Syllabus
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: introdurre gli studenti all'uso dei software R, MATLAB, Stata e Python per l'analisi empirica in campo economico.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
Learning Objectives
LEARNING OUTCOMES: The aim of this course is to acquaint students with the basics of R, MATLAB, Stata and Python and their usage in applied economics.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
Prerequisiti
Non ci sono prerequisiti per frequentare questo insegnamento.
Prerequisites
There are no prerequisites for this course.
Programma
Nel primo modulo, vengono introdotti R e MATLAB (24 ore), considerando, in particolare, l'importazione ed esportazione dei dati, i comandi grafici, le statistiche descrittive, le funzioni per variabili casuali e la stima con il metodo della verosimiglianza.
Nel secondo modulo, vengono introdotti Stata e Python (24 ore).
Stata: elementi di base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), mappe.
Python: elementi di base, funzioni e oggetti, strutture dati, visualizzazione dei dati, applicazioni di python su modelli economici.
Nel secondo modulo, vengono introdotti Stata e Python (24 ore).
Stata: elementi di base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), mappe.
Python: elementi di base, funzioni e oggetti, strutture dati, visualizzazione dei dati, applicazioni di python su modelli economici.
Program
During the first module, R and MATLAB (24 hours) are introduced and, in particular, data import and export, plotting commands, descriptive statistics, functions for random variables and the likelihood approach.
During the first module, Stata and Python (24 hours) are introduced.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrices, branching and looping), descriptives (graphs and tables), maps.
Python: python essentials, functions and objects, data structures, data visualization, some applications of python on economic models.
During the first module, Stata and Python (24 hours) are introduced.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrices, branching and looping), descriptives (graphs and tables), maps.
Python: python essentials, functions and objects, data structures, data visualization, some applications of python on economic models.
Testi Adottati
I materiali delle lezioni (slides, file di dati, script) saranno disponibili sul sito del corso.
Books
All the material (slides, data files, scripts) will be posted on the course webpage.
Bibliografia
Letture suggerite
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
Primo modulo
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
Secondo modulo
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
Primo modulo
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
Secondo modulo
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Bibliography
Suggested readings
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
First module
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
Second module
- Microeconometrics Using Stata, A. C. Cameron and P. K. Trivedi, Stata press
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
First module
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
Second module
- Microeconometrics Using Stata, A. C. Cameron and P. K. Trivedi, Stata press
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Modalità di svolgimento
Le lezioni si tengono nel laboratorio informatico due volte la settimana. Gli studenti potranno utilizzare i propri dispositivi.
Verranno pubblicati dei materiali didattici (slide e script) prima e dopo le lezioni.
Verranno pubblicati dei materiali didattici (slide e script) prima e dopo le lezioni.
Teaching methods
Lectures are held in the computer lab twice a week. Students can use their own devices.
Teaching materials (slides and scripts) will be provided before and after the lectures.
Teaching materials (slides and scripts) will be provided before and after the lectures.
Regolamento Esame
L'esame consiste in una prova pratica, in presenza, sulle tre parti del corso: R/Matlab, Stata e Python. Bisogna ottenere una valutazione positiva in tutte le parti per superare l'esame. L'esito dell'esame è una singola idoneità, che viene comunicata immediatamente. Risultati parzialmente positivi non esonerano dalle singole parti del corso in nessun caso.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Alla fine di ciascun modulo, si terrà una verifica intermedia, relative rispettivamente ad R/Matlab e STATA. La valutazione positiva a queste prove esonera lo studente per le medesime parti dell'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame.
Criteri per la formulazione del giudizio
- Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; frequenti difficoltà nella stesura dei codici.
- Idoneo: conoscenza degli argomenti e autonomia nello scrivere codici almeno sufficiente.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Alla fine di ciascun modulo, si terrà una verifica intermedia, relative rispettivamente ad R/Matlab e STATA. La valutazione positiva a queste prove esonera lo studente per le medesime parti dell'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame.
Criteri per la formulazione del giudizio
- Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; frequenti difficoltà nella stesura dei codici.
