L'obiettivo principale del corso è quello di fornire agli studenti gli strumenti fondamentali per l'applicazione di metodi statistici all'analisi di dati economici. La parte teorica sarà affiancata da una parte pratica dedicata all'analisi di data set reali attraverso il software R. Alla fine del corso gli studenti saranno in grado di applicare metodi statistici avanzati quali i modelli per dati panel e modelli di regressione spaziale, e di interpretare i risultati di una analisi statistica complessa.
Curriculum
scheda docente materiale didattico
Probabilità: definizione ed eventi. Probabilità condizionata.
Variabili aleatorie: variabili aleatorie discrete e continue (funzione di massa di probabilità, funzione di densità di probabilità, valore atteso e varianza). Trasformazioni lineari delle variabili aleatorie.
Distribuzioni campionarie. Stimatori e loro proprietà. Intervalli di confidenza e test d'ipotesi.
Riferimenti nel manuale del corso: Appendici A, B (escludendo la parte relativa alla “curtosi” e il paragrafo 8.4) e C.
Parte II: Modelli statistici
Regressione lineare semplice: stima e inferenza. Valutazione della bontà di adattamento.
Modello di regressione lineare multipla: stima (principio generale) e inferenza. Teorema di Gauss-Markov. Valutazione della bontà di adattamento.
Interpretazione del modello: il ruolo dei coefficienti di regressione.
Trasformazioni delle variabili: log(y), trasformazione dei regressori (log(x), x²). Standardizzazione delle variabili: centratura e standardizzazione dei regressori. Variabili categoriche nella regressione multipla.
Selezione del modello: test F per modelli nidificati.
Riferimenti nel manuale del corso: Capitoli 1, 2, 3, 4, 5, 6 e 7 (escludendo il “Modello di probabilità lineare”).
Parte III: Argomenti avanzati
Eteroschedasticità: significato e conseguenze sulla stima OLS. Errori standard robusti. Test per l'eteroschedasticità (test di Breusch-Pagan).
Minimi quadrati ponderati: stima della funzione di eteroschedasticità.
Semplici metodi per dati panel (escludendo il “Test di Chow per cambiamenti strutturali”).
Riferimenti nel manuale del corso: Capitolo 8 (escludendo, come sopra, il “Modello di probabilità lineare”), Capitolo 13 (escludendo il “Test di Chow per cambiamenti strutturali”), Capitolo 14 (solo il primo paragrafo; il secondo è facoltativo).
Parte IV: Programmazione in R
Funzioni di base di R: operazioni algebriche di base, media, varianza, mediana.
Strutture di R: dataframe, variabili factor.
Grafici di base: scatterplot, istogrammi e boxplot.
Modelli lineari in R: funzione lm.
Riferimenti: consultare gli script caricati nel canale Teams del corso.
Bibliografia:
Introductory Econometrics: A Modern Approach, J. M. Wooldridge, South-Western Cengage Learning.
Slide e script disponibili nel canale Teams del corso.
Slide e script di R forniti dal docente
Programma
Parte I: Statistica descrittiva, probabilità e inferenzaProbabilità: definizione ed eventi. Probabilità condizionata.
Variabili aleatorie: variabili aleatorie discrete e continue (funzione di massa di probabilità, funzione di densità di probabilità, valore atteso e varianza). Trasformazioni lineari delle variabili aleatorie.
Distribuzioni campionarie. Stimatori e loro proprietà. Intervalli di confidenza e test d'ipotesi.
Riferimenti nel manuale del corso: Appendici A, B (escludendo la parte relativa alla “curtosi” e il paragrafo 8.4) e C.
Parte II: Modelli statistici
Regressione lineare semplice: stima e inferenza. Valutazione della bontà di adattamento.
Modello di regressione lineare multipla: stima (principio generale) e inferenza. Teorema di Gauss-Markov. Valutazione della bontà di adattamento.
Interpretazione del modello: il ruolo dei coefficienti di regressione.
Trasformazioni delle variabili: log(y), trasformazione dei regressori (log(x), x²). Standardizzazione delle variabili: centratura e standardizzazione dei regressori. Variabili categoriche nella regressione multipla.
Selezione del modello: test F per modelli nidificati.
Riferimenti nel manuale del corso: Capitoli 1, 2, 3, 4, 5, 6 e 7 (escludendo il “Modello di probabilità lineare”).
Parte III: Argomenti avanzati
Eteroschedasticità: significato e conseguenze sulla stima OLS. Errori standard robusti. Test per l'eteroschedasticità (test di Breusch-Pagan).
Minimi quadrati ponderati: stima della funzione di eteroschedasticità.
