MODELLI STATISTICI PER L'ECONOMIA E LA FINANZA

Anno accademico 2020/2021 - 1° anno
Docente: Roberto Di Mari
Crediti: 9
Organizzazione didattica: 225 ore d'impegno totale, 165 di studio individuale, 60 di lezione frontale
Semestre:
ENGLISH VERSION

Obiettivi formativi

  1. Conoscenza e capacità di comprensione (knowledge and understanding): Il corso mira
    a fornire gli strumenti fondamentali per la modellistica statistica di dati economici e
    nanziari.
  2. Capacità di applicare conoscenza e comprensione (applying knowledge and understan-
    ding): Sulla base delle conoscenze acquisite, lo studente sarà in grado di utilizzare i
    principali metodi statistici al ne di analizzare e investigare aspetti essenziali di fenomeni
    economici e nanziari.
  3. Autonomia di giudizio (making judgements): lo studente sarà in grado di raccogliere,
    elaborare ed interpretare dati di natura quantitativa e qualitativa. Lo studente potrà
    poi organizzare sistematicamente tali valutazioni in una ri
    essione articolata su speci che
    realt economico- nanziarie.
  4. Abilità comunicative (communication skills): Lo studente sarà in grado di trasferire ad al-
    tri, con padronanza di linguaggio tecnico, informazioni e valutazioni relative a distribuzioni
    di dati inerenti realt economico- nanziarie.
  5. Capacità di apprendimento (learning skills): alla ne del corso di lezioni lo studente avrà
    acquisito le conoscenze necessarie per poter proseguire i suoi studi economici e nanziari.
    L'apprendimento è ottenuto con un processo graduale in stretta relazione con le tematiche
    disciplinari e con gli obiettivi formativi peculiari del Corso di Laurea Specialistica in
    Finanza Aziendale.

Modalità di svolgimento dell'insegnamento

Lezioni frontali con utilizzo di slides


Prerequisiti richiesti

Statistica di base


Frequenza lezioni

Consigliata


Contenuti del corso

Analisi di dati univariati: Richiami di statistica descrittiva ed inferenziale.

Modelli statistici per l'analisi della dipendenza (supervised statistical learning): modelli di regressione semplice e multipla, lineare e non lineare. Modelli ANOVA.

Modelli statistici per l'analisi dell'interdipendenza (unsupervised statistical learning): analisi delle componenti principali (PCA), analisi dei gruppi (Cluster analysis), modelli mistura.

Statistica applicata: modelli di inferenza causale, regressione per dati temporali, metodi previsionali, modelli di previsione del rischio.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.


Testi di riferimento

  1. Slides del docente.
  2. G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media, 2013.
  3. P. Newbold, W. L. Carlson, B. Thorne. Statistics for business and economics. Boston, MA: Pearson, 2013


Programmazione del corso

 ArgomentiRiferimenti testi
1Richiami di Statistica base: calcolo elementare delle probabilità; variabili aleato- rie (v.a.) discrete e continue, definizioni, funzione di ripartizione, valore atteso e varianza, v.a. note; stima puntuale, propriet degli stimatori, metodi di costruzione; verifica di ipotesi e costruzione di statistiche test; intervalli di confidenza.Slides 
2Modelli di regressione: regressione lineare semplice, test di ipotesi, interpretazione, stima dei parametri, bontà di adattamento; regressione lineare multipla, test di ipotesi, stima dei parametri, bontà di adattamento.Slides 
3Modelli di regressione non lineari: modello logit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri; modello probit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri.Slides 
4Modelli ANOVA: costruzione delle variabili, il modello, interpretazione. 
5Analisi delle Componenti Principali (Principal Component Analysis): richiami di algebra delle matrici, definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni.Slides 
6Analisi dei Gruppi (Cluster Analysis): Obiettivi e dati, decomposizione della devianza, metodo non gerarchico del K-medie (K-means), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma e scelta del numero di gruppi. Cenni sul K-medie fuzzy (fuzzy K-means).Slides 
7Misture di distribuzioni: definizioni, interpretazioni e stima. Analisi dei gruppi basata su modelli mistura (Model-Based Clustering).Slides 
8Statistica applicata 1: inferenza causale, limiti dell'analisi di regressione, approccio con variabili strumentali (IV approach). Metodi di previsione. Regressione lineare con dati temporali, AR(1), diagnostica, confronto tra modelli.Slides 
9Statistica applicata 2: Modelli di previsione del rischio. Modelli di scoring. Applicazione dei modelli logit e probit per previsione di default. Metodi di segmentazione di mercato (Latent Class Analysis).Slides 
10Analisi statistiche attraverso il linguaggio di programmazione R.Slides 

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

L’esame tende ad accertare il raggiungimento degli obiettivi formativi e si svolge attraverso una prova orale che prevede domande inerenti il programma in aggiunta alla discussione di un elaborato concernente l’analisi, attraverso il linguaggio statistico di programmazione R, di dati reali. Le prove orali si svolgono nelle date ufficiali fissate per gli appelli.


Esempi di domande e/o esercizi frequenti

  1. Il modello di regressione lineare
  2. Il modello di regressione non lineare
  3. Stimatore di massima verosimiglianza
  4. Modello ANOVA
  5. Analisi dei gruppi tramite il metodo delle K-medie
  6. Limiti dell'analisi di regressione e approccio IV
  7. Modello logit per la previsione di default