- Milano
- Dipartimento di Scienze statistiche
Dipartimento di Scienze statistiche
Direttore: Guido CONSONNI
Chi siamo

La Statistica analizza i dati per comprendere meglio fenomeni anche complessi, prevedere eventi futuri e decidere in condizioni di incertezza.
Il suo ruolo è ormai centrale in numerosi contesti, dalle scienze sociali alla medicina, dall’industria alla finanza, alle politiche pubbliche e ha dato origine a discipline per analizzare dati e fenomeni in contesti specifici quali la Statistica Economica, la Demografia, la Statistica Sociale.
Negli ultimi anni la grande massa di informazioni seguita allo sviluppo di tecnologie digitali ha fatto emergere la Scienza dei dati (Data Science) che accomuna Statistica, Informatica, e Intelligenza Artificiale in modo trasversale a moltissime discipline. Il suo ruolo è destinato a crescere ancora più velocemente nei prossimi anni.
Se sei uno studente interessato all’analisi dei dati e ad acquisire conoscenze e capacità nel campo della Statistica, l’Università Cattolica ti offre numerosi insegnamenti all’interno di vari corsi di studio istituiti dalle singole Facoltà. Esistono anche profili formativi dedicati alla Statistica e Data Science.
Se sei un’azienda o istituzione puoi contare sul Dipartimento per lo sviluppo e l’analisi di progetti mirati. Puoi consultare la pagina dedicata.
News
Wednesday, December 13, 2023 at 11.30 - Room G252 - Università Cattolica del Sacro Cuore
Matteo Iacopini
Lecturer in Statistics, Queen Mary University of London
Static and Dynamic BART for Rank-Order Data
Abstract:
Ranking lists are often provided at regular time intervals by one or multiple rankers in a range of applications, including sports, marketing, and politics. Most popular methods for rank-order data postulate a linear specification for the latent scores, which determine the observed ranks, and ignore the temporal dependence of the ranking lists. To address these issues, novel nonparametric static (ROBART) and autoregressive (ARROBART) models are introduced, with latent scores de- fined as nonlinear Bayesian additive regression tree functions of covariates.To make inferences in the dynamic ARROBART model, closed-form filtering, predictive, and smoothing distributions for the latent time-varying scores are de- rived. These results are applied in a Gibbs sampler with data augmentation for posterior inference.The proposed methods are shown to outperform existing competitors in sim- ulation studies, and the advantages of the dynamic model are demonstrated by forecasts of weekly pollster rankings of NCAA football teams.
Tutte le notizie