Metodi statistici (G. Galimberti, A. Capitanio, R. Miglio) Analisi esplorativa dei dati: rappresentazioni grafiche, indicatori di posizione, variabilità e forma di una distribuzione statistica. Il modello di regressione lineare semplice e multipla: significato dei parametri, stima dei coefficienti di col metodo dei minimi quadrati, valutazione della bontà di adattamento del modello, aspetti inferenziali. Il modello di regressione logistica semplice e multipla: odds ratio, trasformata logistica, significato dei parametri, stima dei coefficienti col metodo della massima verosimiglianza, valutazione della bontà di adattamento del modello, aspetti inferenziali. Uso del modello di regressione logistica per la costruzione di una regola di classificazione. Cenni ai modelli lineari generalizzati. La scelta del modello di regressione (lineare o logistica): tecniche di selezione automatica dei regressori, criteri parametrici e non parametrici per il confronto tra modelli. Tecniche non parametriche per la regressione e la classificazione: i metodi di partizione ricorsiva. Gli algoritmi CART e CHAID. Cenni all’analisi discriminante e all’analisi dei gruppi. Riferimenti Bibliografici: Azzalini, A., Scarpa, B. (2004): Analisi dei dati e data mining. Springer-Verlag, Milano Giudici, P. (2005): Data mining. Metodi statistici per le applicazioni aziendali. II edizione. McGraw-Hill, Milano Hosmer, D. W., Lemeshow, S. (2000): Applied logistic regression. II edition. Wiley, New York Montgomery, D. C., Peck, E. A., Vining, G. G. (2001): Introduction to linear regression analysis. III edition. Wiley, New York