EN
IT
Aggiornato A.A. 2024-2025
Econometria Applicata
Prerequisiti
Conoscenza delle nozioni di Matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale.
Programma
Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati
Materiale didattico
Testi Consigliati
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
Dispense Fornite in Aula
Bibliografia
JA Nelder & R.W.M. Wedderburn, 1972, Generalized Linear Models
Journal of the Royal Statistical Society Series A (General)
P. McCullagh, John A. Nelder, 1989, Generalized Linear Models, Taylor & Francis Ltd,
Chapman & Hall/CRC Monographs on Statistics and Applied Probability
Data Science
Introduzione al Machine learning. Supervised learning. Metodi di regolarizzazione (Ridge, Lasso, Elastic net). Neural networks (architetture, backpropagation, metodi del gradiente). Applicazione alla valutazione di derivati finanziari. Classificazione (regressione logistica, Naive Bayes, KNN, Neural Networks), matrice di confusione, curva ROC. Unsupervised learning. Clustering (K-Means). Modelli mistura.
Materiale didattico
1. Slides del corso
2. J. Hull, Machine Learning in Business - Capitoli: 1, 2 (no paragrafo “Alternative clustering algorithms”), 3, 4 (solo Sect. 4.4), 6 (no 6.7, 6.8), 8 (opzionale !).
3. James, Witten, Hastie, Tibshirani, Taylor, Introduction to Statistical Learning Capitoli: 1, 2.1, 2.2, 4.1,4.2,4.3, 4.4.4, 6.2, 10.1, 10.2, 12.1, 12.4 (12.4.1).
Aggiornato A.A. 2024-2025
Econometria Applicata
Prerequisites
Knowledge of general mathematics, descriptive statistics, calculus of probability and elements of inferential statistics.
Programme
The OLS linear regression model
Models for binary and counting variables
Generalised Linear Models
Teaching Material
Recommended Texts
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
Classroom notes
Bibliography
JA Nelder & R.W.M. Wedderburn, 1972, Generalized Linear Models
Journal of the Royal Statistical Society Series A (General)
P. McCullagh, John A. Nelder, 1989, Generalized Linear Models, Taylor & Francis Ltd,
Chapman & Hall/CRC Monographs on Statistics and Applied Probability
Data Science
Introduction to machine learning. Supervised learning. Regularisation methods (Ridge, Lasso, Elastic net). Neural networks (architectures, backpropagation, gradient methods). Application to the evaluation of financial derivatives. Classification (logistic regression, Naive Bayes, KNN, Neural Networks), confusion matrix, ROC curve. Unsupervised learning. Clustering (K-Means). Mixture models.
Teaching material
1. Slides
2. J. Hull, Machine Learning in Business - Chapters: 1, 2 (no paragrafo “Alternative clustering algorithms”), 3, 4 (solo Sect. 4.4), 6 (no 6.7, 6.8), 8 (opzionale !).
3. James, Witten, Hastie, Tibshirani, Taylor, Introduction to Statistical Learning - Chapters: 1, 2.1, 2.2, 4.1,4.2,4.3, 4.4.4, 6.2, 10.1, 10.2, 12.1, 12.4 (12.4.1).
EN
IT
GIOVANNI TROVATO
Prerequisiti
conoscenza delle nozioni di Matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale.
Prerequisites
knowledge of general mathematics, descriptive statistics, probability calculus and elements of inferential statistics
Programma
Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati
Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)
Supervised learning
- linear regression: regolarizzazione (lasso, ridge, elastic net);
- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;
- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.
Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)
Program
OLS Regression
Count and binomial models
Generalized Linear Model
Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)
Supervised learning
- linear regression: regolarizzazione (lasso, ridge, elastic net);
- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;
- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.
Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)
Testi Adottati
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.
Books
J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.
Bibliografia
J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
J. Hull, Machine Learning in Business, III Edition
JA Nelder & R.W.M. Wedderburn, 1972, Generalized Linear Models
Journal of the Royal Statistical Society Series A (General)
P. McCullagh, John A. Nelder, 1989, Generalized Linear Models, Taylor & Francis Ltd,
Chapman & Hall/CRC Monographs on Statistics and Applied Probability
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.
Bibliography
J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
J. Hull, Machine Learning in Business, III Edition
JA Nelder & R.W.M. Wedderburn, 1972, Generalized Linear Models
Journal of the Royal Statistical Society Series A (General)
P. McCullagh, John A. Nelder, 1989, Generalized Linear Models, Taylor & Francis Ltd,
Chapman & Hall/CRC Monographs on Statistics and Applied Probability
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.
