COMPLEMENTI DI ECONOMETRIA

Obiettivi formativi

Obiettivi generali Il corso si propone di fornire agli studenti concetti avanzati e specifici dell’econometria. Nelle lezioni frontali l'esposizione teorica è integrata dalla presentazione di applicazioni a casi concreti con stime numeriche, allo scopo di integrare la teoria e la sua applicazione. Nella prima parte del corso verranno presentati i metodi di stima alternativi al classico modello di regressione che superano i limiti di quest’ultimo in contesti di errori non sferici, endogeneità dei regressori, variabile dipendente binaria, stimatori di massima verosimiglianza e dati panel. Nella seconda parte del corso verranno utilizzati gli strumenti fin qui insegnati per applicarli in contesti di stime di causalità, di modelli probabilistici e/o serie storiche. Obiettivi specifici Conoscenza e capacità di comprensione: gli studenti acquisiranno la comprensione dei problemi e dei relativi metodi di stima nel dominio delle frequenze temporali, divenendo in grado di identificare in quale contesto ciascuno di essi può essere validamente usato, nonché come sfruttare i risultati dell’analisi econometrica per informare attori e policy makers del settore. Conoscenza e capacità di comprensione applicate: gli studenti saranno in grado di applicare le tecniche econometriche inerenti le serie storiche su moderni software. Autonomia di giudizio: il corso fornirà gli strumenti per una valutazione critica dei punti di forza e di debolezza delle analisi delle serie storiche, come strumento di ricerca e di policy. Abilità comunicative: gli studenti saranno in grado di comunicare efficacemente i risultati delle loro analisi. Capacità di apprendere: gli studenti svilupperanno le necessarie abilità e competenze per identificare autonomamente e formulare domande di ricerca.

Canale 1
MARCO VENTURA Scheda docente

Programmi - Frequenza - Esami

Programma
Elementi di algebra matriciale, modello classico di regressione lineare, lo stimatore OLS, proprietà dello stimatore OLS in campioni finiti, massima verosimiglianza, modelli per dati discreti: dati binari, ordinati, multinomiali e di conta machine learning: minimi quadrati penalizzati, alberi e combinazioni di alberi, predictive inference, causality in high dimension Applicazioni in R
Prerequisiti
Conoscenza dell'algebra lineare, calcolo infinitesimo, statistica descrittiva e inferenziale
Testi di riferimento
Verbeek M. A Guide to Modern Econometrics. Wiley Custom, 5th Eds. Capitolo 7. Materiale didattico verrà distribuito a lezione Cerulli G. Fundamentals of Supervised Machine Learning With Applications in Python, R, and Stata. Spriinger 2023 ISSN 1431-8784 ISSN 2197-1706 (electronic)
Frequenza
Fortemente consigliata
Modalità di esame
esame scritto in aula
Modalità di erogazione
Le lezioni si terranno in presenza
  • Codice insegnamento10606556
  • Anno accademico2025/2026
  • CorsoEconomia e finanza
  • CurriculumEconomia e finanza
  • Anno3º anno
  • Semestre1º semestre
  • SSDSECS-P/05
  • CFU6