Sociologia

LAURA BOCCI

Il corso intende fornire strumenti statistici di natura multivariata, evidenziandone le potenzialità applicative in ambito politico, economico e sociale. Gli studenti vengono sollecitati ad applicare le nozioni teoriche al fine di risolvere problemi empirici nelle scienze sociali.
Nello specifico, lo studente che avrà superato l’esame con successo avrà acquisito:
- Conoscenza e comprensione: conoscenza delle problematiche e dei temi principali di analisi statistica multivariata (dipendenza, riduzione dimensionale, classificazione) e le metodologie che consentono di affrontare tali tematiche (metodi parametrici e non parametrici, Regressione Lineare Multivariata, Cluster Analysis, Analisi in Componenti Principali).
- Capacità di applicare conoscenza e comprensione: capacità di individuare disegni di ricerca e di selezionare opportune tecniche di analisi multivariata dei dati per l’ambito delle ricerche sociologiche.
- Autonomia di giudizio: capacità di raccogliere ed elaborare dati di natura quantitativa e qualitativa relativi a fenomeni sociali, ed interpretare criticamente i risultati ottenuti dalle analisi. Lo sviluppo di questa particolare competenza deriva dalla presentazione degli esempi applicativi e dalle discussioni stimolate dal docente in aula a partire da tali esempi.
- Abilità comunicative: capacità di comunicare con il dovuto rigore e con linguaggio scientifico adeguato, comprensibile anche ad interlocutori non del settore, le metodologie statistiche e i risultati delle analisi empiriche.
- Capacità di apprendimento: capacità di apprendere autonomamente tecniche di analisi dei dati in attività professionali o studi successivi.

Conoscenze di base di Statistica.

Campionamento statistico e tecniche per la raccolta dei dati nelle ricerche in ambito sociale ed economico.
Rappresentazioni matriciali di dati multidimensionali: matrice dei dati, data cleaning; data pre-processing; matrici di covarianza e di correlazione; matrici di prossimità.
Rappresentazioni grafiche di dati multidimensionali.
Apprendimento non supervisionato. Tecniche statistiche multivariate: Cluster Analysis (gerarchica, non gerarchica) e Segmentazione; Analisi in Componenti Principali.
Apprendimento supervisionato. Modello di Regressione lineare multipla ed estensioni, Regressione Logistica.
Applicazioni a dati reali con il software statistico Matòab.
Casi di studio.

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. Introduzione all'apprendimento statistico. Con applicazioni in R. Piccin-Nuova Libraria, 2020.
- Versione in inglese disponibile online: https://www.statlearning.com/
Appunti delle lezioni

Il modello didattico prevalente si basa su lezioni frontali ed esercitazioni improntate a sollecitare l'interazione con gli studenti e a stimolare la loro capacità di problem solving.
Ogni argomento trattato sarà pertanto integrato da esempi di applicazione ed esercizi al fine di agevolare la comprensione degli strumenti statistici e le loro possibilità di utilizzo nell'ambito di problematiche sociali.

Data l’impostazione del corso orientata al know how, la frequenza, pur non essendo obbligatoria, è fortemente raccomandata.

La valutazione viene effettuata mediante una prova finale scritta svolta durante gli appelli previsti dal calendario didattico (3 appelli nella sessione Giugno/Luglio; 1 appello nella sessione di Settembre; 2 appelli nella sessione di Gennaio/Febbraio).
La prova scritta è composta da 15 domande, con quesiti sia teorici che pratici, atti a verificare conoscenza e comprensione e la capacità di applicare conoscenza e comprensione. Lo studente dovrà rispondere alle domande riportando lo svolgimento e i calcoli necessari ad ottenere il risultato indicato. Per lo svolgimento della prova scritta gli studenti avranno a disposizione 120 minuti e potranno avvalersi di una calcolatrice e delle tavole statistiche.
Durante il corso é previsto un esonero e un project work. L’esonero relativo alla Statistica Descrittiva univariata e bivariata è composto da 9 domande con quesiti sia teorici che pratici. Il Project Work consiste nell’applicazione delle tecniche apprese a dati reali.
Nella valutazione della prova d’esame e dell’esonero, la determinazione del voto finale tiene conto dei seguenti elementi:
- la logica seguita dallo studente nella risoluzione dei quesiti proposti;
- la correttezza della procedura individuata per ogni soluzione;
- l'adeguatezza di ogni soluzione proposta in relazione al tipo di quesito e alle competenze che lo studente si presuppone abbia acquisito;
- l'impiego di un linguaggio corretto ed appropriato.

Per superare l'esame occorre conseguire un voto non inferiore a 18/30. Lo studente deve dimostrare di aver acquisito una conoscenza sufficiente degli argomenti trattati nel corso e di essere in grado di individuare tecniche e strumenti statistici semplici ma adeguati alla soluzione di problemi applicativi in cui sono richiesti. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso, essendo in grado di raccordarli in modo logico e coerente con riferimento ad esempi di applicazione. Deve inoltre dimostrare di essere in grado di individuare le tecniche e gli strumenti statistici più adeguati alla soluzione di problemi applicativi in cui sono richiesti.

1) Considerato l’output del modello lineare, il coefficiente di regressione della variabile indipendente X1 cosa indica?
2) Un tour operator vuole immettere sul mercato un nuovo pacchetto per un viaggio organizzato. Per testare il gradimento del pacchetto conduce un’indagine campionaria su un campione di 65 clienti. Nel campione, 29 clienti hanno dichiarato di apprezzare il pacchetto. (a) Calcolare l’intervallo di confidenza per la proporzione di gradimento con un livello di confidenza pari al 99%. (b) Considerando la stima della proporzione di gradimento dei clienti e il margine d’errore ottenuti al punto (b), quale dovrebbe essere la dimensione del campione nel caso si volesse dimezzare il margine di errore ad un livello di confidenza del 99%?

• Argomento 1 (8 ore). Teoria
  dei campioni 
  • Testi di riferimento: Appunti del docente


• Argomento 2 (6). Matrici
  di dati e trasformazioni. Autovalori. Autovettori. Matrici di Distanze e di
  Similarità.
  Introduzione
  al software statistico Matlab. 


• Argoemtno 3 (6 ore). Apprendimento
  non  supervisionato. Cluster  gerarchica: metodi e proprietà.


• Argomento 4 (6 ore). Apprendimento
  non supervisionato. Cluster non gerarchica: metodi e proprietà.


• Argomento 5 (6 ore). Apprendimento
  non  supervisionato. Analisi in Componenti Principali.


• Argomento 6 (10 ore). Apprendimento supervisionato. Regressione Lineare multipla ed estensioni.


• Argomento 7 (6 ore). Apprendimento supervisionato. Regressione con variabile  dipendente binaria:  Regressione Logistica.