Semplici metodi per dati panel (escludendo il “Test di Chow per cambiamenti strutturali”).
Riferimenti nel manuale del corso: Capitolo 8 (escludendo, come sopra, il “Modello di probabilità lineare”), Capitolo 13 (escludendo il “Test di Chow per cambiamenti strutturali”), Capitolo 14 (solo il primo paragrafo; il secondo è facoltativo).
Parte IV: Programmazione in R
Funzioni di base di R: operazioni algebriche di base, media, varianza, mediana.
Strutture di R: dataframe, variabili factor.
Grafici di base: scatterplot, istogrammi e boxplot.
Modelli lineari in R: funzione lm.
Riferimenti: consultare gli script caricati nel canale Teams del corso.
Bibliografia:
Introductory Econometrics: A Modern Approach, J. M. Wooldridge, South-Western Cengage Learning.
Slide e script disponibili nel canale Teams del corso.
Testi Adottati
Wooldridge, Jeffrey M.,. "Introductory econometrics: A modern approach." (2009)Slide e script di R forniti dal docente
Modalità Valutazione
Sono previste due differenti modalità di valutazione: 1) Esame Scritto + Project work: La prova scritta, della durata di due ore, è suddivisa in 6/7 esercizi e/o domande teoriche relative agli argomenti presentati durante il corso. Il punteggio massimo ottenibile nella suddetta prova è pari a 24/30. Il project work prevede di elaborare un report scritto da consegnare al docente e un’esposizione orale. Entrambe devono essere svolte in gruppi composti da un minimo di tre studenti ed un massimo di sei studenti. Il punteggio massimo ottenibile per il project work è pari a 8/30. 2) Esame scritto (vedasi il punto sopra per i dettagli) integrato da alcuni quesiti aggiuntivi relativi all’interpretazione di output e la scrittura di comandi all’interno del software statistico R. scheda docente materiale didattico
Probabilità: definizione ed eventi. Probabilità condizionata.
Variabili aleatorie: variabili aleatorie discrete e continue (funzione di massa di probabilità, funzione di densità di probabilità, valore atteso e varianza). Trasformazioni lineari delle variabili aleatorie.
Distribuzioni campionarie. Stimatori e loro proprietà. Intervalli di confidenza e test d'ipotesi.
Riferimenti nel manuale del corso: Appendici A, B (escludendo la parte relativa alla “curtosi” e il paragrafo 8.4) e C.
Parte II: Modelli statistici
Regressione lineare semplice: stima e inferenza. Valutazione della bontà di adattamento.
Modello di regressione lineare multipla: stima (principio generale) e inferenza. Teorema di Gauss-Markov. Valutazione della bontà di adattamento.
Interpretazione del modello: il ruolo dei coefficienti di regressione.
Trasformazioni delle variabili: log(y), trasformazione dei regressori (log(x), x²). Standardizzazione delle variabili: centratura e standardizzazione dei regressori. Variabili categoriche nella regressione multipla.
Selezione del modello: test F per modelli nidificati.
Riferimenti nel manuale del corso: Capitoli 1, 2, 3, 4, 5, 6 e 7 (escludendo il “Modello di probabilità lineare”).
Parte III: Argomenti avanzati
Eteroschedasticità: significato e conseguenze sulla stima OLS. Errori standard robusti. Test per l'eteroschedasticità (test di Breusch-Pagan).
Minimi quadrati ponderati: stima della funzione di eteroschedasticità.
Semplici metodi per dati panel (escludendo il “Test di Chow per cambiamenti strutturali”).
Riferimenti nel manuale del corso: Capitolo 8 (escludendo, come sopra, il “Modello di probabilità lineare”), Capitolo 13 (escludendo il “Test di Chow per cambiamenti strutturali”), Capitolo 14 (solo il primo paragrafo; il secondo è facoltativo).
Parte IV: Programmazione in R
Funzioni di base di R: operazioni algebriche di base, media, varianza, mediana.
Strutture di R: dataframe, variabili factor.
Grafici di base: scatterplot, istogrammi e boxplot.
Modelli lineari in R: funzione lm.
Riferimenti: consultare gli script caricati nel canale Teams del corso.
Bibliografia:
Introductory Econometrics: A Modern Approach, J. M. Wooldridge, South-Western Cengage Learning.
Slide e script disponibili nel canale Teams del corso.
Slide e script di R forniti dal docente
Mutuazione: 21210065 Statistical methods in economics in Economia dell'ambiente, lavoro e sviluppo sostenibile LM-56 R (docente da definire)
Programma
Parte I: Statistica descrittiva, probabilità e inferenzaProbabilità: definizione ed eventi. Probabilità condizionata.
