Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Claudia PIGINI
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea - [ET07] DIGITAL ECONOMICS AND BUSINESS First Cycle Degree (3 years) - [ET07] DIGITAL ECONOMICS AND BUSINESS
Dipartimento: [040002] Dipartimento Scienze Economiche e SocialiDepartment: [040002] Dipartimento Scienze Economiche e Sociali
Anno di corsoDegree programme year : 3 - Primo Semestre
Anno offertaAcademic year: 2024-2025
Anno regolamentoAnno regolamento: 2022-2023
Obbligatorio
Crediti: 6
Ore di lezioneTeaching hours: 44
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: SECS-P/05 - ECONOMETRIA
Inglese
English
Conoscenza di base di statistica univariata descrittiva e inferenziale: elementi di calcolo delle probabilità, distribuzioni e momenti di variabili statistiche/casuali, concetti di stima puntuale, per intervalli e test d’ipotesi.
Basic knowledge of univariate descriptive and inferential statistics: probability, distribution and moments of random variables, point and interval estimation, hypothesis testing.
Il corso si articola in 22 lezioni tradizionali (da 2 ore ciascuna). Durante il corso verranno effettuate esercitazioni pratiche con l’utilizzo del programma R studio, liberamente disponibile all'indirizzo https://rstudio.com/, e gretl, scaricabile all’indirizzo http://gretl.sourceforge.net/. Gli studenti sono pertanto invitati a procurarsi un computer portatile su cui installare i programmi e portarlo a lezione nelle ore di esercitazione.
The course consists of 22 lectures (2 hours each). During the course, practice sessions will take place, in which the software packages R studio (freely available at https://rstudio.com/), and gretl (available at http://gretl.sourceforge.net/) will be used. Students are invited to get hold of a notebook on which to install the software and bring it to class for the practice sessions.
Al termine del corso gli studenti saranno in grado di comprendere l’approccio statistico/econometrico all’analisi dei dati nei suoi aspetti inferenziali e interpretativi.
Capacità di applicare conoscenze e comprensione.
Al termine del corso gli studenti saranno in grado di stimare, validare e interpretare modelli di regressione a scopo causale e previsivo. Saranno inoltre in grado di processare e eseguire semplici elaborazioni descrittive su dati testuali.
Competenze trasversali.
Il corso comprende una ricca parte applicativa nella quale gli studenti avranno modo di familiarizzare con semplici programmi software di media complessità utilizando un linguaggio specifico per l’econometria.
Knowledge and Understanding.
At the end of the course students will be able to understand the statistical/econometric approach to data analysis in its inferential and substantive aspects.
Capacity to apply Knowledge and Understanding.
At the end of the course students will be able to estimate, validate and interpret regression models for prediction and causal inference. Student will also be able to process and perform simple elaborations on text data.
Transversal Skills.
The course includes software sessions, where students will have the opportunity to become familiar simple programs using a specially-tailored programming language.
1. Il modello di regressione lineare: la funzione di regressione; il modello di regressione lineare semplice, il modello di regressione lineare multipla, statistiche F e R², scelta della specificazione.
2. Previsione con il modello di regressione lineare. Metodi ad albero per la regressione, random forests.
3. Previsioni con serie storiche: grafici e caratteristiche delle serie storiche, metodi previsivi di base, analisi dei residui, errore di previsione, scomposizioni di serie storiche.
4. Concetto di analisi causale, controfattuale e design sperimentale. Regressione e matching sulle osserbabili. Metodo del Difference-in-Difference.
1. Linear regression model: regression function; simple linear regression model; multiple linear regression model, F and R² statistics, model selection.
2. Prediction with the linear regression model. Regression trees and random forests
3. Introduction to forecasting: time series plot and time series patterns; benchmark methods, residual analysis, forecast error, time series decompositions.
4. Causal analysis, counterfactuals, and experiment design. Regression and matching. Difference-in-difference.
L'esame consiste in due prove
(1) Una prova scritta in cui lo studente dovrà commentare i risultati di elaborazioni proposte dal docente.
(2) Lo studente, in gruppo con 2/3 colleghi di corso, dovrà discutere oralmente i risultati di un confronto tra i metodi appresi nell’ambito di un’applicazione economico/aziendale.
Criteri di valutazione dell'apprendimento.
Nelle due prove gli studenti dovranno dimostrare di avere acquisito una solida conoscenza delle principali questioni statistiche/econometriche, principalmente legate all’aspetto pratico dell’analisi dei dati nel contesto economico/finanziario e del business.
Tramite lo svolgimento delle prove, gli studenti dovranno dimostrare di conoscere come gli strumenti di analisi trovino applicazione per la risoluzione di problematiche applicate a casi specifici.
Criteri di misurazione dell'apprendimento.
Il voto finale verrà espresso in trentesimi. Lo studente supererà l'esame se otterrà almeno 18. È prevista l’assegnazione del massimo dei voti con lode (30 e lode).
Criteri di attribuzione del voto finale.
Il voto finale è calcolato come media dei punteggi ottenuti (da 1 a 30) nelle due prove. La lode viene assegnata nel caso di esposizione particolarmente brillante.
Learning Evaluation Methods.
The final test is includes two tasks
(1) A written essay where the student is asked to comment on results assigned by the teacher.
(2) A presentation, in a 2/3 people team, where the results of a comparison between methods, among those object of the course, are discussed relatively to an economic and/or business application.
Learning Evaluation Criteria.
The two final tasks are meant to ascertain the student’s knowledge of the principles of statistics/econometrics, particularly regarding their their practical implications in analyzing data for economics, finance, and business. By performing these tasks, students are expected to show their proficiency in applying econometric concepts and tools to real-life cases.
Learning Measurement Criteria.
The final score is between 0 and 30. To pass the test, the minimum is 18/30. Possibly, a mention could be awarded to exceptionally good tests (30 e lode).
Final Mark Allocation Criteria.
The final score is given by the average score obtained (from 1 to 30) with the two tasks. “30 e lode” will be awarded in case of excellent presentation.
Gábor Békés and Gábor Kézdi. Data analysis for Business, Economics, and Policy. Cambridge University Press
Gábor Békés and Gábor Kézdi. Data analysis for Business, Economics, and Policy. Cambridge University Press
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2024-2025
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427