Modelli per dati categoriali
A.A. 2020/2021
Denominazione insegnamento
Codice insegnamento
Corso di Studio (CdS)
Livello CdS
Codice CdS
Settore Scientifico Disciplinare
(SSD)
Crediti Formativi Universitari (CFU)
Tipologia Attività Formativa (TAF)
Tipo attività formativa
Anno di corso
Periodo didattico
Docente responsabile
Altri docenti coinvolti
Organizzazione didattica*
Lingua di insegnamento
Propedeuticità
Prerequisiti
Modelli per dati categoriali
Models for categorical data
a cura dell’ufficio
(denominazione e classe del CdS) a cura dell’ufficio
(I ciclo, II ciclo) a cura dell’ufficio
a cura dell’ufficio
a cura dell’ufficio
a cura dell’ufficio
(Base, caratterizzante, …) a cura dell’ufficio
(Obbligatoria, opzionale) a cura dell’ufficio
(es. III anno di corso) a cura dell’ufficio
(I /II semestre, annuale) a cura dell’ufficio
(Cognome, nome e link alla pagina web del docente con
(almeno) i recapiti, l’orario di ricevimento, la qualifica del
docente ed il curriculum) a cura dell’ufficio
(Altri docenti, esercitatori, ecc.) a cura dell’ufficio
Ore Lezioni 28
Ore Esercitazioni
Ore Laboratorio 14
Ore Studio individuale 108
Italiano
nessuna
Conoscenza del software R, delle nozioni di algebra matriciale e
degli argomenti di base del calcolo delle probabilità ed
inferenza statistica: variabili casuali, distribuzioni di probabilità,
stima, intervalli di confidenza e test di ipotesi, modello di
regressione multipla.
Familiarity with the software R, knowledge of the matrix
algebra and the main concepts of probability and statistical
inference (random variables, the main distributions for
continuous and discrete variables, point and interval
estimation, the maximum likelihood estimator and its
properties, the theory of hypothesis testing, linear models) are
required.
Contenuti
Obiettivi formativi
(in termini di risultati di
apprendimento attesi)
NON modificare perché uguale a
Manifesto degli Studi
Modelli e tecniche di analisi dei dati di natura qualitativa,
discreta e ordinale: dall'analisi di tabelle di contingenza ai
modelli lineari generalizzati
The course is designed to provide theoretical and practical tools
to deal with categorical data: from contingency tables to the
generalized linear models.
Durante il corso saranno presentati modelli e tecniche di analisi
dei dati di natura qualitativa, discreta e ordinale: dall'analisi di
tabelle di contingenza ai modelli lineari generalizzati.
Competenze specifiche:
- Competenze teoriche e pratiche per l’analisi specifica di
dati categoriali in diversi ambiti applicativi.
- Capacità di formulare il modello più opportuno per i
dati da analizzare, ottenere i risultati mediante il software
dedicato (software R e SPSS), interpretare opportunamente i
risultati.
Competenze trasversali
- Autonomia nel condurre le analisi più opportune e
capacità critiche attraverso un approccio learning-by-doing
sviluppato a partire da esempi pratici svolti in aula e in
laboratorio, seguendo il docente, e la stesura di un rapporto
(stilato individualmente o in coppia) che sarà presentato al
docente per l’esame finale di verifica dell’apprendimento
Specific skills
At the end of the course, the student will be able to specify and
estimate the model to deal with categorical variables. Students
will improve their ability 1. to formulate the most appropriate
model for the data at hand, 2. to use the software (R and SPSS)
for estimating the parameters and 3. to interpret the final
results.
Soft skills
Students will acquire autonomy in conducting appropriate
statistical analyses and critical skills through the learning-by-
 doing approach developed from the case studies presented in
the classroom and in laboratory, and the realization of a report
on real data. The technical report, written individually or in
pair, will be object of the final exam.

Programma Analisi di dati categoriali. Studi prospettivi, retrospettivi e cross

sectional. Rischio relativo e misure per studi epidemiologici.
Analisi delle tabelle di contingenza: aspetti inferenziali ed
applicazioni. Concetto di odds e odds ratio. Modelli lineari
generalizzati: fondamenti teorici ed esempi; stima di massima
verosimiglianza e test sui parametri. Modelli logit e log-lineari:
specificazione, stima dei parametri, diagnostica e
interpretazione per variabili binarie e multinomiali.

Basic tools for categorical data analysis. Prospective,

retrospective and cross-sectional studies. Relative risk and
other measures useful in epidemiology. Contingency table
analysis: inference and applications. Odds and odds ratio.
Generalized linear models: theory and practice; estimation and
testing; logit and log-linear models for binary and multinomial
responses

Modalità di erogazione Frontale e, in caso di specifiche indicazioni di Ateneo, a

distanza

Face-to-face lessons and, if requested by the University,

distance lessons
Metodologie didattiche
Il corso si svolgerà trattando i contenuti metodologici ed
applicativi durante le lezioni in aula, e l’utilizzo del software
dedicato nel laboratorio informatico.
Le lezioni frontali saranno impartite in aula tramite l’utilizzo
della lavagna classica e luminosa. A conclusione di ogni
argomento teorico sono previste una o più lezioni pratiche in
laboratorio impartite, principalmente, tramite pc e video
proiettore. Durante le attività di laboratorio, gli studenti
verranno introdotti all’uso del software R per l’analisi dei dati
categoriali, e all’impiego basilare del software SPSS.
Nel caso di erogazione della didattica a distanza, per motivi di
sicurezza sanitaria, le modalità di svolgimento delle lezioni
sono: sincrona con registrazione.