- Idoneo: conoscenza degli argomenti e autonomia nello scrivere codici almeno sufficiente.
Exam Rules
The exam consists of a practical test, in presence, on the three parts of the course: R/Matlab, Stata and Python. It is necessary to obtain a positive evaluation for all the three parts to pass the exam. The result of the exam is a single mark (pass or fail), and it is immediately communicated to the student. Partially positive results don't give any exemption on single parts of the course.
Students who withdraw or fail an exam may take the exam again in the same exam session.
At the end of each module, an intermediate test will be held to verify the students' achievements, respectively about the R/Matlab and STATA parts. A positive evaluation for these tests will guarantee an exemption for the same parts from the final exam. The exemption will remain valid for the entire academic year.
Students must book the exam through Delphi and be present on the exam date.
Criteria for the formulation of the evaluation
- Fail: significant deficiencies in knowledge and understanding of the topics; frequent difficulties in writings codes.
- Pass: at least a sufficient knowledge of the topics and autonomy in writing codes.
Students who withdraw or fail an exam may take the exam again in the same exam session.
At the end of each module, an intermediate test will be held to verify the students' achievements, respectively about the R/Matlab and STATA parts. A positive evaluation for these tests will guarantee an exemption for the same parts from the final exam. The exemption will remain valid for the entire academic year.
Students must book the exam through Delphi and be present on the exam date.
Criteria for the formulation of the evaluation
- Fail: significant deficiencies in knowledge and understanding of the topics; frequent difficulties in writings codes.
- Pass: at least a sufficient knowledge of the topics and autonomy in writing codes.
Modalità di frequenza
La frequenza non è obbligatoria ma fortemente consigliata.
Attendance Rules
Attendance is not compulsory, but strongly recommended.
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: introdurre gli studenti all'uso dei software R, MATLAB, Stata e Python per l'analisi empirica in campo economico.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
Learning Objectives
LEARNING OUTCOMES: The aim of this course is to acquaint students with the basics of R, MATLAB, Stata and Python and their usage in applied economics.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
ANTONIO PARISI
Prerequisiti
Non ci sono prerequisiti per frenquare il corso.
Prerequisites
There are no prerequisites for students to attend this course.
Programma
Nel primo modulo, vengono introdotti R e MATLAB (24 ore), considerando, in particolare, l'importazione ed esportazione dei dati, i comandi grafici, le statistiche descrittive, le funzioni per variabili casuali, la stima con il metodo della verosimiglianza e il modello di regressione.
Program
During the first module, R and MATLAB (24 hours) are introduced and, in particular, data import and export, plotting commands, descriptive statistics, functions for random variables, the likelihood approach and the regression model.
Testi Adottati
I materiali delle lezioni (slides, file di dati, script) saranno disponibili sul sito del corso.
Books
All the material (slides, data files, scripts) will be posted on the course webpage.
Bibliografia
Letture suggerite
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
Bibliography
Suggested readings
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
Modalità di svolgimento
Le lezioni si tengono nel laboratorio informatico due volte la settimana. Gli studenti potranno utilizzare i propri dispositivi.
Verranno pubblicati dei materiali didattici (slide e script) prima e dopo le lezioni.
Verranno pubblicati dei materiali didattici (slide e script) prima e dopo le lezioni.
Teaching methods
Lectures are held in the computer lab twice a week. Students can use their own devices.
Teaching materials (slides and scripts) will be provided before and after the lectures.
Teaching materials (slides and scripts) will be provided before and after the lectures.
Regolamento Esame
L'esame consiste in una prova pratica, in presenza, sulle tre parti del corso: R/Matlab, Stata e Python. Bisogna ottenere una valutazione positiva in tutte le parti per superare l'esame. L'esito dell'esame è una singola idoneità, che viene comunicata immediatamente. Risultati parzialmente positivi non esonerano dalle singole parti del corso in nessun caso.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Alla fine del primo modulo, si terrà una verifica intermedia sulla parte relativa ad R e Matlab. La valutazione positiva a questa prova esonera lo studente per la stessa parte dall'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame.
Criteri per la formulazione del giudizio
- Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; frequenti difficoltà nella stesura dei codici.
