Obiettivi Formativi

L’obiettivo del corso è fornire allo studente gli strumenti metodologici e applicativi (con uso di packages) mediamente progrediti per la rilevazione e l’analisi dei dati qualitativi e quantitativi in ambito sociale ed economico. Le competenze acquisite con il corso dovrebbero consentire allo studente di orientarsi nella gestione di dataset di grosse dimensioni, di verificare statisticamente ipotesi di cambiamento strutturale, di stimare gli effetti di un intervento di politica economica, di un investimento o di un programma di formazione.

Learning Goals

The aim of the course is to provide students with sufficiently advanced methodological and practical tools (use of packages included) for the statistical analysis of qualitative and quantitative data generally used in socio-economic studies. Students are required to have a basic (under-graduate level) knowledge of Statistics (probability, inference, hypothesis testing and the general properties of the bivariate linear regression model), as well as a bit of experience in the use of spreadsheets on a PC. The skills acquired through the course should enable students to orient in managing large datasets, to verify hypothesis about structural change, to estimate the effects of an economic policy intervention, or a training program.

Metodi didattici

Il corso è articolato su lezioni teoriche frontali(circa 30 ore) e laboratorio informatico (circa 30 ore), con applicazioni su basi di dati di provenienza Banca d’Italia e Istat. Vengono utilizzati packages “open source” specifici che rimangono nella disponibilità dello studente. In particolare il package GRETL, scaricabile gratuitamente da: http://gretl.sourceforge.net/win32/index_it.html

Teaching Methods

The course is divided into two parts: i)theoretical lectures and ii) computer lab. Specific applications consist of the use of dataset provided by Bank of Italy and Istat. Packages "open source" will be provided to students. In particular, the package GRETL, downloadable from: http://gretl.sourceforge.net/win32/index_it.html

Prerequisiti

E’ richiesta allo studente una conoscenza propedeutica della statistica di base (probabilità, inferenza e verifica di ipotesi) e delle proprietà generali del modello di regressione lineare semplice, oltre che un minimo di dimestichezza con l’utilizzo del foglio elettronico su PC.

Prerequisites

Students are required to have a basic (undergraduate level) knowledge of Statistics (probability, inference, hypothesis testing and the general properties of the bivariate linear regression model), as well as a bit of experience in the use of spreadsheets on a PC.

Verifiche dell'apprendimento

E prevista almeno una verifica in itinere. Le prove desame vertono sia sullaccertamento della conoscenza della teoria (con una prova scritta), sia sulla capacità di applicare su dati empirici o simulati quanto appreso, tramite una o più prove computazionali. La valutazione viene effettuata in trentesimi. Viene giudicato sufficiente il raggiungimento, da parte dello studente, di un livello di preparazione che gli permetta di individuare correttamente, e mettere in pratica, la metodologia di indagine utile per affrontare un problema specifico. La valutazione cresce in misura diretta al grado di autonomia dello studente nellanalisi e nel confronto fra modelli e metodologie alternative. Viene valutata positivamente anche la capacità di analizzare i risultati ottenuti con adeguato spirito critico. Il voto finale farà media con quello conseguito nell'esame di Modelli Demografici per Assicurazioni e Imprese(SECS-04).

Assessment

An intermediate exam is available. The knowledge acquired by the student in theoretical issues and the ability to solve application problems is evaluated by considering both the scores obtained in the intermediate test and in the final exam. A level of knowledge that allows the student to utilize proper methods to solve specific problems is requested, as well as the ability to compare alternative models and methodologies. In addition, The ability to critically analyze the results is positively evaluated.

Programma del Corso

I parte (2 CFU)- Nozioni propedeutiche di algebra lineare e teoria della probabilità: Elementi di calcolo differenziale. Vettori, matrici, determinanti e relativi operatori algebrici. Variabili casuali. Distribuzioni multivariate e normali multivariate. Distribuzioni di forme quadratiche. II parte (2 CFU) – Modello lineare : Il modello lineare generale. Ipotesi di base sulle proprietà algebriche e statistiche. Lo stimatore OLS: Aspetti inferenziali. Test sui Vincoli lineari e cambiamento strutturale. III parte (4 CFU) – La funzione di verosimiglianza e il relativo stimatore. Modelli con variabili dipendenti limitate: Modelli a scelta discreta: Probit e Logit. Il problema dell’endogeneità nel modello di regressione. Le variabili strumentali. Minimi Quadrati a Due Stadi (2SLS). Stima di modelli con variabili dipendenti troncate o censurate.

Course Syllabus

Part I (2 CFU)- Preliminary Concepts of linear algebra and the theory of probability: Elements of differential calculus. Vectors, matrices, determinants. Random variables. Multivariate distributions. multivariate normal distribution. Distributions of quadratic forms. Part II (2 CFU) – Linear Model: The General linear model. Algebraic and statistical properties . The OLS estimator: Inferential aspects. Hypothesis testing on the Linear Regression Model. Linear restrictions tests. Structural change tests. Part III (4 CFU) – The likelihood function and Maximum Likelihood estimator. Discrete choice models: Probit and Logit. The problem of endogeneity in the regression model. Instrumental variables. Two-Stage Least Squares Estimator (2SLS). Estimation of models with truncated or censored dependent variable.