Il corso offre una panoramica sui Modelli Lineari e Generalizzati (GLM), combinando teoria e applicazioni pratiche con software statistici per l’analisi di dati economici e sociali.
Verranno introdotti i concetti chiave dei GLM, i loro vantaggi rispetto ai modelli tradizionali e la famiglia esponenziale con le sue parametrizzazioni. Particolare attenzione sarà dedicata ai predittori lineari e alle funzioni di collegamento.
Saranno approfonditi i modelli per dati dicotomici (logit e probit), per dati di conteggio (Poisson e binomiale negativa), per variabili categoriali non ordinate (regressione multinomiale) e ordinate (logit e probit ordinali). Infine, verrà trattata la regressione geografica pesata (GWR) per l’analisi spaziale.

Modello di regressione lineare: richiamo ai principi teorici e alle applicazioni pratiche nei contesti economici e sociali.
Modelli Lineari Generalizzati (GLM): introduzione ai concetti fondamentali, motivazioni alla base della loro formulazione e vantaggi rispetto alla regressione lineare classica.
Famiglia esponenziale: analisi delle forme canoniche e delle diverse parametrizzazioni, con focus sulle implicazioni nella modellizzazione dei dati.
Predittori lineari e funzioni di collegamento: definizione del ruolo dei predittori e delle funzioni di collegamento nella trasformazione della variabile di risposta, con approfondimenti sulla loro interpretazione.
Modelli Specifici e Applicazioni
Modelli per dati dicotomici:
Regressione logistica (logit) e probit per modellare variabili con due sole categorie, come la probabilità di adottare una tecnologia o di accedere a un servizio.
Modelli per dati di conteggio:
Regressione di Poisson e binomiale negativa per analizzare eventi rari, come il numero di acquisti ripetuti o il conteggio di incidenti in un dato periodo.
Modelli per dati multinomiali:
Regressione multinomiale per risposte categoriali non ordinate, come la scelta tra diverse modalità di trasporto o preferenze di acquisto.
Modelli per dati ordinali:
Modelli logit e probit ordinali per l'analisi di variabili categoriali con ordine intrinseco, come il livello di soddisfazione dei clienti o la classificazione del rischio di credito.
Modelli per dati spaziali:
Regressione geografica pesata (GWR) per analizzare la variazione spaziale dei coefficienti di regressione, utile per studiare fenomeni economici e sociali con dipendenze geografiche, come le disparità nei redditi o il valore degli immobili.