Updated A.Y. 2022-2023
Il modello di regressione lineare con uno (revisione) o più regressori
Assunzioni del modello lineare e relativa Diagnostica
Inferenza
Valutazione di studi basati sulla regressione
Regressioni per serie storiche e previsioni
Effetti causali dinamici
LIBRO DI TESTO: Introduzione all'Econometria, James H. Stock e Mark W. Watson (5a ed.).
OBIETTIVI FORMATIVI:
Il corso fornisce le basi dell'analisi statistica ed econometrica di dati sezionali e serie storiche, evidenziandone le potenzialità̀ applicative in ambito economico e finanziario.
Si presenta il modello di regressione lineare, nella sua versione semplice e con più regressori, e lo stimatore dei Minimi Quadrati Ordinari, con relative assunzioni e proprietà. Con riferimento alle serie storiche, il corso introduce le nozione di autocorrelazione, di non-stazionarietà e di eteroschedasticità, analizzandone le conseguenze in termini di stima di modelli di regressione e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione.
Durante il corso, gli studenti e le studentesse saranno sollecitatie, mediante esercitazioni e l'utilizzo di appropriati software, ad applicare le nozioni teoriche e metodologiche al fine di risolvere problemi empirici nell'analisi di dati reali di natura macro e micro economica.
Il corso sviluppa le competenze digitali relative allo standard europeo DIGCOMP 2.1 (Area di competenze 1: Alfabetizzazione su informazioni e dati; Area di competenze 2: Comunicazione e collaborazione; Area di competenze 3: Creazione di contenuti digitali)
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Conoscenza dei tipi di dati e delle relative tecniche di analisi univariate, mediante regressione lineare semplice, regressione lineare multipla, introduzione alle serie storiche.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Capacità di selezionare i più opportuni modelli di analisi dei dati e della relazione tra variabili in ambito economico, finanziario ed aziendale, a seconda del tipo di dato e della domanda di ricerca che si pone.
AUTONOMIA DI GIUDIZIO:
Saper valutare quali sono le fonti migliori dei dati, laddove disponibili, e saper organizzare una raccolta dati attendibile in caso contrario. Elaborazione ed interpretazione critica dei dati di natura quantitativa e qualitativa, relativi a fenomeni economici, finanziari ed aziendali. Analisi e valutazione di documenti della statistica ufficiale nazionale e internazionale, di articoli scientifici contenenti informazione statistica, di casi di studio.
ABILITÀ COMUNICATIVE:
Capacità di individuare e presentare in modo comprensibile ed efficace il metodo empirico utilizzato per la risoluzione di problemi/casi di studio di natura economica, finanziaria e/o aziendale nonchè i relativi risultati ottenuti dall'analisi dei dati, anche mediante rappresentazioni grafiche e tabellari.
CAPACITÀ DI APPRENDIMENTO:
Capacità di apprendere autonomamente tecniche di analisi dei dati anche più avanzate e sofisticate, eventualmente necessarie in attività professionali o studi successivi, utilizzando gli strumenti appresi durante il corso.
Updated A.Y. 2022-2023
Simple (revision) and multiple linear regression model
Assumptions and diagnosis
Inference
Internal and external validity
Regression analysis and forecasts of time-series
Dynamic causal effects
TEXTBOOK: Introduction to Econometrics, James H. Stock and Mark W. Watson (fifth edition)
LEARNING OUTCOMES:
The course lays the fundamentals for the statistical and econometric analysis of both sectional and time series data, highlighting the potential applications to economic and financial research questions.
Contents cover the Linear Regression Model, in both simple and multiple specification, with its assumptions and properties. As for the time-series analysis, the course introduces the notions of auto-correlation, heteroskedasticity and non-stationarity, analyzing the consequences in terms of model estimation outcomes and illustrating how to properly deal with those features in the data analysis.
Practices, coupled with the use of statistical software for the analysis of real-world data, will allow students to gain their abilities in collecting, analyzing, and interpreting macro and microdata.
The course also develops digital competencies as of EU DIGCOMP 2.1 (Competence area 1: Information and data literacy; Competence area 2: Communication and collaboration; Competence area 3: Digital content creation).
KNOWLEDGE AND UNDERSTANDING
Knowledge of data types and related univariate analysis techniques, including simple linear regression model, multiple linear regression model, and time-series models.
APPLYING KNOWLEDGE AND UNDERSTANDING
Ability to select appropriate data analysis methods and to analyze relationships among variables in economics, finance, and management.
MAKING JUDGMENTS:
Ability to collect, use and critically interpret quantitative and qualitative data related to economics, finance and management, achieved through the analysis of documents issued by official national and international statistics, scientific articles on statistical
methods and applications, and case studies.
COMMUNICATION SKILLS
Ability to spot and present the most suitable empirical framework for the analysis based on the nature of the data at hand and effective communication of data analysis results, also by means of graphs and tables.
LEARNING SKILLS:
Ability to learn autonomously further data analysis techniques, in professional activities or subsequent studies, achieved through the analysis of econometric methods applied in economics, finance, and management.