Modalità di svolgimento
2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula.
Gli studenti dovranno portare il proprio pc con R funzionante. (E’ possibile anche lavorare in coppia su un singolo pc. )
Teaching methods
2/3 weekly hours traditional lecture + 1/3 practical implementation.
Students are requested to have a pc (single or per couple) with R.
Regolamento Esame
Regolamento esame
Presentazione Tesina con applicazione econometrica su tema concordato con docente
Prova pratica su Machine Learing and Data science Methods con materiale fornito dal docente
Interrogazione orale sulle tematiche afforntate
Norme di comportamento all'esame
Requisito fondamentale per sostenere la prova di esame è la prenotazione sul sistema Delphi nell’intervallo di tempo indicato nel sistema. La mancata prenotazione non permette di sostenere l’esame. In caso di problemi a prenotarsi durante il periodo in cui è possibile prenotarsi, avvisare immediatamente il docente.
Arrivare nell’aula dell’esame almeno 15 minuti prima dell’inizio della prova senza entrare fino a quando non si venga chiamati al momento dell'appello.
Lo studente deve avere con sé un documento di identità in corso di validità. Se lo studente non può essere identificato con certezza, deve lasciare l’aula
Non è possibile uscire dall’aula durante lo svolgimento della prova pratica.
Lo studente può ritirarsi dopo che siano trascorsi 10 minuti dall’inizio della prova per permettere agli studenti ritardatari di accedere in aula. Lo studente che rimane in aula dopo il decimo minuto è tenuto a consegnare il compito.
Gli studenti ritardatari che arrivassero dopo 10 minuti dall’inizio della prova non possono sostenere l’esame.
Prova di esame
La prova di esame è orale e verte sulla discussione della tesina assegnata e verte sul programma del corso.
E’ possibile rifiutare il voto una sola volta. Si considera aver partecipato all’esame al momento della risposta all’appello.
Lo studente che non intende accettare il voto, se consentito, deve darne comunicazione nella modalità e nei tempi indicati dal docente in sede di pubblicazione dei risultati.
Valutazione della prova di esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: Importanti e gravi lacune e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi, frequenti generalizzazioni e limitate capacità critiche e di giudizio. Gli argomenti sono esposti in modo scarso e non coerente, con linguaggio inappropriato. Derivazione analitica mancante o solo abbozzata.
18-20: Conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi e autonomia di giudizio appena sufficienti, gli argomenti sono esposti frequentemente con un linguaggio poco appropriato e spesso poco coerente. Scarso approfondimento delle tematiche. Derivazione analitica mancante o solo abbozzata.
21-23: Conoscenza e comprensione degli argomenti routinaria; capacità di analisi corretta con argomentazione logica sufficientemente coerente e linguaggio per lo più appropriato. L’approfondimento dei temi è per lo più scarso. Derivazione analitica mancante o solo abbozzata.
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. Discreto approfondimento dei temi. Derivazione analitica parzialmente incompleta.
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. Approfondimento dei temi buono e buona capacità di collegamento tra i temi. Mancanza di commenti nella derivazione analitica.
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. Ottima capacità di approfondimento ed eccellenti collegamento tra i temi. Derivazione analitica ben sviluppata con commenti puntuali
Exam Rules
Presentation Thesis with econometric application on a topic agreed with the teacher
Practical test on Machine Learning and Data science Methods with material provided by the teacher
Oral questioning on the issues addressed
1. Rules for taking the exam
A fundamental requirement for the exam is to book on the Delphi system within the scheduled time interval. Failure to book does not allow you to take the exam. In case of problems to book during the period in which you can book, notify the professor immediately.
Arrive in the exam room at least 15 minutes before the exam starts and wait outside the room until your name is pronounced at the time of the roll-call.
The student must have a valid identity document with him. If the student cannot be identified with certainty, she must leave the classroom.
It is not possible to leave the classroom during the practical test.
The student can withdraw after 10 minutes from the start of the test to allow late students to access the classroom. The student who remains in the classroom after the tenth minute is required to hand in the assignment.
Latecomers who arrive 10 minutes after the start of the test cannot take the exam.
Examination test
The exam is oral and focuses on the discussion of the assigned thesis and focuses on the course program.
It is possible to refuse the vote only once. It is considered to have taken the exam at the time of answering the roll call.
The student who does not intend to accept the grade, if permitted, must communicate it in the manner and within the times indicated by the teacher when publishing the results.
Evaluation of the exam test
The exam will be assessed according to the following criteria:
Not suitable: Important and serious gaps and / or inaccuracies in the knowledge and understanding of the topics; limited analytical skills, frequent generalizations and limited critical and judgmental skills. The topics are sparsely and inconsistently presented, with inappropriate language. Analytical derivation missing or only sketchy.
