Menù principale
B027520 - ADVANCED STATISTICAL MODELS – MOD. A
Principali informazioni
Lingua Insegnamento
Contenuto del corso
Libri di testo consigliati
Obiettivi Formativi
Prerequisiti
Metodi Didattici
Altre Informazioni
Modalità di verifica apprendimento
Programma del corso
Anno Accademico 2019-20
Coorte 2019 - Laurea Magistrale in INFORMATICA
Anno di corso
Primo Anno - Secondo Semestre
Dipartimento di Afferenza
Matematica e Informatica "Ulisse Dini"
Tipo insegnamento
Attività formativa monodisciplinare
Settore Scientifico disciplinare
SECS-S/01 - STATISTICA
Crediti Formativi
6
Ore Didattica
48
Periodo didattico
24/02/2020 ⇒ 12/06/2020
Frequenza Obbligatoria
No
Tipo Valutazione
Voto Finale
Contenuto del corso
mostra
Programma del corso
mostra
Docenza
Mutuazione
Insegnamento mutuato da:
B029803 - TEORIA E PRATICA DEI MODELLI STATISTICI
Laurea Magistrale in STATISTICA E DATA SCIENCE
B029803 - TEORIA E PRATICA DEI MODELLI STATISTICI
Laurea Magistrale in STATISTICA E DATA SCIENCE
Lingua Insegnamento
Italiano
Contenuto del corso
Il corso è diviso in due moduli. Il modulo A (6 CFU) tratta il modello di regressione lineare e il modello logit per risposta binaria.
Il modulo B (6 CFU) affronta la teoria e le applicazioni dei modelli lineari generalizzati: modelli per risposta categoriale e per dati di conteggio; introduzione ai modelli multilivello. I modelli sono utilizzati per l’analisi di dati reali con il software Stata, con particolare attenzione alla scelta del modello e all’interpretazione dei risultati.
Il modulo B (6 CFU) affronta la teoria e le applicazioni dei modelli lineari generalizzati: modelli per risposta categoriale e per dati di conteggio; introduzione ai modelli multilivello. I modelli sono utilizzati per l’analisi di dati reali con il software Stata, con particolare attenzione alla scelta del modello e all’interpretazione dei risultati.
Libri di testo consigliati (Cerca nel catalogo della biblioteca)
Fahrmeir, L., Kneib, T., Lang, S., Marx, B. (2013). Regression. Models, Methods and Applications. Springer.
Obiettivi Formativi
CONOSCENZE:
Conoscenza dei principali modelli statistici in termini di proprietà formali, metodi di stima e potenzialità applicative
COMPETENZE:
Capacità critica di selezionare il modello più appropriato in base agli obiettivi di ricerca e ai dati disponibili, stimare il modello prescelto, valutare l’adeguatezza del modello e interpretare i risultati. Capacità di scrivere un breve rapporto sull’analisi effettuata e l’utilizzo dei risultati derivanti dal modello
Conoscenza dei principali modelli statistici in termini di proprietà formali, metodi di stima e potenzialità applicative
COMPETENZE:
Capacità critica di selezionare il modello più appropriato in base agli obiettivi di ricerca e ai dati disponibili, stimare il modello prescelto, valutare l’adeguatezza del modello e interpretare i risultati. Capacità di scrivere un breve rapporto sull’analisi effettuata e l’utilizzo dei risultati derivanti dal modello
Prerequisiti
Conoscenze di base di calcolo, algebra delle matrici, probabilità e inferenza statistica.
Insegnamento propedeutico: "Inferenza statistica".
Insegnamento propedeutico: "Inferenza statistica".
Metodi Didattici
Lezioni frontali in aula e in laboratorio
Altre Informazioni
Modalità di verifica apprendimento
L'esame consiste in una prova scritta con domande di teoria ed esercizi. Gli esercizi richiedono di elaborare (usando una calcolatrice tascabile) i risultati derivanti dall'applicazione di modelli statistici, discutendo le scelte di specificazione e fornendo interpretazioni pertinenti. Durante il corso vengono assegnati dei compiti da svolgere individualmente (homework) con l'uso di software per l'analisi di dati. Gli homework contribuiscono al voto finale solo al primo appello a cui si presenta lo studente. Per gli studenti che hanno svolto almeno il 50% degli homework la prova orale è facoltativa.
MODALITA' D'ESAME DURANTE L'EMERGENZA COVID-19: nelle sessioni d'esame in cui non è possibile svolgere l'esame in presenza, la parte scritta viene sostituita da un test su Moodle, mentre l'orale viene svolto tramite Google Meet.
MODALITA' D'ESAME DURANTE L'EMERGENZA COVID-19: nelle sessioni d'esame in cui non è possibile svolgere l'esame in presenza, la parte scritta viene sostituita da un test su Moodle, mentre l'orale viene svolto tramite Google Meet.
Programma del corso
Modulo A
1. Il modello di regressione lineare: teoria e applicazioni
1.1. Regressione lineare semplice
1.2. Regressione lineare multipla
1.3. Funzioni non lineari
1.4. Interazioni
1.5. Stima
1.6. Inferenza
1.7. Scelta del modello
1.8. Diagnostica
2. Variabile di risposta dicotomica e regressione logistica
2.1 Stima e inferenza
2.2. Adattamento e scelta del modello
2.3 Previsione e curva ROC
Modulo B
3. Teoria dei modelli lineari generalizzati
3.1. famiglia esponenziale
3.2. modelli lineari generalizzati
3.3. stima
3.4. inferenza
4. Modelli per variabili di risposta qualitativa
4.1. variabile di risposta ordinale
4.2 variabile di risposta nominale
5. Modelli per dati di conteggio e regressione di Poisson
6. Modelli multilivello
7. Regressione quantilica
1. Il modello di regressione lineare: teoria e applicazioni
1.1. Regressione lineare semplice
1.2. Regressione lineare multipla
1.3. Funzioni non lineari
1.4. Interazioni
1.5. Stima
1.6. Inferenza
1.7. Scelta del modello
1.8. Diagnostica
2. Variabile di risposta dicotomica e regressione logistica
2.1 Stima e inferenza
2.2. Adattamento e scelta del modello
2.3 Previsione e curva ROC
Modulo B
3. Teoria dei modelli lineari generalizzati
3.1. famiglia esponenziale
3.2. modelli lineari generalizzati
3.3. stima
3.4. inferenza
4. Modelli per variabili di risposta qualitativa
4.1. variabile di risposta ordinale
4.2 variabile di risposta nominale
5. Modelli per dati di conteggio e regressione di Poisson
6. Modelli multilivello
7. Regressione quantilica