- Oggetto:
- Oggetto:
Quantitative Methods for Decision Making - Modulo Data Analysis
- Oggetto:
Quantitative Methods for Decision Making - Modulo Data Analysis
- Oggetto:
Academic year 2025/2026
- Course ID
- MAN0523B
- Degree course
- BUSINESS ADMINISTRATION - Curriculum: Business Management and International Marketing
BUSINESS ADMINISTRATION - Curriculum: Finance and Accounting - Year
- 1st year
- Teaching period
- Second Term
- Type
- Distinctive
- Credits/Recognition
- 5
- Course disciplinary sector (SSD)
- SSD: SECS-S/01 - statistics
- Delivery
- Formal authority
- Language
- English
- Attendance
- Obligatory
- Type of examination
- Written
- Type of learning unit
- modulo
- Modular course
- Quantitative Methods for Decision Making - Integraded course (MAN0523)
- Oggetto:
Sommario del corso
- Oggetto:
Course objectives
Basic economics knowledge
• Basic mathematical tools & some calculus (Wooldridge, Appendix A)
• Linear algebra (Wooldridge, Appendix D & Appendix E)
• Fundamentals of probability theory (Wooldridge, Appendix B)
• Fundamentals of mathematical statistics (Wooldridge, Appendix C)
• Computer skills
• The statistics/econometrics software package StataConoscenze economiche di base
- Strumenti matematici di base e qualche calcolo (Wooldridge, Appendice A)
- Algebra lineare (Wooldridge, Appendice D e Appendice E)
- Fondamenti di teoria della probabilità (Wooldridge, Appendice B)
- Fondamenti di statistica matematica (Wooldridge, Appendice C)
- Competenze informatiche
- Il pacchetto software di statistica/econometria Stata- Oggetto:
Results of learning outcomes
Becoming confident with econometrics and familiar with the statistics/econometrics software package Stata
Acquisire dimestichezza con l'econometria e familiarità con il pacchetto software di statistica/econometria Stata.
- Oggetto:
Program
A provisional overview of how the lectures (9 lectures of 4 hours each) match to the textbook is given below.
Lecture 1
Chapter 1: The nature of econometrics and economic data
- What is econometrics?
- Examples of empirical questions
- Steps in empirical economic analysis
- The structure of economic data
Chapter 2: The simple linear regression model
- Data and econometric model
- OLS estimator
- Model assumptions
- Properties of OLS
- Expected value and variance OLS estimator
We will skip Section 2.5 and discuss this as a special case of Chapter 3
Introduction Chapter 3: Multiple linear regression model in vector and matrix notation
Computer exercises
Data description; estimation of the standard linear model, prediction. Application: Flat prices in Moscow
Lecture 2
Chapter 3: Multiple regression analysis: estimation
- Model assumptions
- Mechanics and interpretation of OLS
- Goodness-of-fit
- Prediction
- Expected value and variance of OLS estimator
- Gauss-Markov theorem
Section 3.2: skip “A “Partialling Out” Interpretation of Multiple Regression”;
Section 3.3: skip “Omitted variable bias: the simple case” and “Omitted variable bias: more general cases”
Section 3.4: skip “Variances in Misspecified Models”
Introduction Chapter 4: Statistical inference in the linear regression model
Computer exercises
Estimation of the standard multiple linear regression linear model, prediction. Application: Flat prices in Moscow
Lecture 3
Chapter 4: Multiple regression analysis: inference
- Sampling distribution of OLS estimator
- Testing hypothesis about single population parameter (t-test)
- Confidence intervals
- Testing multiple linear restrictions (F-test)
Computer exercises
Estimation and testing; t-test; F-test; model F-test. Application: Satisfaction with household finances;
Lecture 4
Chapter 6: Multiple regression analysis: further issues
- Effects of data scaling on OLS statistics
- More on functional form
- Prediction and residual analysis
Skip Section 6.3; Section 6.4: skip “Predicting y when log(y) is the dependent variable”
Chapter 7: Multiple regression analysis with qualitative information: binary (or dummy) variables
- Describing qualitative information
- Dummy independent variables (including multiple categories)
- Interactions involving dummy variables
- Logarithms, squares, and other functional form issues
- A binary dependent variable: linear probability model
Skip Section 7.6
Chapter 5: Multiple regression analysis: OLS asymptotics
- Law of large numbers and central limit theorem
- Consistency
- Asymptotic normality and large sample inference
- Asymptotic efficiency of OLS
Section 5.2: skip the second part (“Other large sample tests…”)
Introduction to non-standard linear regression models: Relaxing the assumptions
Computer exercises
The standard linear model: statistical inference, model selection, prediction intervals. Application: Wage differentials between ethnic groups in Malaysia.