- Idoneo: conoscenza degli argomenti e autonomia nello scrivere codici almeno sufficiente.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Alla fine del primo modulo, si terrà una verifica intermedia sulla parte relativa ad R e Matlab. La valutazione positiva a questa prova esonera lo studente per la stessa parte dall'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame.
Criteri per la formulazione del giudizio
- Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; frequenti difficoltà nella stesura dei codici.
- Idoneo: conoscenza degli argomenti e autonomia nello scrivere codici almeno sufficiente.
Exam Rules
The exam consists of a practical test, in presence, on the three parts of the course: R/Matlab, Stata and Python. It is necessary to obtain a positive evaluation for all the three parts to pass the exam. The result of the exam is a single mark (pass or fail), and it is immediately communicated to the student. Partially positive results doesn't give any exemption on single parts of the course.
Students who withdraw or fail an exam may take the exam again in the same exam session.
At the end of the first module, an intermediate test will be held to verify the students' achievements about the R/Matlab part. A positive evaluation for this test will guarantee an exemption for the same part from the final exam. The exemption will remain valid for the entire academic year.
Students must book the exam through Delphi and be present on the exam date.
Criteria for the formulation of the evaluation
- Fail: significant deficiencies in knowledge and understanding of the topics; frequent difficulties in writings codes.
- Pass: at least a sufficient knowledge of the topics and autonomy in writing codes.
Students who withdraw or fail an exam may take the exam again in the same exam session.
At the end of the first module, an intermediate test will be held to verify the students' achievements about the R/Matlab part. A positive evaluation for this test will guarantee an exemption for the same part from the final exam. The exemption will remain valid for the entire academic year.
Students must book the exam through Delphi and be present on the exam date.
Criteria for the formulation of the evaluation
- Fail: significant deficiencies in knowledge and understanding of the topics; frequent difficulties in writings codes.
- Pass: at least a sufficient knowledge of the topics and autonomy in writing codes.
Modalità di frequenza
La frequenza non è obbligatoria ma fortemente consigliata.
Attendance Rules
Attendance is not compulsory, but strongly recommended.
FRANCESCA MARAZZI
Prerequisiti
Non ci sono prerequisiti per questo corso.
Prerequisites
There are no prerequisites for this course.
Programma
Nel secondo modulo, vengono introdotti Stata e Python (24 ore).
Stata: elementi di base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), stima ed interpretazione del modello di regressione lineare.
Python: elementi di base, funzioni e oggetti, strutture dati, visualizzazione dei dati, applicazioni di python su modelli economici.
Stata: elementi di base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), stima ed interpretazione del modello di regressione lineare.
Python: elementi di base, funzioni e oggetti, strutture dati, visualizzazione dei dati, applicazioni di python su modelli economici.
Program
During the second module, Stata and Python (24 hours) are introduced.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrices,
branching and looping), descriptives (graphs and tables), estimation and interpretation of
the linear regression model.
Python: python essentials, functions and objects, data structures, data visualization, some
applications of python on economic models.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrices,
branching and looping), descriptives (graphs and tables), estimation and interpretation of
the linear regression model.
Python: python essentials, functions and objects, data structures, data visualization, some
applications of python on economic models.
Bibliografia
Letture suggerite
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Bibliography
Suggested readings
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics Using Stata, A. C. Cameron and P. K. Trivedi, Stata press
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics Using Stata, A. C. Cameron and P. K. Trivedi, Stata press
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: introdurre gli studenti all'uso dei software R, MATLAB, Stata e Python per l'analisi empirica in campo economico.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
Learning Objectives
LEARNING OUTCOMES: The aim of this course is to acquaint students with the basics of R, MATLAB, Stata and Python and their usage in applied economics.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
ANTONIO PARISI
Prerequisiti
NESSUNA
Prerequisites
NONE
Programma
Nel primo modulo, vengono introdotti R e MATLAB (24 ore), considerando, in particolare, l'importazione ed esportazione dei dati, i comandi grafici, le statistiche descrittive, le funzioni per variabili casuali, la stima con il metodo della verosimiglianza e il modello di regressione.
