Strumenti quantitativi per la gestione (121210) A.a / 2019.

Transcript

1 LAUREA MAGISTRALE IN MANAGEMENT Dipartimento di Economia e Management Università degli Studi di Trento Strumenti quantitativi per la gestione (121210) A.a / Docente: Prof. Emanuele Taufer 1. Obiettivi formativi e contenuti dell insegnamento. Corso intermedio di analisi dei dati mirato allo sviluppo di competenze modellistiche e di analisi dei dati. Il corso si concentra sull'uso di tecniche moderne di "statistical learning" per la previsione e la classificazione in contesti economico-aziendali. Il taglio del corso è di tipo applicato ed il livello teorico degli argomenti è mirato alla comprensione degli aspetti pratici delle applicazioni. Verrà fatto uso del software R. Alcune esercitazioni in aula computer complementano il materiale discusso a lezione. I principali argomenti trattati riguardano l analisi esplorativa dei dati, la regressione lineare (modelli multipli, modelli con interazioni, modelli con variabili qualitative); metodi di classificazione (regressione logistica, analisi discriminante lineare). Metodi di ricampionamento (cross validazione e bootstrap). Alberi di regressione e classificazione. Foreste casuali. Analisi delle scelte dei consumatori (Market basket analysis). Il problema dei dati ultra-dimensionali e tecniche di riduzione della dimensionalità (componenti principali, cluster analyis). 2. Risultati attesi. Al termine del percorso, lo studente sarà in grado di analizzare un set di dati multivariato costruire modelli per analizzare e verificare ipotesi di interesse e fare previsioni comprendere la componente modellistica presente nella letteratura scientifica economicoaziendale 3. Metodi didattici e attività di apprendimento. L insegnamento adotta una pluralità di metodi didattici: Lezioni frontali in classe ed esercitazioni in laboratorio con applicazione delle tecniche studiate a data-set di tipo economico e aziendale per acquisire le conoscenze di base delle tecniche statistiche. 1

2 Presentazione e discussione di casi reali mirati a sviluppare capacità interpretative dei metodi e tecniche di implementazione pratica. Elaborazione di un progetto individuale o di gruppo: l obbiettivo generale è quello di applicare le tecniche di analisi viste al corso su un set di dati reale di interesse per il gruppo di lavoro. Dati e software per il progetto possono essere ottenute da siti Internet o sviluppati dagli studenti. Studenti frequentanti. Il progetto è preparato in gruppo (massimo 4 persone). Ci sono due fasi: 1. Una proposta di progetto - massimo una pagina (indicativamente entro un mese dall inizio del corso) che contenga: a. I nomi dei membri del gruppo b. Descrizione del progetto (obiettivi, passi per il suo completamento, etc.) c. Descrizione di un set di dati (le dimensioni, i nomi delle variabili con la loro descrizione) che si utilizzerà per il progetto. 2. Una relazione da inviare via mail (emanuele.taufer@unitn.it) entro la data del primo appello d esame successivo al corso: la relazione contiene la sintesi dei risultati (massimo 4 pagine). Assieme al rapporto verrà spedito un file (nella forma di uno script R) contenente il codice R brevemente commentato. I gruppi possono essere formati liberamente. Chi avesse difficoltà a formare un gruppo comunichi il proprio nominativo via mail (emanuele.taufer@unitn.it). Ciascun gruppo è libero di, ed invitato a, confrontarsi con il docente, in qualsiasi momento, per discutere delle difficoltà che vi possono essere nel reperire i dati, nella preparazione della proposta, nell individuazione della tecnica adatta, nella fase di analisi, nella fase di stesura della relazione. Studenti non frequentanti: il progetto può essere individuale o in gruppo e deve essere consegnato il giorno dell esame. In quella data si concorderà un momento successivo per la discussione del progetto. Anche in questo caso è necessario preparare una proposta di progetto ed una relazione finale (si veda il dettaglio nella sezione sopra). Si contatti il docente con congruo anticipo rispetto alla data dell appello in cui si intende fare l esame per verificare se il progetto proposto è appropriato. La consegna della relazione verrà fatta a mano il giorno dell esame mentre l appendice dovrà essere spedita via mail. 4. Conoscenze di base. Il corso richiede le competenze acquisite in un corso di base di statistica (statistica descrittiva, statistica inferenziale, regressione lineare semplice) al livello, ad esempio, del testo di Anderson, D., Sweeney, D. Williams, T. (2010). Statistica per le analisi economico-aziendali. Apogeo, Milano. 5. Lingua. L insegnamento è impartito in lingua italiana. Sono previste letture in lingua inglese 2

