Stampa  
Codice:  
Course code:
8907
Anno accademico:
Academic year:
2004-2005
Titolo del corso:
Course title:
Statistica II (modelli dinamici e prev. Statist)
Modulo:  
Module:
Unico
Docente 1:
Teacher 1:
COLOMBI Roberto
Ruolo Docente 1:
Teacher 1:
Professori Ordinari
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
Facoltà:
Faculty:
Ingegneria
Modalità di frequenza:
Type:
Non obbligatoria
Semestre:
Semester:
2
Sottoperiodo:
Sub period:
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.
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.
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
Struttura della verifica del profitto:
Assessment:
scritto + orale
written + oral
Descrizione verifica del profitto:
Lingua di insegnamento:
Teaching language:
italiano
Altre informazioni:
Other information:
 
Stampa