Schema della sezione

  • Introduzione

    Minimizza tutto Espandi tutto

    Chiarimenti sulla modalità d'esame.

    L'esame è composto da due fasi distinte:

    1. Fase di lavoro "domestico": Per poter accedere all'esame con una base di partenza minima di 18/30 è necessario creare una propria cartella "Compiti_COGNOME" sul canale Teams del corso, dove caricare tutti gli esercizi assegnati durante le lezioni. Lo svolgimento di tutti i compiti assegnati è un prerequisito necessario per poter accedere all'esame vero e proprio "in presenza". In aggiunta, prima della partecipazione alla fase 2, sarà necessario caricare anche un Glossario preparato con cura e autonomamente, contenente tutti i termini tecnici nuovi presentati a lezione. Il Glossario potrà contenere spiegazioni basate sul materiale presentato a lezione, su ricerche autonome e naturalmente sul libro di riferimento del corso (Categorica Data Analysis, Agresti). Il docente controllerà il materiale caricato (...attenzione all'uso dell IA) e darà eventualmente il parere favorevole alla partecipazione all'esame scritto. A tal riguardo, il materiale dovrà essere presente nella propria cartella una settimana prima della data dell'esame scritto.
    2. Esame scritto "in presenza": nelle date ufficiali, si svolgerà un'esame scritto per completare la valutazione finale (voto finale max. 30/30). L'esame sarà costituito da (a) 6 esercizi da svolgere con il programma statistico R e (b) 6 quesiti aperti e problemi da svolgere su carta, consentendo il raggiungimento di (max) 12 punti da sommare ai 18 conseguiti precedentemente. Sarà necessario portare il proprio pc/tablet + un formulario preparato autonomamente (A4 fronte-retro) con tutte le formule (solo quelle, con minimi commenti) ritenute utili. L'esame durerà due ore: nella prima ora si svolgerà la prova in R, alla fine della quale gli script R prodotti verranno inviati (immediatamente) via email al docente. A partire dalla seconda ora, si potrà iniziare la prova scritta vera e propria solo con l'ausilio del formulario (i pc/tablet verranno chiusi e messi via). Terminate le due ore, l'esame scritto verrà consegnato al docente. Nel caso non venisse svolto alcun esercizio, la valutazione conseguita sarà solamente quella minima (18/30), garantita dalle attività del punto 1.

  • Prima lezione

    Lunedì 23 febbraio 2026

    13:00 - 16:00

    Breve presentazione del corso

    Chiarimenti sulla modalità di svolgimemento dell'esame finale

    Breve ripasso sul modello lineare bivariato e multiplo (si consiglia un ripasso individuale sui testi usati durante la triennale)

    Il concetto di derivata e sua applicazione nell'individuazione del minimo di una funzione (Formula della varianza campionaria con centro generico "c", vedi lezioni su Teams)

    Esempio generico di "ottimizzazione" mediante diseguaglianza "Media Aritmetica - Media Geometrica" (vedi lezioni registrate su Teams)

    Canale Teams ufficiale del Corso:

    Generale | CD2025 908PS-2 MODELLI LINEARI APPLICATI | Microsoft Teams

    COMPITO:

    Produrre degli appunti della lezione (PC o a mano, è uguale) e caricarli sulla cartella condivisa della pagina Teams del corso.

    salvare il file "Cognome_Compiti_1" (.pdf o Word, se foto allora consolidare su unico file .pdf magari incollando prima le foto su PowerPoint, salvando come .pdf)

  • Lezione II

    venerdì 27 febbraio 2026

    11:00 - 13:00

    Il modello di regressione lineare bivariato e multiplo: rappresentazione grafica e matrice del modello di 7 casi generali.

    Canale Teams ufficiale del Corso:

    Generale | CD2025 908PS-2 MODELLI LINEARI APPLICATI | Microsoft Teams

  • Lezione III

    Lunedì 2 marzo 2026

    13:00 - 16:00

    Stima di massima verosimiglianza (MLE) dei parametri della funzione di densità di probabilità Normale.

    Convergenza delle stime MLE con media e varianza campionaria.

    Le derivate seconde parziali e cross-parziali: legame con la varianza/covarianza dei parametri MLE

    COMPITO:

    Vedi diapositive della lezione

  • Lezione IV

    venerdì 6 marzo 2026

    11:00 - 13:00

    Stima di massima verosimiglianza (MLE) di "p" in una serie di Bernoulli (analisi di dati dicotomici 0-1).

    Relazione tra derivata seconda della funzione Log-likelihood e precisione delle stime MLE.

  • Lezione V

    Lunedì 9 marzo 2026

    13:30 - 15:30

    Linguaggio di programmazione R: Grafici e funzioni di base.

