Updated A.Y. 2020-2021
1. Statistica descrittiva
(a) I caratteri, le scale di misura e le rilevazioni
(b) La distribuzione di un carattere e la sua rappresentazione grafica
(c) Sintesi della distribuzione di un carattere: le medie e la variabilità .
(d) Analisi dell’'associazione tra due caratteri
2. Calcolo delle probabilità
(a) Concetti primitivi. Eventi e algebra degli eventi. Postulati. Principali teoremi. Probabilità
condizionata e indipendenza. Il teorema di Bayes.
(b) Variabili casuali e distribuzioni di probabilità. Variabili causali discrete, continue e multiple
OBIETTIVI FORMATIVI: Il corso fornisce i fondamenti teorici delle analisi statistiche di base ed illustra le principali tecniche di organizzazione, rappresentazione grafica, e sintesi dei dati. Inoltre vengono forniti gli strumenti fondamentali per la verifica delle ipotesi sulla base di campioni (Inferenza Statistica) e per un’analisi di correlazione tra due o più variabili (ANOVA, modello di regressione lineare semplice e con più regressori).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Il corso illustra i fondamenti dell'analisi di base di qualsiasi tipo di dato. Al termine del corso gli studenti saranno in grado di discernere tra le diverse tipologie di variabili e di dati, sapranno raggrupparli e descriverli tramite apposite statistiche descrittive e rappresentazioni grafiche. Saranno inoltre in grado di ricordare le nozioni di base della statistica inferenziale e dell'analisi di regressione, applicandole a dataset di piccole dimensioni.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Il corso fornisce gli strumenti necessari per condurre l’analisi statistica di base di qualsiasi tipo di dato, interpretandone correttamente i risultati.
L’utilizzo di esempi ed esercizi basati su dati reali (fonte Eurostati, Istat, NBER, ect…) è centrale per le lezioni e le esercitazioni. Tra le finalità del corso rientrano quindi la capacità di riconoscere dati di natura diversa (dati sezionali, serie storiche e dati panel) e di gestirli correttamente, producendone statistiche descrittive e rappresentazioni grafiche adeguate, nonché di ottenere le stime di modelli di regressione lineari semplici e multipli.
AUTONOMIA DI GIUDIZIO: Al termine del corso gli studenti imparano a capire quali sono le metodologie statistiche più adeguate per l’analisi di base di diverse tipologie di dati. Saranno in grado di formulare ipotesi e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Infine, saranno in grado di condurre un’analisi di regressione di base, modellando la variabile dipendente come funzione lineare di una o più variabili esplicative.
ABILITÀ COMUNICATIVE:
Al termine del corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, gli studenti saranno in grado di descrivere il dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), e sapranno individuare e motivare le tecniche più adeguate per condurre l’analisi. Saranno inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
CAPACITÀ DI APPRENDIMENTO:
Il corso consente allo studente di acquisire una capacità operativa di base in termini di reperimento ed analisi dei dati, funzionale alle fasi di studio e lavorative che succederanno, nonché di valutare in più autonomia le statistiche che vengono fornite quotidianamente dalle varie fonti di informazione.
Updated A.Y. 2020-2021
1. Descriptive Statistics and data analysis
(a) Data structures and sources, variables and their measurement scales
(b) Tables and plots: frequency distributions and graphical representation of data
(c) Measures of central tendency and dispersion.
(d) Measures of association of two variables
2. Probability theory
(a) Basic concepts and set theory. Definition of probability, axioms and theorems. Conditional probability and independence. Bayes' theorem
(b) Random variables and probability distributions. Discrete random variables, continue random variables, multiple random variables.
LEARNING OUTCOMES: The course provides the fundamental theoretical notions of the statistical analysis and illustrates the basic techniques for organizing, summarizing and graphically representing ungrouped data. Basics of statistical inference and correlation analysis (ANOVA, linear and multiple regression model) will also be illustrated.
KNOWLEDGE AND UNDERSTANDING: The students remember and understand the fundamental theoretical notions of the analysis of any type of statistical data, including summarizing, organizing and graphically representing the data with the most suitable measures and graphs. They will also be able to formulate and conduct simple hypothesis testing and to set basic regression analysis on small datasets.
APPLYING KNOWLEDGE AND UNDERSTANDING: The students will be able to produce and interpret basic statistical analyses. The use of examples based on real data (taken from Bank of Italy, Eurostat, Istat, NBER, etc…) is focal throughout the entire course. The objectives of the course, thus, include the ability of recognizing the different types of data (cross-section, time-series, panel) and their peculiarities, the ability of producing descriptive statistics and suitable graphical representations, the ability of remembering and understanding the basics of statistical inference as well as of conducting a correct correlation analysis, via the estimation of linear regression models.
MAKING JUDGEMENTS: The students will be able to autonomously evaluate which, among the several statistical tools acquired, is the most appropriate for the problem at hand. They will be able to formulate statistical hypotheses and to test them with suitable data, properly found among the tons of data available to date. Finally, they will be able to set up a linear regression analysis, evaluating the reliability and suitability of the model based on the estimation output.
