Advanced Statistics

Questo corso si basa sulle conoscenze acquisite nel corso di Statistica del Master in Finance.

I seguenti argomenti saranno trattati criticamente sia dal punto di vista frequentista sia da quello bayesiano, mettendo in evidenza i vantaggi e gli svantaggi dei due approcci: stima puntuale avanzata, intervalli di confidenza, test di ipotesi e previsione. Verranno inoltre introdotte tecniche di simulazione Monte Carlo, quali Markov chain Monte Carlo e Approximate Bayesian Computation.

Saranno discussi anche ulteriori argomenti avanzati, tra cui la riduzione della dimensionalità e la selezione delle variabili.

Testi consigliati:

Per l’approccio frequentista: A. Agresti e M. Kateri, Foundations of Statistics for Data Scientists: With R and Python, 2021, Chapman & Hall.

Per l’approccio bayesiano: A. Agresti, M. Kateri, R. Grove, A. Mira, Foundations of Bayesian Statistics, with R and Python, 2026, CRC Press.

Durante il corso saranno inoltre fornite le slide.

Gli studenti sono invitati a portare a lezione il proprio laptop, se disponibile.

Il corso mira ad approfondire la comprensione degli studenti della statistica inferenziale frequentista. L’approccio bayesiano all’inferenza statistica sarà inoltre trattato sia dal punto di vista teorico sia da quello applicato. Gli studenti impareranno ad analizzare criticamente un dataset alla luce di specifiche domande di ricerca e ipotesi da verificare. Il software statistico gratuito e open-source R sarà utilizzato per le componenti più applicate e orientate ai dati del corso; tuttavia, tutto il codice introdotto sarà disponibile anche in Python e gli studenti potranno utilizzare R o Python in base alle proprie preferenze.

In presence

Sono previste lezioni frontali sia teoriche che pratiche (con il software statistico R o con Python)

La partecipazione in aula è una componente obbligatoria della valutazione del corso e corrisponde al 10% del voto finale.
È previsto un esame finale, che costituirà il 90% del voto finale.

L’esame consisterà in un progetto comprendente un’analisi statistica dei dati svolta utilizzando gli strumenti inferenziali introdotti durante il corso. Gli studenti dovranno consegnare il codice in R o Python, una presentazione in PPT e una relazione finale in PDF, nella quale saranno descritti i dati, le domande di ricerca, l’analisi svolta, le conclusioni e le possibili direzioni di ricerca future.

Il progetto sarà presentato e discusso, con possibili domande sugli argomenti trattati durante le lezioni.