Program
During the first module, R and MATLAB (24 hours) are introduced and, in particular, data import and export, plotting commands, descriptive statistics, functions for random variables, the likelihood approach and the regression model.
Testi Adottati
I materiali delle lezioni (slides, file di dati, script) saranno disponibili sul sito del corso.
Books
All the material (slides, data files, scripts) will be posted on the course webpage.
Bibliografia
Letture suggerite
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
Bibliography
Suggested readings
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
Regolamento Esame
L'esame consiste in una prova pratica, in presenza, sulle tre parti del corso: R/Matlab, Stata e Python. Bisogna ottenere una valutazione positiva in tutte le parti per superare l'esame. L'esito dell'esame è una singola idoneità, che viene comunicata immediatamente. Risultati parzialmente positivi non esonerano dalle singole parti del corso in nessun caso.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Durante le lezioni, si terranno alcune verifiche intermedie sull'apprendimento degli studenti. La valutazione positiva per una o più parti esonera lo studente per le stesse parti dall'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Gli studenti che non ottengono una valutazione positiva in tutte le tre parti dovranno sostenere l'esame finale su tutte le parti del corso nel quale non hanno ottenuto una valutazione positiva.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame. Lo stesso vale anche per gli studenti che ottengano un risultato positivo a tutte le prove intermedie.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Durante le lezioni, si terranno alcune verifiche intermedie sull'apprendimento degli studenti. La valutazione positiva per una o più parti esonera lo studente per le stesse parti dall'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Gli studenti che non ottengono una valutazione positiva in tutte le tre parti dovranno sostenere l'esame finale su tutte le parti del corso nel quale non hanno ottenuto una valutazione positiva.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame. Lo stesso vale anche per gli studenti che ottengano un risultato positivo a tutte le prove intermedie.
Exam Rules
The exam consists of a practical test, in presence, on the three parts of the course: R/Matlab, Stata and Python. It is necessary to obtain a positive evaluation for all the three parts to pass the exam. The result of the exam is a single mark (pass or fail), and it is immediately communicated to the student. Partially positive results doesn't give any exemption on single parts of the course.
Students who withdraw or fail an exam may take the exam again in the same exam session.
During the period of the lessons, some intermediate tests will be held to verify the students' achievements. A positive evaluation in one or more parts will guarantee an exemption for those parts from the final exam. The exemption will remain valid for the entire academic year.
Students that don't obtain a positive evaluation in all the three parts will have to sit the final exam for all the parts in which they failed.
Students must book the exam through Delphi and be present on the exam date. The same also hold for students that obtain a positive evaluation to all the intermediate tests.
Students who withdraw or fail an exam may take the exam again in the same exam session.
During the period of the lessons, some intermediate tests will be held to verify the students' achievements. A positive evaluation in one or more parts will guarantee an exemption for those parts from the final exam. The exemption will remain valid for the entire academic year.
Students that don't obtain a positive evaluation in all the three parts will have to sit the final exam for all the parts in which they failed.
Students must book the exam through Delphi and be present on the exam date. The same also hold for students that obtain a positive evaluation to all the intermediate tests.
Modalità di frequenza
La frequenza non è obbligatoria ma fortemente consigliata.
Attendance Rules
Not compulsory, but strongly recommended.
FRANCESCA MARAZZI
Programma
Nel secondo modulo, vengono introdotti Stata e Python (24 ore).
Stata: elementi di base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), stima ed interpretazione del modello di regressione lineare.
Python: elementi di base, funzioni e oggetti, strutture dati, visualizzazione dei dati, applicazioni di python su modelli economici.
Stata: elementi di base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), stima ed interpretazione del modello di regressione lineare.
Python: elementi di base, funzioni e oggetti, strutture dati, visualizzazione dei dati, applicazioni di python su modelli economici.
Program
During the first module, Stata and Python (24 hours) are introduced.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrices, branching and looping), descriptives (graphs and tables), estimation and interpretation of the linear regression model.
Python: python essentials, functions and objects, data structures, data visualization, some applications of python on economic models.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrices, branching and looping), descriptives (graphs and tables), estimation and interpretation of the linear regression model.