Lecture 5
Chapter 8: Heteroskedasticity
- Generalized linear model with heteroskedasticity
- Consequences for OLS
- Testing for heteroskedasticity
- Heteroskedasticity-robust inference after OLS estimation
Section 8.2: Skip the last part (“Computing heteroskedasticity-robust LM Tests”)
Skip Section 8.4; skip Section 8.5
Excerpts from Chapter 10: Basic regression analysis with time series data, and Chapter 11: Further issues in using OLS with time series data.
- Nature of time series data
- Examples of time series regression models
- Finite sample properties of OLS under classical assumptions
- Trends and seasonality
- Stationary and weakly dependent time series
- Asymptotic properties of OLS
Only the following sections: 10.1, 10.2, 10.3, 10.5, 11.1, 11.2
Computer exercises
The generalized linear model with heteroscedasticity; linear probability models; time series models. Applications: School continuation decisions at age 16; Advertising and sales.
Lectures 6 and 7
Chapter 15: Instrumental variables estimation and two-stage least squares
- Motivation and examples
- Properties of OLS
- IV estimation of the multiple regression model
- Two-stage least squares
- Testing for endogeneity
- Testing for instrument validity
- Simultaneous equations model
Only the following sections: 15.1, 15.2, 15.3, 15.4, 15.5
Computer exercises
Estimation and testing in models with potentially endogenous regressors. Applications: Job satisfaction and work hours; immigrant wages and speaking fluency.Di seguito è riportata una panoramica provvisoria della corrispondenza tra le lezioni (9 lezioni di 4 ore ciascuna) e il libro di testo.
Lezione 1
Capitolo 1: La natura dell'econometria e dei dati economici
- Che cos'è l'econometria?
- Esempi di domande empiriche
- Fasi dell'analisi economica empirica
- La struttura dei dati economici
Capitolo 2: Il modello di regressione lineare semplice
- Dati e modello econometrico
- Stimatore OLS
- Assunzioni del modello
- Proprietà dell'OLS
- Valore atteso e varianza dello stimatore OLS
Salteremo la Sezione 2.5 e la discuteremo come caso speciale del Capitolo 3.
Introduzione Capitolo 3: Modello di regressione lineare multipla in notazione vettoriale e matriciale
Esercizi al computer
Descrizione dei dati; stima del modello lineare standard, previsione. Applicazione: Prezzi degli appartamenti a Mosca
Lezione 2
Capitolo 3: Analisi di regressione multipla: stima
- Assunzioni del modello
- Meccanica e interpretazione dell'OLS
- Bontà dell'adattamento
- Previsione
- Valore atteso e varianza dello stimatore OLS
- Teorema di Gauss-Markov
Sezione 3.2: saltare "Un'interpretazione "Partialling Out" della regressione multipla";
Sezione 3.3: saltare "Bias delle variabili omesse: il caso semplice" e "Bias delle variabili omesse: casi più generali".
Sezione 3.4: saltare "Varianze in modelli non specificati".
Introduzione Capitolo 4: Inferenza statistica nel modello di regressione lineare
Esercizi al computer
Stima del modello standard di regressione lineare multipla, previsione. Applicazione: Prezzi degli appartamenti a Mosca
Lezione 3
Capitolo 4: Analisi di regressione multipla: inferenza
- Distribuzione di campionamento dello stimatore OLS
- Test di ipotesi su un singolo parametro della popolazione (t-test)
- Intervalli di confidenza
- Verifica di restrizioni lineari multiple (test F)
Esercizi al computer
Stima e test; t-test; F-test; F-test del modello. Applicazione: Soddisfazione per le finanze domestiche;
Lezione 4
Capitolo 6: Analisi di regressione multipla: ulteriori problemi
- Effetti del ridimensionamento dei dati sulle statistiche OLS
- Approfondimento sulla forma funzionale
- Previsione e analisi dei residui
Saltare la Sezione 6.3; Sezione 6.4: saltare "Previsione di y quando log(y) è la variabile dipendente".
Capitolo 7: Analisi di regressione multipla con informazioni qualitative: variabili binarie (o dummy)
- Descrivere le informazioni qualitative
- Variabili indipendenti dummy (comprese le categorie multiple)
- Interazioni con variabili dummy
- Logaritmi, quadrati e altri problemi di forma funzionale
- Una variabile dipendente binaria: modello di probabilità lineare
Saltare la Sezione 7.6
Capitolo 5: Analisi di regressione multipla: Asintotica OLS
- Legge dei grandi numeri e teorema del limite centrale
- Consistenza
- Normalità asintotica e inferenza su grandi campioni
- Efficienza asintotica di OLS
Sezione 5.2: saltare la seconda parte ("Altri test su grandi campioni...")
