Per affrontare con profitto il corso sono necessarie conoscenze di base in matematica (in particolare algebra matriciale), statistica inferenziale ed econometria. Tali competenze permettono di comprendere e applicare con maggiore efficacia le metodologie avanzate che verranno trattate.

Il corso affronta temi di econometria avanzata e machine learning come strumenti per l’analisi dei processi economici complessi, con particolare attenzione alla crescita, all’innovazione tecnologica e all’efficienza produttiva. Si apre con un ripasso critico dei fondamenti dell’econometria classica: modello di regressione lineare multivariato, ipotesi di base, problematiche di specificazione e tecniche di
stima e verifica. Questo nucleo teorico consente di approcciare con solidità i modelli più sofisticati. Segue un approfondimento sui modelli per dati panel, combinando osservazioni trasversali e temporali per analizzare eterogeneità non osservata e dinamiche endogene. Si esplorano sia le specificazioni a effetti fissi e casuali, sia i modelli dinamici per catturare le evoluzioni temporali delle variabili economiche. La
parte dedicata alle serie storiche introduce il concetto di stazionarietà, cointegrazione e modelli VAR, strumenti chiave per investigare interazioni dinamiche di medio-lungo periodo. Un focus specifico riguarda l’analisi dell’efficienza produttiva: vengono presentati sia metodi parametrici, come la Stochastic Frontier Analysis (SFA), sia metodi non parametrici, come la Data Envelopment Analysis (DEA) e il Free Disposal Hull (FDH). Vengono inoltre introdotte tecniche avanzate, tra cui il bootstrap per la robustezza delle stime e le analisi a due stadi per l’identificazione dei fattori determinanti dell’efficienza. Nelle fasi finali, il
corso apre a un dialogo con il machine learning: algoritmi supervisionati e non supervisionati, metodi non lineari e approcci predittivi vengono integrati per ampliare le prospettive dell’analisi econometrica. Questa sezione mira a fornire competenze trasversali per affrontare dataset ad alta dimensionalità, esplorare pattern nascosti e sviluppare modelli innovativi per la valutazione di politiche e la previsione economica.

ll corso intende fornire allo studente metodi avanzati di analisi empirica per la trattazione quantitativa dei modelli della teoria finanziaria ed economica, con particolare enfasi allo studio della funzione di produzione, della produttività e all'efficienza produttiva.

Conoscenza e capacità di comprensione (knowledge and understanding)

• Basi teoriche dei modelli di regressione classica e le estensioni ai modelli panel con effetti fissi, effetti casuali e dinamici.
• Concetti fondamentali relativi all’analisi delle serie storiche economiche, inclusa la stazionarietà, l’integrazione, la cointegrazione e l’uso dei modelli VAR.
• Fondamenti dell’economia della produzione, dell’innovazione e della crescita, con focus sull’analisi dell’efficienza tecnica e sull’utilizzo delle frontiere di produzione.
• Differenze tra approcci parametrici e non parametrici alla misurazione dell’efficienza, nonché le tecniche avanzate di stima e inferenza (DEA, FDH, bootstrap, analisi a due stadi).

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding)

• Selezionare e stimare modelli di regressione appropriati a seconda della natura dei dati disponibili (cross-section, panel, time series).
• Applicare metodologie parametriche e non parametriche per la stima di frontiere di efficienza, con l’utilizzo di software statistici.
• Implementare tecniche di bootstrap e analisi a due stadi per valutare la significatività e la robustezza delle stime di efficienza.
• Interpretare criticamente i risultati empirici, contestualizzandoli nei modelli teorici di riferimento.

Autonomia di giudizio (making judgements)

• Valutare l’adeguatezza dei modelli econometrici utilizzati in base agli obiettivi dell’analisi e alle caratteristiche del dataset.
• Interpretare i risultati delle analisi empiriche in modo critico, distinguendo tra causalità e correlazione, significatività statistica e rilevanza economica.
• Formulare giudizi autonomi su problematiche relative alla misurazione dell’efficienza, all’innovazione e alla crescita economica, anche alla luce delle implicazioni di policy.

Abilità comunicative (communication skills)

• Comunicare in modo chiaro ed efficace i risultati delle analisi econometriche, sia in forma scritta (report, paper) sia orale (presentazioni, discussioni).
• Utilizzare un linguaggio tecnico appropriato per descrivere metodologie, ipotesi, risultati e limiti dell’analisi.
• Interagire in contesti interdisciplinari, spiegando approcci quantitativi a pubblici anche non specialistici.

