METODI STATISTICI PER IL MANAGEMENT
Syllabus
Obiettivi Formativi
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).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
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
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
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.
AUTONOMIA DI GIUDIZIO:
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.
CAPACITÀ DI APPRENDIMENTO:
Gli studenti potranno accedere alla lettura e alla comprensione di articoli scientifici che utilizzano i metodi multivariati considerati nel programma del corso. Saranno in grado di individuare i metodi più appropriati per rispondere a delle specifiche domande di ricerca.
Learning Objectives
The course provides an introduction to the modelling of economic and management variables using regression and multivariate methods, both in a parametric than a nonparametric framework; the emphasis is on business, marketing and industrial applications. The program will cover models for the analysis of dependence (linear regression, ANOVA, autoregressive model, logit and probit models) and exploratory techniques for data reduction (principal component analysis and clustering analysis).
KNOWLEDGE AND UNDERSTANDING:
Knowledge and understanding of parametric and nonparametric statistical techniques applied to marketing, sales and financial problems. At the end of the course students should be able to understand: (i) how to apply statistical models in a supervised and unsupervised approach; (ii) perfectly know the model’s assumptions and understanding of the tools needed to verify these hypotheses; (iii) understand the model selection techniques and measures of the model prediction capability. In particular, students will manage:
• Linear regression model
• Logit and Probit model
• Analysis of Variance
• Autoregressive model AR(1)
• Cluster Analysis
• Principal Component Analysis
APPLYING KNOWLEDGE AND UNDERSTANDING:
Practical evidence of the concepts will be given with examples using statistical software such as STATA and SAS applied on real datasets. The students will have to practice both in class that with homeworks on the use of specific software so to be able to comment and understand the output.
MAKING JUDGEMENTS:
Students will be able to choose the more appropriate statistical techniques and to select the right set of explanatory variables. On the basis of results obtained, they will be able to give an interpretation about the relationship between the variables under study.
COMMUNICATION SKILLS:
Students will be able to prepare statistical reports using graphs, tables, figures and commenting them.
LEARNING SKILLS:
Students will have access to reading and understanding scientific articles using the multivariate methods considered in the course program. They will be able to identify the most appropriate methods to answer specific research questions.
Prerequisiti
Prerequisites
Programma
1. Definizione di modello statistico
2. Modelli di dipendenza lineari e non lineari
3. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri con il metodo dei minimi quadrati, indice bontà di adattamento R-quadrato, test t, interpretazione dei risultati
4. Regressione lineare multipla: ipotesi, stima dei parametri, indice bontà di adattamento R-quadrato aggiustato, test t ed F, metodi di selezione delle variabili (backward, forward, stepwise); coefficienti standardizzati, multicollinearità, VIF.
5. Modello ANOVA: variabili esplicative qualitative, ipotesi del modello, interpretazione.
6. Modello Logit: ipotesi del modello, stima di Massima verosimiglianza per i parametri, test Z e di Wald, Devianza del Modello, LR test, BIC e AIC.
7. bontà di classificazione, curva SS e curva ROC, AUC.
8. Modello Probit: ipotesi e interpretazione.
Tecniche statistiche per l'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, devianza Within e Between.
3. Metodo non gerarchico: K-medie.
4. Metodi gerarchici: Ward, del legame singolo, medio, completo.
5. Strumenti per identificare soluzioni: dendogramma, pseudo-F, pseudo-Tquadrato, interpretazione.
Modelli per dati longitudinali
1. Ricerca del trend.
2. Regressione lineare per dati temporali: modello AR(1), diagnostica Durbin-Watson, confronto tra modelli (AIC, BIC).
Program
1. Definition of statistical model
2. Linear and nonlinear models
3. Simple linear regression: Hypothesis, interpretation, parameters estimation by MLS, goodness of fit index R-squared, t test.
4. Multiple linear regression: Hypothesis, interpretation, parameters estimation by MLS, Adjusted R-squared, t test and F test, variables selection methods (backward, forward, stepwise); standardized coefficients, multicollinearity, VIF.
