ITALIANO
Italian
Si presuppone la conoscenza della Statistica descrittiva e di quella inferenziale
Descriptive statistics, basic concepts of probability, testing hypotheses, basic concepts of statistical inference.
Il corso sarà svolto sia mediante lezioni frontali sia mediante applicazioni presso il laboratorio di informatica
The course is organized into 33 lectures of two hours each, including in-person lectures and applications on the computer.
Il corso si propone di fare apprendere l'uso teorico ed empirico di strumenti di statistica per la valutazione di macro e micro aggregati economici e fenomeni finanziari.
Al termine del corso gli studenti saranno in grado di scegliere in modo adeguato le tecniche di statistica e valutarne la loro applicabilità ai vari problemi. Saranno, inoltre, in grado di redigere programmi nel linguaggio R per effettuare le opportune applicazioni.
Le applicazioni pratiche presso il laboratorio di informatica consentiranno agli studenti di migliorare la loro autonomia e la loro capacità critica.
The course aims to provide students with theoretical and empirical approaches to analyze aggregate and financial macro- and microeconomic phenomena.
At the end of the course, students will be able to adequately select and apply statistical techniques to analyze economic and financial datasets in order to solve problems in economics and finance, also with the use of R code.
Practical exercises will allow
students to improve their autonomy and critical abilities.
1. Richiami di algebra delle matrici.
2. Introduzione all’uso del linguaggio R.
3. Analisi multivariata dei dati
3.1. Analisi delle componenti principali.
3.2. Regressione multipla.
3.3 Cluster Analysis
3.4. Regressione logistica e regressione di Cox
3.5. Analisi discriminante
3.6. Introduzione alla machine learning
1. Basic concepts of linear algebra.
2. Introduction to the R programming language.
3. Multivariate data analysis
3.1 Principal component analysis
3.2 Multiple regression.
3.3 Cluster analysis.
3.4 Logistic regression and Cox regression.
3.5 Discriminant analysis.
3.6 Introduction to machine learning
L’esame consiste in una prova scritta e una tesina in cui gli studenti devono elaborare una dataset utilizzando codici implementati in R. La tesina deve includere un esempio di applicazione di Machine learning. Nel compito sono previsti
esercizi e domande brevi con l’obiettivo di verificare l'apprendimento
degli argomenti trattati e l’effettiva capacità di applicare le conoscenze
acquisite. Durante la prova scritta non è ammessa la consultazione di
alcun materiale di supporto.
Nella prova scritta gli studenti dovranno dimostrare di aver acquisito una solida conoscenza dei temi svolti nelle lezioni e di saper utilizzare la corrispondente strumentazione statistica.
Il voto finale è attribuito in trentesimi. L’esame si intende superato se il
voto è pari o superiore a 18.
Il voto finale viene attribuito sulla base del compito scritto, come somma
dei punteggi ottenuti sui singoli esercizi e il voto della tesina sull’analisi dei dati. Il punteggio di ogni esercizio
viene assegnato sulla base della difficoltà dello stesso.
The final examination consists of a written test and a short report which analyzes a dataset using R codes. The empirical analysis includes an application of machine learning.The written test consists of short exercises and questions designed to assess the learning of the topics covered and the student’s actual ability to apply the knowledge acquired. Supporting materials may not be consulted during the written exam.
During the written exam, students must demonstrate solid knowledge of the topics and methods for functions of one variable. The ability to apply the acquired knowledge is evaluated by solving the assigned problems.
The exam is worth thirty points. A passing grade is 18 or above.
The final score is determined based on the written exam: the sum of the scores obtained on the individual exercises and the short report on the data analysis. The score of each exercise is awarded based on its difficulty.
P.J. HEWSON, Multivariate Statistics with R, scaricabile dal web.
B. BRACALENTE M.COSSIGNANI A. MULAS, Statistica aziendale , McGraw-Hill, 2009.
A. DE LILLO G. ARGENTIN M. LUCCHINI S. SARTI M.TERRANEO,Analisi multivariata per le Scienze sociali.Ed. Pearson Paravia Bruno Mondatori, 2007.
G. ESPA R.MICCIOLO, Analisi esplorativa dei dati con R, Ed. APOGEO, Milano, 2012
P.J. HEWSON, Multivariate Statistics with R, available on the web.
B. BRACALENTE M.COSSIGNANI A. MULAS, Statistica aziendale , McGraw-Hill, 2009.
A. DE LILLO G. ARGENTIN M. LUCCHINI S. SARTI M.TERRANEO,Analisi multivariata per le Scienze sociali.Ed. Pearson Paravia Bruno Mondatori, 2007.
G. ESPA R.MICCIOLO, Analisi esplorativa dei dati con R, Ed. APOGEO, Milan, 2012
http://lms.econ.univpm.it
http://lms.econ.univpm.it
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427