18-20: Knowledge and understanding of the arguments just sufficient with possible generalizations and imperfections; just sufficient analytical skills and autonomy of judgment; the arguments are frequently presented with inappropriate and often inconsistent language. Poor in-depth study of the issues. Analytical derivation missing or only sketchy.
21-23: Routine knowledge and understanding of topics; ability to correct analysis with sufficiently coherent logical argument and mostly appropriate language. The in-depth study of the issues is mostly scarce. Analytical derivation missing or only sketchy.
24-26: Fair knowledge and understanding of the topics; good skills of analysis and synthesis with arguments expressed in a rigorous way but with a language that is not always appropriate. Discreet deepening of the themes. Partially incomplete analytical derivation.
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 language. In-depth study of the themes, good and good ability to connect between the themes. Lack of comments in the analytic derivation.
30-30L: Excellent level of knowledge and in-depth understanding of the topics. Excellent skills in analysis, synthesis, and autonomy of judgment. Arguments are expressed in an original way and with appropriate technical language. Excellent in-depth skills and excellent connection between the themes. Well-developed analytical derivation with precise comments.
ALESSANDRO RAMPONI
Programma
Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati
Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)
Supervised learning
- linear regression: regolarizzazione (lasso, ridge, elastic net);
- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;
- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.
Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)
Testi Adottati
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009
Books
J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.
Modalità di svolgimento
2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula
Teaching methods
Gli studenti dovranno portare il proprio pc con R funzionante. (E’ possibile anche lavorare in coppia su un singolo pc. )
Regolamento Esame
Regolamento esame
Presentazione Tesina con applicazione econometrica su tema concordato con docente
Prova pratica su Machine Learing and Data science Methods con materiale fornito dal docente
Interrogazione orale sulle tematiche afforntate
Norme di comportamento all'esame
Requisito fondamentale per sostenere la prova di esame è la prenotazione sul sistema Delphi nell’intervallo di tempo indicato nel sistema. La mancata prenotazione non permette di sostenere l’esame. In caso di problemi a prenotarsi durante il periodo in cui è possibile prenotarsi, avvisare immediatamente il docente.
Arrivare nell’aula dell’esame almeno 15 minuti prima dell’inizio della prova senza entrare fino a quando non si venga chiamati al momento dell'appello.
Lo studente deve avere con sé un documento di identità in corso di validità. Se lo studente non può essere identificato con certezza, deve lasciare l’aula
Non è possibile uscire dall’aula durante lo svolgimento della prova pratica.
Lo studente può ritirarsi dopo che siano trascorsi 10 minuti dall’inizio della prova per permettere agli studenti ritardatari di accedere in aula. Lo studente che rimane in aula dopo il decimo minuto è tenuto a consegnare il compito.
Gli studenti ritardatari che arrivassero dopo 10 minuti dall’inizio della prova non possono sostenere l’esame.
Prova di esame
La prova di esame è orale e verte sulla discussione della tesina assegnata e verte sul programma del corso.
E’ possibile rifiutare il voto una sola volta. Si considera aver partecipato all’esame al momento della risposta all’appello.
Lo studente che non intende accettare il voto, se consentito, deve darne comunicazione nella modalità e nei tempi indicati dal docente in sede di pubblicazione dei risultati.
Valutazione della prova di esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: Importanti e gravi lacune e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi, frequenti generalizzazioni e limitate capacità critiche e di giudizio. Gli argomenti sono esposti in modo scarso e non coerente, con linguaggio inappropriato. Derivazione analitica mancante o solo abbozzata.
18-20: Conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi e autonomia di giudizio appena sufficienti, gli argomenti sono esposti frequentemente con un linguaggio poco appropriato e spesso poco coerente. Scarso approfondimento delle tematiche. Derivazione analitica mancante o solo abbozzata.
21-23: Conoscenza e comprensione degli argomenti routinaria; capacità di analisi corretta con argomentazione logica sufficientemente coerente e linguaggio per lo più appropriato. L’approfondimento dei temi è per lo più scarso. Derivazione analitica mancante o solo abbozzata.
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. Discreto approfondimento dei temi. Derivazione analitica parzialmente incompleta.
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. Approfondimento dei temi buono e buona capacità di collegamento tra i temi. Mancanza di commenti nella derivazione analitica.
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. Ottima capacità di approfondimento ed eccellenti collegamento tra i temi. Derivazione analitica ben sviluppata con commenti puntuali
Prof.ssa Lucia Leonelli
