Benvenuti#
Questo sito web è dedicato al materiale didattico dell’insegnamento di Psicometria (A.A. 2023/2024), rivolto agli studenti del primo anno del Corso di Laurea in Scienze e Tecniche Psicologiche dell”Università degli Studi di Firenze.
📝 Informazioni sull’insegnamento#
Codice: B000286 - PSICOMETRIA Modulo: B000286 - PSICOMETRIA (Cognomi L-Z) Corso di laurea: Scienze e Tecniche Psicologiche Anno Accademico: 2023-2024 Materiali didattici: È sufficiente disporre di un laptop/computer funzionante. Tutti i materiali didattici e il software necessario sono forniti gratuitamente a tutti gli studenti, senza richiedere alcun acquisto. Calendario: Il corso si terrà dal 4 marzo al 31 maggio 2024. Orario delle lezioni: Le lezioni si svolgeranno il lunedì e il martedì dalle 8:30 alle 10:30 e il giovedì dalle 11:30 alle 13:30. Luogo: Le lezioni si terranno presso il Plesso didattico La Torretta. Modalità di svolgimento della didattica: Le lezioni ed esercitazioni saranno svolte in modalità frontale.
Importante
Il presente sito web costituisce l’unica fonte ufficiale da consultare per ottenere informazioni sul programma dell’insegnamento B000286 - PSICOMETRIA (Cognomi L-Z) A.A. 2023-2024 e sulle modalità d’esame.
Obiettivi Formativi#
Questo percorso didattico è progettato per introdurre gli studenti alla statistica e alla data science, con un’enfasi particolare sull’analisi e interpretazione critica dei dati psicologici. Il corso è suddiviso in sette moduli principali, ognuno dei quali mira a sviluppare competenze specifiche nei partecipanti:
Introduzione a Python per l’Analisi dei Dati: Verrà introdotto l’uso di Python, enfatizzando le sue applicazioni nella gestione dei dati, preparando gli studenti all’uso di librerie specifiche per la data science.
Introduzione alla Probabilità: Questo modulo copre gli elementi fondamentali della teoria della probabilità, inclusa la probabilità condizionata, le distribuzioni di massa e di densità, e le proprietà delle variabili casuali. Gli studenti acquisiranno una solida base teorica necessaria per comprendere metodologie statistiche più avanzate.
Analisi Esplorativa dei Dati (EDA): Gli studenti apprenderanno l’importanza dell’EDA per una comprensione accurata dei dati attraverso l’uso di statistiche descrittive fondamentali come media, moda, deviazione standard e intervallo interquartile, e tecniche di visualizzazione quali istogrammi e grafici a dispersione.
Analisi Bayesiana: Questo modulo introduce l’analisi bayesiana, fondamentale nella modellazione statistica moderna. Attraverso la programmazione probabilistica in Python con Stan, gli studenti svilupperanno la capacità di modellare l’incertezza e aggiornare le inferenze in base a nuove informazioni.
Tecniche Avanzate di Modellazione Statistica: Gli studenti esploreranno metodi computazionali avanzati come i procedimenti di campionamento e gli algoritmi Markov Chain Monte Carlo (MCMC) per affrontare complessi problemi di inferenza.
Fondamenti di Inferenza Causale: Saranno trattati i concetti di inferenza causale, fondamentali per costruire modelli che identificano relazioni di causa-effetto oltre la semplice correlazione.
Limiti dell’Inferenza Frequentista: Una critica ai limiti dell’inferenza frequentista tradizionale, con particolare attenzione ai test dell’ipotesi nulla e agli intervalli di confidenza.
Ogni modulo del corso è strutturato per sviluppare progressivamente le abilità degli studenti in direzione degli obiettivi finali del corso. Questi obiettivi includono lo sviluppo delle capacità necessarie per effettuare inferenze sulla media, confrontare due medie (sia associate che indipendenti), analizzare proporzioni e applicare modelli di regressione, sia bivariati che multipli. Questo approccio progressivo garantisce che gli studenti acquisiscano una comprensione completa e integrata delle tecniche statistiche e delle loro applicazioni pratiche nell’analisi dei dati psicologici.
