Course Syllabus
Obiettivi formativi
L’insegnamento si articola in due moduli che rientrano nell’ambito delle scienze statistiche, dell’informatica e delle scienze sociali, con l’obiettivo comune di fornire agli studenti conoscenze teoriche e competenze pratiche per l’analisi statistica avanzata, con particolare attenzione alla riproducibilità e replicabilità delle analisi e alla comunicazione efficace dei risultati.
Il primo modulo introduce gli studenti agli approcci inferenziali classici, tra cui il bootstrap, i modelli lineari generalizzati, i modelli a miscuglio e i modelli predittivi. Le attività didattiche prevedono l’uso del software R in ambiente RMarkdown per condurre analisi statistiche su dati reali e simulati, permettendo allo studente di sviluppare autonomia nel ragionamento statistico, capacità di problem solving e competenze nella comunicazione scritta dei risultati.
Il secondo modulo approfondisce l’approccio Bayesiano all’inferenza statistica, integrandolo con i metodi classici presentati nel primo modulo. Lo studente viene introdotto ai modelli Bayesiani, ai metodi computazionali (MCMC) e all’uso di strumenti software quali R e SAS per la stima e la valutazione dei modelli. Anche in questo modulo viene mantenuta un’attenzione particolare alla riproducibilità del lavoro e alla produzione di documenti integrati che illustrino in modo chiaro codice, analisi e interpretazione dei risultati.
Per la descrizione dettagliata del programma si rimanda al syllabus pubblicato nella pagina del rispettivo insegnamento.
L’insegnamento nel suo complesso consente allo studente di acquisire solide basi teoriche e capacità operative per affrontare problemi di analisi statistica in ambiti applicativi quali la biostatistica, l’epidemiologia, la genetica e la salute pubblica. Al termine del percorso, grazie al materiale fornito e all’approccio orientato alla pratica e alla comunicazione, lo studente sarà in grado di proseguire in modo autonomo nell’approfondimento della disciplina e di applicarne le conoscenze nei diversi contesti professionali.
Sustainable Development Goals
Learning objectives
The course is structured into two modules that fall within the fields of statistical sciences, computer science, and social sciences, with the shared goal of providing students with both theoretical knowledge and practical skills for advanced statistical analysis, with particular attention to the reproducibility and replicability of analyses and the effective communication of results.
The first module introduces students to classical inferential approaches, including bootstrap methods, generalized linear models, mixture models, and predictive models. The teaching activities involve the use of R software within the RMarkdown environment to carry out statistical analyses on real and simulated data, enabling students to develop autonomy in statistical reasoning, problem-solving skills, and written communication competencies.
The second module focuses on the Bayesian approach to statistical inference, integrating it with the classical methods presented in the first module. Students are introduced to Bayesian models, computational methods (MCMC), and the use of software tools such as R and SAS for model estimation and evaluation. This module also emphasizes reproducibility and the creation of integrated documents that clearly present code, analyses, and interpretation of results.
For a detailed description of the program, please refer to the syllabus published on the course webpage.
Overall, the course enables students to acquire a solid theoretical foundation and practical abilities to address statistical analysis problems in applied fields such as biostatistics, epidemiology, genetics, and public health. By the end of the course, thanks to the provided materials and the practice- and communication-oriented approach, students will be able to independently deepen their understanding of the subject and apply their knowledge in various professional contexts.