5. ANOVA model: qualitative predictors, model assumptions, interpretation.
6. Logit model: Hypothesis, Maximum Likelihood estimators, Z test and Wald’s test, Model deviance, LR test, BIC and AIC.
7. Classification performance, SS curve, ROC curve, AUC.
8. Probit model: Hypotheses and interpretation.
Multivariate methods: Interdependence analysis (unsupervised statistical learning)
1. Principal Component Analysis: Introduction, spectral decomposition, properties of components, components selection, interpretation of results, correlation circle.
2. Cluster Analysis: Introduction, deviance Within and Between.
3. Non hierarchical method: K-means.
4. Hierarchical methods: Ward, single link, complete link, average link.
5. Tools to identify good solutions: dendrogram, pseudo T2 and pseudo F.
Time series models
1. Trend analysis.
2. Linear regression for time series: AR(1) model, Durbin-Watson test, comparison between models (AIC, BIC).
Testi Adottati
• 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
Books
• 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
Bibliografia
Bibliography
Modalità di svolgimento
Teaching methods
Regolamento Esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, gli argomenti sono esposti in modo non coerente e con linguaggio inappropriato;
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico;
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato
Exam Rules
The exam will be assessed according to the following criteria:
Not suitable: important deficiencies and / or inaccuracies in the knowledge and understanding of the topics; limited capacity for analysis and synthesis, frequent generalizations and limited critical and judgment skills, the arguments are presented in an inconsistent way and with inappropriate language;
18-20: just sufficient knowledge and understanding of the topics with possible generalizations and imperfections; sufficient capacity for analysis, synthesis and autonomy of judgment, the topics are frequently exposed in an inconsistent way and with inappropriate / technical language;
21-23: Routine knowledge and understanding of topics; Ability to correct analysis and synthesis with sufficiently coherent logical argument and appropriate / technical language.
24-26: Fair knowledge and understanding of the topics; good analysis and synthesis skills with rigorously expressed arguments but with a language that is not always appropriate / technical.
27-29: Complete knowledge and understanding of the topics; remarkable abilities of analysis and synthesis. Good autonomy of judgment. Topics exposed rigorously and with appropriate / technical language.
30-30L: Excellent level of knowledge and in-depth understanding of the topics. Excellent skills of analysis, synthesis and autonomy of judgment. Arguments expressed in an original way and with appropriate technical language.
Obiettivi Formativi
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).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
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
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
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.
AUTONOMIA DI GIUDIZIO:
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.
CAPACITÀ DI APPRENDIMENTO:
Gli studenti potranno accedere alla lettura e alla comprensione di articoli scientifici che utilizzano i metodi multivariati considerati nel programma del corso. Saranno in grado di individuare i metodi più appropriati per rispondere a delle specifiche domande di ricerca.
Learning Objectives
The course provides an introduction to the modelling of economic and management variables using regression and multivariate methods, both in a parametric than a nonparametric framework; the emphasis is on business, marketing and industrial applications. The program will cover models for the analysis of dependence (linear regression, ANOVA, autoregressive model, logit and probit models) and exploratory techniques for data reduction (principal component analysis and clustering analysis).
KNOWLEDGE AND UNDERSTANDING:
Knowledge and understanding of parametric and nonparametric statistical techniques applied to marketing, sales and financial problems. At the end of the course students should be able to understand: (i) how to apply statistical models in a supervised and unsupervised approach; (ii) perfectly know the model’s assumptions and understanding of the tools needed to verify these hypotheses; (iii) understand the model selection techniques and measures of the model prediction capability. In particular, students will manage:
• Linear regression model
• Logit and Probit model
• Analysis of Variance
• Autoregressive model AR(1)
• Cluster Analysis
• Principal Component Analysis
APPLYING KNOWLEDGE AND UNDERSTANDING:
Practical evidence of the concepts will be given with examples using statistical software such as STATA and SAS applied on real datasets. The students will have to practice both in class that with homeworks on the use of specific software so to be able to comment and understand the output.
MAKING JUDGEMENTS:
Students will be able to choose the more appropriate statistical techniques and to select the right set of explanatory variables. On the basis of results obtained, they will be able to give an interpretation about the relationship between the variables under study.
COMMUNICATION SKILLS:
Students will be able to prepare statistical reports using graphs, tables, figures and commenting them.
LEARNING SKILLS:
Students will have access to reading and understanding scientific articles using the multivariate methods considered in the course program. They will be able to identify the most appropriate methods to answer specific research questions.
