B5176 - BIG DATA ANALYTICS

Conoscenze e abilità da conseguire

Al termine del corso, lo studente conosce i modelli statistici che sono alla base dell'attività di estrazione di conoscenza da grandi quantità di dati (Big Data). In particolare, lo studente è in grado di: - strutturare un processo di data mining; - scegliere, tra gli strumenti metodologici, quelli più adeguati a raggiungere l'obiettivo in esame; - interpretare criticamente i risultati.

Contenuti

1. Introduzione ai dati
2. Modelli lineari: definizione e algebra dell'OLS, ipotesi di Gauss-Markov ed inferenza, definizione di effetti marginali, variabili dummy e categoriali come regressori e interpretazione, previsione, modus operandi nella scelta del modello, distorsione da variabile omessa e inefficienza da variabile irrilevante. Modelli annidati e non. Violazione delle ipotesi: analisi dei residui e test di specificazione (eteroschedasticità, endogeneità, normalità), OLS robusto, stimatori alternativi, esempio di endogeneità su dati reali. Trasformazioni di potenze (logaritmiche, Box-Cox, etc.).
   
3. Serie storiche: definizione, analisi dei residui e test di specificazione (cambiamento strutturale e autocorrelazione), OLS robusto, accenno alle componenti delle serie storiche, previsione semplice e statistiche di confronto delle performance dei metodi di previsione.

Testi/Bibliografia

Testo principale di riferimento: 

Marno Verbeek (2005), Econometria, I edizione, Zanichelli
Editore.

Materiale didattico predisposto dal docente sotto forma di
presentazioni pdf in virtuale.

Testi addizionali di consultazione:

William Greene (2019), Econometric Analysis, Pearson. Eighth
Edition (Global Edition).

Bradley Efron, Trevor Hastie (2016), Computer Age Statistical Inference: Algorithms, Evidence, and Data Science, Cambridge University Press.

Trevor Hastie, Robert Tibshirani, Jerome Friedman (2009), The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Second Edition).

Gareth James, Daniela Witten, Trevor Hastie, Robert
Tibshirani (2021), An Introduction to Statistical Learning with
Applications in R, Springer.

Testo di riferimento per una conoscenza di base in R:

Giuseppe Espa, Rocco Micciolo (2014), Problemi ed Esperimenti di Statistica con R, Apogeo.

Letture di approfondimento:

Tsai Chun-Wei et al. (2015), Big Data Analytics: a survey, Journal of Big Data, 2:21.

Nota: Qualsiasi libro di testo già in possesso dallo studente che comprenda gli argomenti su elencati può essere preso in considerazione come alternativa ai testi di riferimento e alle letture/libri di approfondimento. Non c'è alcun obbligo nell'acquistare tali libri di testo, ma si suggerisce caldamente la loro consultazione.

 

 

 

Metodi didattici

Le lezioni vengono svolte trattando sia aspetti teorici/metodologici che pratici con l'ausilio del software statistico R.

I dati utilizzati sono disponibili nei pacchetti di R o forniti dal docente e sono per lo più di natura economica.

Modalità di verifica e valutazione dell'apprendimento

Scritto

L'esame prevederà una prova scritta di due ore circa su tutti gli argomenti del corso. 

Potenziale esame orale aggiuntivo.

 

 

 

Strumenti a supporto della didattica

PC; videoproiettore.

Orario di ricevimento

Consulta il sito web di Anna Gloria Billè