Il corso mira a fornire gli strumenti base per l'interpretazione e l'analisi di time series data: numeri indice semplici e composti; strumenti preliminari; processi stocastici; modelli ARIMA e ARIMA stagionali; modelli GARCH per le time series finanziarie.
Di Fonzo, T. e Lisi F. (2005). Serie storiche economiche. Analisi statistiche e applicazioni, Carocci Editore, Roma.
Materiale integrativo potrà essere suggerito durante il corso.
Obiettivi Formativi
CONOSCENZE:
Numeri indice; misure di inflazione.
Analisi di time series data: concetti di base; modelli ARIMA e ARIMA stagionali; modelli GARCH.
COMPETENZE:
Saper affrontare l'analisi di time series data: inquadramento dell'analisi nel suo contesto; analisi preliminare; modellazione e diagnostica; utilizzo del modello a fini pratici (formulazione di previsioni; simulazioni).
Saper trasmettere a terzi i risultati delle analisi con linguaggio appropriato.
Saper leggere criticamente analisi di time series data fatte da altri soggetti (report, articoli).
Saper consultare la letteratura sugli argomenti del corso
Prerequisiti
Insegnamenti propedeutici: Statistica I; Statistica II.
Metodi Didattici
Lezioni frontali ed esercitazioni in aula informatica guidate dal docente.
Lezioni di didattica frontale: ore 42
Attività di laboratorio: ore 30
Altre Informazioni
Informazioni più specifiche sono disponibili sulla pagina Moodle del Corso (accessibile da http://e-l.unifi.it/). Per poter visionare e scaricare il materiale è necessario chiedere al docente di essere autenticati, scrivendo una e-mail dal proprio indirizzo istituzionale.
Modalità di verifica apprendimento
L'esame consiste in un colloquio orale. Lo studente deve predisporre una relazione scritta (contenente l'analisi statistica di una serie storica economica reale) da consegnare al docente almeno una settimana prima del colloquio. Le istruzioni su come redigere la relazione sono reperibili su Moodle.
Programma del corso
Introduzione ai time series data.
Analisi preliminari: analisi grafiche; trasformazioni (numeri indice, tassi di variazione, logaritmi, operatori lag e alle differenze, medie mobili); calcolo di indicatori.
Processi stocastici: Processi stazionari; Stima dei momenti di un processo stocastico stazionario (condizioni di ergodicità ); Esempi di processi stocastici stazionari; Processi non stazionari; Processi stagionali.
Processi stocastici e modelli lineari (ARIMA).
La procedura di Box e Jenkins: Identificazione; Stima dei parametri; Diagnostica; Simulazione; Modelli stagionali; Previsione; Applicazioni.
Processi stazionari vs processi con trend: Test di radice unitaria (test aumentato di Dickey-Fuller e test di Phillips-Perron).
Time series di attività finanziarie: Fatti stilizzati; Modelli per la varianza condizionata.
Le analisi statistiche sono effettuate in ambiente statistico R.