STATISTICS

Il corso è una delle attività di base del programma di dottorato. Il corso permette agli studenti di apprendere alcuni dei principali concetti di statistica e il loro utilizzo nell'ambito della gestione aziendale. Il corso si prefigge di introdurre la modellazione statistica e le sue applicazioni. Gli studenti apprenderanno metodi analitici per la visualizzazione, analisi e interpretazione di varie informazioni. Particolare enfasi sarà posta sulla capacità di interpretare i risultati dell'analisi. L'apprendimento sarà supportato dell'uso di software statistico adeguato come R o Python.

1. Conoscenza e capacità di comprensione:
- conoscenza della terminologia appropriata e dei concerti di base della probabilità e l'inferenza statistica
- comprensione dei punti di forza e le limitazioni dei metodi statistici usati per analizzare fenomeni del mondo reale
- conoscenza di metodi statistici di base e alcuni metodi avanzati per l'analisi e la predizione, e il loro utilizzo nell'ambito degli studi aziendali

2. Capacità di applicare conoscenza e comprensione:
- comprensione degli aspetti principali di un'analisi statistica
- abilità di scegliere il modello più appropriato per una determinata analisi
- abilità di presentare strategie di ricerca basate sui risultati ottenuti nelle analisi statistiche

3. Autonomia di giudizio:
- capacità di valutare in maniera critica i modelli stimati
- capacità di giudicare in maniera critica in quali circostanze un'analisi può essere affidabile

4. Comunicazione
- capacità di presentare, discutere e giustificare i risultati ottenuti tramite analisi statistiche
- capacità di presentare i risultati di un'analisi in forma scritta

Si assume che gli studenti abbiano una conoscenza di base di probabilità e statistica. Un'introduzione alla Statistica si può trovare, ad esempio, in Ross. S.M. Introductory Statistics. 3d edition, Elsevier. Si assume che gli studenti abbiano conoscenze di base di probabilità e statistica simili a quello coperte dai capitoli 1-9 del libro. Gli studenti che ritengano utile ripassare tali concetti possono avvalersi di altri libri che trattino gli stessi argomenti.

Programma didattico provvisorio (gli argomenti trattati potranno subire modifiche in funzione delle competenze pregresse degli studenti rilevate all’inizio del corso*):
0. La natura dei dati e la rilevanza dell’analisi statistica
1. Esplorazione e sintesi dei dati: ripasso della statistica descrittiva
2. Dai dati all'apprendimento e al processo decisionale: ripasso di statistica inferenziale
2.1 Ripasso dei fondamenti della probabilità per l'analisi statistica
2.2 Stima e verifica di ipotesi statistica
3. Verso la previsione basata su modelli: il modello di regressione lineare semplice
3.1 Statistiche descrittive per modelli di regressione lineare semplice: stime dei minimi quadrati
3.2 Inferenza per modelli di regressione lineare semplice: variabilità, intervalli e test
3.3 Previsione basata sul modello di regressione
4. Oltre la semplice regressione lineare (per esempio regressione lineare multipla, modelli di regressione generalizzata)

L'implementazione pratica dei metodi statistici discussi nel corso sarà presentata tramite software statistico adeguato (per esempio R o Python).

Gli studenti sono incoraggiati a suggerire dati o esempi che siano di particolare interesse nell'ambito dei loro programmi di ricerca.

Si darà priorità alla comprensione approfondita dei concetti fondamentali e sulla capacità di svilupparli ulteriormente, piuttosto che sulla trattazione di un’ampia gamma di argomenti.

Testi di riferimento:
1. Introductory econometrics : a modern approach / Jeffrey M. Wooldridge. 5th edition, Boston : Cengage
2. Learning statistics with Python/ Ethan Weed (https://ethanweed.github.io/pythonbook/landingpage.html )
3.Learning Statistics with R/ Danielle Navarro (https://learningstatisticswithr.com/ )

Letture aggiuntive:
- Ross. S.M. Introductory Statistics. 3d edition, Elsevier.
- Trosset, Michael W. An introduction to statistical inference and its applications with R. CRC Press
- Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani An Introduction to Statistical Learning: With Applications in R, 2nd edition, Springer

Ulteriori letture suggerite e materiali resi disponibili sulla piattaforma Moodle

La valutazione sarà effettuata in due parti:
- Una prova scritta (45-60 minuti): focalizzata principalmente sui concetti teorici presentati durante il corso, valutando anche la capacità di pensiero critico.
- Un progetto/relazione (presentato tramite Moodle il giorno dell'esame): incentrato principalmente sull'applicazione pratica dei concetti presentati durante il corso e sulla capacità di comunicare i risultati in modo statisticamente formale.
Gli studenti devono superare almeno una delle due parti. Ciò garantisce un voto finale pari ad almeno 18; i voti più alti dipendono dal voto dell'altra parte.

scritto

A prescindere dalla modalità frequentante o non frequentante:
- sufficiente (punteggi nella fascia 18-22): a chi dimostra una sufficiente conoscenza e capacità di comprensione applicata in riferimento al programma e sufficienti abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico e l'interpretazione associata ai metodi statistici studiati durante il corso
- buona (punteggi nella fascia 23-26): a chi dimostra una discreta conoscenza e capacità di comprensione applicata in riferimento al programma e discrete abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico e l'interpretazione associata ai metodi statistici studiati durante il corso
- molto buona (punteggi nella fascia 27-30): a chi dimostra una buona o ottima conoscenza e capacità di comprensione applicata in riferimento al programma, buone o ottime abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico e l'interpretazione associata ai metodi statistici studiati durante il corso e almeno una minima capacità di collegare i diversi concetti studiati durante il corso, formulando giudizi autonomi.
- la lode verrà attribuita in presenza di conoscenza e capacità di comprensione applicata in riferimento al programma, capacità di giudizio e abilità comunicative, eccellenti.

Lezioni di teoria (descrizione dei metodi) complimentate da sessioni di laboratorio. I metodi saranno discussi tramite l'applicazione a problemi reali utilizzando software specifico. In particolare si farà uso del linguaggio statistico Python.