• Banche dati per la ricerca bibliografica (9 ore; primo anno; ITA)
Il corso intende fornire le conoscenze circa i processi e le modalità di pubblicazione dei prodotti della ricerca e gli strumenti utili per eseguire un’adeguata analisi della letteratura scientifica attraverso le banche dati.
La prima parte del corso è focalizzata sulla rilevanza delle pubblicazioni scientifiche per l’avanzamento della conoscenza internazionale e della carriera personale nel mondo accademico. Le diverse tipologie di pubblicazione, la struttura di un paper scientifico, la scelta del journal e il processo di revisione e pubblicazione sono trattati anche attraverso la condivisione di eventuali esperienze personali vissute dai dottorandi.
Durante la seconda parte del corso l’attenzione si concentra sulla literature review: dalla scelta delle parole chiave, all’utilizzo delle varie banche dati che l’Università di Parma mette a disposizione (ad esempio Ebsco Host, Emerald, Essper), così come di altre fonti disponibili online (ad esempio Researchgate, Academia.edu, Scienceopen, Iris, sole24ore), fino ai reference management software (Zotero e Mendeley cite).
Il corso prevede l’esecuzione di esercitazioni pratiche in aula da parte degli studenti.
• Introduzione a Phyton e Latex (24 ore; primo anno; ITA)
Il corso intende trasferire ai dottorandi le basi della programmazione in Python e approfondire ad alcuni strumenti standard per l'analisi di dati. Le specifiche applicazioni variano in base a necessità e interessi di ricerca dei partecipanti.
Gli incontri presentano tutti natura interattiva e trattano i seguenti argomenti:
- Python, introduzione alla sintassi e alle strutture fondamentali di dati; rudimenti di programmazione a oggetti; flusso di controllo, moduli, input/output; introduzione a numpy e pandas per la manipolazione di dati; rappresentazioni grafiche;
- Latex, introduzione alla scrittura e compilazione; inserimento di flottanti (Tabelle e Figure); uso dei riferimenti incrociati per formule; gestione delle citazioni bibliografiche e generazione automatica della bibliografia.
• Metodi matematici per l’analisi dati (22 ore; primo anno; ITA)
Il corso ha l'obiettivo di fornire strumenti matematici utili per affrontare tecniche avanzate di analisi dati, tramite lo studio dell’algebra lineare. Dopo aver richiamato il concetto di modello matematico e motivato lo studio dell’algebra lineare tramite l’introduzione della rappresentazione matriciale dei dataset, si richiamano i concetti base dell’algebra lineare quali: spazi vettoriali, sottospazi, indipendenza lineare, basi, distanza, norma, prodotto scalare. Successivamente, si illustrano i modelli lineari e si affronta il problema della stima dei parametri di tali modelli tramite lo studio delle proiezioni ortogonali e del metodo dei minimi quadrati. Infine, si applicano i risultati ottenuti alla regressione lineare semplice e multipla e al problema del curve fitting. Si affronta di seguito la Principal Component Analysis (PCA), tecnica che consente l’analisi di dataset ad alta dimensionalità. A questo scopo si studiano i problemi agli autovalori e le proprietà spettrali delle matrici, da cui si ottengono risultati che sono applicati alla PCA. Le lezioni teoriche sono affiancate dalla discussione di casi di studio tramite il software MATLAB.
• Metodi statistici per l’analisi di dati economici e aziendali (36 ore; primo anno; ITA)
Il corso ha l’obiettivo di omogeneizzare le conoscenze dei dottorandi su alcune metodologie statistiche avanzate, di particolare rilievo nelle scienze economico-aziendali e tipicamente applicabili ai big data. Il corso è costituito da due moduli.
Il primo modulo si focalizza su modelli statistici e algoritmi orientati alla previsione e alla segmentazione. Le metodologie analizzate sono: le misure di associazione e le regole di associazione, nonché le loro applicazioni alla Market Basket Analysis; il modello di regressione lineare, di cui sono trattati sia gli aspetti inferenziali classici, sia le tecniche diagnostiche che consentono di evidenziare eventuali violazioni delle assunzioni di base; il modello di regressione logistica, sviluppato soprattutto a fini predittivi del comportamento individuale; gli alberi di classificazione, per i quali si affrontano anche i temi dell’overfitting e della stima del tasso di errata classificazione. Tutte le metodologie sono applicate a esempi di interesse economico o aziendale.
