Data Driven Economics

Obiettivi formativi

1) Conoscenza e capacità di comprensione Nel corso delle lezioni di Data-driven Economics, studentesse e studenti acquisiscono gli elementi teorici di base dell’analisi econometrica. Le lezioni teoriche sono finalizzate a guidare studentesse e studenti nell’acquisizione dei fondamenti dei modelli di regressione semplice e multipla, a partire dalle relative assunzioni, per poi procedere con le procedure di stima e inferenza. I contenuti del corso coprono sia la stima di modelli lineari che non lineari e l’analisi di dati sia cross-section che longitudinali. 2) Conoscenza e capacità di comprensione applicate Le studentesse e gli studenti del corso di Data-driven Economics sono in grado di applicare le nozioni acquisite nel corso delle lezioni teoriche a un’ampia gamma di problemi di natura empirica. Acquisiscono la capacità di costruire modelli econometrici finalizzati a dare contenuto empirico a relazioni economiche e sono in grado, inoltre, di stabilire un nesso di causalità tra due o più variabili in ambito economico. 3) Autonomia di giudizio Studentesse e studenti sono esortate/i a sviluppare il proprio senso critico attraverso la discussione in aula di studi empirici pubblicati in ambito economico/manageriale. Il corso di Data-driven Economics prevede, inoltre, un laboratorio nel corso del quale studentesse e studenti applicano le conoscenze di econometria acquisite alla stima di modelli empirici effettuata utilizzando dati messi a disposizione dal docente. 4) Abilità comunicative Al termine del corso, le studentesse e gli studenti sono in grado di illustrare e spiegare punti di forza e punti di debolezza di un’ampia gamma di metodologie empiriche a una varietà di interlocutori eterogenei per formazione e ruolo professionale. L’acquisizione di tali capacità viene verificata e valutata non solo in occasione dell’esame finale, mediante prova scritta e eventuale prova orale, ma anche nel corso di sessioni di lezioni invertite in cui, individualmente o in gruppo, studentesse e studenti sono chiamate/i a presentare studi empirici pubblicati in ambito economico/manageriale. 5) Capacità di apprendere Studentesse e studenti acquisiscono la capacità di condurre in autonomia analisi empiriche costruendo modelli econometrici da stimare utilizzando dati con strutture diversificate. Gli strumenti forniti dal corso consentono analisi di sistemi in cui un elevato numero di fattori contribuisce simultaneamente a spiegarne gli stati e valutazioni d’impatto che tengano conto dell’aleatorietà e del rischio connaturato all’applicazione di policy. L’acquisizione di tali capacità viene verificata e valutata in occasione dell’esame finale, mediante prova scritta e eventuale prova orale, nell’ambito del quale lo studente può essere chiamato a discutere problemi empirici sulla base degli argomenti trattati e del materiale di riferimento distribuito durante il corso.

Canale 1
RICCARDO MARZANO Scheda docente

Programmi - Frequenza - Esami

Programma
Introduzione all'econometria e ai dati economici Analisi di regressione semplice Analisi di regressione multipla Informazioni qualitative Stima con variabili strumentali Panel data Regression Discontinuity Design Difference-in-differences e treatment evaluation (Metodi alternativi)
Prerequisiti
Fondamenti di Probabilità Fondamenti di Statistica Matematica Algebra matriciale
Testi di riferimento
Primario: Jeffrey M. Wooldridge, Introductory Econometrics: A Modern Approach, 5th Edition, South-Western Cengage Learning Secondario: Joshua D. Angrist, & Jörn-Steffen Pischke, Mostly Harmless Econometrics, 2009 Edition, Princeton University Press
Frequenza
In aula, due volte a settimana
Modalità di esame
Gli studenti saranno valutati secondo i seguenti criteri: Progetto empirico: 40% Partecipazione in aula: 10% Esame orale: 50%
Bibliografia
Da definire
Modalità di erogazione
Lezioni teoriche frontali Sessioni di laboratorio Presentazione articoli
RICCARDO MARZANO Scheda docente

Programmi - Frequenza - Esami

Programma
Introduzione all'econometria e ai dati economici Analisi di regressione semplice Analisi di regressione multipla Informazioni qualitative Stima con variabili strumentali Panel data Regression Discontinuity Design Difference-in-differences e treatment evaluation (Metodi alternativi)
Prerequisiti
Fondamenti di Probabilità Fondamenti di Statistica Matematica Algebra matriciale
Testi di riferimento
Primario: Jeffrey M. Wooldridge, Introductory Econometrics: A Modern Approach, 5th Edition, South-Western Cengage Learning Secondario: Joshua D. Angrist, & Jörn-Steffen Pischke, Mostly Harmless Econometrics, 2009 Edition, Princeton University Press
Frequenza
In aula, due volte a settimana
Modalità di esame
Gli studenti saranno valutati secondo i seguenti criteri: Progetto empirico: 40% Partecipazione in aula: 10% Esame orale: 50%
Bibliografia
Da definire
Modalità di erogazione
Lezioni teoriche frontali Sessioni di laboratorio Presentazione articoli
  • Codice insegnamento10600197
  • Anno accademico2025/2026
  • CorsoIngegneria Gestionale - Management Engineering
  • CurriculumArtificial intelligence and data analytics in management (percorso formativo valido anche ai fini del conseguimento del doppio titolo italo-francese) - in inglese
  • Anno1º anno
  • Semestre2º semestre
  • SSDING-IND/35
  • CFU6