Python: python essentials, functions and objects, data structures, data visualization, some applications of python on economic models.
Bibliografia
Letture suggerite
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Bibliography
Suggested readings
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics Using Stata, A. C. Cameron and P. K. Trivedi, Stata press
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Microeconometrics Using Stata, A. C. Cameron and P. K. Trivedi, Stata press
- Python for Everybody, Exploring Data using Python 3, by Charles Severance
- Stata documentation (any version)
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: introdurre gli studenti all'uso dei software R, MATLAB, Stata e Python per l'analisi empirica in campo economico.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
Learning Objectives
LEARNING OUTCOMES: The aim of this course is to acquaint students with the basics of R, MATLAB, Stata and Python and their usage in applied economics.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
Prerequisiti
È necessario seguire, o aver seguito, un corso di Statistica ed Econometria.
Prerequisites
Students are supposed to be attending, or have attended, the course of Statistics and Econometrics.
Programma
R e MATLAB: importazione ed esportazione dei dati, comandi grafici, statistiche descrittive, funzioni per variabili casuali, stima con il metodo della verosimiglianza, il modello di regressione, modelli per serie storiche
Program
R and MATLAB: data import and export, plotting commands, descriptive statistics, functions for random variables, the likelihood approach, the regression model, time series models.
Testi Adottati
I materiali delle lezioni (slides, file di dati, script) saranno disponibili sul sito del corso.
Books
All the material (slides, data files, scripts) will be posted on the course webpage.
Bibliografia
Letture suggerite
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
Bibliography
Suggested readings
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
Modalità di svolgimento
La frequenza non è obbligatoria ma fortemente consigliata.
Teaching methods
Not compulsory, but strongly recommended.
Regolamento Esame
L'esame consiste in una prova pratica, in presenza, sulle tre parti del corso: R/Matlab, Stata e Python. Bisogna ottenere una valutazione positiva in tutte le parti per superare l'esame. L'esito dell'esame è una singola idoneità, e non esonera in nessun caso da singole parti del corso.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Durante le lezioni, si terranno alcune verifiche intermedie sull'apprendimento degli studenti. La valutazione positiva per una o più parti esonera lo studente per le stesse parti dall'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Le regole per ottenere una valutazione positiva sono diverse per le singole parti del corso, e sono specificate nella sezione dei materiali didattici.
Gli studenti che non ottengono una valutazione positiva in tutte le tre parti dovranno sostenere l'esame finale su tutte le parti del corso nel quale non hanno ottenuto una valutazione positiva.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame. Lo stesso vale anche per gli studenti che ottengano un risultato positivo a tutte le prove intermedie.
Gli studenti che si ritirano, o che non risultino idonei, possono presentarsi ai successivi appelli d'esame della stessa sessione.
Durante le lezioni, si terranno alcune verifiche intermedie sull'apprendimento degli studenti. La valutazione positiva per una o più parti esonera lo studente per le stesse parti dall'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Le regole per ottenere una valutazione positiva sono diverse per le singole parti del corso, e sono specificate nella sezione dei materiali didattici.
Gli studenti che non ottengono una valutazione positiva in tutte le tre parti dovranno sostenere l'esame finale su tutte le parti del corso nel quale non hanno ottenuto una valutazione positiva.
Gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame. Lo stesso vale anche per gli studenti che ottengano un risultato positivo a tutte le prove intermedie.
Exam Rules
The exam consists of a practical test, in presence, on the three parts of the course: R/Matlab, Stata and Python. It is necessary to obtain a positive evaluation for all the three parts to pass the exam. The result of the exam is a single mark (pass or fail), and it doesn't give any exemption on single parts of the course in any case.
Students who withdraw or fail an exam may take the exam again in the same exam session.
During the period of the lessons, some intermediate tests will be held to verify the students' achievements. A positive evaluation in one or more parts will guarantee an exemption for those parts from the final exam. The exemption will remain valid for the entire academic year.
The rules to obtain a positive evaluation are different for each part and are specified in the "teaching material" section.
