Informazioni sul corso | Costruzione di Scenari Socio-Economici

Syllabus del corso

Italiano ‎(it)‎
English ‎(en)‎

Esporta

Obiettivi formativi

Il corso fornisce alcuni strumenti statistici ed econometrici per la costruzione di scenari socio-economici e la valutazione dei servizi.

CONOSCENZA E COMPRENSIONE
Al termine del corso, i partecipanti dovrebbero essere in grado di:

riconoscere e comprendere le domande conoscitive che portano alla costruzione degli scenari socio-economici. Particolare attenzione sarà posta nella comprensione delle domande di ricerca e delle domande di valutazione;
riconoscere e comprendere quale metodologia statistica o econometrica sia la più adatta per rispondere correttamente alla domanda conoscitiva posta con i dati disponibili;
comprendere le differenze tra i vari metodi statistici ed econometrici;
riconoscere e comprendere se la metodologia è applicata correttamente ai dati disponibili;
interpretare e comprendere i risultati ottenuti, anche in un’ottica critica.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Al termine del corso, i partecipanti dovrebbero essere in grado di:

definire e formulare le domande conoscitive che portano alla costruzione degli scenari socio-economici. Particolare attenzione sarà posta nella formulazione corretta delle domande di ricerca e delle domande di valutazione;
ideare una strategia empirica per rispondere alla domanda conoscitiva con i dati disponibili;
applicare con competenza i metodi statistici ed econometrici di base;
dimostrare padronanza dei metodi propri per l'analisi di dati economici e sociali, sia a livello micro che macro, e per la costruzione di previsioni;
utilizzare software statistici per analizzare i dati, anche con il supporto dell'AI generativa;
presentare e commentare i risultati dell'analisi in modo chiaro, anche con il supporto dell'AI generativa.

AUTONOMIA DI GIUDIZIO
Al termine del corso, i partecipanti dovrebbero essere in grado di:

sviluppare un atteggiamento critico nei confronti dei metodi e dei risultati delle analisi empiriche;
valutare in modo autonomo l’adeguatezza di una metodologia rispetto al problema e ai dati disponibili;
individuare eventuali limiti nei risultati ottenuti o nei processi decisionali basati sull'evidenza empirica.

ABILITÀ COMUNICATIVE
Al termine del corso, i partecipanti dovrebbero essere in grado di:

comunicare in modo chiaro e rigoroso le fasi di un’analisi empirica, dalla formulazione della domanda all’interpretazione dei risultati;
presentare i risultati in forma scritta, orale e visuale (tabelle, grafici, sintesi testuali);
utilizzare un linguaggio appropriato, sia tecnico che divulgativo, in funzione del pubblico di riferimento (accademico, tecnico, istituzionale o generale).

CAPACITÀ DI APPRENDERE
Al termine del corso, i partecipanti dovrebbero essere in grado di:

aggiornare e approfondire autonomamente le proprie competenze metodologiche e applicative;
utilizzare criticamente risorse digitali, manuali e documentazione tecnica per l’apprendimento continuo;
imparare a integrare strumenti innovativi (es. AI generativa) nel processo di analisi e nella soluzione di problemi empirici complessi.

Il corso introduce gli studenti alla costruzione di scenari economici e sociali attraverso l’uso integrato di dati, strumenti statistico-econometrici di base e applicazioni di intelligenza artificiale generativa.

In particolare, il corso affronterà i seguenti argomenti:

raccolta, organizzazione e interpretazione dei dati utili alla costruzione di scenari;
ripasso degli strumenti statistici elementari per l’analisi descrittiva dei fenomeni economici e sociali;
rappresentazione grafica e comunicazione delle evidenze empiriche, anche con il supporto di strumenti di AI generativa;
introduzione alle tecniche di regressione lineare, con una o più variabili esplicative;
introduzione ai modelli con variabile dipendente binaria;
elementi di analisi dei dati panel;
uso dell’intelligenza artificiale generativa come supporto all’analisi quantitativa: formulazione di prompt, esplorazione dei dati, interpretazione dei risultati e costruzione narrativa degli scenari;
limiti, rischi e corretto utilizzo dell’AI nell’analisi empirica e nella produzione di scenari.

Programma esteso

Il corso affronterà i seguenti argomenti:

Introduzione alla costruzione di scenari

Che cosa si intende per scenario economico e sociale: un esempio
Differenza tra previsione, simulazione e scenario.
Il ruolo dei dati nella costruzione di scenari.
Fonti informative, archivi, banche dati e qualità delle informazioni.
Uso dell’AI generativa come supporto all’esplorazione preliminare di un problema.

Ripasso degli strumenti statistici elementari

Raccolta, organizzazione e tabulazione dei dati.
Trattamento dei dati individuali e aggregati.
Statistiche descrittive univariate: media, mediana, quantili, varianza e deviazione standard.
Relazioni tra variabili: indipendenza, associazione e correlazione.
Confronto tra due medie.
Rappresentazione grafica dei dati e delle relazioni statistiche.
Utilizzo dell’AI generativa per descrivere, sintetizzare e comunicare evidenze statistiche.