Il secondo modulo si incentra sull’uso dei principali software di tipo statistico (principalmente R) per discutere le diagnostiche pratiche riguardanti i modelli di regressione multipla, includendo anche situazioni in cui vi siano dati caratterizzati da stagionalità. Verranno illustrati case studies relativi alla regressione logistica e alberi di regressione. Durante le esercitazioni pratiche gli studenti potranno verificare quanto appreso nelle sessioni metodologiche.
Si prevede lo svolgimento di un assignment al termine del corso.
• Metodologia di ricerca qualitativa (21 ore; primo anno; ENG)
Il corso intende introdurre i dottorandi al disegno della ricerca per poi approfondire le metodologie di ricerca di tipo qualitativo. Pertanto, vengono affrontati i seguenti contenuti:
- Definizione del research topic;
- Identificazione di rilevanti domande di ricerca;
- Analisi della letteratura e systematic literature review;
- Relazione tra teoria e ricerca - cenni di epistemologia e ontologia;
- Metodi di ricerca di tipo qualitativo - razionale, punti di forza e punti di debolezza;
- Approcci alla ricerca qualitativa - etnografia, grounded research, action research, narrative research, case studies;
- Qualitative case studies - disegno della ricerca e modalità di raccolta dati;
- Action research - disegno della ricerca e modalità di conduzione;
- Metodi di raccolta dati - focus groups e interviste qualitative;
- Metodi di analisi dati - analisi di testo e content analysis.
Il corso è svolto con approccio interattivo con i discenti e richiede la valutazione finale delle conoscenze acquisite basata sulla presentazione di un disegno della ricerca di tipo qualitativo inerente a un tema di ricerca di interesse del dottorando.
• Metodologia di ricerca quantitativa (21 ore; primo anno; ITA)
Il corso si pone l’obiettivo di ampliare la conoscenza sulla raccolta e analisi di dati primari e secondari mediante differenti tecniche di ricerca quantitativa.
La prima parte si focalizza sull’uso di tecniche di ricerca quantitativa per la raccolta di dati primari. Le lezioni approfondiscono due tecniche di ricerca. L’attenzione è rivolta inizialmente al questionario strutturato e alle principali modalità di analisi dei dati, con particolare riguardo alla determinazione della validità e affidabilità del modello di misurazione. Successivamente, le lezioni si concentrano sulla tecnica degli esperimenti e dei quasi-esperimenti al fine di comprendere il processo di costruzione del protocollo sperimentale, le tipologie di dati raccolti e le metodologie di analisi di base.
La seconda parte del corso intende fornire le conoscenze teoriche e gli strumenti applicativi per effettuare revisioni sistematiche della letteratura scientifica basate su un approccio quantitativo. Il corso si sofferma sull’utilizzo del software open source SciMAT per la conduzione di analisi bibliometriche longitudinali al fine di mappare la struttura cognitiva e l’evoluzione tematica nel tempo di un determinato filone di ricerca.
Durante le lezioni saranno discussi e illustrati paper pubblicati nella letteratura scientifica e si farà riferimento all’uso di alcuni software di analisi dei dati (principalmente SPSS).
Al termine del corso, ai dottorandi è concesso un tempo sufficiente (circa due mesi) per elaborare il disegno di ricerca dell'argomento di ricerca di interesse e redigere il documento contenente le domande e le ipotesi di ricerca, la metodologia impiegata e i risultati attesi. I lavori sono valutati individualmente e discussi collegialmente per mettere a fattor comune punti di forza e di debolezza dei disegni di ricerca.
• Data management with STATA (21 ore; primo anno; ENG)
L'obiettivo del corso è di far conoscere ai dottorandi l'ambiente STATA, trasferendo le basi relative alla struttura sintattica fondamentale e ai principali comandi per la gestione dei dati, la loro analisi e rappresentazione in forma grafica.
Il modulo tratta vari argomenti come le funzioni stringa, i comandi per rimodellare, unire e combinare gli insiemi di dati, i comandi foreach e forevalues per le attività ripetitive e il comando collapse per convertire gli insiemi di dati. Nel corso del modulo vengono utilizzati esempi, con particolare attenzione ai dati brevettuali, ma non solo.
Le lezioni si svolgono in un’aula informatica attrezzata per permettere ai dottorandi di applicare quanto appreso durante lo svolgimento del corso. Tutto il materiale didattico, compresi i dataset e gli script dei file di lavoro, viene fornito agli studenti.