3 6. Frequenza. La frequenza assidua alle lezioni e la partecipazione attiva costituiscono elementi centrali per l apprendimento. La frequenza alle lezioni è consigliata. Gli studenti frequentanti devono iscriversi su Comunità-on-line dove troveranno i materiali utilizzati a lezione. 7. Materiali didattici. Studenti frequentanti. G. James, D. Witten, T. Hastie, R Tibshirani (2013). An Introduction to Statistical Learning with Applications in R. Springer. Capitoli 1, 2, 3, 4, 5, 8, 10. (una copia in pdf, dell intero testo, legalmente scaricabile é disponibile all indirizzo Tan, Steinbach and Kumar (2005). Introduction to Data Mining. Addison-Wesley. Capitolo 6. (capitolo legalmente scaricabile in pdf dall indirizzo J. Ledolter (2013). Data mining and business analytics with R. Wiley. (Testo di supporto con applicazioni ed esempi) Studenti non frequentanti. G. James, D. Witten, T. Hastie, R Tibshirani (2013). An Introduction to Statistical Learning with Applications in R. Springer. Capitoli 1, 2, 3, 4, 5, 6, 7 8, 10. (una copia in pdf, dell intero testo, legalmente scaricabile é disponibile all indirizzo Tan, Steinbach and Kumar (2005). Introduction to Data Mining. Addison-Wesley. Capitoli 6, 8. (capitoli legalmente scaricabili in pdf dall indirizzo J. Ledolter (2013). Data mining and business analytics with R. Wiley. (Testo di supporto con applicazioni ed esempi) 8. Verifica dell apprendimento. L apprendimento e il raggiungimento dei risultati attesi sono verificati con le seguenti modalità. Studenti frequentanti e non frequentanti. Il voto finale per gli studenti frequentanti è espresso in 30esimi, con voto massimo pari a 31/30esimi. Punteggi superiori a 30 possono determinare la decisione del docente di assegnare la lode. La lode viene assegnata discrezionalmente, come elemento distintivo di eccellenza del lavoro svolto. La verifica si articola in tre momenti distinti. 1. Esame finale scritto. L esame finale ha un peso del 50% sulla valutazione complessiva e mira a verificare la comprensione della teoria e la capacità di interpretare in pratica i risultati delle metodologie discusse nel corso. L esame è composto da domande a risposta chiusa e/o aperta e esercizi. 2. Report finale di gruppo. La relazione finale di gruppo ha un peso del 50% sulla valutazione complessiva. 3

4 La valutazione dei progetti (in trentesimi) terrà conto del problema presentato (originalità dell idea, varietà di tecniche prese in considerazione), dell efficacia delle soluzioni presentate (qualità dell analisi, pertinenza delle conclusioni, utilizzo di rappresentazioni grafiche/tabellari particolarmente riuscite, etc.) e della chiarezza espositiva (introduzione al problema, sintesi dei risultati e conclusioni). La valutazione è anche di tipo comparativo (si tiene conto del livello complessivo dei progetti). 9. Orari d insegnamento e aula. Consultare le informazioni in S3 10. Orari di ricevimento. Da definire Ufficio 236. Durante il semestre del corso gli studenti possono passare in ufficio per domande, chiarimenti, etc. anche al di fuori dell orario di ricevimento. 11. Contatti Docente: EmanueleTaufer emanuele.taufer@unitn.t Ufficio: 236, secondo piano, DEM. 4

5 STRUMENTI QUANTITATIVI PER LA GESTIONE (COD ). AA CORSO DI LAUREA MAGISTRALE MANAGEMENT - Docente: NOME COGNOME N. Data Ore Contenuti Materiale 1 Presentazione dell insegnamento. Modalità di 2 svolgimento e quadro dei contenuti. Richiami di inferenza statistica 3 Stima di una funzione deterministica f. Problemi di 4 inferenza e problemi di previsione. Errore riducibile ed errore irriducibile. Metodi parametrici e nonparametrici. Trade off flessibilità interpretabilità. Supervised e unsupervised statistical learning. Problemi di classificazione e di regressione. Test MSE e training MSE. Trade-off bias-varianza. Valutazione della bontà del modello. 5 Regressione lineare multipla: stima dei coefficienti 6 e previsione. Interpretazione dei risultati. La 7 statistica F ed il test F parziale di scelta dei modelli. 8 R-quadrato-corretto e RSE. Multicollinearità: tecniche diagnostiche e rimedi. Modelli di regressione con predittori qualitativi e con interazioni. 13 Metodi di ricampionamento e bootstrap. Alberi di 14 regressione e classificazione. Foreste casuali. La 15 regressione logistica e Analisi discriminante lineare. La curva ROC. PRIMA PARTE: PREREQUISITI Materiale in Comunità on Line (CoL) SECONDA PARTE: STATISTICAL LEARNING Cap. 1 e 2 ISLR Materiale in CoL TERZA PARTE: REGRESSIONE LINEARE Cap. 3 ISLR Materiale CoL QUARTA PARTE: REGRESSIONE E CLASSIFICAZIONE Cap. 4,5,8 ISLR Materiale CoL QUINTA PARTE: ULTERIORI TECNICHE DI ANALISI 16 Association Analysis (Market Basket Analysis). Cap. 10 ISLR, Cap. 6 IDM 5

6 17 Analisi delle componenti principali e cluster 18 analysis (custering gerarchico e k-means) Materiale CoL Nota: ISLR: G. James, D. Witten, T. Hastie, R Tibshirani (2013). An Introduction to Statistical Learning with Applications in R. Springer. IDM: Tan, Steinbach and Kumar (2005). Introduction to Data Mining. Addison-Wesley. 6