Italiano

Questo corso si propone di approfondire indicatori e metodologie statistiche per lo sviluppo sostenibile.
Saranno presentate ed approfondite tutte le fasi di quantificazione, previsione e gestione di indicatori per lo sviluppo sostenibile, focalizzandosi sulla formulazione di modelli, sulle ipotesi retrostanti, sui metodi esplorativi di analisi dei dati, sui risultati ottenuti e sulla loro corretta interpretazione.
Nel corso sarà data enfasi alla fase di raccolta, organizzazione e codifica dei dati, alla selezione ed applicazione delle tecniche di statistica multivariata e dell’analisi esplorativa dei dati attraverso il software open source R.

D'Ambra L. Lezioni di inferenza statistica. Editore: RCE oppure D. Piccolo. STATISTICA PER LE DECISIONI. Editore: Il Mulino.
OECD (2008) “Handbook on Constructing Composite Indicators. Methodology and user guide” – Disponibile al seguente indirizzo:
http://www.oecd.org/std/42495745.pdf
Gherghi M., Lauro N.C. Analisi Multidimensionale dei Dati. RCE editore.
Eventuali dispense integrative

La quantificazione, la previsione e la gestione di indicatori per lo sviluppo sostenibile sono competenze necessarie per affrontare un percorso professionale nell’ambito dell’economia circolare e dello sviluppo sostenibile.
Finalità di questo corso è trasmettere agli studenti alcuni strumenti statistico/informatici finalizzati alla misurazione ed alla gestione di indicatori per lo sviluppo sostenibile.
Gli obiettivi formativi del corso comprendono l'acquisizione sia di una formazione teorica (metodi e modelli statistici), sia pratica con il software open source R per l'analisi dei dati.

Conoscenze matematiche con particolare approfondimento di algebra matriciale, derivate, massimi e minimi.
Competenze di statistica descrittiva, inferenza statistica e probabilità

La didattica sarà articolata nel modo seguente.
- Lezioni frontali durante le quali il docente presenta gli argomenti del corso e invita gli studenti a partecipare attivamente ad esse, presentando esempi, formulando domande e rispondendo a domande.
- Esercitazioni svolte dal docente durante le quali si analizzano sia dati fittizi che reali utilizzando il linguaggio di programmazione R.
- Esercitazioni svolte dagli studenti con la supervisione del docente durante le quali gli studenti analizzano un problema statistico al fine di utilizzare le tecniche statistiche più appropriate presentate durante il corso e di interpretare i risultati.
- Studio individuale: agli studenti sono suggeriti alcuni libri di testo, slide ed esercizi disponibili on line funzionali allo sviluppo di autonome capacità di apprendimento.

allo studente è chiesto di applicare i metodi statistici studiati su dati concreti utilizzando l’ambiente di programmazione R in presenza del docente.

Materiale didattico aggiuntivo.
Slide proiettate durante le lezioni frontali.
Caso studio

Nel corso si affrontano i seguenti argomenti.
- Raccolta, organizzazione e codifica dei dati.
- Misurazione di fenomeni complessi: definizioni e aspetti principali della misurazione; sviluppo di indicatori per misurare la complessità; modelli di misurazione formativi e riflessivi; livelli di scala di misurazione.
- Analisi delle Componenti Principali: presentazione del metodo; analisi nello spazio delle variabili; analisi nello spazio delle unità; assi, fattori, componenti principali, coordinate, punti supplementari; scelta del numero di fattori; rappresentazione grafica; interpretazione dei fattori.
- Modello di Regressione lineare multiplo: Assunzioni del modello; stima dei parametri con il metodo dei minimi quadrati; proprietà degli stimatori dei minimi quadrati; bontà di adattamento; test sui coefficienti di regressione; tabella ANOVA; analisi dei residui.
- Applicazioni con il software open source R

Italian

This course aims to describe statistical indicators and methodologies for sustainable development.
All phases of quantification, forecasting and management of statistical indicators for sustainable development will be presented and analyzed, focusing on the formulation of models, the underlying assumptions, the exploratory methods of data analysis, the results obtained and their correct interpretation.
During the course, emphasis will be given to the phase of data collection, organization and coding, the selection and application of multivariate statistical techniques and exploratory data analysis through the open source software R.

D'Ambra L. Lezioni di inferenza statistica. Editore: RCE oppure D. Piccolo. STATISTICA PER LE DECISIONI. Editore: Il Mulino.
OECD (2008) “Handbook on Constructing Composite Indicators. Methodology and user guide” – Available at:
http://www.oecd.org/std/42495745.pdf
Gherghi M., Lauro N.C. Analisi Multidimensionale dei Dati. RCE editore.

Quantification, forecasting and management of statistical indicators for sustainable development are skills necessary to face a professional career in field of circular economy and sustainable development.
The purpose of this course is to teach students some statistical / IT tools aimed at measuring and managing statistical indicators for sustainable development.
The training objectives of the course include the acquisition of both theoretical training (statistical methods and models) and practical training with the open source software R for the data analysis.

Mathematical skills with particular in-depth knowledge of matrix algebra, derivatives, maximums, and minimums.
Knowledge of descriptive and inferential statistics, and probability

The teaching is organised as follow.
- Lectures, during which the teacher presents the course topics and looks for to capture student interest, by presenting examples, by asking for and answering questions.
- Exercises conducted by the teacher during which we analyze real and simulated data through the open source software R.
- Exercises carried out by students with supervision of the teacher during which students analyze a statistical problem in order to use the most appropriate statistical techniques presented during the course.
- Individual study: textbooks, slides and exercises useful to the development of the autonomous learning are suggested to students.

The exam consists of applying the statistical methods studied on concrete data using the R programming environment in the presence of the teacher.

Other teaching material.
Slides projected during lectures.
Case study

The course addresses the following topics.
- Data collection, organization and coding.
- Measurement of complex phenomena: definitions and main aspects of measurement; Developing indicators to measure complexity; Measurement models; Levels of scale of measurement.
- Principal components analysis: presentation of the method; analysis in the space of variables; analysis in the space of units; axes, factors, principal components, coordinates, additional points; choice of the number of factors; graphic representation; interpretation of the factors.
- Multiple linear regression model: model assumptions; parameters estimation by least squares method; properties of least squares estimators; goodness of fit; test on regression coefficients; ANOVA table; residuals analysis.
- Hints of logistic and multinomial regression
- Applications with open source software R