Prerequisiti
Prerequisites
Programma
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
Program
1. Definition of statistical model
2. Linear and nonlinear model
3. Classification of models
4. Simple linear regression: Hypothesis, interpretation, parameters estimation, goodness of fit, t test
5. Logit Model: Hypothesis, interpretation, ML estimation, Z test
6. Probit Model: Hypothesis, interpretation, ML estimation, Z test
Multivariate methods I: Statistical Model for dependence (supervised statistical learning)
1. Multiple linear regression: Hypothesis, parameters estimation, goodness of fit, t test and F test,
backward elimination
2. ANOVA model: Hypothesis, interpretation
Multivariate methods II: Interdependence analysis (unsupervised statistical learning)
1. Principal Component Analysis: Introduction, spectral decomposition, properties of components, components selection, interpretation of results, correlation circle
2. Cluster Analysis: Introduction, deviance decomposition, between and within deviance, non hierarchical method (K-means), hierarchical methods (Ward, single link, complete link, average link), dendrogram, optimal solutions, pseudo T2 and pseudo F.
Application: Marketing and Sales
1. forecasting methods: qualitative and quantitative methods
2. Extrapolation models and causal models
3. Search of trend
4. Linear regression for time series: AR(1) model, diagnostics, model selection (AIC, BIC)
Application: Finance and Banking
1. Types of risk
2. Basel II and minimum capital requirements
3. Scoring Model
4. Application of Logit and Probit models over the default probabilities: estimation, z test and LR test,
classification rate, SS curve and ROC curve
Testi Adottati
• 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
Books
• 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
Bibliografia
Bibliography
Modalità di svolgimento
Teaching methods
Regolamento Esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, gli argomenti sono esposti in modo non coerente e con linguaggio inappropriato;
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico;
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato
Exam Rules
The exam will be assessed according to the following criteria:
Not suitable: important deficiencies and / or inaccuracies in the knowledge and understanding of the topics; limited capacity for analysis and synthesis, frequent generalizations and limited critical and judgment skills, the arguments are presented in an inconsistent way and with inappropriate language;
18-20: just sufficient knowledge and understanding of the topics with possible generalizations and imperfections; sufficient capacity for analysis, synthesis and autonomy of judgment, the topics are frequently exposed in an inconsistent way and with inappropriate / technical language;
21-23: Routine knowledge and understanding of topics; Ability to correct analysis and synthesis with sufficiently coherent logical argument and appropriate / technical language.
24-26: Fair knowledge and understanding of the topics; good analysis and synthesis skills with rigorously expressed arguments but with a language that is not always appropriate / technical.
27-29: Complete knowledge and understanding of the topics; remarkable abilities of analysis and synthesis. Good autonomy of judgment. Topics exposed rigorously and with appropriate / technical language.
30-30L: Excellent level of knowledge and in-depth understanding of the topics. Excellent skills of analysis, synthesis and autonomy of judgment. Arguments expressed in an original way and with appropriate technical language.
Obiettivi Formativi
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).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
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
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
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.
AUTONOMIA DI GIUDIZIO:
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.
CAPACITÀ DI APPRENDIMENTO:
Gli studenti potranno accedere alla lettura e alla comprensione di articoli scientifici che utilizzano i metodi multivariati considerati nel programma del corso. Saranno in grado di individuare i metodi più appropriati per rispondere a delle specifiche domande di ricerca.
Learning Objectives
The course provides an introduction to the modelling of economic and management variables using regression and multivariate methods, both in a parametric than a nonparametric framework; the emphasis is on business, marketing and industrial applications. The program will cover models for the analysis of dependence (linear regression, ANOVA, autoregressive model, logit and probit models) and exploratory techniques for data reduction (principal component analysis and clustering analysis).
KNOWLEDGE AND UNDERSTANDING:
Knowledge and understanding of parametric and nonparametric statistical techniques applied to marketing, sales and financial problems. At the end of the course students should be able to understand: (i) how to apply statistical models in a supervised and unsupervised approach; (ii) perfectly know the model’s assumptions and understanding of the tools needed to verify these hypotheses; (iii) understand the model selection techniques and measures of the model prediction capability. In particular, students will manage:
• Linear regression model
• Logit and Probit model
• Analysis of Variance
• Autoregressive model AR(1)
• Cluster Analysis
• Principal Component Analysis
APPLYING KNOWLEDGE AND UNDERSTANDING:
Practical evidence of the concepts will be given with examples using statistical software such as STATA and SAS applied on real datasets. The students will have to practice both in class that with homeworks on the use of specific software so to be able to comment and understand the output.
