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 (2021). An Introduction to Statistical Learning with Applications in R, 2nd edtion, 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. 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.

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 obbligatoria volta a verificare:
1. la conoscenza dei concetti e delle definizioni di base;
2. la proprietà del linguaggio;
3. la conoscenza dei principali algoritmi di calcolo;
4. la capacità di applicare in modo competente e critico gli strumenti appresi a problemi reali.

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. Introduzione ai metodi di regressione semi e non-parametrici: metodi spline, regressione a nucleo, polinomi locali, regressione additiva.

Nella valutazione dei candidati si terrà conto della seguente griglia:

Voto Descrizione
< 18 Lacune importanti nei contenuti, mancate risposte o risposte non adeguate.
18–24 Preparazione accettabile, ma con lacune significative o argomenti non studiati adeguatamente.
25–28 Buona conoscenza dei contenuti e capacità di stabilire collegamenti fra le diverse parti del programma.
> 28 Preparazione completa e approfondita, con visione chiara e coerente degli argomenti trattati.