Seminario "Analisi di sensibilità"

[Giorgio Vittadini <giorgio.vittadini@unimib.it>]

Università degli Studi di Milano - Bicocca
Dipartimento di Statistica e
CRISP - Centro di Ricerca Interuniversitario sui Servizi di
pubblica utilità alla Persona 

Mercoledì 8 marzo 2006 
ore 10.30 - 12.30
Aula Tesi della Facoltà di Statistica
Via Bicocca degli Arcimboldi, 8 - Milano
Edificio U7 - II piano

Che cos'è l'analisi di sensibilità?
Incontro con Andrea Saltelli*

Saluto iniziale di Biancamaria Zavanella, Direttore del Dipartimento
di Statistica.
Introduzione di Giorgio Vittadini, Ordinario di Statistica
Metodologica.

L’analisi di sensibilità per la modellizzazione? Andresti da un
ortopedico che non usa Raggi X? - Questa frase di J.M. Furbringer è
l’essenza di quel che è l’analisi di sensibilità (SA) e dei motivi per
cui è utile. Si pensi alla modellizzazione matematica di un sistema o di
un processo naturale. Mediante il modello, un osservatore estrae da un
sistema aperto un insieme chiuso di caratteristiche (sperabilmente
realistico), fa delle ipotesi riguardanti i meccanismi e i processi, e li
codifica in un sistema formale (per esempio un programma del computer)
nella speranza che le sue previsioni (l’elaborazione del programma del
computer) permettano delle utili inferenze sul sistema reale in
esame.
 
Gli indicatori statistici sono “modelli” costruiti utilizzando una
quantità considerevole di ipotesi e semplificazioni. Gli indicatori
statistici composti sono a fortiori dei modelli, che oltre ai problemi di
inclusione, esclusione, errore nei dati e così via, includono anche una
procedura di ponderazione che é piú palesemente soggettiva.
 
Un’analisi di incertezza-sensibilità applicata a un indicatore composito
potrebbe studiare, ad esempio, l’effetto di 4 principali  fonti di
incertezza: (i) l’imputazione di dati mancanti, (ii) pesi uguali vs una
ponderazione degli indicatori basata su opinioni degli esperti, (iii)
l’aggregazione di indicatori individuali vs l’aggregazione di
’dimensioni’, (iv) aggregazioni compensatorie vs non compensatorie. La
ragione che porta a considerare questa ultima fonte di incertezza è la
possibilità di compensazione implicita nell’aggregazione lineare: una
prestazione povera in un indicatore può essere compensata da una buona
prestazione in un altro. Tuttavia, non tutti acconsentirebbero a
scambiare, ad esempio, un aumento del PIL con una diminuzione del grado
di alfabetizzazione. Di conseguenza, per superare queste difficoltà, può
essere considerato un metodo di aggregazione non lineare. 
 
Nella presentazione i succitati concetti verranno discussi con l’ausilio
di esempi. 

L'INCONTRO E' APERTO A TUTTI.

*Andrea Saltelli dirige l’Unità di Econometria e Statistica
Applicata al Centro Comune di Ricerca della Commissione Europea a Ispra.
L’unità si occupa di statistica, indicatori e modellizzazione in supporto
ai servizi della Commissione Europea per le politiche del mercato unico e
dell’innovazione.  


************************************************* 
Per informazioni:
CRISP 
Università degli Studi di Milano-Bicocca 
Via Bicocca degli Arcimboldi, 8 
20126 Milano (Italy) 
tel. ++39-0264485864 
fax ++39-02700569114 
e-mail: crisp.statistica@unimib.it 
*************************************************