MAKING JUDGEMENTS:
Students will be able to choose the more appropriate statistical techniques and to select the right set of explanatory variables. On the basis of results obtained, they will be able to give an interpretation about the relationship between the variables under study.
COMMUNICATION SKILLS:
Students will be able to prepare statistical reports using graphs, tables, figures and commenting them.
LEARNING SKILLS:
Students will have access to reading and understanding scientific articles using the multivariate methods considered in the course program. They will be able to identify the most appropriate methods to answer specific research questions.
Prerequisiti
Prerequisites
Programma
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
Program
1. Definition of statistical model
2. Linear and nonlinear model
3. Classification of models
4. Simple linear regression: Hypothesis, interpretation, parameters estimation, goodness of fit, t test
5. Logit Model: Hypothesis, interpretation, ML estimation, Z test
6. Probit Model: Hypothesis, interpretation, ML estimation, Z test
Multivariate methods I: Statistical Model for dependence (supervised statistical learning)
1. Multiple linear regression: Hypothesis, parameters estimation, goodness of fit, t test and F test,
backward elimination
2. ANOVA model: Hypothesis, interpretation
Multivariate methods II: Interdependence analysis (unsupervised statistical learning)
1. Principal Component Analysis: Introduction, spectral decomposition, properties of components, components selection, interpretation of results, correlation circle
2. Cluster Analysis: Introduction, deviance decomposition, between and within deviance, non hierarchical method (K-means), hierarchical methods (Ward, single link, complete link, average link), dendrogram, optimal solutions, pseudo T2 and pseudo F.
Application: Marketing and Sales
1. forecasting methods: qualitative and quantitative methods
2. Extrapolation models and causal models
3. Search of trend
4. Linear regression for time series: AR(1) model, diagnostics, model selection (AIC, BIC)
Application: Finance and Banking
1. Types of risk
2. Basel II and minimum capital requirements
3. Scoring Model
4. Application of Logit and Probit models over the default probabilities: estimation, z test and LR test,
classification rate, SS curve and ROC curve
Testi Adottati
• 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
Books
• 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
Bibliografia
Bibliography
Modalità di svolgimento
Teaching methods
Regolamento Esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, gli argomenti sono esposti in modo non coerente e con linguaggio inappropriato;
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico;
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato
Exam Rules
The exam will be assessed according to the following criteria:
Not suitable: important deficiencies and / or inaccuracies in the knowledge and understanding of the topics; limited capacity for analysis and synthesis, frequent generalizations and limited critical and judgment skills, the arguments are presented in an inconsistent way and with inappropriate language;
18-20: just sufficient knowledge and understanding of the topics with possible generalizations and imperfections; sufficient capacity for analysis, synthesis and autonomy of judgment, the topics are frequently exposed in an inconsistent way and with inappropriate / technical language;
21-23: Routine knowledge and understanding of topics; Ability to correct analysis and synthesis with sufficiently coherent logical argument and appropriate / technical language.
24-26: Fair knowledge and understanding of the topics; good analysis and synthesis skills with rigorously expressed arguments but with a language that is not always appropriate / technical.
27-29: Complete knowledge and understanding of the topics; remarkable abilities of analysis and synthesis. Good autonomy of judgment. Topics exposed rigorously and with appropriate / technical language.
30-30L: Excellent level of knowledge and in-depth understanding of the topics. Excellent skills of analysis, synthesis and autonomy of judgment. Arguments expressed in an original way and with appropriate technical language.
Aggiornato A.A. 2019-2020
Programma
Aggiornato A.A. 2019-2020
Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra
Contenuti
L’insegnamento di Metodi Statistici per il Management affronta lo studio dei principali strumenti
statistici che possono essere utilizzati per analizzare dati interni
(ad es. controllo della qualità, analisi delle vendite, customer satisfaction) o esterni
(ad es. analisi di mercato) alle imprese.
