Ateneo - UPO

Il corso introduce alla metodologia statistica per il management ed 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 (2021). An Introduction to Statistical Learning with Applications in R, 2nd edition, Springer.

Testo di utile consultazione:
P. H. Franses , R. Paap (2010) Quantitative Models in Marketing Research. Cambridge University Press.

Eventuali altri testi verranno segnalati all'inizio delle lezioni.

ll corso introduce ai principali strumenti statistici per il management ed 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 e di Matematica di base presso un CdL di tipo economico (vedi E0252, E0362 e EA007).

L’insegnamento prevede due percorsi didattici alternativi, strutturati per rispondere alle diverse esigenze di frequenza e agli obiettivi formativi.

Percorso A – Didattica Integrata (in presenza)
Questo percorso è ideale per gli studenti e le studentesse che possono garantire una frequenza costante e desiderano acquisire competenze sia teoriche sia pratiche. Si articola in:
- Lezioni frontali: Presentazione teorica delle metodologie statistiche e delle loro proprietà.
- Esercitazioni pratiche: Sessioni con l'ausilio di software dedicati per l'analisi dei dati.
- Analisi di casi studio: Discussione critica dei metodi applicati e interpretazione dei risultati guidata dal docente.
- Autoapprendimento: Attività integrative e di verifica supportate dai materiali digitali disponibili sulla piattaforma DIR.
La componente di didattica erogativa e quella interattiva sono integrate nel percorso di studi, con un peso rispettivamente pari a circa 2/3 e 1/3.

Percorso B – Studio Autonomo (teorico)
Questo percorso è utile per gli studenti e le studentesse non frequentanti o per coloro che desiderano focalizzarsi esclusivamente sugli aspetti concettuali e teorici della disciplina, escludendo la componente tecnica di programmazione e utilizzo del software. Si articola in:
- Studio individuale: Apprendimento autonomo basato sui testi di riferimento e sul materiale bibliografico indicato.
- Linee guida dedicate: Fornitura di indicazioni specifiche e programmi dettagliati sui capitoli del libro di testo da approfondire.
La componente di autoapprendimento è centrale.

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 su una prova orale.

Percorso A
La prova si compone di
- domande teoriche per verificare la conoscenza dei concetti e la padronanza del linguaggio;
- brevi esercizi numerici per testare le abilità acquisite nell'impiego degli algoritmi di calcolo e del software dedicato;
- risoluzione di problemi o casi strutturati basati sulla comprensione dei dati, sulla discussione critica delle tecniche usate e sul commento dei risultati volti a valutare l’autonomia nell'analisi statistica.

Percorso B
La prova si compone di
- domande teoriche per verificare la conoscenza dei concetti di base e la padronanza del linguaggio;
- brevi esercizi numerici per valutare la comprensione dei meccanismi di base delle tecniche statistiche;
- illustrazione dei principali meccanismi algortmici che alla base delle principali metodologie.

Il programma si differenzia a seconda del percorso scelto dallo studente.

Percorso A
- Introduzione allo Statistical Learning: problemi di previsione ed inferenza. Supervised e Unsupervised Statistical Learning.
- Introduzione al software R e all'utilizzo di R commander.
- Il modello di regressione lineare semplice. Significato e stima OLS dei parametri. Intervalli di confidenza e test di significatività.
- 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.
- Uilizzo delle funzionalità di R commander per trattare in modo compiuto un'analisi di regressione lineare.
- 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 del'importanza relativa dei fattori.
- 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.
- Utilizzo dei modelli lineari generalizzati in R per la classificazione supervisionata.
- Unsupervised Statistical Learning: metodi di clustering. Metodi di partizionamento (k-means) e clustering gerarchica (metodi di linkage). Dendrogramma e sua interpretazione. Utilizzo delle funzioni di R commander per effettuare il clustering.
- Metodi di riduzione della dimensionalità. Analisi delle componenti principali: definizione e interpretazione. Utilizzo di R per ottenere gli score ed il Biplot.
- Metodi nonparametrici: CART. Regole di splitting (RSS, Entropia, indice di Gini). Potatura di un albero. La funzione R CART().
- Cenni alle reti neurali: idee base delle reti neurali (architettura a layer, esempi facili di reti completamente connesse). Problema del training dei modelli: backpropagation.

Percorso B
- Introduzione allo Statistical Learning: problemi di previsione ed inferenza. Supervised e Unsupervised Statistical Learning.
- Il modello di regressione lineare semplice. Significato e stima OLS dei parametri. Intervalli di confidenza e test di significatività.
- 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.
- 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.
- Unsupervised Statistical Learning: metodi di clustering. Metodi di partizionamento (k-means) e clustering gerarchica (metodi di linkage). Dendrogramma e sua interpretazione.
- Metodi di riduzione della dimensionalità. Analisi delle componenti principali: definizione e interpretazione. Biplot.
- Metodi nonparametrici: CART. Regole di splitting (RSS, Entropia, indice di Gini). Potatura di un albero.
- Regressione locale: principio generale e differenze con la regressione lineare.
- Modelli additivi generalizzati. Aspetti generali e tecniche di stima.

I risultati attesi variano a seconda per percorso scelto.

Percorso A
Una conoscenza frammentaria o con errori sostanziali, l'incapacità di impostare e risolvere correttamente esercizi/problemi, la mancanza di capacità di usare il software ed un linguaggio scientifico inadeguato, conducono ad una valutazione insufficiente.
Conoscenze essenziali e prevalentemente descrittive con applicazione dei concetti svolta mediante la soluzione di esercizi di base; risoluzione di problemi semplici ancorché con alcune incertezze ma con esposizione comprensibile, l'utilizza delle funzionalità di base del software garantiscono il raggiungimento della sufficienza.
La padronanza completa dei contenuti congiunta ad una elevata autonomia nell’impostazione e risoluzione dei problemi; analisi e sintesi efficaci con collegamenti pertinenti ed una esposizione rigorosa permettono di raggiungere valutazioni eccellenti.

Percorso B
Una conoscenza lacunosa dei principali strumenti metodologici, errori sostanziali nella definizione degli approcci, un linguaggio scientifico inadeguato, conducono ad una valutazione insufficiente.
Conoscenze prevalentemente descrittive ancorché con alcune incertezze ma con esposizione comprensibile, la capacità di applicare i concetti su esercizi di base
garantiscono il raggiungimento della sufficienza.
La padronanza completa dei contenuti affiancata a capacità di analisi e sintesi efficaci con collegamenti pertinenti ed una esposizione rigorosa permettono di raggiungere valutazioni eccellenti.