Stampa  
Codice:  
Course code:		 8907
Anno accademico:
Academic year:		 2006-2007
Titolo del corso:
Course title:		 Statistica II (modelli dinamici e prev. Statist)
Statistics II (dynamic models and statistical predictions)
Modulo:  
Module:		 Unico
Docente 1:
Teacher 1:		 COLOMBI Roberto
Ruolo Docente 1:
Teacher 1:
Modalità 1:
Type 1:		 Convenzionale
Settore scientifico-disciplinare:
Reference sector:		 SECS-S/02 Statistica per la ricerca sperimentale e tecnologica
Anno di corso:
Year of degree course:		 primo
First
Facoltà:
Faculty:		 Ingegneria
Modalità di frequenza:
Type:		 Non obbligatoria
Semestre:
Semester:		 2
Sottoperiodo:
Sub period:		 0°
Numero totale di crediti:
Total credits:		 5.0
Carico di lavoro
Workload
Attività frontale:
Lectures:		 32.0
Esercitazioni:
Applied activities:		 16.0
Studio individuale:
Individual work:		 0.0
Attività didattica a piccoli gruppi:
Group work:		 0.0
Seminari:
Seminars:		 0.0
Laboratori:
Laboratories:		 0.0
TOTALE (voci sopra-elencate):
TOTAL:		 48.0
Ore di lezione settimanali:
 0.0
Prerequisiti:
Prerequisites:
Obiettivi formativi:
Educational goals:		 Il problema della previsione è centrale nelle applicazioni economiche, gestionali, finanziarie e in molte altre applicazioni tecnologiche. Il corso intende fornire le conoscenze inerenti le metodologie di analisi delle serie storiche e di previsione statistica utili per descrivere la dinamica temporale e prevedere il comportamento futuro di fenomeni aziendali o finanziari o inerenti il processo produttivo. Particolare attenzione verrà data a quei metodi che a partire dalla modellizzazione della dinamica temporale di un fenomeno osservato nel passato forniscono regole per prevederne il comportamento futuro. L'importanza della previsione statistica viene esemplificata in contesti aziendali finaziari e di controllo dei processi produttivi.
The issue of prediction plays a central role in economic, management, financial and many other types of technological application. The course aims to provide knowledge of methods for the analysis of historical series and methods of statistical prediciton useful in describing temporal dynamics and predicting the future behaviour of business, financial or production phenomena. Special focus will be placed on the methods that provide rules to predict the future behaviour of a phenomenon based on modelling its current temporal dynamics. The importance of statistical predictions is demonstrated using examples of business finances and production control.
Contenuto del corso:
Course contents:		 Il modello di regressione classico: le ipotesi del modello di regressione classico, stima con il metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di specificazione e adattamento nel modello di regressione classico. Il modello di regressione con errori autocorrelati eo eteroschedastici: modelli con errori autoregressivi, modelli con errori autoregressivi e variabili ritardate, modelli con errori incorrelati ma eteroschedastici. Test di ipotesi, test di adattamento, test di specificazione e test diagnostici per modelli di regressione: test di incorrelazione dei residui, test di omoschedasticità, test di normalità, test di ipotesi sui parametri di regressione, test di adattamento. Modelli autoregressivi e con errori a media mobile: modelli AR, MA, ARMA e ARMAX, funzione di autocorrelazione, stazionarietà e invertibilità dei modelli ARMA, stima dei parametri, problemi di selezione del modello più adatto a descrivere i dati. Il problema di previsione nei modelli di regressione, nei modelli autoregressivi e a media mobile: previsione puntuale e intervallare, previsioni a passo uno e a passo maggiore di uno, aggiornamento della previsione, confronto della capacità previsiva di differenti modelli. I modelli spazio degli stati: equazioni di stato, equazioni di misura, componenti stocastiche gaussiane, stazionarietà, ergodigità, controllabilità, osservabilità, filtro di Kalman, filtraggio, previsione e smoothing, il problema dei valori iniziali, stima dei parametri incogniti discussione dei casi più rilevanti ( modelli di regressione a parametri variabili, serie storiche strutturali, componenti di trend, stagionalità e ciclo, modelli ARMA e ARIMAX in forma spazio degli stati, modelli di regressione con errori ARMA in forma spazio degli stati, stima e previsione in presenza di dati mancanti. Illustrazione di software specialistico negli ambienti Matlab R e Gauss.
The classic regression model: classic regression model hypotheses, estimates using the minimum squares and maximum likeness methods, Gauss-Markov theorem, testing hypotheses and specification and adaptation tests using the classic regression model. The regression model with self-correlating and heteroschedastic errors; models with autoregressive errors, models with autoregressive errors and delayed variables, models with non-correlated but heteroschedastic errors. Hypothesis tests, adaptation tests, specification tests and diagnostic tests for regression models: non-correlation of residuals test, homoschedasticity test, normality test, hypothesis test on regression parameters, adaptation test. Autoregressive models and models with moveable median errors: AR, MA, ARMA and ARMAX models, autocorrelation function, stationarity and invertibility with ARMA models, estimating parameters, how to select the most suitable model. The problem of prediction using regression models, autoregressive models and moveable median models: precise prediction and intervalling, one-step and more than one-step predictions, updating predictions, comparison of the predictive capacities of the various models. State space models; state equations, size equations, Gaussian stochastic components, stationarity, ergodicity, controlability, observability, Kalman filter, filtering, predicting and smoothing, the problem of initial values, estimating unknown parameters. Discussion of the most relevant case histories (variable-parameter regression models, structural historical series, trend components, seasonality and cycles, ARMA and ARIMAX models in space-state form, regression models with ARMA errors in space-state form, estimation and prediction when data are missing. Demonstration of specialist software in Matlab R and Gauss environments.
Testo di riferimento 1:
Course text 1:		 Hamilton (1995), Econometria delle serie storiche, Monduzzi
Testo di riferimento 2:
Course text 2:		 P.H. Hans Franses-D. van Dijk (2000), Non-linear time series models in empirical finance, cambridge University Press.
Testo di riferimento 3:
Course text 3:		 R. S. Tsay (2002), Analysis of Financial Time Series, Wiley.
Metodi didattici:
Teaching activities:		 lezioni frontali, esercitazione
Lectures; practical activities
Struttura della verifica del profitto:
Assessment:		 scritto + orale
written + oral
Descrizione verifica del profitto:
Lingua di insegnamento:
Teaching language:		 italiano
Italian
Altre informazioni:
Other information:
 
Stampa