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 (2013). An Introduction to Statistical Learning with Applications in R, 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).

Propedeuticità: Business Information Managment

Lezioni frontali ed esercitazioni in laboratorio, attività seminariale da parte di esperti in data science.

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 scritta consistente in domande teoriche per verificare la conoscenza dei concetti e la padronanza del linguaggio; esercizi numerici per testare le abilità acquisite nell'impiego degli algoritmi di calcolo e del software dedicato; problemi strutturati basati sulla comprensione dei dati e sul commento dei risultati volti a valutare l’autonomia nell'analisi statistica.
Si ricorda che dopo il terzo tentativo di sostenimento dell'esame nel corso di un anno solare, viene applicato automaticamente il blocco alle iscrizioni.

Il corso si articola in due parti.

PARTE I - METODOLOGIA STATISTICA DI BASE PER IL MANAGEMENT ED IL MARKETING QUANTITATIVO (4 CFU)

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.

PARTE II - TECNICHE AVANZATE DI STATISTICAL LEARNING (2 CFU)

1. Metodi di riduzione della dimensionalità. Analisi delle componenti principali: definizione e interpretazione. Biplot.
2. CART. Regole di splitting (RSS, Entropia, indice di Gini). Potatura di un albero.
3. Modelli additivi generalizzati. Aspetti generali.
4. Cenni alle reti neurali: idee base delle reti neurali (architettura a layer, esempi facili di reti completamente connesse). Problema del training dei modelli: backpropagation.