Lo studente acquisirà i concetti, le tecniche inferenziali e gli strumenti diagnostici per la costruzione di modelli lineari. Lo studente sarà in grado di capire a quali fenomeni è adatta la modellistica di regressione e di specificare, adattare e interpretare i risultati di un modello di regressione lineare. Avrà anche acquisito alcune nozioni di base per la successiva comprensione delle estensioni e generalizzazioni del modello lineare.Il corso è integrato da una parte pratica che prevede l'impiego di R.

Sono propedeutici gli insegnamenti di Inferenza Statistica e matematica II.

1. Aspetti introduttivi. 2. Il modello di regressione lineare semplice: specificazione e assunzioni di base. Stima dei parametri: metodo dei minimi quadrati e metodo della massima verosimiglianza. Verifica di ipotesi lineari sui coefficienti di regressione. Stima intervallare dei parametri. Valutazione dell'adattamento. 3. Il modello di regressione multipla: specificazione matriciale e generalizzazione dei problemi di stima e verifica di ipotesi. 4. Analisi critica e costruzione del modello: metodi diagnostici (analisi dei residui), tecniche per la selezione delle variabili. 5. Uso di variabili indicatrici: l'analisi della covarianza 6. L'analisi della varianza a uno e a più criteri di classificazione 7. Discussione critica dei modelli lineari e motivazioni per la loro generalizzazione

Grigoletto M., Pauli F., Ventura L. “Modello lineare”, G. Giappichelli Editore, 2017

Faraway, J.J. “Practical Regression and Anova using R”, scaricabile dalla rete http://cran.at.r-project.org/doc/contrib/Faraway-PRA.pdf (capp. 1, 2, 3, 5, 7, 10, 15, 16), 2002.

Weisberg, S. "Applied Linear Regression", Wiley, 2005

Altri materiali (lucidi delle lezioni, script R) saranno resi disponibili su Moodle.

Lezioni frontali e esercitazioni in aula informatica.

L'esame è orale, allo studente potrà essere chiesto di esporre risultati teorici, ivi comprese le dimostrazioni, e di mostrare la capacità di applicare tali risultati attraverso esercizi relativi alla costruzione di modelli e alla loro interpretazione. Inoltre, durante l'orale verrà discusso un elaborato svolto precedentemente in cui è richiesto di usare R per rispondere a quesiti pratici.