Course Syllabus

Export

L'obiettivo principale del corso è introdurre strumenti software avanzati e di alta complessità computazionale per disegnare ed eseguire analisi di dati e modellazione statistica complessa.Alla fine del corso lo studente ha la possibiltà di proporre i principali algoritmi , discernendo pregi e difetti, essendo in grado di sperimentare ed applicare le conoscenze acquisite su dati reali.


Il corso affronta lo studio di tecniche modellistiche algoritmiche e le principali problematiche e tecniche statistiche di statistica complessa

  • (1)  SAS language and R (overiview)
  • (2) Interpretazione di  Modelli lineari complessi (Anova, Ancova, GLM) con interazioni, trasformate,
  • (3) Robust methods (Bootstrap, Jacknife, Robust Regression, IRLS, WLS, nonparametric regression,
    loess smoothing and splines)
  • (4) Passi per costruzione di un modello Robusto
  • (5) missing data mechanism, missing imputation, (y, X)-transformation, misure di Influenza, diagnostiche, heteroschedaticità, model selection.
  • (6) Binary and multinomial logistic regression

    • Superamento esame di Analisi statistica Multivariata
    Lezione frontale e sessioni di laboratorio

    PROVA SCRITTA
    PROJECT WORK (Sviluppo di un progetto originale a partire da una semplice idea o dall’analisi di un caso esistente)
    Due Lavori applicativi da svolgere autonomamente o in gruppo di max 3 persone su un dataset scelto dallo studente (R o SAS) su cui applicare i principali argomenti svolti a lezione .
    L'elaborato (doc, html, pdf, R markdown) va spedito via mail al docente (piergiorgio.lovaglio@unimib.it)  una settimana prima dell'appello con file nominato con i cognomi degli appartenenti al gruppo di lavoro


    Di seguito le analisi da svolgere per le due analisi applicative (Sas base o R):


    PROJECT WORK completo con
    1 Analisi di regressione e sviluppo del modello robusto con target quantitativo
    (analisi descrittive, collin, missing data, heteroscedasticità, dati influenti, trasformazioni, diagnostiche, costruzione modello robusto, bootstrap)

    1 Analisi di regresione logistica con target binario (discretizzare il target dell'analisi precedente)
    (modello logistico con tutte le covariate e con model selection, controllare solo collinearity e separation)

    I principali output del  PROJECT WORK sul modello robusto e sull'analisi logistica vanno stampati e portati all'orale (se in presenza)
    Portali WEB per la scelta del dataset:
    https://archive.ics.uci.edu/ml/datasets
    www. kaggle.com

    PROVA ORALE
    COLLOQUIO DI DISCUSSIONE SULLO SCRITTO

    L'esame orale consta di domande sulla TEORIA affrontata a lezione e sul commento degli output dei lavori applicativi per  verificare la comprensione dei principali strumenti adottati e il conseguente "modus operandi" dell'analisi statistica svolta.



    Carter Hill, William E. Griffiths, Guay C. Lim.  Principles of Econometrics (chapters 2, 4 ,5, 6, 7, 8, 16 fino sezione 16.3 compresa)

    Gareth, Witten, Hastie, Tibshirani, An Introduction to Statistical Learning with Applications in R Chapter 3 (no section 3.5), Chapter 4, 6,7
    Lucidi sul moodle

    Consigliati
    Principles of Econometrics associate R book   https://bookdown.org/ccolonescu/RPoE4/



    I semestre, I ciclo
    Italiano
    Export
    The course aims at introducing software and complex procedures for modelling statistical models both from the theoretical and from the applicative point of view
    The student at the end of the course should be able to understand, discern and propose complex models and algorithms, being able to assess the studied topics analyzing read dataset.
    The course deals with complex/algorithmic  modelling techniques and main problems and algorithm for complex statistics

    (1)  SAS language and R ovierview
  • (2) Interpretation of complex linear Models (Anova, Ancova, GLM)
  • (3) Robust methods (Bootstrap, Jacknife, Robust Regression, IRLS, WLS, nonparametric regression,
    loess smoothing and splines)
  • (4) Step of robust model building
  • (5) missing data mechanism, missing imputation, (y, X)-transformation, Influence, diagnostics, eteroskedasticity, model selection
    • (6) Binary and multinomial logistic regression


    To pass the exam of "Analisi statistica Multivariata"
    Class lessons  and computer lab

    WRITTEN EXAM: PROJECT WORK
    Project work (also in group) involving a data analysis (R or SAS) on two dataset  chosen by the student to replicate arguments and analyses discussed during lab sessions. Project works deal with the analysis of both: 

    1 Complete work on the construction of a robust model with quantitative target
    (descriptive analysis,  collin, missing data, heteroskedasticity, influence, trasformations, diagnostics, robust model construction, bootstrap)

    1 More simple applied work with binary target (Binarize the previous quantitative target)
    (Fit two models: with all covariates and with model selection/check only collinearity and separation)

    The project work (doc, html, pdf, R markdown) should be sent by email (piergiorgio.lovaglio@unimib.it) one week before of the oral exam


    Web portals for the choice of the dataset:
    https://archive.ics.uci.edu/ml/datasets
    www.kaggle.com

    ORAL EXAM
    The oral exam deals with questions on statistical THEORY (see arguments) and on the comments of outputs of the project work to assess the  comprehension of principal statistical tools and consequently the  "modus operandi" of the conducted statistical analyses.




    Carter Hill, William E. Griffiths, Guay C. Lim.  Principles of Econometrics (chapters 2, 4 ,5, 6, 7, 8, 16 until section 16.3)

    Gareth, Witten, Hastie, Tibshirani, An Introduction to Statistical Learning with Applications in R Chapter 3 (no section 3.5), Chapter 4, 6,7
    Lucidi sul moodle

    Recommended
    Principles of Econometrics associate R book   https://bookdown.org/ccolonescu/RPoE4/


    I semester , Cycle I
    Italian
    Enter

    Key information

    Field of research
    SECS-S/01
    ECTS
    6
    Term
    First semester
    Activity type
    Mandatory
    Course Length (Hours)
    42
    Degree Course Type
    Degree Course
    Language
    Italian

    Staff

      Teacher

    • Pietro Giorgio Lovaglio
      Pietro Giorgio Lovaglio

    Enrolment methods

    Manual enrolments
    Self enrolment (Student)