The course consists of theoretical lectures and practical

activities. The lectures will be given in the classroom through

Metodi e criteri di valutazione
dell’apprendimento
the classic blackboard and overhead projector. The theoretical
presentation of the arguments is followed by laboratory
activities using the PC and video projector. During the
laboratory activities, students will be initially introduced to the
use of the software R for categorical data analyses and to the
basis of the software SPSS.
In the distance learning, for health security reasons, the
lessons will be held as follows: synchronous with recording.
Metodi di valutazione dell’apprendimento
L’esame consiste nella stesura di un elaborato e in un esame
orale (prova semistrutturata risposta aperta stimolo aperto).
L’elaborato finale sarà stilato singolarmente o in coppia,
applicando a dati reali la metodologia appresa e usando il
software R. Per accedere all’esame orale, lo studente dovrà
aver consegnato al docente l’elaborato finale in formato
cartaceo almeno una settimana prima della data prevista per la
prova orale. La prova orale consiste nell’esposizione degli
argomenti trattati in aula, sia dal punto di vista metodologico
che pratico mediante il commento di casi studio presentati e
discussi durante il corso.
Le modalità operative di conduzione dell’eventuale esame on-
line, per motivi di sicurezza sanitaria, si basano sulle indicazioni
definite dalle relative Linee Guida dell’Ateneo.
Methods for learning assessment
The exam consists in the preparation of a technical report and
an oral exam. In order to access the oral exam, the student
must deliver the report, in hard format, to the teacher at least
one week before the date scheduled for the oral exam. The
report, drawn up individually by each student or in pair, have to
include the analysis of real data chosen by the student and
conducted through the R software. The oral exam is about
theoretical topics belonging to the program and case studies
discussed during the course.
Operating procedures for any online exam, for health security
reasons, are part of the guidelines provided by the University.
Criteri di valutazione dell’apprendimento
L’elaborato mira a valutare il livello di autonomia e di giudizio
critico, nonché le abilità pratiche sviluppate dallo studente in
merito all’analisi dei dati e alla corretta interpretazione degli
output prodotti tramite il software R. La valutazione
dell’elaborato tiene conto della correttezza e completezza delle
 analisi svolte e della chiarezza espositiva.
La prova orale mira ad accertare il livello di conoscenza degli
argomenti oggetto del corso e la capacità di ragionamento
analitico.

Criteria for learning assessment

The report aims at assessing student’s level of autonomy and
critical judgment, as well as practical skills in analyzing data,
and interpreting the outputs produced through the software R.
It aims also at evaluating the completeness and correctness of
the analyses carried out.
The level of knowledge of the discussed topics is assessed in the
oral exam, as well as the personal propensity towards the
analytical reasoning.

Criteri per attribuzione del voto finale

Il voto finale, espresso in trentesimi, tiene conto, in egual
misura, della qualità dell’elaborato prodotto e della prova
orale.

Assigning the final mark

The final mark, ranging from 18/30 to 30/30, takes into
account, equivalently, the quality of the report and the oral
exam.

Testi di riferimento ed eventuali Testo di riferimento:

letture consigliate Agresti A. (2013) “Categorical Data Analysis”, Wiley.

Altre letture suggerite:

Agresti A. (2007) “An introduction to categorical data analysis”,
Wiley.

Kateri M. (2014) “Contingency table analysis: methods and

Implementation using R”, Springer.

Peer review (Opzionale. Indicare i docenti con i quali ci si confronta su

tracce, modalità di esame e impegno studente)
Orario delle lezioni (link al sito) a cura dell’ufficio
Calendario degli esami (link al sito) a cura dell’ufficio
Commissione d’esame (link al sito) a cura dell’ufficio

* Organizzazione didattica
DA VERIFICARE SE SUDDIVISIONE ANCORA VALIDA
La seguente tabella, “Stima del carico di lavoro per lo studente”, permette di verificare la corrispondenza
fra i CFU assegnati all’insegnamento e il carico di lavoro complessivo per lo studente, misurato in termini
di tempo (ore di lavoro).
Si ricorda che, convenzionalmente, ad 1 CFU corrispondono 25 ore di lavoro complessivo per lo studente.

STIMA DEL CARICO DI LAVORO PER LO STUDENTE

Lezioni Esercitazioni Laboratorio Studio
individuale
[Ore] [Ore] [Ore] [Ore]
Descrizione blocco argomenti 1
Analisi dei dati categoriali
8 6 16
Testo adottato (bibliografia)
Descrizione blocco argomenti 2
Modelli lineari generalizzati: regressione
logistica (risposta binaria e politoma) 16 5 32

Testo adottato (bibliografia)

Descrizione blocco argomenti 2
Modelli lineari generalizzati: modelli log-lineari 4 2 10

Testo adottato (bibliografia)

Ore riservate allo sviluppo delle competenze
trasversali
10
(possono essere previste anche ore di lezione
frontale)
Tesine/altri homework 20
Ulteriori ore da dedicare alla preparazione
dell'esame
20
(es. ore che gli studenti dedicano allo
svolgimento di precedenti tracce d’esame)
TOTALE
(Attenzione: i totali devono coincidere con le 28 14 108
ore inserire dall’ufficio)
ORE COMPLESSIVE  150