Introduzione ai modelli di regressione lineare non standard: Rilassamento delle ipotesi
Esercizi al computer
Il modello lineare standard: inferenza statistica, selezione del modello, intervalli di previsione. Applicazione: Differenze salariali tra gruppi etnici in Malesia.
Lezione 5
Capitolo 8: Eteroschedasticità
- Modello lineare generalizzato con eteroschedasticità
- Conseguenze per l'OLS
- Test per l'eteroskedasticità
- Inferenza robusta per l'eteroskedasticità dopo la stima OLS
Sezione 8.2: Saltare l'ultima parte ("Calcolo dei test LM eteroskedasticity-robust")
Saltare la Sezione 8.4; saltare la Sezione 8.5
Estratti dal Capitolo 10: Analisi di regressione di base con dati di serie temporali e dal Capitolo 11: Ulteriori problemi nell'uso di OLS con dati di serie temporali.
- Natura dei dati delle serie temporali
- Esempi di modelli di regressione di serie temporali
- Proprietà a campione finito dell'OLS in base alle ipotesi classiche
- Tendenze e stagionalità
- Serie temporali stazionarie e debolmente dipendenti
- Proprietà asintotiche di OLS
Solo le seguenti sezioni: 10.1, 10.2, 10.3, 10.5, 11.1, 11.2
Esercizi al computer
Il modello lineare generalizzato con eteroscedasticità; modelli di probabilità lineare; modelli di serie temporali. Applicazioni: Decisioni di prosecuzione della scuola a 16 anni; Pubblicità e vendite.
Lezioni 6 e 7
Capitolo 15: Stima delle variabili strumentali e minimi quadrati a due fasi
- Motivazione ed esempi
- Proprietà dell'OLS
- Stima IV del modello di regressione multipla
- I minimi quadrati a due stadi
- Verifica dell'endogeneità
- Test di validità dello strumento
- Modello a equazioni simultanee
Solo le seguenti sezioni: 15.1, 15.2, 15.3, 15.4, 15.5
Esercizi al computer
Stima e test in modelli con regressori potenzialmente endogeni. Applicazioni: Soddisfazione lavorativa e ore di lavoro; salari degli immigrati e fluidità di linguaggio.- Oggetto:
Course delivery
Teaching is structured in 35 hours of classroom teaching.
It is sufficient to know everything discussed during the lectures, the tutorials and the computer classes. This corresponds with the chapters and sections in the book given below, except that we used matrix notation and the book does not.
L'insegnamento è strutturato in 35 ore di didattica frontale.
È sufficiente conoscere tutto ciò che viene discusso durante le lezioni, le esercitazioni e le lezioni di informatica. Questo corrisponde ai capitoli e alle sezioni del libro riportati di seguito, tranne per il fatto che noi abbiamo usato la notazione matriciale, mentre il libro non la usa.
- Oggetto:
Learning assessment methods
The exam consists of a compulsory written test lasting 1 hour and it is aimed at ascertaining the students' ability to:
- briefly introduce the main concepts and tools developed in the course;
- use these tools to solve practical financial exercises.
The written exam of the Data Analysis module gains up to 15 scores.
The exam is going to be computer-based as the students will need to run regressions in Stata with the files being uploaded in Moodle before the exam.There are going to be 10 questions each one receiving 1.5 scores, leading to the maximum of 15 scores.- Oggetto:
Support activities
See also the Online Appendix to the book available at
http://www.cengagebrain.com/cgi-wadsworth/course_products_wp.pl?fid=M20b&product_isbn_issn=9781408093757&token=D0471F3DC97D707874DA394B6BE5ADDB93E053F47E08D6C5F12E4C0F769D6778107EE7A3E8423077&template=EMEA
In particular, we will use matrix and vector notation, as in Appendix E of the book. Appendices A – D provide a good overview of the concepts and tools from mathematics and statistics that we will need in the course. These are essentially the prerequisites of the course.
Si veda anche l'Appendice online del libro, disponibile all'indirizzo http://www.cengagebrain.com/cgi-wadsworth/course_products_wp.pl?fid=M20b&product_isbn_issn=9781408093757&token=D0471F3DC97D707874DA394B6BE5ADDB93E053F47E08D6C5F12E4C0F769D6778107EE7A3E8423077&template=EMEA.
In particolare, utilizzeremo la notazione matriciale e vettoriale, come nell'Appendice E del libro. Le Appendici A - D forniscono una buona panoramica dei concetti e degli strumenti matematici e statistici di cui avremo bisogno nel corso. Questi sono essenzialmente i prerequisiti del corso.
Suggested readings and bibliography
- Enroll
- Open
- Oggetto:
