Course Syllabus
Obiettivi formativi
Il Corso si propone di approfondire le nozioni relative ai modelli statistici acquisite nel corso di Analisi Statistica Multivariata, offrendo una panoramica sui modelli non lineari.
Le competenze acquisite nel Corso mettono gli studenti in grado di:
- specificare il modello statistico opportuno per il/i fenomeno/i oggetto di analisi
- completare le fasi dell’inferenza relative al modello (stima, verifica, diagnostica)
- utilizzare il modello (in termini sia interpretativi sia previsivi)
- produrre ed interpretare l’output di analisi di dati reali effettuate tramite il software R
Il corso contribuisce al raggiungimento degli obiettivi formativi nell’area di apprendimento del CdS: “Statistica”. In particolare, fornisce le conoscenze e competenze per individuare e implementare opportuni modelli statistico-probabilistici e trarre le appropriate conclusioni inferenziali.
Contenuti sintetici
Il Corso tratta i modelli lineari generalizzati ed i modelli di regressione non parametrica.
Programma esteso
Modelli lineari generalizzati
- Fondamenti (famiglie di dispersione esponenziale)
- Inferenza basata sulla verosimiglianza
- Diagnostica ed utilizzo dei modelli
- Alcuni particolari modelli per risposta continua, binomiale, poisson
Regressione non parametrica
- Fondamenti
- Regressione: kernel e local polynomial
Prerequisiti
E’ vivamente consigliata la conoscenza delle nozioni impartite nell’insegnamento di Analisi Statistica Multivariata.
Metodi didattici
Il corso prevede lezioni frontali sia in aula sia in laboratorio informatico per un totale di 47 ore. Le lezioni in aula sono mirate all'approfondimento delle conoscenze teoriche dello studente sugli argomenti del Corso ed alla loro formalizzazione. Nelle lezioni svolte in laboratorio informatico si trattano gli aspetti di implementazione dei modelli su dati reali e simulati utilizzando il software R.
Tutte le lezioni sono svolte in modalità erogativa.
6 esercitazioni in laboratorio informatico della durata di 2 ore ciascuna saranno svolte in modalità erogativa da remoto.
Le rimanenti 35 ore saranno svolte in moduli da 2 o 3 ore in modalità erogativa in presenza.
Modalità di verifica dell'apprendimento
La modalità di verifica si basa su una prova scritta eseguita in laboratorio ed una prova orale (facoltativa). Nella prova scritta sono previste due sezioni: una costituita da domande teoriche che hanno l’obiettivo di verificare l'acquisizione dei concetti e della formalizzazione necessari per impostare correttamente un modello statistico; la seconda sezione richiede l’analisi di un data set tramite software R. Il voto finale della prova scritta è determinato dalla media dei voti riportati nelle due sezioni. Qualora lo studente (o il docente) richiedano la prova orale, il voto finale è la media dei due voti riportati nelle prove scritta ed orale, altrimenti coincide con l'esito della prova scritta.
Durante la prova non è ammesso l'uso di testi o altro materiale con l'esclusione dei codici che verranno messi a disposizione dal docente all'inizio della prova.
Durante la prova non è ammesso l'uso del cellulare.
Testi di riferimento
- Hardin J.W., Hilbe J.M., Generalized Linear Models and Extensions, Stata Press, 2007
- Dobson A.J., Barnett A.G., An introduction to Generalized Linear Models, CRC Press, 2008
- Azzalini A., Bowman A.W., Applied Smoothing Techniques for Data Analysis, Clarendon Press, 1997
Ulteriore materiale, in particolare i codici in R utilizzati a lezione nonché alcune simulazioni di prove d'esame, è reso disponibile a tutti gli studenti (frequentanti e non frequentanti) sulla pagina e-learning dedicata al Corso.
Periodo di erogazione dell'insegnamento
ll Corso viene erogato nel primo periodo (sei settimane) del primo semestre dell'Anno Accademico.
Lingua di insegnamento
Italiano
Sustainable Development Goals
Learning objectives
The aim of the course is to enrich the concepts and methods introduced in the course “Multivariate Statistical Analysis” by illustrating the main nonlinear regression models. At the end of the course students are expected to specify correctly a nonlinear regression model, apply inferential statistical techniques and perform real data sets analyses using the R software.
The course contributes to the achievement of the educational objectives in the learning area of the degree program: "Statistics". In particular, it provides the knowledge and skills to identify and implement appropriate statistical-probabilistic models and to draw suitable inferential conclusions.
Contents
Generalized linear models and nonparametric regression.
Detailed program
Generalized linear models:
- Foundations
- Inference
- Diagnostics
- Continuous, binomial and count response models
Nonparametric regression:
- Foundations
- Kernel and local polynomial regression
Prerequisites
Knowledge of the notions given in the course "Multivariate Statistical Analysis” is required.
Teaching methods
Class lectures and lab sessions. The classroom lectures are aimed at deepening the student’s theoretical knowledge of the course topics and their formalization.
The computer lab sessions focus on the implementation of models on real and simulated data using R software.
There will be a total of six lab lectures, which will be conducted remotely.
The remaining lectures will be held in person.
Assessment methods
Students are supposed to pass a written exam which consists of two parts: the first about theory and the second about a data set analysis. The overall mark is obtained by averaging the marks obtained in each part. The oral exam is optional; if it is requested (by the student or by the teacher), the final mark is obtained by averaging written and oral marks.
The exam is closed-notes and closed-book, but students are allowed to use the R scripts made available by the teacher.
No phones are allowed during the exam.
Textbooks and Reading Materials
- Hardin J.W., Hilbe J.M., Generalized Linear Models and Extensions, Stata Press, 2007
- Dobson A.J., Barnett A.G., An Introduction to Generalized Linear Models, CRC Press, 2008
- Azzalini A., Bowman A.W., Applied Smoothing Techniques for Data Analysis, Clarendon Press, 1997
Further material (R scripts and past exams) will be circulated via the e-learning page of the course.
Semester
The course is scheduled in the first term (six weeks) of the first semester.
Teaching language
Italian