Con questi obiettivi formativi, il corso intende preparare gli studenti a gestire con competenza le sfide reali nel campo della data science, dotandoli di una robusta base teorica abbinata a solide capacità analitiche pratiche.
Panoramica del Corso#
Questo corso è strutturato per fornire agli studenti una formazione teorica e pratica approfondita nell’inferenza statistica, enfatizzando particolarmente le applicazioni pratiche attraverso la programmazione. Attraverso esercitazioni guidate, gli studenti impareranno a manipolare e analizzare dati psicologici utilizzando Python, acquisendo così le competenze necessarie per prendere decisioni informate e realizzare interpretazioni precise nei loro progetti di modellazione.
Il programma copre un ampio spettro di tecniche, partendo dall’analisi descrittiva per arrivare fino ai modelli gerarchici avanzati. Si pone un forte accento sull’inferenza causale, approcciata da una prospettiva bayesiana, includendo l’uso di Grafi Aciclici Diretti (DAG) per esplorare in modo approfondito le relazioni causali. L’intento è di andare oltre i limiti della modellazione lineare tradizionale, mostrando come integrare efficacemente i modelli psicologici avanzati nell’analisi statistica.
Filosofia Didattica#
In contrasto con gli approcci più tradizionali e teoricamente pesanti comuni nei corsi di analisi dei dati psicologici, il presente insegnamento adotta una filosofia didattica pragmatica e orientata alla pratica. L’obiettivo è superare le convenzioni di focalizzazione esclusiva su teorie e dimostrazioni matematiche per privilegiare l’apprendimento attivo attraverso l’uso di dati reali e strumenti di programmazione avanzati.
Questo approccio permette agli studenti di acquisire competenze pratiche essenziali, enfatizzando l’uso del linguaggio Python anziché l’impiego di formule matematiche complesse. Tale scelta rende il corso più accessibile a studenti con diverse basi di preparazione matematica e promuove una comprensione più profonda dell’interpretazione e dell’applicazione dei risultati statistici.
Python, con la sua crescente popolarità e le sue numerose librerie dedicate all’analisi statistica e alla data science, è stato scelto come strumento principale di questo corso. Utilizzare Python non solo prepara gli studenti all’utilizzo di uno dei linguaggi più richiesti nel campo della ricerca scientifica e dell’analisi dei dati, ma offre anche l’accesso a una vasta gamma di risorse online che possono essere utilizzate per un ulteriore approfondimento.
Inoltre, il corso adotterà un modello didattico di flipped classroom, dove gli studenti avranno l’opportunità di esplorare il materiale di studio autonomamente prima delle lezioni in classe. Questo permette di dedicare il tempo in aula a discussioni approfondite, risoluzione di problemi pratici e applicazioni dirette delle tecniche apprese, facilitando un ambiente di apprendimento interattivo e coinvolgente.
🌐 Syllabus#
Per accedere al syllabus del corso, si prega di fare clic sul seguente link.
📚 Materiali didattici#
Gli elenchi dei testi necessari per la preparazione all’esame sono disponibili tramite il seguente link.
💭 Come studiare#
Per ottenere suggerimenti sulle modalità di studio, si prega di fare clic sul seguente link.
🗓️ Calendario#
Il calendario delle attività didattiche è disponibile tramite il seguente link.
✔ Modalità di verifica dell’apprendimento#
La descrizione delle modalità d’esame è disponibile nel seguente link.
Laboratorio didattico#
Le istruzioni relative allo svolgimento del laboratorio didattico sono disponibili al seguente link.
Un esempio di report, analogo a quelli che saranno necessari per i progetti di gruppo dedicati all’analisi dei dati di una pubblicazione psicologica, è disponibile tramite il seguente link.
👨🏫 Informazioni sul docente#
Corrado Caudek
Email: corrado.caudek(at)unifi(dot)it
Website: caudeklab
🎫 License for this book#
Il contenuto di questo libro (ossia tutti i file .md o .ipynb nella cartella content/) è concesso in licenza secondo i termini della Creative Commons Attribution-ShareAlike 4.0 International License .