Italiano

Questo insegnamento si propone di approfondire le fasi per la costruzione di indicatori compositi e le metodologie statistiche per lo sviluppo sostenibile.
Modulo 1 – Fondamenti e gestione dei dati
Raccolta, organizzazione e codifica dei dati
Qualità del dato e fonti statistiche
Modulo 2 – Analisi delle Componenti Principali (PCA)
Obiettivi e logica del metodo
Rappresentazione nello spazio delle variabili e delle unità
Interpretazione dei fattori
Scelta del numero di componenti
Modulo 3 – Regressione lineare multipla
Assunzioni del modello
Stima OLS
Valutazione del modello (R², ANOVA)
Analisi dei residui
Verifica delle assunzioni
Stimatori Shrinkage
Modulo 4 – Misurazione di fenomeni complessi
Modelli formativi e riflessivi
Scale di misurazione
Indicatori semplici e fasi per la costruzione degli indicatori compositi
Modulo 5 – Applicazioni con R
Importazione e gestione dati
Implementazione di PCA e regressione
Costruzione degli indicatori compositi
Interpretazione output

Testi di riferimento principali.
D'Ambra L. Lezioni di inferenza statistica. Editore: RCE : capitolo sulla regressione
oppure
D. Piccolo. STATISTICA PER LE DECISIONI. Editore: Il Mulino: capitolo sulla regression
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: Introduzione all’analisi dei dati multidimensionali e analisi in componenti principali
Materiali didattici integrativi.
Slide e dispense del docente

Al termine dell’insegnamento, lo studente presenterà le conoscenze, le abilità e le competenze di seguito descritte.
Conoscenze
Descrivere i principali metodi statistici per la costruzione di indicatori compositi di sviluppo sostenibile
Comprendere l’analisi in componenti principali e la regressione lineare multipla
Abilità
Applicare tecniche di analisi dei dati (PCA, regressione multipla) a dataset reali
Utilizzare il software R per la gestione, analisi e visualizzazione dei dati
Interpretare correttamente i risultati delle analisi statistiche
Competenze
Costruire e valutare indicatori compositi per fenomeni complessi
Supportare processi decisionali basati su evidenze quantitative
Comunicare risultati statistici in modo chiaro e rigoroso

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 dell'insegnamento 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 l'insegnamento 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.

Al termine dell’attività formativa è previsto lo svolgimento di un esame di profitto, finalizzato ad accertare l’adeguata preparazione degli studenti e il raggiungimento dei risultati di apprendimento attesi e l’acquisizione dei crediti formativi previsti.
L’esame di profitto consiste nell’applicare i metodi statistici studiati su dati concreti utilizzando l’ambiente di programmazione R in presenza del docente, discutere i risultati e gli aspetti metodologici.
I corsisti possono scegliere di svolgere la verifica intermedia e l’esame di profitto o solo l’esame di profitto.
La verifica intermedia consiste nella discussione di un project work preparato con uno o più colleghi. Il project work consiste nell’applicazione di uno dei metodi statistici studiati su dati concreti utilizzando l’ambiente di programmazione R, discutere i risultati e gli aspetti metodologici. Per gli studenti che svolgono la verifica intermedia, l’esame di profitto consiste nell’applicare i restanti metodi statistici studiati su dati concreti utilizzando l’ambiente di programmazione R in presenza del docente, discutere i risultati e gli aspetti metodologici.
Criteri di valutazione:
Corretta applicazione delle metodologie (20%)
Capacità di interpretazione dei risultati (20%)
Qualità del codice e organizzazione del lavoro (20%)
Chiarezza espositiva (20%)
Discussione degli aspetti metodologici (20%).

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

Nell'insegnamento 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; verifica delle assunzioni
- Stimatori Shrinkage
- Applicazioni con il software open source R

Italian

This course aims to deepen the phases involved in constructing composite indicators and the statistical methodologies for sustainable development.
Module 1 – Fundamentals and Data Management
Data collection, organization, and coding
Data quality and statistical sources
Module 2 – Principal Component Analysis (PCA)
Objectives and logic of the method
Representation in the space of variables and units
Interpretation of factors
Selection of the number of components
Module 3 – Multiple Linear Regression
Model assumptions
OLS estimation
Model evaluation (R², ANOVA)
Residual analysis
Assumption checking
Shrinkage estimators
Module 4 – Measurement of Complex Phenomena
Formative and reflective models
Measurement scales
Simple indicators and steps for constructing composite indicators
Module 5 – Applications with R
Data import and management
Implementation of PCA and regression
Construction of composite indicators
Interpretation of outputs

Main reference texts
D’Ambra L., Lezioni di inferenza statistica, RCE: chapter on regression analysis
or
D. Piccolo, Statistica per le decisioni, Il Mulino: chapter on regression analysis
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: introduction to multivariate data analysis and principal component analysis
Additional teaching materials
Lecture slides and handouts provided by the instructor

At the end of the course, students will have acquired the following knowledge, skills, and competences.
Knowledge
Describe the main statistical methods for constructing composite indicators for sustainable development
Understand principal component analysis (PCA) and multiple linear regression
Skills
Apply data analysis techniques (PCA, multiple regression) to real datasets
Use the R software for data management, analysis, and visualization
Correctly interpret the results of statistical analyses
Competences
Construct and evaluate composite indicators for complex phenomena
Support decision-making processes based on quantitative evidence
Communicate statistical results in a clear and rigorous manner

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 follows.
- 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.

At the end of the course, students are required to take a final exam aimed at assessing their level of preparation, the achievement of the intended learning outcomes, and the acquisition of the corresponding academic credits.
The final exam consists of applying the statistical methods studied to real datasets using the R programming environment, in the presence of the instructor, and discussing both the results and the methodological aspects.
Students may choose either:
to complete both an intermediate assessment and the final exam, or
to take only the final exam.
The intermediate assessment consists of the discussion of a project work prepared individually or in groups. The project work involves applying one of the statistical methods studied to real data using the R programming environment, and discussing the results and methodological aspects.
For students who complete the intermediate assessment, the final exam consists of applying the remaining statistical methods studied to real datasets using R, in the presence of the instructor, and discussing the results and methodological aspects.
Assessment criteria
Correct application of statistical methodologies (20%)
Ability to interpret results (20%)
Quality of the code and organization of the work (20%)
Clarity of presentation (20%)
Discussion of methodological aspects (20%)

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