Variabili aleatorie: variabili aleatorie discrete e continue (funzione di massa di probabilità, funzione di densità di probabilità, valore atteso e varianza). Trasformazioni lineari delle variabili aleatorie.
Distribuzioni campionarie. Stimatori e loro proprietà. Intervalli di confidenza e test d'ipotesi.
Riferimenti nel manuale del corso: Appendici A, B (escludendo la parte relativa alla “curtosi” e il paragrafo 8.4) e C.
Parte II: Modelli statistici
Regressione lineare semplice: stima e inferenza. Valutazione della bontà di adattamento.
Modello di regressione lineare multipla: stima (principio generale) e inferenza. Teorema di Gauss-Markov. Valutazione della bontà di adattamento.
Interpretazione del modello: il ruolo dei coefficienti di regressione.
Trasformazioni delle variabili: log(y), trasformazione dei regressori (log(x), x²). Standardizzazione delle variabili: centratura e standardizzazione dei regressori. Variabili categoriche nella regressione multipla.
Selezione del modello: test F per modelli nidificati.
Riferimenti nel manuale del corso: Capitoli 1, 2, 3, 4, 5, 6 e 7 (escludendo il “Modello di probabilità lineare”).
Parte III: Argomenti avanzati
Eteroschedasticità: significato e conseguenze sulla stima OLS. Errori standard robusti. Test per l'eteroschedasticità (test di Breusch-Pagan).
Minimi quadrati ponderati: stima della funzione di eteroschedasticità.
Semplici metodi per dati panel (escludendo il “Test di Chow per cambiamenti strutturali”).
Riferimenti nel manuale del corso: Capitolo 8 (escludendo, come sopra, il “Modello di probabilità lineare”), Capitolo 13 (escludendo il “Test di Chow per cambiamenti strutturali”), Capitolo 14 (solo il primo paragrafo; il secondo è facoltativo).
Parte IV: Programmazione in R
Funzioni di base di R: operazioni algebriche di base, media, varianza, mediana.
Strutture di R: dataframe, variabili factor.
Grafici di base: scatterplot, istogrammi e boxplot.
Modelli lineari in R: funzione lm.
Riferimenti: consultare gli script caricati nel canale Teams del corso.
Bibliografia:
Introductory Econometrics: A Modern Approach, J. M. Wooldridge, South-Western Cengage Learning.
Slide e script disponibili nel canale Teams del corso.
Testi Adottati
Wooldridge, Jeffrey M.,. "Introductory econometrics: A modern approach." (2009)Slide e script di R forniti dal docente
Modalità Valutazione
Sono previste due differenti modalità di valutazione: 1) Esame Scritto + Project work: La prova scritta, della durata di due ore, è suddivisa in 6/7 esercizi e/o domande teoriche relative agli argomenti presentati durante il corso. Il punteggio massimo ottenibile nella suddetta prova è pari a 24/30. Il project work prevede di elaborare un report scritto da consegnare al docente e un’esposizione orale. Entrambe devono essere svolte in gruppi composti da un minimo di tre studenti ed un massimo di sei studenti. Il punteggio massimo ottenibile per il project work è pari a 8/30. 2) Esame scritto (vedasi il punto sopra per i dettagli) integrato da alcuni quesiti aggiuntivi relativi all’interpretazione di output e la scrittura di comandi all’interno del software statistico R. scheda docente materiale didattico
Probabilità: definizione ed eventi. Probabilità condizionata.
Variabili aleatorie: variabili aleatorie discrete e continue (funzione di massa di probabilità, funzione di densità di probabilità, valore atteso e varianza). Trasformazioni lineari delle variabili aleatorie.
Distribuzioni campionarie. Stimatori e loro proprietà. Intervalli di confidenza e test d'ipotesi.
Riferimenti nel manuale del corso: Appendici A, B (escludendo la parte relativa alla “curtosi” e il paragrafo 8.4) e C.
Parte II: Modelli statistici
Regressione lineare semplice: stima e inferenza. Valutazione della bontà di adattamento.
Modello di regressione lineare multipla: stima (principio generale) e inferenza. Teorema di Gauss-Markov. Valutazione della bontà di adattamento.
Interpretazione del modello: il ruolo dei coefficienti di regressione.
Trasformazioni delle variabili: log(y), trasformazione dei regressori (log(x), x²). Standardizzazione delle variabili: centratura e standardizzazione dei regressori. Variabili categoriche nella regressione multipla.
Selezione del modello: test F per modelli nidificati.
Riferimenti nel manuale del corso: Capitoli 1, 2, 3, 4, 5, 6 e 7 (escludendo il “Modello di probabilità lineare”).
