B028441 - STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO

INGLESE

Modulo A (Magrini): Modelli statistici per l'analisi e la previsione di serie temporali multivariate, con applicazioni in ambito economico e aziendale.

Modulo B (Nikiforova): Disegni ottimi per la costruzione dei choice experiments; modelli ad utilità casuale per l’analisi dei choice experiments. Particolare enfasi sarà data all’aspetto pratico-applicativo, considerando casi di studio reali e gli ultimi sviluppi in letteratura.

Modulo A (Magrini):
• J. H. Stock, M. W. Watson (2015) Introduction to econometrics, 3rd edition. Pearson, London, UK. [Chapters 4-7, 14-16; Chapters 17-18 for a deepening]
• R. J. Hyndman, G. Athanasopoulos (2021). Forecasting: principles and practice, 3rd edition. OTexts, Melbourne, AU. https://OTexts.com/fpp3
• C. Hanck, M. Arnold, A. Gerber, and M. Schmelzer (2021). Introduction to econometrics with R. Open Minded, Duisburg-Essen, DE. https://www.econometrics-with-r.org/

Modulo B (Nikiforova):
• K. Train (2009). Discrete choice methods with simulation, 2nd ed. Cambridge University Press. [Capitoli 2, 3, 4, 6, 10] https://eml.berkeley.edu/books/choice2.html
• D. Hensher, J. Rose, W. Greene (2005). Applied choice analysis. Cambridge University Press. [Capitoli 5, 6, 10, 14, 15, 16].

Slides e materiale didattico aggiuntivo saranno forniti dai docenti.

L’insegnamento si suddivide in due moduli. Il Modulo A (Magrini) ha l’obiettivo di fornire allo studente le basi metodologiche per l'analisi di serie temporali multivariate in ambito economico e aziendale. Il Modulo B (Nikiforova) si propone di fornire un’approfondita conoscenza della teoria e dell’applicazione degli esperimenti di scelta (choice experiments) per lo studio del comportamento del consumatore nell’ambito del marketing quantitativo.

Modulo A (Magrini): Conoscenza di base degli aspetti inferenziali del modello di regressione lineare multipla e della programmazione con R.

Modulo B (Nikiforova): Inferenza statistica; Modelli statistici (modello logit).

Lezioni frontali e attività pratiche di laboratorio su casi di studio reali.

L'esame consiste, separatamente per ciascun modulo, nella presentazione tramite slides di un progetto svolto a casa individualmente, seguita da una verifica orale sugli argomenti dell'insegnamento. Il voto finale sarà dato dalla media dei voti ottenuta in ciascuno dei due moduli. Particolare attenzione sarà data alla capacità critica e costruttiva dello studente, e alla sua abilità di mettere in pratica le conoscenze acquisite durante l'insegnamento.

Modulo A (Magrini)
• Richiami sul modello di regressione lineare e sulla stima OLS.
• Stazionarietà, trend, test per radici unitarie, metodi per ottenere la stazionarietà.
• Il modello di regressione lineare con dati temporali: stima OLS, inferenza, previsione.
• Modello autoregressivo (AR), modello a ritardi distribuiti (DL), modello autoregressivo a ritardi distribuiti (ARDL).
• Stima con errori correlati: stimatore di Newey-West, GLS, massima verosimiglianza.
• Diagnostica del modello: analisi dei residui, validazione incrociata per la valutazione delle previsioni.
• Il modello autoregressivo vettoriale (VAR), cointegrazione, modello di correzione dell'errore (ECM).
• Gestione della stagionalità, valori anomali e break strutturali.
• Cenni ai modelli per dati panel.

Modulo B (Nikiforova)
• Introduzione ai metodi di valutazione multi-attributo, con enfasi sugli esperimenti di scelta (choice experiments).
• Introduzione alla teoria e ai modelli ad utilità casuale (Random Utility Models - RUM), conditional logit model per l’analisi dei choice experiment ed i suoi limiti.
• Disegni ottimi esatti e approssimati per la costruzione di un choice experiment e criteri di ottimalità del disegno.
• Disegni ottimi per il conditional logit model.
• Cenni ai disegni ottimi Bayesiani e semi-Bayesiani per i choice experiment in ottica di determinazione dei valori dei parametri a priori.
• Il modello nested logit: stima ed interpretazione dei risultati.
• Eterogeneità del rispondente nei choice experiment: il modello mixed logit (disegno ottimo, stima e interpretazione dei risultati).
• Eteroschedasticità delle alternative nei choice experiment: il modello Hetroscedastic Extreme Value - HEV (stima e interpretazione dei risultati).
• Cenni ad ulteriori modelli per i choice experiment (modelli a classi latenti).