    Analisi dell'articolo e replica della procedura iterativa proposta mediante programmazione in R

    Camilli, G. (1994). Teacher’s Corner: Origin of the Scaling Constant d = 1.7 in Item Response Theory. Journal of Educational and Behavioral Statistics, 19(3), 293-295.

    ____________________

    SURVEY PROGETTO 
    PRO-BENE-COMUNE
    Università di Trieste

    QR Code

    oppure Link: https://dsvunits.qualtrics.com/jfe/form/SV_3JVFIafYxOgCUwC

    RESPONSABILE SCIENTIFICO UNITS: PROF.SSA BARBARA PENOLAZZI

    Referente per il Benessere Psicologico

    Note. a) Rivolto a chi non ha mai compilato in precedenza la survey del progetto, sia a chi l’ha fatto l’anno scorso (per avere dati longitudinali); b) nel rispetto delle norme sulla privacy i dati saranno pseudonimizzati (non sarà possibile risalire ai nominativi originali)

  • Lezione VI

    Venerdì 13 marzo 2026

    11:00 - 13:00

    Linguaggio di programmazione R: funzione repeat.

    Analisi dell'articolo (conclusione e replica della procedura iterativa)

    Camilli, G. (1994). Teacher’s Corner: Origin of the Scaling Constant d = 1.7 in Item Response Theory. Journal of Educational and Behavioral Statistics, 19(3), 293-295.

  • Lezione VII

    Lunedì 16 marzo 26

    13:00 - 16:00

    Operazioni con vettori e matrici in R

    Somma/differenza, prodotto interno/esterno tra vettori; 

    Somma/differenza, e prodotto tra matrici (e vettori) conformabili.

    Matrice trasposta, matrice (quadrata) inversa e determinante di una matrice (quadrata).

    Esempio applicativo in R: calcolo dei coefficienti di regressione lineare mediante operazione matriciale.

    COMPITI: vedi file .pdf allegato

  • Lezione VIII

    Venerdì 20 marzo 2026

    11:00 - 13:00

    ∗ Alcuni metodi iterativi per il calcolo della stima di verosimiglianza (Newton-Raphson, metodo dello scoring di Fisher). 

    ∗ Applicazione sulla stime MLE per la distribuzione binomiale (p) e normale (μ e σ).

  • Lezione IX

    Venerdì 27 marzo 2026

    11:00 - 13:00

    ∗ Programmazione in R dei metodi iterativi 'Newton-Raphson' e 'scoring di Fisher' per il calcolo della stima di verosimiglianza di 'p' (binomie) e μ e σ (normale).

    Compiti: consegnare lo script in R svolto durante la lezione (normale) +  quello relativo alla binomiale (da svolgere in autonomia)

  • Lezione X

    lunedì 30 marzo 2026

    13:00 - 16:00

    Stima di massima verosimiglianza del modello lineare con errore normale.

    COMPITI: a pg. 10 delle diapositive ci sono due esercizi di ripasso sul materiale presentato a lezione.

  • Lezione XI

    Venerdì 10 aprile 2026

    11:00 - 13:00

    Il modello di regressione lineare: Stima iterativa con metodo di Fisher scoring – Applicazione in R.

    Ritrovare i risultati della funzione glm() all'interno della procedura iterativa di massima verosimiglianza.

  • Lezione XII

    Lunedì 13 aprile 2026

    13:00 - 16:00

    Il modello lineare di probabilità ed il modello Logit: introduzione ed interpretazione dei parametri del modello. 

    Il modello Logit: stima di massima verosimiglianza (iterativa) dei parametri del modello. 

  • Lezione XIII

    venerdì 17 aprile 2026

    Il modello Logit: stima di massima verosimiglianza (iterativa) dei parametri del modello. 

    Residui nel modello GLM Logit e concetto di osservazione outlier: Deviance residuals, Raw and Pearson residuals.

    Applicazione in linguaggio R

    COMPITO:

    Vedi all'interno delle diapositive della lezione.

  • Lezione XIV

    venerdì 24 aprile 11-13

    "Sparse Data" e problemi di convergenza del modello: Discussione di tre casi (variabile x dicotomica, variabile x continua e due variabili x continue)

    Inferenza sui parametri del modello di regressione logistica.

    (a) Wald test; (b) Combinazioni lineari di coefficienti (metodo Delta + approfondimento); (c) Intervallo di fiducia per il Logit e la probabilità stimata; e (d) test Chi quadrato (LRT) per il confronto tra modello "nullo" ed "alternativo" (+ Approfondimento sul concetto di "Deviance")

    Nota: La registrazione su Teams da un certo punto in poi non ha l'audio. A breve ne caricherò una "nuova".