MODELLI STATISTICI PER L'ECONOMIA E LA FINANZA
Anno accademico 2022/2023 - Docente: ROBERTO DI MARIRisultati di apprendimento attesi
- 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. - 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 fine di analizzare e investigare aspetti essenziali di fenomeni
economici e finanziari. - 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 riflessione articolata su specifiche
realtà economico-finanziarie. - Abilità comunicative (communication skills): Lo studente sarà in grado di trasferire ad altri con padronanza di linguaggio tecnico, informazioni e valutazioni relative a distribuzioni di dati inerenti realtà economico-finanziarie.
- 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
- Slides del docente.
- G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media, 2013.
- P. Newbold, W. L. Carlson, B. Thorne. Statistics for business and economics. Boston, MA: Pearson, 2013
Programmazione del corso
| Argomenti | Riferimenti testi | |
|---|---|---|
| 1 | Richiami 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 |
| 2 | Modelli 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 |
| 3 | Modelli 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 |
| 4 | Modelli ANOVA: costruzione delle variabili, il modello, interpretazione. | |
| 5 | Analisi 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 |
| 6 | Analisi 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 |
| 7 | Misture di distribuzioni: definizioni, interpretazioni e stima. Analisi dei gruppi basata su modelli mistura (Model-Based Clustering). | Slides |
| 8 | Statistica 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 |
| 9 | Statistica 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 |
| 10 | Analisi 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
- Il modello di regressione lineare
- Il modello di regressione non lineare
- Stimatore di massima verosimiglianza
- Modello ANOVA
- Analisi dei gruppi tramite il metodo delle K-medie
- Limiti dell'analisi di regressione
- Modello logit per la previsione di default