Introduzione alle tecniche di regressione

La logica della regressione come strumento per analizzare relazioni tra variabili.
Regressione lineare con un regressore.
Regressione lineare multipla.
Interpretazione dei coefficienti e valutazione della significatività statistica.
Uso dei risultati di regressione per costruire scenari alternativi.
Supporto dell’AI nella lettura, spiegazione e presentazione dei risultati empirici.

Modelli per variabili dipendenti binarie

Introduzione ai problemi con esito dicotomico.
Modelli di probabilità lineare e cenni ai modelli logit/probit.
Interpretazione dei risultati.
Applicazioni a fenomeni economici, sociali e di mercato.
Costruzione di scenari basati su probabilità e condizioni alternative.

Introduzione ai dati panel

Differenza tra dati cross-section, serie storiche e dati panel.
Vantaggi dell’analisi panel nella lettura dei fenomeni economici e sociali.
Cenni ai modelli con effetti fissi e variabili.
Applicazioni alla comparazione tra individui, imprese, territori o paesi nel tempo.

Metodi quantitativi e AI generativa per la costruzione di scenari

Introduzione al prompt engineering per l’analisi economica e sociale.
Come formulare prompt efficaci per esplorare dati, ipotesi e scenari.
Uso dell’AI per generare ipotesi, individuare variabili rilevanti e strutturare scenari alternativi.
Uso dell’AI per commentare tabelle, grafici e risultati di regressione.
Verifica critica degli output prodotti dall’AI: errori, bias, allucinazioni e controllo delle fonti.
Principi di uso responsabile dell’AI nei lavori empirici.

Prerequisiti

La partecipazione al corso richiede conoscenze statistiche elementari e conoscenze minime di metodologia di ricerca quantitativa.

Metodi didattici

Metodi didattici:

Lezioni frontali in modalità erogativa corrispondenti al 50% del corso (24 ore)
Lezioni interattive corrispondenti al 50% del corso (24 ore)
Assignments individuali e di gruppo

Modalità di verifica dell'apprendimento

L'esame di basa su una prova scritta.

La prova scritta si svolge al computer ed è composta da 2 domande aperte, sotto forma di brevi saggi, e 10 domande chiuse a risposta multipla. Le domande aperte hanno l’obiettivo di valutare la capacità di ragionamento, analisi e discussione critica degli argomenti affrontati nel corso, con particolare riferimento ai metodi e agli strumenti per la costruzione di scenari socio-economici. Le domande chiuse hanno l’obiettivo di verificare la preparazione dello studente sull’insieme degli argomenti del corso. Le domande aperte hanno un peso maggiore nel computo del voto finale.

In sede di valutazione viene considerata la capacità dello studente di rispondere a quesiti specifici facendo riferimento agli aspetti teorici e metodologici connessi all’argomento richiesto, anche attraverso l’impiego di esempi e l’applicazione dei concetti a casi concreti. Sarà inoltre valutata la capacità di confrontare le diverse tecniche statistico/econometrico in modo critico.

La prova d’esame è comune sia per gli studenti frequentanti sia per gli studenti non frequentanti.

Non sono previste prove intermedie.

Durante le ore di laboratorio, gli studenti frequentanti sono invitati a svolgere un progetto di gruppo finalizzato alla costruzione e alla presentazione di uno o più scenari relativi a un caso di studio. Il progetto non è obbligatorio; tuttavia, gli studenti che lo porteranno a termine, consegnandolo e discutendolo in classe, potranno ottenere alcuni punti aggiuntivi nella valutazione finale. Gli studenti non frequentanti possono liberamente scegliere di svolgere il progetto e consegnarlo entro la data dell’esame.

Testi di riferimento

James H. Stock - Mark W. Watson *"Introduzione all’econometria" *5/Ed. •Pearson Ed.

Una lista di letture e del materiale oggetto di studio sarà messa a disposizione degli studenti sul sito dell'insegnamento sulla piattaforma elearning.

Sustainable Development Goals

SALUTE E BENESSERE | ISTRUZIONE DI QUALITÁ | PARITÁ DI GENERE | LAVORO DIGNITOSO E CRESCITA ECONOMICA | RIDURRE LE DISUGUAGLIANZE

Esporta

Learning objectives

The course provides students with a core set of statistical and econometric tools for social science applied research.

KNOWLEDGE AND UNDERSTANDING
By the end of the course, students should be able to:

identify and understand the knowledge questions that lead to the construction of socio-economic scenarios, with particular attention to research and evaluation questions;
recognize and understand which statistical or econometric methodology is most appropriate to address the knowledge question posed, given the available data;
understand the differences between various statistical and econometric methods;
assess whether a methodology is correctly applied to the available data;
interpret and critically understand the results obtained.

