- Docente: Mariagiulia Matteucci
- Crediti formativi: 8
- SSD: SECS-S/01
- Lingua di insegnamento: Italiano
- Modalità didattica: In presenza e a distanza - Blended Learning
- Campus: Rimini
- Corso: Laurea in Finanza, assicurazioni e impresa (cod. 8872)
-
dal 19/09/2023 al 07/12/2023
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.
Contenuti
- Introduzione ai metodi statistici per il credit scoring.
- Richiami sulle variabili categoriali: indipendenza marginale e condizionata, misure di associazione.
- Modello di regressione logistica: formulazione del modello, stima e interpretazione dei parametri, selezione delle variabili, bontà di adattamento.
- Analisi discriminante: analisi discriminante canonica e basata su modello.
- Alberi di classificazione: metodi CART e CHAID.
- Metodi per la stima del tasso di errata classificazione e per la valutazione della performance del classificatore.
- Aspetti principali delle reti neurali.
- Cenni ai modelli a variabili latenti: analisi delle classi latenti.
- Richiami all'analisi dei gruppi per il suo utilizzo nel credit scoring
Per ognuno degli argomenti elencati verranno svolte analisi di casi di studio in laboratorio utilizzando il software R (almeno 2 ore a settimana).
Testi/Bibliografia
Materiale necessario
- Elena Stanghellini (2009) "Introduzione ai metodi statistici per il credit scoring", Springer-Verlag. Disponibile come e-book di ateneo.
- Dispense del docente disponibili nella piattaforma Virtual Learning Environment al link: virtuale.unibo.it
Testi consigliati
- 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 utilizzando il software R - Rstudio (lavoro individuale seguendo gli esempi trattati dal docente o lavoro di gruppo).
La frequenza alle lezioni, pur non essendo obbligatoria, è fortemente raccomandata.
In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning.
L'insegnamento partecipa al progetto di sperimentazione didattica dell'Ateneo (didattica con modello ibrido, 50 ore in presenza e 10 ore online). Informazioni dettagliate verranno date durante la prima lezione e saranno disponibili sulle slide di presentazione del corso.
Modalità di verifica e valutazione dell'apprendimento
Prova complessiva scritta volta a valutare la conoscenza dei metodi statistici affrontati durante il corso sia dal punto di vista teorico sia da quello applicato. Non sono previste prove parziali.
La prova scritta consiste in domande aperte riguardanti sia la teoria sia l'interpretazione di output prodotti con il software R. Nel materiale didattico del docente sarà possibile visionare un esempio di prova scritta. La prova scritta ha una durata variabile da 90 a 120 minuti. Durante la prova scritta è consentito esclusivamente l'uso della calcolatrice.
Per ogni domanda è indicato il punteggio attribuito. La somma dei punteggi è pari a 32. Il voto finale è espresso in trentesimi e viene calcolato tramite la somma dei punteggi ottenuti nelle single domande. La lode viene assegnata solo agli studenti che ottengono un punteggio pari a 32.
Il voto finale corrisponde alla seguente descrizione del livello di preparazione complessiva raggiunta:
< 18: insufficiente (esame non superato)
18-23: sufficiente
24-25: discreto
26-28: buono
29-30: ottimo
30 e lode: eccellente
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
Slide e materiale di laboratorio disponibili sulla piattaforma Virtuale; software R- Rstudio.
Orario di ricevimento
Consulta il sito web di Mariagiulia Matteucci