Ingegneria Gestionale - Management Engineering

RICCARDO MARZANO

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.

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.

Fondamenti di Probabilità
Fondamenti di Statistica Matematica
Algebra matriciale

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)

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

Da definire

Lezioni teoriche frontali
Sessioni di laboratorio
Presentazione articoli

In aula, due volte a settimana

Gli studenti saranno valutati secondo i seguenti criteri:
Progetto empirico: 40%
Partecipazione in aula: 10%
Esame orale: 50%

Raccolta dati
Scelta stimatore
Scelta della specificazione
Interpretazione risultati

• A