle ipotesi bayesiana
  • criteri scelta del modello
  • tecniche computazionali e MCMC

Il programma è lo stesso per studenti frequenanti e non frequentanti.

Modalità d'esame

Esame orale comprendente problemi da risolvere e domande di carattere teorico. La valutazione avviene in trentesimi.

Testi di riferimento

In aggiunta a:

-Peter D. Hoff, A first course in Bayesian Statistcal Methods, Springer

si veda anche:

-Jim Albert, Bayesian Computation with R, Springer

Codice insegnamento P715025323

STATISTICA SPAZIALE E AMBIENTALE 2° anno · 6 CFU · SECS-S/01 · 0 file

I fenomeni ambientali, ma non solo, presentano molto spesso una componente temporale e/o spaziale che non può essere trascurata nella loro analisi. L'obiettivo del corso è quello di introdurre lo studente alle tecniche…

Scheda dell'insegnamento

Obiettivi formativi

I fenomeni ambientali, ma non solo, presentano molto spesso una componente temporale e/o spaziale che non può essere trascurata nella loro analisi. L'obiettivo del corso è quello di introdurre lo studente alle tecniche statistiche di descrizione ed analisi dei dati (temporali e) spaziali e di consentire agli studenti di acquisire le competenze tecniche per affrontare il problema della gestione ed elaborazione di dati reali; le lezioni saranno integrate da esercitazioni svolte in R.
Il corso offre agli studenti una rigorosa e aggiornata conoscenza introduttiva delle principali tecniche per l'analisi e la modellazione di dati spaziali con particolare riferimento ai fenomeni ambientali.
Gli studenti apprendono come applicare le tecniche descrittive e modellistiche a problemi reali, grazie anche all'utilizzo di specifici packages per l'analisi di dati spaziali del software statistico R.
Gli studenti apprendono vantaggi e limiti delle metodologie trattate, in modo da saper valutare quali siano gli strumenti più adatti nelle specifiche situazioni da sottoporre ad analisi.
Gli studenti apprendono come organizzare e presentare in forma scritta e orale i risultati di analisi di dati reali.
Il corso consente agli studenti di comprendere le basi su cui si fondano le tecniche di analisi di dati spaziali, per essere in grado di applicare i metodi e gli strumenti acquisiti, per aggiornare ed approfondire i contenuti studiati e per intraprendere studi successivi.

Programma

Introduzione ai dati temporali e spaziali. Tipi di dati spaziali. Analisi esplorativa e visualizzazione grafica.
Introduzione alle serie temporali. Autocorrelazione e cross-correlazione temporali. Decomposizione di una serie storica. Cenni ai modelli per serie storiche.

Dati areali. Struttura di vicinato e matrice di prossimità. Autocorrelazione spaziale: indici globali. Moran scatterplot e indici locali di autocorrelazione spaziale. Regressione multipla classica e diagnostiche dei residui. Modelli per dati areali: Spatial Error Model e Spatial Lag Model. Considerazioni sulla scelta del modello.

Dati geostatistici. Stazionarietà e isotropia. Variogramma: definizione, stima e scelta del modello teorico. Modelli geostatistici: componenti di larga e piccola scala. Previsione spaziale. Incertezza di previsione. Cross-validazione.

Introduzione ai processi spaziali di punto. Tipologie. Completa casualità spaziale (CSR). Intensità. Interazione tra eventi e punti. Funzioni descrittive F, G, K, L. Compatibilità con CSR.

Alcune librerie del software R per la rappresentazione e l'analisi di dati con struttura temporale o spaziale.

Modalità d'esame

Esame scritto seguito da una prova orale. Sono anche previste attività di valutazione formativa in itinere con esercizi da risolvere in gruppo utilizzando il software R e da presentare a fine corso.

Nella prova scritta lo studente sarà chiamato a rispondere a 4 domande aperte concernenti grafici, output o codice R relativi all’analisi di dati reali.

Per gli/le studenti/esse che non avranno consegnato i compiti durante il corso o non avranno partecipato alla presentazione degli stessi a fine corso ci sarà una domanda aggiuntiva specifica di commento ad un blocco di codice R.

Data la complessità organizzativa degli appelli d'esame, si raccomanda di iscriversi con largo anticipo (ALMENO dieci giorni prima dell'appello) e di cancellare la propria iscrizione tempestivamente nel caso non si intenda più partecipare all'esame.

Testi di riferimento

Materiale didattico fornito dal docente sulla pagina Moodle del corso.

Bailey, Gatrell (1995) Interactive Spatial Data Analysis, Longman
Bivand, Pebesma, Gomez-Rubio (2013) Applied Spatial Data Analysis with R (seconda edizione), Springer
Posa, De Iaco (2009) Geostatistica - teoria e applicazioni, Giappichelli

Codice insegnamento P712848336

Seminario Di Tecniche Di Campionamento Statistico 2° anno · 3 CFU · SECS-S/01 · 0 file

Mettere in grado chi segue il corso di progettare indagini campionarie su popolazioni finite in contesti differenti Attraverso l'apprendimento degli argomenti trattati durante il seminario si acquisisce le capacità di:…

Scheda dell'insegnamento

Obiettivi formativi

Mettere in grado chi segue il corso di progettare indagini campionarie su popolazioni finite in contesti differenti
Attraverso l'apprendimento degli argomenti trattati durante il seminario si acquisisce le capacità di: progettare indagini campionarie su popolazioni finite utilizzando tecniche probabilistiche e non probabilistiche, stimare i più importanti parametri della popolazione e valutarne gli errori standard.

Programma

Inferenza da popolazioni infinite e finite. Piani di campionamento probabilistici: casuale semplice, stratificato, a grappoli, a più stadi, sistematico. Stima del totale e della proporzione. Cenni su stimatori per quoziente e di regressione. Definizione della dimensione campionaria. Piani di campionamento specifici utilizzati in contesti differenti. Calibrazione e uso dei pesi.

Modalità d'esame

Test a risposta chiusa su tutte le parti del programma della durata di 20 minuti. Per superare il test bisogna rispondere correttamente ad almeno il 60 percento delle domande.

Testi di riferimento

Estratto delle lezioni fornito dal docente

Codice insegnamento ECM0179

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.