Modelli statistici per l'analisi della dipendenza (supervised statistical learning)
1. Definizione di modello statistico
2. Modelli di dipendenza lineari e non lineari
3. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri con il metodo dei minimi quadrati, indice bontà di adattamento R-quadrato, test t, interpretazione dei risultati
4. Regressione lineare multipla: ipotesi, stima dei parametri, indice bontà di adattamento R-quadrato aggiustato, test t ed F, metodi di selezione delle variabili (backward, forward, stepwise); coefficienti standardizzati, multicollinearità, VIF.
5. Modello ANOVA: variabili esplicative qualitative, ipotesi del modello, interpretazione.
6. Modello Logit: ipotesi del modello, stima di Massima verosimiglianza per i parametri, test Z e di Wald, Devianza del Modello, LR test, BIC e AIC.
7. bontà di classificazione, curva SS e curva ROC, AUC.
8. Modello Probit: ipotesi e interpretazione.
Tecniche statistiche per l'analisi della interdipendenza (unsupervised statistical learning)
1. Analisi in Componenti Principali: definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni.
2. Analisi dei Gruppi: Obiettivi e dati, devianza Within e Between.
3. Metodo non gerarchico: K-medie.
4. Metodi gerarchici: Ward, del legame singolo, medio, completo.
5. Strumenti per identificare soluzioni: dendogramma, pseudo-F, pseudo-Tquadrato, interpretazione.
Modelli per dati longitudinali
1. Ricerca del trend.
2. Regressione lineare per dati temporali: modello AR(1), diagnostica Durbin-Watson, confronto tra modelli (AIC, BIC).
English
Italiano