Students that don't obtain a positive evaluation in all the three parts will have to sit the final exam for all the parts in which they failed.
Students must book the exam through Delphi and be present on the exam date. The same also hold for students that obtain a positive evaluation to all the intermediate tests.
Students who withdraw or fail an exam may take the exam again in the same exam session.
During the period of the lessons, some intermediate tests will be held to verify the students' achievements. A positive evaluation in one or more parts will guarantee an exemption for those parts from the final exam. The exemption will remain valid for the entire academic year.
The rules to obtain a positive evaluation are different for each part and are specified in the "teaching material" section.
Students that don't obtain a positive evaluation in all the three parts will have to sit the final exam for all the parts in which they failed.
Students must book the exam through Delphi and be present on the exam date. The same also hold for students that obtain a positive evaluation to all the intermediate tests.
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: introdurre gli studenti all'uso dei software R, MATLAB e Stata per l'analisi empirica in campo economico, e al software Python per il webscraping.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: l'obiettivo finale è quello di favorire la comprensione del funzionamento dei software al fine di implementare un approccio analitico per l'analisi delle questione economiche, anche in un contesto di ricerca.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: affrontare in maniera organica l'analisi empirica di dati micro e macroeconomici.
AUTONOMIA DI GIUDIZIO: acquisire gli strumenti computazionali e metodologici per analizzare l'operato dei policy maker nazionali ed europei.
ABILITÀ COMUNICATIVE: saper presentare risultati empirici in maniera rigorosa a interlocutori specialisti e non specialisti.
CAPACITÀ DI APPRENDIMENTO: gli studenti potranno intraprendere lo studio approfondito dei software considerati, o di ulteriori software.
Learning Objectives
LEARNING OUTCOMES: The aim of this course is to acquaint students with the basics of R, MATLAB and Stata, and their usage in applied economics, and the basics of Python, for webscraping tasks.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
KNOWLEDGE AND UNDERSTANDING: the final goal is to gain knowledge of the analytical tools to understand the most common micro and macro-econometric models, even in a research context.
APPLYING KNOWLEDGE AND UNDERSTANDING: develop the ability to deal with the empirical analysis of micro and macro models in a systematic way.
MAKING JUDGEMENTS: acquire the computational and methodological tools to analyze the choices of the national and european policy makers.
COMMUNICATION SKILLS: students must be able to deliver the emprical results, in a rigorous way, to an (expert or non-expert) audience.
LEARNING SKILLS: students can undertake the in-depth study of the considered, or other, softwares.
FEDERICO BELOTTI
Prerequisiti
È necessario seguire, o aver seguito, un corso di Statistica ed Econometria.
Prerequisites
Students are supposed to be attending, or have attended, the course of Statistics and Econometrics.
Programma
R e MATLAB: importazione ed esportazione dei dati, comandi grafici, statistiche descrittive, funzioni per variabili casuali, stima con il metodo della verosimiglianza, il modello di regressione, modelli per serie storiche
Stata: base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), stima del modello di regressione lineare attraverso i metodi dei minimi quadrati ordinari e variabili strumentali.
Python: scraping di siti web, estrazione di informazioni e archiviazione in un formato digitalizzato.
Stata: base (do files, dati e datasets), programmazione (macro, scalari, matrici e cicli), statistiche descrittive (grafici e tabelle), stima del modello di regressione lineare attraverso i metodi dei minimi quadrati ordinari e variabili strumentali.
Python: scraping di siti web, estrazione di informazioni e archiviazione in un formato digitalizzato.
Program
R and MATLAB: data import and export, plotting commands, descriptive statistics, functions for random variables, the likelihood approach, the regression model, time series models.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrice, branching & looping), descriptives (graphs and tables) estimation of the linear regression model using least-squares and instrumental variables approaches.
Python: scraping standard websites, extracting usable information and storing it in machine-readable format.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrice, branching & looping), descriptives (graphs and tables) estimation of the linear regression model using least-squares and instrumental variables approaches.
Python: scraping standard websites, extracting usable information and storing it in machine-readable format.