Parte III: Argomenti avanzati
Eteroschedasticità: significato e conseguenze sulla stima OLS. Errori standard robusti. Test per l'eteroschedasticità (test di Breusch-Pagan).
Minimi quadrati ponderati: stima della funzione di eteroschedasticità.
Semplici metodi per dati panel (escludendo il “Test di Chow per cambiamenti strutturali”).
Riferimenti nel manuale del corso: Capitolo 8 (escludendo, come sopra, il “Modello di probabilità lineare”), Capitolo 13 (escludendo il “Test di Chow per cambiamenti strutturali”), Capitolo 14 (solo il primo paragrafo; il secondo è facoltativo).
Parte IV: Programmazione in R
Funzioni di base di R: operazioni algebriche di base, media, varianza, mediana.
Strutture di R: dataframe, variabili factor.
Grafici di base: scatterplot, istogrammi e boxplot.
Modelli lineari in R: funzione lm.
Riferimenti: consultare gli script caricati nel canale Teams del corso.
Bibliografia:
Introductory Econometrics: A Modern Approach, J. M. Wooldridge, South-Western Cengage Learning.
Slide e script disponibili nel canale Teams del corso.
Slide e script di R forniti dal docente
Programma
Parte I: Statistica descrittiva, probabilità e inferenzaProbabilità: definizione ed eventi. Probabilità condizionata.
Variabili aleatorie: variabili aleatorie discrete e continue (funzione di massa di probabilità, funzione di densità di probabilità, valore atteso e varianza). Trasformazioni lineari delle variabili aleatorie.
Distribuzioni campionarie. Stimatori e loro proprietà. Intervalli di confidenza e test d'ipotesi.
Riferimenti nel manuale del corso: Appendici A, B (escludendo la parte relativa alla “curtosi” e il paragrafo 8.4) e C.
Parte II: Modelli statistici
Regressione lineare semplice: stima e inferenza. Valutazione della bontà di adattamento.
Modello di regressione lineare multipla: stima (principio generale) e inferenza. Teorema di Gauss-Markov. Valutazione della bontà di adattamento.
Interpretazione del modello: il ruolo dei coefficienti di regressione.
Trasformazioni delle variabili: log(y), trasformazione dei regressori (log(x), x²). Standardizzazione delle variabili: centratura e standardizzazione dei regressori. Variabili categoriche nella regressione multipla.
Selezione del modello: test F per modelli nidificati.
Riferimenti nel manuale del corso: Capitoli 1, 2, 3, 4, 5, 6 e 7 (escludendo il “Modello di probabilità lineare”).
Parte III: Argomenti avanzati
Eteroschedasticità: significato e conseguenze sulla stima OLS. Errori standard robusti. Test per l'eteroschedasticità (test di Breusch-Pagan).
Minimi quadrati ponderati: stima della funzione di eteroschedasticità.
Semplici metodi per dati panel (escludendo il “Test di Chow per cambiamenti strutturali”).
Riferimenti nel manuale del corso: Capitolo 8 (escludendo, come sopra, il “Modello di probabilità lineare”), Capitolo 13 (escludendo il “Test di Chow per cambiamenti strutturali”), Capitolo 14 (solo il primo paragrafo; il secondo è facoltativo).
Parte IV: Programmazione in R
Funzioni di base di R: operazioni algebriche di base, media, varianza, mediana.
Strutture di R: dataframe, variabili factor.
Grafici di base: scatterplot, istogrammi e boxplot.
Modelli lineari in R: funzione lm.
Riferimenti: consultare gli script caricati nel canale Teams del corso.
Bibliografia:
Introductory Econometrics: A Modern Approach, J. M. Wooldridge, South-Western Cengage Learning.
Slide e script disponibili nel canale Teams del corso.
Testi Adottati
Wooldridge, Jeffrey M.,. "Introductory econometrics: A modern approach." (2009)Slide e script di R forniti dal docente
Modalità Valutazione
Sono previste due differenti modalità di valutazione: 1) Esame Scritto + Project work: La prova scritta, della durata di due ore, è suddivisa in 6/7 esercizi e/o domande teoriche relative agli argomenti presentati durante il corso. Il punteggio massimo ottenibile nella suddetta prova è pari a 24/30. Il project work prevede di elaborare un report scritto da consegnare al docente e un’esposizione orale. Entrambe devono essere svolte in gruppi composti da un minimo di tre studenti ed un massimo di sei studenti. Il punteggio massimo ottenibile per il project work è pari a 8/30. 2) Esame scritto (vedasi il punto sopra per i dettagli) integrato da alcuni quesiti aggiuntivi relativi all’interpretazione di output e la scrittura di comandi all’interno del software statistico R.