Syllabus
Aggiornato A.A. 2018-2019
Introduzione
Il corso di Metodi Statistici per il Management fornisce allo studente un'introduzione alla modellizzazione delle variabili economiche e gestionali utilizzando metodi di regressione e tecniche multivariate, sia parametriche che non parametriche; l'accento è posto sulle applicazioni commerciali, di marketing e industriali (ad es. controllo della qualità, analisi delle vendite, customer satisfaction, analisi di mercato). Il programma riguarda i modelli di supervised statistical learning correntemente utilizzati per l'analisi della dipendenza (regressione lineare, ANOVA, modello autoregressivo, modelli logit e probit) e le tecniche di unsupervised statistical learning utilizzate per l’esplorazione e la riduzione dei dati (analisi in componenti principali e analisi dei gruppi).
Pre-requisiti
Conoscenza di base della statistica descrittiva, del calcolo delle probabilità, delle variabili casuali (definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli) e dell’inferenza statistica (stima puntuale, proprietà degli stimatori, metodi di costruzione, verifica delle ipotesi: definizioni, test Z, intervallo di confidenza: definizioni, intervallo di confidenza Z). Durante le lezioni saranno richiamate alcune delle sopra citate nozioni base.
Obiettivi di apprendimento
Conoscenza e comprensione di tecniche statistiche parametriche e non parametriche applicate a problemi di marketing, previsione delle vendite e problemi finanziari. Alla fine del corso gli studenti dovrebbero essere in grado di comprendere: (i) come applicare modelli statistici in un approccio supervisionato e non supervisionato; (ii) conoscere le assunzioni e saper formulare ipotesi in merito ad un modello insieme alla conoscenza/comprensione degli strumenti necessari per verificare queste ipotesi; (iii) comprendere le tecniche di selezione del modello e le misure della capacità di previsione del modello. In particolare, gli studenti sapranno dominare:
• Il Modello di regressione lineare
• Il Modello Logit e Probit
• L’Analisi della varianza (ANOVA)
• Il Modello autoregressivo AR (1)
• L’Analisi dei gruppi
• L’Analisi delle componenti principali
Applicazione delle conoscenze
Attraverso esempi su insiemi di dati reali e l’utilizzo di software statistici come STATA e SAS, verranno mostrate diverse applicazioni dei concetti illustrati a lezione. Agli studenti verrà richiesto di esercitarsi, sia in classe sia a casa, applicando le metodologie statistiche a insiemi di dati e fornendo un commento e una interpretazione dei risultati ottenuti.
Capacità critica
Gli studenti saranno in grado di scegliere le tecniche statistiche più appropriate e di selezionare il giusto set di variabili esplicative. Sulla base dei risultati ottenuti, saranno in grado di fornire un'interpretazione sulla relazione tra le variabili oggetto di studio. Gli studenti aumenteranno la capacità di analizzare in modo critico e oggettivo situazioni concrete, fenomeni reali e casi di studio.
Abilità comunicative
Gli studenti saranno in grado di preparare report statistici utilizzando grafici, tabelle, figure e più in generale output di software statistico e di corredarli con commenti appropriati.
Modalità didattiche
Le lezioni prevedono la presentazione e discussione in aula di casi aziendali riguardanti
l’impiego della metodologia statistica a supporto del sistema decisionale.
Modalità di verifica
Si verificherà la preparazione dello studente attraverso un esame finale consistente in un test composto da domande a risposta multipla e domande a risposta aperta. Le domande verteranno principalmente sulle ipotesi alla base dei modelli statistici, sull’interpretazione degli output, sulle proprietà di alcuni indici statistici. Per ciascuna domanda a risposta chiusa sarà dato come punteggio 1 se corretta, 0 se errata; a ciascuna domanda a risposta aperta sarà dato un punteggio tra 0 e 2; la valutazione finale sarà proporzionalmente riportata in trentesimi. Lo studente potrà/dovrà rivedere/commentare il suo compito con il professore e al termine di questo sarà formulata la valutazione finale.
Programma
Modelli statistici per l'analisi della dipendenza (supervised statistical learning)
1. Definizione di modello statistico
2. Modelli lineari e non lineari
3. Classificazione dei modelli
4. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri, bontà di adattamento, test t
5. Modello Logit: ipotesi, interpretazione, stima ML dei parametri, test Z
6. Modello Probit: ipotesi, interpretazione, stima ML dei parametri, test Z
Statistica multivariata I: analisi della dipendenza (supervised statistical learning)
1. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F,
backward elimination
2. Modello ANOVA: costruzione del modello, interpretazione
Statistica multivariata II: analisi della interdipendenza (unsupervised statistical learning)
1. Analisi in Componenti Principali: definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni
2. Analisi dei Gruppi: Obiettivi e dati, decomposizione della devianza, metodo non gerarchico (K-medie), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma, scelta del numero di gruppi
Applicazioni: Marketing e Vendite
1. Metodi previsionali: metodi qualitativi, quantitativi
2. Modelli estrapolativi e causali
3. Ricerca del trend
4. Regressione lineare per dati temporali: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)
Applicazioni: Mercati finanziari e Banking
1. Tipi di rischio
2. Basilea II e il requisito patrimoniale
3. Modelli di scoring
4. Applicazione dei modelli Logit e Probit per la previsione dei default: stima, test z e LR,
bontà di classificazione, curva SS e curva ROC
Testi di riferimento
• lucidi a cura dei docenti
• L. Biggeri, M. Bini, A. Coli, L. Grassini, M. Maltagliati. Statistica per le decisioni aziendali. Pearson, 2012
• De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007
• Cerioli, S. Zani. Analisi dei dati e data mining per le decisioni aziendali, Giuffrè, 2007