CLEMAM

Lingua Insegnamento:

ITALIANO
Testi di riferimento:

Testi Principali:
1. Tonio DI Battista, 2014. Metodi statistici per la valutazione. Franco Angeli.
2. James H. Stock and Mark W. Watson, 2009. Introduzione all’econometria. Pearson Addison Wesley. Edizione Italiana a cura di Franco Peracchi.
3. Il materiale didattico integrativo per le esercitazioni con R sarà pubblicato dal docente sulla piattaforma online www.elearning.unich.it
Approfondimenti:
1. Domenico Piccolo, 2010. Statistica. Il Mulino.
2. Domenico Piccolo, 2010. Statistica per le decisioni. Il Mulino.
3. Raoul Coccarca e Fabio Frascati, 2015. Manuale interattivo di statistica con R. Pearson.
Obiettivi formativi:

Obiettivi formativi:
In riferimento agli obiettivi generali del CdS, l'insegnamento persegue lo scopo di fornire agli studenti conoscenze avanzate e competenze anche in ambito quantitativo. Infatti, tra le finalità principali del CdS vi è quella di formare figure professionali con competenze matematico-statistiche che conoscano i sistemi informatici per l'elaborazione di dati statistici nonché
per l'analisi dei rischi. Dunque, l’obiettivo specifico del corso è quello di permettere agli studenti di acquisire familiarità con i metodi statistico-informatici per il trattamento dei dati, l’analisi, la previsione, la presentazione e l’interpretazione dei risultati di alcune metodologie statistiche avanzate.

Risultati dell'apprendimento attesi:
Il corso si propone di far acquisire ai partecipanti le conoscenze teoriche e tecniche necessarie per un'approfondita comprensione dei fenomeni aziendali attraverso l’analisi dei dati disponibili.
Rispetto al profilo professionale che il
corso di studio si propone di formare, l'insegnamento è finalizzato a
sviluppare le seguenti competenze:

1) Conoscenza e capacità di comprensione:
-conoscenze approfondite e specialistiche necessarie per la raccolta e l’organizzazione dei dati aziendali;
-conoscenze approfondite e specialistiche necessarie per l’analisi dei dati aziendali attraverso il software statistico R;
-conoscenze approfondite e specialistiche necessarie per la presentazione dei risultati ottenuti dall’analisi dei fenomeni aziendali.

2) Autonomia di giudizio:
- capacità di scegliere in autonomia il tipo analisi più idoneo in base al contesto di riferimento ed al tipo di dato disponibile;
-capacità di interpretare in autonomia i risultati ottenuti attraverso un’analisi statistica avanzata.

3) Abilità comunicativa/applicativa:
- utilizzare la terminologia statistica appropriata rispetto al tipo di analisi condotta;
- applicare le conoscenze acquisite per la diagnosi e la comprensione dei fenomeni aziendali;
- comunicare abilmente i risultati di un’analisi statistica in base agli obiettivi da perseguire ed al destinatario del report.
Prerequisiti:

Pur non essendo richiesta nessuna propedeuticità, si raccomanda la conoscenza dei concetti fondamentali di statistica di base.
Metodi didattici:

L'insegnamento è strutturato in 54 ore di didattica frontale articolata in lezioni teoriche, laboratori con R ed interventi seminariali.
Modalità di verifica dell'apprendimento:

La valutazione del livello di apprendimento degli studenti sarà effettuata con il ricorso ad una prova scritta (mediante l’utilizzo di un personal computer) ed una successiva prova orale obbligatoria.
La prova scritta è composta da esercizi inerenti le metodologie di analisi dei dati che verranno illustrate durante il corso e da alcune domande inerenti la teoria.
La durata di tale prova dipenderà dal grado di difficoltà dei quesiti proposti e sarà comunicata durante il corso.
Il principale obiettivo della prova pratica (scritta) è quello di sondare “il sapere” e il “saper fare”. Questa rappresenta l’80% della valutazione complessiva (espressa in trentesimi) articolata in relazione agli obiettivi formativi da valutare.
La prova orale (20% della valutazione complessiva) è rivolta a sondare le abilità comunicative, di padronanza del linguaggio tecnico specifico della disciplina trattata, di chiarezza espositiva e le capacità di interpretazione.
Le modalità d’esame sono le medesime per frequentanti e non frequentanti.
Sostenibilità:
Altre Informazioni:

Gli studenti ERASMUS sono invitati a contattare il docente per il loro programma. Gli studenti ERASMUS possono discutere l'esame in lingua Inglese.

1. L'ambiente R.
2. L'organizzazione dei dati: Teoria e pratica con il software statistico R.
3. Le matrici ed i vettori nell'analisi dei dati: Teoria e pratica con il software statistico R.
4. L'analisi esplorativa delle informazioni: Teoria e pratica con il software statistico R.
5. L'analisi della varianza: Teoria e pratica con il software statistico R.
6. Il modello di regressione lineare multipla: Teoria e pratica con il software statistico R.
7. Il modello di regressione logistica: Teoria e pratica con il software statistico R.
8. L'analisi statistica “trivariata”: Teoria e pratica con il software statistico R.
9. L'analisi fattoriale: Teoria e pratica con il software statistico R.
10. L'analisi dei gruppi: Teoria e pratica con il software statistico R.
11. La customer satisfaction: Teoria e pratica con il software statistico R.
12. Analisi di dati aziendali utilizzando dataset reali.

1. L'ambiente R. Operatori aritmetici e logici. Lavorare con gli oggetti. Vettori. Matrici. Array. Data Frame. Liste. Funzioni.
2. L'organizzazione dei dati: Teoria e pratica con il software statistico R. Estrazione e modifica di elementi di oggetti. Subsetting. Dati mancanti. Importazione ed esportazione di dati. Pacchetti R.
3. Le matrici ed i vettori nell'analisi dei dati: Teoria e pratica con il software statistico R. Concetti fondamentali. Operazioni tra vettori e calcolo matriciale con R.
4. L'analisi esplorativa delle informazioni: Teoria e pratica con il software statistico R. Analisi univariata. Analisi bivariata. Dati anomali. Trasformazioni di variabili. Codifica di variabili. Rappresentazioni grafiche.
5. L'analisi della varianza: Teoria e pratica con il software statistico R. Test di ipotesi parametrici. ANOVA. Confronti multipli. Cenni su Test di ipotesi non parametrici.
6. Il modello di regressione lineare multipla: Teoria e pratica con il software statistico R. Richiami di teoria. Stima dei parametri del modello. Analisi grafica dei residui. Eteroschedasticità. Variabili strumentali. Multicollinearità.
7. Il modello di regressione logistica: Teoria e pratica con il software statistico R.
8. L'analisi statistica trivariata: Teoria e pratica con il software statistico R. Effetto di mediazione. Effetto di moderazione.
9. L'analisi fattoriale: Teoria e pratica con il software statistico R.
10. L'analisi dei gruppi: Teoria e pratica con il software statistico R. Metodi gerarchici e non gerachici. Metodi aggregativi e divisivi. Il metodo k-medie.
11. La customer satisfaction: Teoria e pratica con il software statistico R.
12. Analisi di dati aziendali utilizzando dataset reali. Esercitazioni su dataset forniti durante il corso.