DAES

Lingua Insegnamento:

Italiano
Testi di riferimento:

• Bayesian Data Analysis (2013) by Andrew Gelman, John Carlin, Hal Stern, David Dunson, Aki Vehtari, and Donald Rubin. Third Edition. CRC Press, Taylor & Francis Group.
• Bayesian Statistical Methods (2019) by Brian J. Reich and Sujit K. Ghosh. CRC Press, Taylor & Francis Group.
• Statistical Inference: An Integrated Approach, Second Edition 2nd Edition (2014) by Helio S. Migon, Dani Gamerman, Francisco Louzada. Chapman & Hall/CRC Press.
• Statistical Rethinking: a Bayesian course with examples in R and Stan (2020) by Richard McElreath. Second Edition. Chapman & Hall/CRC Press.
• An Introduction to Bayesian Thinking - A companion to the Statistics with R Course (2021) Merlise Clyde, Mine Cetinkaya-Rundel, Colin Rundel, David Banks, Christine Chai and Lizzy Huang. Electronically available from https://statswithr.github.io/book/
Obiettivi formativi:

1. Sviluppare una comprensione dei concetti di base sottostante l'approccio bayesiano al pensiero statistico.
2. Sviluppare competenze per lo sviluppo di modelli bayesiani e scelte di priori.
3. Fornire conoscenze di base sul calcolo bayesiano, per l'applicazione pratica dei modelli bayesiani alla risoluzione dei problemi di dati.

RISULTATI DI APPRENDIMENTO ATTESI:
Ci si attende che lo studente:
- assimili i concetti fondamentali per un appproccio bayesiano alla staistica;
- acquisisca gli strumenti bayesiani fondamentali per analizzare i fenomeni economici e sociali;
- comprenda alcuni aspetti teorici e sappia esporli;

La formazione del corso di Studi in sarà quindi completata e arricchita dalle seguenti competenze:
1. Conoscenza e capacità di comprensione
Conoscenza dei concetti teorici di base della statistica bayesiana e della terminologia di riferimento
2. Conoscenza e capacità di comprensione applicate
Capacità di applicare principi di ragionamento statistico bayesiano nell’interpretazione di fenomeni socio-economici
3. Apprendimento delle nozioni logiche e statistiche indispensabili per lavorare autonomamente nella ricerca, selezione ed elaborazione dei dati socio-economici e nell'utilizzo di fonti statistiche ufficiali.
4. Abilità comunicative
Apprendimento della terminologia e delle tecniche statistiche, indispensabili per comunicare o discutere in modo appropriato risultati delle analisi condotte o di report socio-economici
Prerequisiti:

Analisi matematica, calcolo delle probabilità e inferenza
Metodi didattici:

L’Insegnamento è strutturato in 48 ore di didattica frontale, suddivise in lezioni da 2 ore in base al calendario accademico. La didattica frontale si costituisce di lezioni teoriche ed esercitazioni.
Durante l’insegnamento sono proposte agli studenti alcune verifiche dell’apprendimento da svolgersi in aula ed in modo collettivo che propongono quesiti volti a verificare la comprensione degli argomenti trattati.
La frequenza è facoltativa ma consigliata, e la prova finale sarà uguale per frequentanti e non.
Le lezioni sono in italiano. Per alcuni argomenti è previsto l'insegnamento di metodi di calcolo al computer in R.
Modalità di verifica dell'apprendimento:

L'esame e' in forma scritta/orale e verifica l'apprendimento degli argomenti in programma a livello teorico e applicativo. La prova è divisa in due parti/esercizi: una parte è orientata all'accertamento della comprensione dei concetti teorici mentre l'altra alle competenze acquisite nel trattamento di dati e risoluzione di problemi statistici. La votazione va da 0 a 30/30, ottenuta come somma dei punteggi conseguiti nelle due parti/esercizi.
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:
Altre Informazioni:

Il docente riceve gli studenti il
Giovedì 14-16

Il corso inizia con il trattamento di modelli semplici, come quelli basati sulle distribuzioni normale e binomiale. Vengono illustrate le nozioni di priori coniugate e non informative, sia per modelli a singolo parametro che multi-parametro. Vengono inoltre affrontati in modo basilare modelli gerarchici e modelli di regressione lineare. Vengono presentati metodi computazionali bayesiani come il Gibbs sampling e gli algoritmi Metropolis-Hastings, incluso la programmazione in R.

1. Elementi di base dell'Analisi Bayesiana: Famiglie coniugate; Prior non informative; Distribuzione predittiva; Stimatori di Bayes;
2. Metodi computazionali: Metodi Monte Carlo, Importance Sampling, Sampling Importance Resampling (SIR); Markov chain Monte Carlo methods; Gibbs sampling;; Metropolis-Hastings; Integrated Nested Laplace Approximations;
3. Modelli lineari generalizzati nel paradigma bayesiano;
4. Modelli gerarchici e dati mancanti;
5. Selezione di variabili e confronto di modelli: Bayes factors; Deviance Information Cri-terion; Watanabe-Akaike Information Criterion;
6. Modelli Nonparametrici bayesiani.