STATISTICAL MODELING

Scheda dell'insegnamento

Anno accademico di regolamento: 
2018/2019
Anno di corso: 
1
Anno accademico di erogazione: 
2018/2019
Tipo di attività: 
Obbligatorio
Lingua: 
Italiano
Crediti: 
6
Ciclo: 
Secondo Semestre
Ore di attivita' didattica: 
46
Prerequisiti: 

Si richiede una buona conoscenza dei seguenti argomenti:

Statistica descrittiva univariata: indici di posizione; indici di variabilità:a; indici di simmetria e di curtosi.
Statistica descrittiva bivariata: connessione, dipendenza in media, correlazione lineare, regressione lineare bivariata, multipla, multivariata, polinomiale, non lineare.
Teoria della probabilità: popolazione e campione; significato di probabilità nella versione classica; elementi di calcolo combinatorio; tipi di campionamento; distribuzioni di variabili casuali univariate; variabili casuali Normale , t di Student, F d Snedecor ; distribuzioni casuali campionarie.
Inferenza: teoria della stima, proprietà dello stimatore puntuale; stima intervallare; verifica di ipotesi, test di ipotesi di Neyman Pearson; test di ipotesi sulle medie basati su Normale , t di Student; test d ipotesi sulla varianza.
Modello lineare classico: ipotesi; stima dei parametri del modello nel campione e nella popolazione; proprietà degli stimatori dei minimi quadrati; test di ipotesi sui parametri basati su Normale, t di Student; test di ipotesi sul modello e su gruppi di parametri, su un parametro basata F di Snedecor.
Pacchetto statistico R
Si suggerisce a chi non provenga da corsi triennali di statistica o economia di seguire preventivamente i corsi introduttivi.

Moduli

Metodi di valutazione

Tipo di esame: 
Orale
Modalita' di verifica dell'apprendimento: 

In un test di laboratorio gli studenti devono applicare i metodi statistici più appropriati al problema posto mediante software R e interpretarli rispondendo anche ad alcune domande teoriche.

Valutazione: 
Voto Finale

Obiettivi formativi

Il corso si rivolge a laureati triennali in diverse discipline che abbiano seguito un corso introduttivo di statistica descrittiva uni e bivariata un corso introduttivo di probabilità e inferenza.
Gli studenti devono imparare le nozioni teoriche utilizzando un linguaggio rigoroso sotto il profilo statistico ma devono anche effettuare analisi empiriche mediante pacchetti statistici sapendo spiegare le loro analisi in modo comprensibile anche a chi non è esperto della materia.

Contenuti

Il corso ha quale obiettivo lo studio di modelli più avanzati del modello lineare classico, in particolare:

Modelli lineari generalizzati
Modelli lineari multivariati
Modello sure
Modelli multilevel
L’attività formativa è svolta attraverso lezioni teoriche e lezioni pratiche in laboratorio.

Programma esteso

Il corso ha quale obiettivo l’introduzione alla specificazione, stima e verifica di modelli interpretativi dei dati di tipo lineare più avanzati del modello lineare classico. Si presentano perciò i seguenti argomenti:

Modelli lineari generalizzati che non rispettano le ipotesi del modello lineare classico: modelli con errori esteroschedastici e correlati, modelli non lineari, trattamento di outlier
Modelli lineari multivariati di tipo classico e non
Modello SURE
Modelli multilevel

Ciascun ambito sarà l’oggetto specifico di un modulo del corso. L’attività formativa è svolta attraverso lezioni teoriche e lezioni pratiche in laboratorio statistico-informatico nelle quali si affronteranno analisi su casi empirici mediante l’uso dei software R.

Bibliografia consigliata

Lucidi presentati nel corso disponibili
Materiale prodotto in laboratorio statistico-informatico durante le esercitazioni (codici R e output delle analisi) nella web page nella piattaforma e-learning unimib: http://elearning.unimib.it/.
Modello lineare generalizzato e Modello lineare multivariato:

James H.Stock-Mark W. Watson (2016) Introduzione all'Econometria 3/Ed. Pearson
Baltagi B. H. (2008), Econometrics, fourth Edition, Springer Berlin (Part I capitoli 1-5; Part II capitoli 9-10-11).
Faliva M. (1987), Econometria. Principi e metodi, UTET, Bologna (capitoli 5, 6, 7).
Johnston J. (1993). Econometrica, 3a edizione, Franco Angeli, Milano (capitoli 2, 3, 5, 7, 8).
Srivastava V.K., Giles D.E.A. (1987). Seemingly Unrelated Regression Equations Models, Marcel Dekker, New York (In particolare, capitoli 1, 2).
Zellner A. (1962), An efficient method of estimating seemingly unrelated regressions and tests for aggregation bias. Journal of the American Statistical Association, vol. 57, n. 298, pp. 348 – 368.

Modelli multilevel

Goldstein H. (1999), Multilevel Statistical Models, Multilevel Models Project, Institute of Education, London (capitoli 1, 2, 3), download: http://www.ats.ucla.edu/stat/examples/msm_goldstein/goldstein.pdf
Snijders T.A.B., Bosker R.J. (1999), Multilevel Analysis – An introduction to basic and advanced multilevel modelling, SAGE Publications, London (capp. 1-7).

Metodi didattici

L’attività formativa è svolta attraverso lezioni teoriche e lezioni pratiche in laboratorio.