Aggiornato A.A. 2022-2023
Il corso fornisce i fondamenti teorici delle analisi statistiche di base ed illustra le principali tecniche di organizzazione, rappresentazione grafica, e sintesi dei dati. Inoltre vengono forniti gli strumenti fondamentali per la verifica delle ipotesi sulla base di campioni (Inferenza Statistica) e per un’analisi di correlazione tra due o più variabili (ANOVA, modello di regressione lineare semplice e con più regressori).
Finalità del corso (quali conoscenze lo studente acquisisce tramite l’insegnamento secondo i 5 descrittori di Dublino)
Descrittori di Dublino
Conoscenza e capacità di comprensione
(Knowledge And Understanding)
Il corso illustra i fondamenti dell'analisi di base di qualsiasi tipo di dato. Al termine del corso gli studenti saranno in grado di discernere tra le diverse tipologie di variabili e di dati, sapranno raggrupparli e descriverli tramite apposite statistiche descrittive e rappresentazioni grafiche. Saranno inoltre in grado di ricordare le nozioni di base della statistica inferenziale e dell'analisi di regressione, applicandole a dataset di piccole dimensioni.
Capacità di applicare conoscenza e capacità di comprensione
(Applying Knowledge And Understanding)
Il corso fornisce gli strumenti necessari per condurre l’analisi statistica di base di qualsiasi tipo di dato, interpretandone correttamente i risultati.
L’utilizzo di esempi ed esercizi basati su dati reali (fonte Eurostati, Istat, NBER, ect…) è centrale per le lezioni e le esercitazioni. Tra le finalità del corso rientrano quindi la capacità di riconoscere dataset di natura diversa (dati sezionali, serie storiche e dati panel) e di gestirli correttamente, producendone statistiche descrittive e rappresentazioni grafiche adeguate, nonché di ottenere le stime di modelli di regressione lineari semplici e multipli.
Autonomia di giudizio
(Making Judgements)
Al termine del corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, gli studenti saranno in grado di descrivere il dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), e sapranno individuare e motivare le tecniche più adeguate per condurre l’analisi. Saranno inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
Abilità comunicative
(Communication Skills)
Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, gli studenti saranno in grado di saper descrivere le ipotesi in analisi, il dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), e le tecniche più adeguate per condurre l’analisi. Al termine del corso gli studenti saranno inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
Capacità di apprendere
(Learning Skills)
Il corso consente allo studente di acquisire una capacità operativa di base in termini di reperimento ed analisi dei dati, funzionale alle fasi di studio e lavorative che succederanno, nonché di valutare in più autonomia le statistiche che vengono fornite quotidianamente dalle varie fonti di informazione.
Aggiornato A.A. 2022-2023
Course Program
The course is structured into the following sub-parts:
Part I: Descriptive Analysis
Introduction to Statistics
Types of data and variables
Summarizing and graphic data
Part II: Probability
Experiments, outcomes, sample spaces and probability axioms
Marginal and conditional probability
Independent events
Main probability distributions: Bernoulli, Binomial, Normal, Chi-Square, t-statistics, F
Part III: Inference
Estimators
Hypothesis testing
Part IV: Regression analysis
Simple and multiple inear regression model: Assumptions and properties
This module (Module I) will cover Part I and Part II. A detailed Syllabus is available on the course's website.
Course Methodology
The course offers two weekly classes, aimed at illustrating the theoretical foundations of statistical instruments and at implementing via examples and exercises. A devoded weekly appointment will be devoted to practice with exercises and problems.
Material
The main textbook is Introductory Statistics (8th Edition), by P. S. Mann, edited by Wiley.
Slides presented in class and additional material will be also provided on the course's website.
Exam structure
The written exam covers the whole program of the course.
It includes multiple-choices as well as open questions, on both theoretical notions and applied issues, featuring e.g. graphs, computation of descriptive statistics and estimation outputs applied to small datasets. This will allow to evaluate the student in terms of understanding and interpretation of the final results of an basic statistical analysis.
Final mark ranges between 18 (minimum to pass the exam) and 30 (maximum mark).
Exam rules
- There will be no mid-term exam
- Students must book via Delphi for the exam. Please notice that students not booked on Delphi will not be allowed to take the exam.
- The exam can be taken only once per session.
- The students are allowed to bring with them in the exam room pens, calculator, and ID document. Textbooks, notes, smartphones or any other material are not allowed and their use by the students will invalid the exam. In such an event, the student will be allowed to re-sit the exam during the following session.
- Final marks are published on the dedicated web page (normally within one week after the exam) and are uploaded on the Delphi system so to be individually received by email by candidates.
Course objectives (5 Dublin Descriptors)
Learning Outcomes
The course provides the fundamental theoretical notions of the statistical analysis and illustrates the basic techniques for organizing, summarizing and graphically representing ungrouped data. Basics of statistical inference and correlation analysis (ANOVA, linear and multiple regression model) will also be illustrated.
Knowledge And Understanding
The students will know the fundamental theoretical notions of the analysis of any type of statistical data, including those aimed at summarizing, organizing and graphically representing the data with the most suitable measures and graphs. They will also be able to formulate and conduct simple hypothesis testing and to set basic regression analysis on small datasets.
Applying Knowledge And Understanding
The students will be able to produce and interpret basic statistical analyses. The use of examples based on real data (taken from Bank of Italy, Eurostat, Istat, NBER, etc… ) is focal throughout the entire course. The objectives of the course, thus, include the ability of recognizing the different types of data (cross-section, time-series, panel) and their peculiarities, the ability of producing descriptive statistics and suitable graphical representations, the ability of remembering and understanding the basics of statistical inference as well as of conducting a correct correlation analysis, via the estimation of linear regression models.
Making Judgements
The students will be able to autonomously evaluate which, among the several statistical tools acquired, is the most appropriate for the problem at hand. They will be able to formulate statistical hypotheses and to test them with suitable data, properly found among the tons of data available to date. Finally, they will be able to set up a linear regression analysis, evaluating the reliability and suitability of the model based on the estimation output.
Communication Skills
The students will be able to use data to get indications about economic phenomena and to effectively summarize and communicate them, also via e.g. graphical representations. Moreover, they will be able to produce short reports describing the research question, the statistical hypotheses to be tested, the dataset used (highlighting the nature of the dataset, potential outliers, ect) and the statistical tools used for the analysis. They will also be able to produce, interpret, evaluate and compare linear regression models.
Learning Skills
The course endows the students with an operative ability in terms of data retrieval and analysis of data, which is functional to the following courses and appreciated by the labour market. Moreover, it will allow students to evaluate and interpret more independently and effectively the numerous statistics daily provided by all types of media.
Prof.ssa Lucia Leonelli
