Ateneo - UPO

Il corso introduce alla metodologia statistica per il marketing quantitativo con l'ausilio di strumenti informatici ad hoc.

Le lezioni si baseranno essenzialmente su alcuni capitoli del seguente volume:
G. James, D. Witten, T. Hastie, R. Tibshirani (2013). An Introduction to Statistical Learning with Applications in R, Springer.

ll corso introduce ai principali strumenti statistici per il marketing con l’ausilio di software dedicato. Lo scopo del corso è quello di accrescere la conoscenza delle principali tecniche statistiche multivariate esplorative e predittive utili in tali contesti, sviluppare abilità analitica attraverso l’impiego di tali tecniche e dei corrispondenti strumenti informatici e maturare una capacità critica nell’impiego degli stessi.

Conoscenze dei contenuti di un insegnamento di Statistica di base.

Lezioni frontali ed esercitazioni in laboratorio.

Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.

La valutazione è basata sulla redazione e la discussione di una tesina.

1. Introduzione allo Statistical Learning: problemi di previsione ed
inferenza. Supervised e Unsupervised Statistical Learning.
2. Il modello di regressione lineare semplice. Significato e stima OLS dei
parametri. Intervalli di confidenza e test di significatività.
3. Il modello di regressione lineare multivariata: stima dei parametri e
test di significatività, scomposizione della varianza e test F. Selezione
delle variabili: metodi di ricampionamento (CV) e statistiche predittive
(AIC, BIC, Cp). Leverage e punti ad alto impatto. Uso di variabili dummy
per predittori qualitativi. Modelli con interazioni. Multicollinearità:
definizione, effetti ed individuazione (VIF). Normalità dei residui: lettura
del QQ-plot. Modelli moltiplicativi e loro linearizzazione.
4. La conjoint analysis classica. Pianificazione dell'esperimento:
definizione dei fattori, dei livelli e degli stimoli. Piani fattoriali completi e
frazionari. Valutazione dell'utilità: scale Likert. Modello, stimoli parziali e
valutazione dell'importanza relativa dei fattori.
5. Classificazione supervisionata. Regola di decisione bayesiana e scelta
delle variabili discriminanti. Modello logistico. Odds-ratio e loro relazione
con le probabilità a posteriori. Diagnostica di classificazione: matrice di
confusione e curva ROC.
6. Unsupervised statistical Learning. Metodi di clustering: metodi di
partizionamento (k-means) e clustering gerarchica (metodi di linkage).
Dendrogramma e sua interpretazione.
7. Modelli lineari regolarizzati: curse of dimensionality, regressione
lineare penalizzata (Ridge regression, LASSO).
8. Ripasso delle regole base delle probabilità (probabilità congiunta,
probabilità condizionata). Modelli discriminativi vs. generativi.
Indipendenza condizionata. Modello Naive Bayes.
9. Alberi decisionali, information gain (entropia, indice di Gini),
ensemble/bagging e random forest. Cenni al boosting.