Obiettivi formativi
Il corso si propone di:
i) introdurre le principali tecniche e modelli per l'analisi supervisionata
e non supervisionata di un set di dati;
ii) illustrare l'uso pratico delle metodologie in i) mediante esempi.
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.
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. Modelli ANOVA: costruzione delle variabili, il 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
Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z
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
· G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005
· A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007
Aggiornato A.A. 2018-2019
Programma
Aggiornato A.A. 2018-2019
Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra
Contenuti
L’insegnamento di Metodi Statistici per il Management affronta lo studio dei principali strumenti
statistici che possono essere utilizzati per analizzare dati interni
(ad es. controllo della qualità, analisi delle vendite, customer satisfaction) o esterni
(ad es. analisi di mercato) alle imprese.
Obiettivi formativi
Il corso si propone di:
i) introdurre le principali tecniche e modelli per l'analisi supervisionata
e non supervisionata di un set di dati;
ii) illustrare l'uso pratico delle metodologie in i) mediante esempi.
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.
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. Modelli ANOVA: costruzione delle variabili, il 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
Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z
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
· G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005
· A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007
Aggiornato A.A. 2017-2018
Programma
Aggiornato A.A. 2017-2018
Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra
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. Modelli ANOVA: costruzione delle variabili, il 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
Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z
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
· G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005
· A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007
Aggiornato A.A. 2016-2017
Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra
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. Modelli ANOVA: costruzione delle variabili, il 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
Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z
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
· G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005
· A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007
Aggiornato A.A. 2015-2016
Metodi Statistici per il Management (6 CFU – a.a.2015/2016)
Docenti: Prof. Simone Borra, Prof. Roberto Rocci
Programma
Richiami di Inferenza statistica
1. Elementi di calcolo delle probabilità
2. Variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. Stima puntuale, proprietà degli stimatori, metodi di costruzione
4. Verifica delle ipotesi: definizioni, test Z
5. Intervallo di confidenza: definizioni, intervallo di confidenza Z
Modelli statistici
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
1. La struttura dei dati
2. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F, backward elimination
3. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni
4. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione
5. 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: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)
4. Segmentazione mediante l’analisi dei gruppi: individuazione dei gruppi, descrizione dei gruppi, opportunità di marketing sui singoli gruppi
5. Ricerca di mercato: l’indagine statistica, gli obiettivi, il questionario, la strategia campionaria (campione probabilistico e non), tipo di campionamento (semplice e stratificato), stima di un parametro attraverso un tipo di campione (semplice o stratificato)
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
Verranno svolte applicazioni su dati reali.
Testi di riferimento:
• G. Bonollo, M. Bonollo, Statistica Aziendale. Metodi e applicazioni, McGraw-Hill, 2005, ISBN: 9788838662270
• lucidi a cura dei docenti
Aggiornato A.A. 2014-2015
Metodi Statistici per il Management (5 CFU – a.a.2009/2010)
Docenti: Prof. Simone Borra, Prof. Roberto Rocci
Programma
Richiami di Inferenza statistica
1. Elementi di calcolo delle probabilità
2. Variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. Stima puntuale, proprietà degli stimatori, metodi di costruzione
4. Verifica delle ipotesi: definizioni, test Z
5. Intervallo di confidenza: definizioni, intervallo di confidenza Z
Modelli statistici
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
1. La struttura dei dati
2. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F,
backward elimination
3. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle
componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle
correlazioni
4. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione
5. 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: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)
4. Segmentazione mediante l’analisi dei gruppi: individuazione dei gruppi, descrizione dei
gruppi, opportunità di marketing sui singoli gruppi
5. Ricerca di mercato: l’indagine statistica, gli obiettivi, il questionario, la strategia
campionaria (campione probabilistico e non), tipo di campionamento (semplice e
stratificato), stima di un parametro attraverso un tipo di campione (semplice o stratificato)
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 Verranno svolte applicazioni su dati reali.
Testi di riferimento:
• G. Bonollo, M. Bonollo, Statistica Aziendale. Metodi e applicazioni, McGraw-Hill, 2005,
ISBN: 9788838662270
• lucidi a cura dei docenti
Letture consigliate:
• P. Giudici, Data Mining, McGraw-Hill, 2005, ISBN: 9788838672125