Capacità di apprendimento (learning skills)

• La capacità di aggiornare autonomamente le proprie competenze in ambito econometrico ed empirico, consultando la letteratura scientifica e documentazione tecnica.
• Strumenti per affrontare in modo critico nuove metodologie e modelli, anche non trattati direttamente nel corso.
• Competenze per approfondire in autonomia l’uso di software e pacchetti statistici avanzati per l’analisi dei dati.

L’attività didattica integra lezioni frontali con un approccio fortemente interattivo, combinando project work, momenti di flipped classroom e l’uso di modelli didattici innovativi. Gli studenti sono coinvolti in analisi applicate, discussioni guidate e lavori di gruppo per consolidare le competenze teoriche attraverso esperienze pratiche. L’approccio è pensato per stimolare autonomia critica e capacità di problem solving, in linea con la natura avanzata e laboratoriale di un corso magistrale.

L’esame prevede due componenti obbligatorie, entrambe individuali: un project work e una prova finale (scritta o orale).

Il project work consiste nell’analisi di un caso applicato ai temi del corso, con utilizzo di metodi econometrici e tecniche di machine learning, da presentare e discutere pubblicamente. La prova finale verifica la padronanza dei contenuti teorici e la capacità di applicare strumenti quantitativi:

• la prova scritta comprende 2 domande teoriche e 2 esercizi applicativi;
• la prova orale, della durata di circa 20 minuti, prevede 2 domande teoriche e 2 pratiche.

Entrambe le prove sono finalizzate a valutare l’autonomia di giudizio, la competenza tecnica e la capacità di analisi critica. Nelle prove scritte sono inseriti i punteggi per ogni singolo quesito.

"Lo Studente, disabile e/o con DSA, che intende usufruire di un intervento individualizzato per lo svolgimento della prova d’esame deve contattare l'ufficio Integrazione Disabili dell'Università del Salento all'indirizzo paola.martino@unisalento.it"

Per gli appelli d’esame si rimanda alla pagina web: Calendario appelli

In qualunque momento, può essere richiesto il ricevimento su appuntamento, scrivendo all'indirizzo pierluigi.toma@unisalento.it

• Ripasso del modello di regressione lineare multivariato: ipotesi di base, problematiche di specificazione, tecniche di stima e verifica.
• Modelli per dati panel: effetti fissi, effetti casuali e modelli dinamici per l’analisi di eterogeneità non osservata e dinamiche endogene.
• Modelli di serie storica: stazionarietà, integrazione, cointegrazione e modelli VAR per l’analisi delle interazioni dinamiche di medio-lungo periodo.
• Innovazione tecnologica, efficienza e crescita economica: approcci parametrici e non parametrici per la stima della frontiera di efficienza, con metodi come Stochastic Frontier Analysis (SFA), Data Envelopment Analysis (DEA) e Free Disposal Hull (FDH). Tecniche avanzate per la robustezza delle stime e l’analisi delle determinanti dell’efficienza.
• Machine learning per l’analisi economica: metodi supervisionati e non supervisionati, algoritmi predittivi e non lineari, tecniche di riduzione dimensionale, machine learning interpretabile e applicazioni pratiche per dataset ad alta dimensionalità. Integrazione di econometria e machine learning per la previsione economica e la valutazione di politiche pubbliche.

• Appunti e materiali didattici a cura del docente

Econometria generale

• Greene, W. H. (2018). Econometric Analysis (8th Edition). Pearson.
• Verbeek, M. (2017). A Guide to Modern Econometrics (5th Edition). Wiley.

Dati panel

• Baltagi, B. H. (2013). Econometric Analysis of Panel Data (5th Edition). Wiley.
• Hsiao, C. (2014). Analysis of Panel Data (3rd Edition). Cambridge University Press.

Serie storiche

• Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer.

Efficienza e produttività

• Coelli, T. J., Rao, D. S. P., O'Donnell, C. J., & Battese, G. E. (2005). An Introduction to Efficiency and Productivity Analysis (2nd Edition). Springer.
• Kumbhakar, S. C., & Lovell, C. A. K. (2000). Stochastic Frontier Analysis. Cambridge University Press.
• Daraio, C., & Simar, L. (2007). Advanced Robust and Nonparametric Methods in Efficiency Analysis: Methodology and Applications. Springer.
• Simar, L., & Wilson, P. W. (2000). “A general methodology for bootstrapping in non-parametric frontier models”, Journal of Applied Statistics, 27(6), 779–802.
• Simar, L., & Wilson, P. W. (2007). “Estimation and inference in two-stage, semi-parametric models of production processes”, Journal of Econometrics, 136(1), 31–64.

Machine Learning per l’analisi economica (materiale integrativo)

• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R (2nd Edition). Springer.
• Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd Edition). O’Reilly.