Unibg International
Home > Statistica II (modelli dinamici e prev. statistica) (6 crediti)

Statistica II (modelli dinamici e prev. statistica) (6 crediti)

Subject: 37010 - Statistics II - Dynamic Models and Statistical Predictions
Teacher(s): Roberto Colombi

Notes
0.6 Statistica II (modelli dinamici e previsione statistica)
Ing. Gestionale e Meccanica
Prof. Roberto Colombi
Colombi@unibg.it



OBIETTIVI DEL CORSO

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.
Il corso verterà principalmente sui problemi applicativi e operativi inerenti l?utilizzo dei metodi di previsione limitando la trattazione formale allo stretto necessario per un utilizzo consapevole delle metodologie presentate. Esercitazioni ed esemplificazioni svolte in ambiente Matlab o R attingeranno a problemi aziendali di gestione, finanziari e di controllo di processo.

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 e\o 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.

BIBLIOGRAFIA

Faraway J. (2002), Practical Regression and Anova using R (PDF scaricabile da http://cran.r-project.org/doc/contrib/Faraway-PRA.pdf)

Hamilton J. (1995), Econometria delle serie storiche, Monduzzi.

Lutkepohl H. (2004), Applied Time Series, Cambridge University Press.

Janacek G. (2001), Practical Time Series, Arnold.

NOTA: materiale didattico informazioni su software gratuito e banche dati su cui esercitarsi saranno fornite durante il corso.



Notice board(s)
Cartella principaleRisultati esami

Programmes
  Academic Year 2017-2018
  Programme [upd. 10/07/2017]
 
  Academic Year 2016-2017
  Programme [upd. 27/06/2016]
 
  Academic Year 2015-2016
  Programme [upd. 13/07/2016]
 
  Academic Year 2014-2015
  Programme [upd. 10/06/2014]
 
  Academic Year 2013-2014
  Programme [upd. 30/05/2013]
 
  Academic Year 2012-2013
  Programme [upd. 23/10/2012]
 

News and Documents

Cartella principalePubblicazione
PROVA FINALE 2017-2018
aggiornato il 16-12-2017 ( erroneamente era indicato il comando scan() invece di load() ) controllare il comando forecast nelle nuove versioni delle esercitazioni ukgasARIMA.R e UKGAS_SS.R
11/12/2017
measures of forecast accuracy08/11/2017
Esercitazioni R 2017-2018
NEW: aggiornato il 04/12/2017 controllare UKGASS_SS.R e ukgasARIMA.R in relazione al comando forecast verso la fine dei files
09/10/2017
appunti su modello di regressione lineare II12/09/2017
appunti sul modello di regressione lineare I12/09/2017
PROVA FINALE 2016-2017
ATTENZIONE: per l'appello di settembre 2017 la prova potrebbe essere modificata
11/12/2016
Esercitazioni R 2016-2017
aggirnato 19-11-2016
25/10/2016
MAteriale didattico 2017-2018 :link per scaricare introduzione a TSA
A gentle introduction to time series analysis (for free): tsaEZ. The preface has more details.
18/09/2016
Materiale didattico 2017-2018: link per scaricare appunti su modelli SS18/09/2016
MATERIALE DIDATTICO PER IL CORSO MODELLI DINAMICI 2005-2006
lucidi usati durante le lezioni aggiornati al 19-04-07
31/03/2006
documentazione su DSE
manuale introduttivo a DSE, manuale introduttivo a R, richiami su modello di regressione
31/03/2006
IL SITO DI R
download-manuali-documentazione
Risultati esamiPubblicazione
esiti appello 20 aprile 2018
La formalizzazione del risultato avverrà MERCOLEDI' 02-05 ore 14.30 ufficio docente
22/02/2018


Library resources