Insegnamento ECONOMETRICS
| Nome del corso di laurea | Economia e management |
|---|---|
| Codice insegnamento | A003080 |
| Sede | PERUGIA |
| Curriculum | International business |
| Docente responsabile | Barbara Guardabascio |
| Docenti |
|
| Ore |
|
| CFU | 6 |
| Regolamento | Coorte 2025 |
| Erogato | Erogato nel 2025/26 |
| Erogato altro regolamento | |
| Attività | Affine/integrativa |
| Ambito | Attività formative affini o integrative |
| Settore | SECS-P/05 |
| Anno | 1 |
| Periodo | Secondo Semestre |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa monodisciplinare |
| Lingua insegnamento | INGLESE |
| Contenuti | Il metodo scientifico si compone di quattro fasi: osservazione, ipotesi, verifica e discussione. È fondamentale gestire i dati con competenza in qualsiasi attività scientifica. Se hai già un background in micro e macroeconomia, probabilmente hai una solida conoscenza di come gli economisti analizzano l’economia. Tuttavia, è importante chiedersi se questo approccio rifletta veramente il funzionamento del mondo. L’econometria è la fusione della teoria economica e della statistica utilizzata per testare ipotesi economiche derivate dalla micro e macroeconomia. L'obiettivo del corso è familiarizzare gli studenti con la teoria e l'uso dei metodi quantitativi in ¿¿economia. Gli argomenti del corso sono: il modello lineare e le sue generalizzazioni; teoria della stima e dei test; tecniche di specificazione econometrica e problemi di selezione dei modelli; regressione logistica, variabili strumentali, modelli per serie storiche univariate. Tali tecniche sono illustrate sia teoricamente che mediante applicazioni economiche empiriche implementate utilizzando software come Gretl o R. |
| Testi di riferimento | Il materiale didattico (dispense, slides, set di dati, script R) sarà messo a disposizione degli studenti durante il corso. I libri consigliati sono: Jeffrey M. Wooldridge (2020), “Introductory Econometrics: A modern approach”, 7th Edition, Cengage Learning. |
| Obiettivi formativi | L’insegnamento si pone l’obiettivo generale di preparare lo studente ad una possibile attività di analisi empirica di dati economici con metodi di analisi statistica avanzata. Alla fine del corso gli studenti saranno in grado di: 1. Essere in grado di astrarre le caratteristiche essenziali di una questione o di un problema econometrico; 2. Essere in grado di eseguire e valutare con spirito critico l'adeguatezza di un modello utilizzando test diagnostici e altri strumenti statistici; 3. Avere una conoscenza approfondita di diversi modelli empirici dinamici e del loro ruolo nell'analisi econometrica sia di dati longitudinali che in serie storiche. |
| Prerequisiti | I metodi statistici avanzati introdotti nel corso sono fortemente dipendenti da strumenti matematici e statistici di base. Pertanto, si prevede che gli studenti abbiano frequentato e completato con successo i previsti corsi di matematica e statistica. |
| Metodi didattici | Il corso prevede lezioni frontali ed esercitazioni. Le tecniche studiate saranno introdotte attraverso esempi economico-finanziari e descritte con formule matematiche. Particolare attenzione sarà rivolta alle applicazioni pratiche e all'interpretazione dei risultati. |
| Altre informazioni | Si consiglia vivamente di frequentare le lezioni. |
| Modalità di verifica dell'apprendimento | Durante il corso verrà assegnato un progetto volto a valutare le competenze nell’elaborazione di codice in R e nell’interpretazione dei risultati ottenuti. Il progetto inciderà per il 40% sul voto finale. Gli studenti che non realizzeranno il progetto dovranno sostenere, in sede d’esame, una parte integrativa finalizzata a verificare le stesse competenze. L’esame consisterà in una prova scritta, che contribuirà per il 60% alla valutazione complessiva. La prova includerà sia quesiti teorici sia esercizi di analisi di dati numerici, con l’obiettivo di verificare le capacità analitiche e interpretative degli studenti, nonché la comprensione delle problematiche connesse all’impiego dei modelli affrontati durante il corso. A correzione avvenuta, il docente si riserva la facoltà di convocare alcuni studenti per un’eventuale prova orale. |
| Programma esteso | 1. Regressione lineare: funzioni di aspettativa condizionale, regressione multipla; Stima OLS: ipotesi e proprietà; Stima dei residui e bontà di adattamento del modello; Test diagnostici. 2. Modelli per variabili dipendenti binarie: la regressione logistica 3. Eteroschedasticità: definizione, test. Conseguenze dell'eteroschedasticità per la stima OLS. Weighted Least Squares. GLS e feasible GLS. 4. Variabile omessa e modello di regressione semplice. Endogeneità: definizione e principali cause. La stima delle variabili strumentali come soluzione generale al problema dell'endogeneità. Stima e test del modello a due stadi. 5. Introduzione alle serie storiche e modelli Autoregressivi. Definizione di serie storica: media, varianza, autocovarianza e autocorrelazione. Condizioni di stazionarietà. L'operatore del ritardo. Assunzioni OLS con variabili in serie storica. I modelli autoregressivi AR(p): stima, selezione del modello e forecasting. |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile | 4,8,9,12 |