Testi Adottati
I materiali delle lezioni (slides, file di dati, script) saranno disponibili sul sito del corso.
Books
All the material (slides, data files, scripts) will be posted on the course webpage.
Bibliografia
Letture suggerite
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
Primo modulo
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
Secondo modulo
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
Primo modulo
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
Secondo modulo
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Bibliography
Suggested readings
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
First module
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
Second module
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
First module
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
Second module
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Modalità di svolgimento
Salvo indicazioni contrarie, legate all'emergenza COVID19, le lezioni saranno svolte in presenza.
Teaching methods
Unless otherwise stated, according to the evolution of the COVID19 emergency, lectures will be held in class.
Regolamento Esame
Durante il corso, verranno proposti alcune verifiche intermedie. Gli studenti che ottengono valutazioni positive in tutte le verifiche avranno un giudizio positivo.
La verifica intermedia per il primo modulo (R/Matlab) si terrà il 25 Ottobre.
L'esame finale consiste in una verifica applicata sui diversi software.
Durante le verifiche, gli studenti dovranno effettuare una analisi empirica usando uno o più software, e scrivere un commento sulle procedure seguite per l'analisi e sui risultati finali. Gli studenti dovranno dimostrare la conoscenza dei software e la capacità di utilizzarli. Gli studenti devono anche essere in grado di illustrare le fasi dell'analisi e di interpretare i risultati.
La verifica intermedia per il primo modulo (R/Matlab) si terrà il 25 Ottobre.
L'esame finale consiste in una verifica applicata sui diversi software.
Durante le verifiche, gli studenti dovranno effettuare una analisi empirica usando uno o più software, e scrivere un commento sulle procedure seguite per l'analisi e sui risultati finali. Gli studenti dovranno dimostrare la conoscenza dei software e la capacità di utilizzarli. Gli studenti devono anche essere in grado di illustrare le fasi dell'analisi e di interpretare i risultati.
Exam Rules
Intermediate tests will be proposed during the course. Students having a positive grade in all the intermediate tests will have a final 'pass' grade.
The intermediate test for the first module (R/Matlab) will be held in October 25th.
The final exam consists of a practical test about the different softwares.
During the tests, students will be asked to perform an empirical analysis using one or more softwares, also providing a comment about the steps of the analyses and the final result. Students should demonstrate the knowledge of the softwares and the ability to use them. They should also be able to illustrate the steps of the analysis and to interpret the results.
The intermediate test for the first module (R/Matlab) will be held in October 25th.
The final exam consists of a practical test about the different softwares.
During the tests, students will be asked to perform an empirical analysis using one or more softwares, also providing a comment about the steps of the analyses and the final result. Students should demonstrate the knowledge of the softwares and the ability to use them. They should also be able to illustrate the steps of the analysis and to interpret the results.
Modalità di frequenza
La frequenza non è obbligatoria ma fortemente consigliata.
Attendance Rules
Not compulsory, but strongly recommended.
ANTONIO PARISI
Prerequisiti
È necessario seguire, o aver seguito, un corso di Statistica ed Econometria.
Program
R and MATLAB: data import and export, plotting commands, descriptive statistics, functions for random variables, the likelihood approach, the regression model, time series models.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrice, branching & looping), descriptives (graphs and tables) estimation of the linear regression model using least-squares and instrumental variables approaches.
Python: scraping standard websites, extracting usable information and storing it in machine-readable format.
Stata: mechanics (do files, data and datasets), programming (macros, scalar, matrice, branching & looping), descriptives (graphs and tables) estimation of the linear regression model using least-squares and instrumental variables approaches.
Python: scraping standard websites, extracting usable information and storing it in machine-readable format.
Testi Adottati
- Bourke (2018). "Computer Science I", disponibile al link
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). "Statistics in MATLAB: A Primer". Chapman and Hall/CRC
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Books
- Bourke (2018). "Computer Science I", available at
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
https://cse.unl.edu/~cbourke/ComputerScienceOne.pdf
- Davies (2016). "The book of R". No starch press
- Cho, Martinez (2014). Statistics in MATLAB: A Primer. Chapman and Hall/CRC
- Christopher F. Baum (2016), An Introduction to Stata Programming, Second Edition, Stata Press
- Detailed guide for webscraping and data analysis with BeautifulSoup (with Python 3!)
