Statistical Methods and Applications - Metodi statistici e applicazioni

MAURIZIO VICHI
MAURIZIO VICHI

Learning goals
Knowing how to reorganize multidimensional data with a complex structure for their statistical analysis. Starting from the multivariate statistical methodologies, knowing how to realize complex strategies of analysis that have an easy interpretation. To be able to make decisions based on empirical evidence giving appropriate answers to corporate information requests. Knowing how to extract relevant information from large data (big data).

Knowledge and understanding
Knowledge of advanced multivariate statistical methodologies and advanced formal data analysis strategies with a model-based statistical approach.

Applying knowledge and understanding
Understanding the most appropriate complex techniques to be able to make decisions based on empirical evidence, respond to corporate information requests and be able to extract relevant information from the observed data.

Making judgements
Students develop critical skills through the application of complex multivariate statistical methodologies. They learn to critically interpret the results obtained by applying the procedures to real data sets.

Communication skills
Students, through the study and performance of practical exercises, acquire the technical-scientific language of the discipline, which must be used in the world of work. Communication skills are also developed through group activities.

Learning skills
Students who pass the exam have learned a method of analysis that allows them to face, the world of work having acquired advanced statistical analysis tools for complex and large data.

multivariate statistics

OBIETTIVI FORMATIVI
Saper riorganizzare dati multidimensionali con struttura complessa e analizzarli utilizzando metodologie di statistica multivariata con molteplici obiettivi: co-clustering, clustering e riduzione dimensionale, regressione e analisi fattoriale mediante SEM.
Saper prendere decisioni basate su evidenze empiriche dando risposte appropriate alle richieste informative aziendali. Saper estrarre le informazioni rilevanti dai dati di grandi dimensioni (big data).

Programma
Brevi richiami alla statistica multivariata. Le metodologie di classificazione non supervisionata e supervisionata: Classificazione non supervisionata delle unità (cluster analysis), I metodi non gerarchici; K-medie, Pam, K-medie fuzzy; legame singolo, legame medio, legame completo, centroide, metodo di Ward; interpretazione del dendrogramma, metodi di scelta di una partizione; analisi delle componenti principali (PCA); L’analisi Fattoriale; regressione multipla ad effetti fissi o casuali; regressione multivariata multipla.

Approfondimenti: Estensioni del K-medie per dati di dissimilarità; metodi basati sulla verosomiglianza: maximum likelihood clustering, maximum likelihood mixture clustering, EM (modelli gaussiani);
Scelta del numero di cluster e di modelli parsimoniosi mediante criteri informazionali; Valutazione della classificazione mediante campionamento bootstrap; Dendrogrammi parsimoniosi; il Double K-means, estensioni del Double K-means; Analisi in componenti principali disgiunte e non negative; Analisi di fattori disgiunti; Analisi gerarchica di fattori disgiunti per costruire indicatori compositi,

Metodologie di classificazione e riduzione dimensionale congiunte: Classificazione e Analisi in componenti principali disgiunte; il K-medie ridotto, il K-medie fattoriale; Il modello ad equazioni strutturali

Dispense del Corso e algoritmi di matlab
Approfondimenti: G. McLachlan, D. Peel, (2000). Finite Mixture Models, Wiley Series in Probability and Statistics. A. C. Rencher, (2002). Methods of Multivariate Analysis, Wiley Series in Probability and Statistics; 2nd edition; A.D. Gordon (1999). Classification, Chapman & Hall, 2nd edition;

oral examination

3 volte a settimana da Ottobre a Dicembre

oral and written examinations