EN
IT
Obiettivi Formativi
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.
Learning Objectives
LEARNING OUTCOMES:
The course lays the foundamentals 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, analysing 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 micro data.
The course also develops digital competences as of EU DIGCOMP 2.1 (Competence area1: 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, time-series models.
APPLYING KNOWLEDGE AND UNDERSTANDING
Ability in selecting appropriate data analysis methods, and in analyzing relationships among variables in economics, finance and management.
MAKING JUDGMENTS:
Ability in collecting, using and critically interpreting 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, 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.
Prerequisiti
Analisi dei Dati e di Statistica Descrittiva, Probabilità e Inferenza. ANOVA
Prerequisites
Data Analysis and Descriptive Statistics, Probability and Inference. ANOVA
Programma
Regressione lineare, semplice e con regressori multipli.
Assunzioni del modello lineare
Diagnostica
Inferenza
Valutazione di studi basati sulla regressione
Regressioni per serie storiche e previsioni
Effetti causali dinamici
Program
Linear Regression Model, both simple and with multiple regressors
Assumptions and Diagnosis
Inference
Internal and External Validity
Regression Analysis of Economic Time Series Data
Dynamic Causal Effects
Testi Adottati
James H. Stock and Mark W. Watson (5a ed.). Introduzione all'Econometria
Books
James H. Stock and Mark W. Watson (fifth edition), Introduction to Econometrics
Modalità di svolgimento
Il corso è strutturato su lezioni frontali (3 appuntamenti settimanali di 2 ore ciascuno) più 2 ore di esercitazione, per 6 settimane, durante le quali sarà fortemente incentivata la partecipazione attiva degli studenti.
Teaching methods
During the whole duration of the course (6 weeks), there will be 3 weekly classes of 2 hours each, and 1 practice of 2 hours.
In all appointments, an active participation to the class will be strongly encouraged.
Regolamento Esame
La prova scritta verte su tutto il programma trattato.
La struttura dell'esame include domande, sia di natura teorica che di natura empirica, in formato aperte, chiuse e/o a risposta multipla, volte a valutare sia la conoscenza delle nozioni teoriche fornite durante il corso, sia la capacità di applicarle a dati reali. Alcune domande includeranno rappresentazioni grafiche ed output di stima del software statistico utilizzato, al fine di valutare la comprensione delle stesse e la capacità interpretativa acquisite dallo studente.
La valutazione finale viene espressa in trentesimi. Gli studenti passano l'esame con una valutazione finale non inferiore a 18.
Exam Rules
The final written exam is a closed-book exam, consisting of both theoretical and empirical questions covering the entire program of the course. Questions can be both open and multiple choice and can feature graphs and estimation output, with the aim to evaluate the ability of the student to interpret the final results of a rea-world dataset.
Final evaluation ranges between 18 and 30. Scores lower than 18 will be recorded as Fail.