78830 - METODI STATISTICI MULTIVARIATI PER IL CREDIT SCORING

Scheda insegnamento

SDGs

L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.

Istruzione di qualità Lavoro dignitoso e crescita economica

Anno Accademico 2018/2019

Conoscenze e abilità da conseguire

Al termine del corso lo studente: - conosce i concetti fondamentali delle metodologie statistiche per le decisioni aziendali e finanziarie; - conosce i modelli per dati contabili e finanziari più adeguati per individuare e misurare il rischio di credito.

Programma/Contenuti

- Introduzione ai metodi statistici per il credit scoring, obiettivi e fasi.

- Richiami sulle variabili categoriali: indipendenza marginale e condizionata, misure di associazione.

- Modello di regressione logistica: stima e interpretazione dei parametri, selezione delle variabili, bontà di adattamento.

- Analisi discriminante: analisi discriminante canonica e basata su modello.

- Alberi di classificazione: fasi e metodi di costruzione dell'albero e valutazione dei risultati.

- Metodi per la stima del tasso di errata classificazione.

- Aspetti principali delle reti neurali.

- Cenni ai modelli a variabili latenti.

- Richiami all’analisi dei gruppi.

- Casi di studio.

Testi/Bibliografia

Testi consigliati

Elena Stanghellini (2009) “Introduzione ai metodi statistici per il credit scoring”, Springer-Verlag

Stefania Mignani, Angela Montanari (1997) “Appunti di analisi statistica multivariata”, Esculapio (cap. 5 analisi discriminante, cap. 7 analisi dei gruppi)

Sergio Zani, Andrea Cerioli (2007) “Analisi dei dati e data mining per le decisioni aziendali”, Giuffrè Editore (cap. 8 distanze e indici di similarità, cap. 9 analisi dei gruppi, cap. 11 alberi di classificazione, cap. 12 reti neurali)

Metodi didattici

Lezioni frontali in aula ed esercitazioni in laboratorio statistico con R. Durante le lezioni si prevede la discussione di casi di studio che coinvolgerà attivamente gli studenti divisi in gruppi.

Modalità di verifica dell'apprendimento

Prova complessiva orale volta a valutare la conoscenza delle metodologie affrontate durante il corso anche attraverso la discussione di casi di studio svolti con il software R. Sarà possibile sostenere due prove parziali (I prova parziale scritta al termine del primo periodo di lezioni e II prova parziale orale). La I prova parziale scritta consiste in domande aperte riguardanti sia la teoria sia l'interpretazione di output in R. Conoscenze adeguate di matematica, statistica, calcolo delle probabilità e inferenza statistica costituiscono prerequisiti fondamentali per affrontare l’esame con successo.

Strumenti a supporto della didattica

Lucidi, dataset, software R.

Orario di ricevimento

Consulta il sito web di Mariagiulia Matteucci