APPLYING KNOWLEDGE AND UNDERSTANDING
By the end of the course, students should be able to:

define and formulate knowledge questions that lead to the construction of socio-economic scenarios, with a specific focus on correctly framing research and evaluation questions;
design an empirical strategy to address the knowledge question using available data;
competently apply basic statistical and econometric methods;
-demonstrate mastery of appropriate methods for the analysis of economic and social data, at both micro and macro levels, including forecasting;
use a suitable statistical software to analyze data, also with the support of generative AI tools;
clearly present and comment on the results of the analysis, also with the support of generative AI.

MAKING JUDGEMENTS
By the end of the course, students should be able to:

develop a critical attitude toward the methods and results of empirical analyses;
independently assess the adequacy of a methodology in relation to the research problem and available data;
identify possible limitations in the results obtained or in evidence-based decision-making processes.

COMMUNICATION SKILLS
By the end of the course, students should be able to:

clearly and rigorously communicate the steps of an empirical analysis, from question formulation to result interpretation;
present results in written, oral, and visual formats (tables, charts, summary texts);
use appropriate language, both technical and accessible, depending on the audience (academic, technical, institutional, or general public).

LEARNING SKILLS
By the end of the course, students should be able to:

independently update and deepen their methodological and applied knowledge;
critically use digital resources, manuals, and technical documentation for continuous learning;
learn how to integrate innovative tools (e.g., generative AI) into the analysis process and in solving complex empirical problems.

The course will cover the following topics:

collection, organization, and interpretation of data useful for scenario building;
review of elementary statistical tools for the descriptive analysis of economic and social phenomena;
graphical representation and communication of empirical evidence, also with the support of generative AI tools;
introduction to linear regression techniques, with one or more explanatory variables;
introduction to models with a binary dependent variable;
elements of panel data analysis;
use of generative artificial intelligence as a support tool for quantitative analysis: prompt formulation, data exploration, interpretation of results, and narrative construction of scenarios;
limitations, risks, and appropriate use of AI in empirical analysis and scenario development.

Detailed program

The course will cover the following topics:

Introduction to Scenario Building

What is meant by an economic and social scenario: an example.
Difference between forecasting, simulation, and scenario building.
The role of data in scenario construction.
Information sources, archives, databases, and data quality.
Use of generative AI as a support tool for the preliminary exploration of a problem.

Review of Elementary Statistical Tools

Data collection, organization, and tabulation.
Treatment of individual and aggregate data.
Univariate descriptive statistics: mean, median, quantiles, variance, and standard deviation.
Relationships between variables: independence, association, and correlation.
Comparison between two means.
Graphical representation of data and statistical relationships.
Use of generative AI to describe, summarize, and communicate statistical evidence.

Introduction to Regression Techniques

The logic of regression as a tool for analyzing relationships between variables.
Linear regression with one regressor.
Multiple linear regression.
Interpretation of coefficients and assessment of statistical significance.
Use of regression results to build alternative scenarios.
AI support in reading, explaining, and presenting empirical results.

Models for Binary Dependent Variables

Introduction to problems with dichotomous outcomes.
Linear probability models and an overview of logit/probit models.
Interpretation of results.
Applications to economic, social, and market phenomena.
Construction of scenarios based on probabilities and alternative conditions.

Introduction to Panel Data

Difference between cross-sectional data, time series, and panel data.
Advantages of panel data analysis in interpreting economic and social phenomena.
Introduction to models with fixed and random effects.
Applications to comparisons across individuals, firms, territories, or countries over time.

Quantitative Methods and Generative AI for Scenario Building

Introduction to prompt engineering for economic and social analysis.
How to formulate effective prompts to explore data, hypotheses, and scenarios.
Use of AI to generate hypotheses, identify relevant variables, and structure alternative scenarios.
Use of AI to comment on tables, graphs, and regression results.
Critical assessment of AI-generated outputs: errors, bias, hallucinations, and source checking.
Principles for the responsible use of AI in empirical work.

Prerequisites

Participation to the course requires basic background in statistics.

Teaching methods

Face-to-face lectures: 50% of the course, 24 hours
Exercises in lab BYOD (Bring Your Own Device): 50% of the course, 24 hours
Group and individual assignments

Assessment methods

The assessment is based on a written examination.

The written examination is administered electronically and consists of two open-ended questions, in the form of short essays, and ten closed-ended multiple-choice questions. The open-ended questions are designed to assess students’ reasoning, analytical and critical discussion skills in relation to the topics covered in the course, with particular reference to the methods and tools used to construct socioeconomic scenarios. The closed-ended questions are designed to assess students’ knowledge of all the topics covered in the course. The open-ended questions carry greater weight in the calculation of the final grade.

The assessment considers students’ ability to answer specific questions by referring to the theoretical and methodological aspects related to the topic, including through the use of examples and the application of concepts to real-world cases. Students’ ability to critically compare different statistical and econometric techniques will also be assessed.

The examination is the same for both attending and non-attending students.

There are no midterm examinations.

During the laboratory sessions, attending students are invited to complete a group project aimed at constructing and presenting one or more scenarios relating to a case study. The project is not compulsory; however, students who complete it, submit it and discuss it in class may receive additional points towards their final grade. Non-attending students may also choose to complete the project and submit it by the examination date.