- Stata documentation (any version)
- An Introduction to Modern Econometrics using Stata, C.F. Baum, 2006
- Statistics with Stata, by L.C. Hamilton, 2006
- Microeconometrics using Stata, by A.C. Cameron and P.K. Trivedi, 2009
- Mastering Metrics, by J. Angrist and S. Pischke, 2015
- An Introduction to Stata Programming, Christopher F. Baum, 2014
Regolamento Esame
Per ogni parte del corso (R/Matlab, Stata e Python) si terranno una o più verifiche sull'apprendimento degli studenti. Lo studente che otterrà una valutazione positiva per i test su R/Matlab (o Stata o Python) verrà esonerato, per la stessa parte, dall'esame finale. L'esonero rimarrà valido per l'intero anno accademico.
Le regole per ottenere una valutazione positiva sono diverse per le singole parti del corso, e sono specificate nella sezione dei materiali didattici.
Lo studente che ottiene una valutazione positiva in tutte le tre parti avrà un giudizio di idoneità per l'esame finale. In caso contrario, dovrà sostenere un esame finale, in presenza, che consiste in una prova pratica su tutte le parti del corso nel quale non ha ottenuto una valutazione positiva.
Gli studenti non frequentanti sosterranno l'esame finale per tutte le tre parti del corso.
In ogni caso, gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame.
Le regole per ottenere una valutazione positiva sono diverse per le singole parti del corso, e sono specificate nella sezione dei materiali didattici.
Lo studente che ottiene una valutazione positiva in tutte le tre parti avrà un giudizio di idoneità per l'esame finale. In caso contrario, dovrà sostenere un esame finale, in presenza, che consiste in una prova pratica su tutte le parti del corso nel quale non ha ottenuto una valutazione positiva.
Gli studenti non frequentanti sosterranno l'esame finale per tutte le tre parti del corso.
In ogni caso, gli studenti dovranno prenotare l'esame tramite Delphi ed essere presenti al giorno dell'esame.
Exam Rules
For each part of the course (R/Matlab, Stata, and Python), one or more intermediate tests will be held to verify the students' achievements. A positive evaluation for R/Matlab tests (or Stata or Python) will guarantee an exemption for that part of the course from the final exam. The exemption will remain valid for the entire academic year. The rules to be awarded a positive evaluation are different for each part and are specified in the related "teaching material" section. Notice that, to earn a final pass grade for the course, students must earn a positive evaluation in the three parts. Otherwise, they will have to take a final exam, in presence, consisting of a practical test for all the parts of the course in which they failed.
Non-attending students will sit the final exam for all the three parts of the course.
Please notice that, in any case, students must book the exam (through Delphi) and be present on the exam date.
Non-attending students will sit the final exam for all the three parts of the course.
Please notice that, in any case, students must book the exam (through Delphi) and be present on the exam date.
EN
IT
Aggiornato A.A. 2021-2022
Il corso fornisce un'introduzione ai concetti fondamentali del calcolo scientifico per l'Economia e la Statistica.
Durante il primo modulo verranno illustrati gli ambienti R e Matlab, utilizzando anche esempi di utilizzo in economia applicata. Tra gli argomenti, verranno trattati l'importazione e l'esportazione di dati, i comandi grafici, le funzioni collegate alle variabili casuali, l'approccio di verosimiglianza, il modello di regressione.
Il programma per il secondo modulo è disponibile alla pagina
https://economia.uniroma2.it/master-science/economics/corso/programma/2115/
Aggiornato A.A. 2021-2022
The course provides an introduction to the basics of scientific computing for Economics and Statistics.
During the first module, the R and Matlab computing environments will be illustrated, along with examples of their usage in applied economics. Topics to be covered will include: data import and export, plotting commands, functions for random variables, the likelihood approach, the regression model.
The program for the second module is available at the page
https://economia.uniroma2.it/master-science/economics/corso/programma/2115/