Il corso si propone di fornire agli studenti le competenze di base per l’analisi dei dati applicata all’econometria, con un focus sull’utilizzo del software R. Al termine del corso, lo studente sarà in grado di: costruire e gestire database a partire da fonti eterogenee; pulire, riorganizzare e integrare i dati in funzione dell’analisi econometrica; applicare tecniche di analisi esplorativa dei dati; predisporre i dati per la stima di modelli econometrici.
Metodi didattici
Il corso è prevalentemente pratico e si svolgerà in un laboratorio informatico.
Verifica Apprendimento
Esame pratico
Testi
Main references: - Lecture slides available on Kiro Additional material. These contents do not perfectly match the course's topics, so remember to take as a “reference” the topic discussed together: https://modern-rstats.eu/ Chapters: 1-6 https://nkaza.github.io/intro2Rbook/index.html Chapters: 1-5 https://cbdm-01.zdv.uni-mainz.de/~stalbrec/RcourseData/htmls/R_Tuto_ggplot_extra.nb.html https://rafalab.dfci.harvard.edu/dsbook/tidyverse.html Chapters 4, 5.1, 8, 9, 10, 18 [Note that this reference uses the new syntax for pipes, so \verb+|>+ instead of \verb+%>%+. They are equivalent.] https://www.econometrics-with-r.org/ Sections: 4.1, 4.2, 6.2, 6.3, 8, 10.3, 10.4 https://www.zeileis.org/teaching/AER/ Section: “Linear Regression”
Contenuti
Il corso è strutturato in due parti. La prima parte – Data Manipulation – include: le basi di R: installazione, pacchetti, scalari, vettori, matrici, data frame, operazioni di base, cicli introduzione al tidyverse: tibbles, pipe, funzioni per la manipolazione dei dati (mutate, group_by, ecc.) manipolazione avanzata dei dati: join (inner, left, right, full), ristrutturazione dei dati (pivot_longer, pivot_wider), applicazione di funzioni su più colonne visualizzazione dei dati con ggplot2: grafici di base, personalizzazione, temi lavoro con dati spaziali: shapefile, operazioni semplici sulle geometrie creazione di tabelle di qualità per la pubblicazione: gt, tbl_summary, tbl_regression La seconda parte – Applied Econometrics – è dedicata all'utilizzo di appropriate tecniche econometriche per analizzare i dataset costruiti nella prima parte. Gli studenti impareranno a implementare in R i principali metodi di microeconometria e a interpretarne i risultati in un contesto applicato.