Il corso fornisce 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 a memoria lunga; modelli GARCH e varianti per time series finanziarie.
Di Fonzo, T. e Lisi F. (2013). 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 e simili.
COMPETENZE:
Analisi di time series data: inquadramento dell'analisi nel contesto; analisi preliminare; modellazione e diagnostica; utilizzo del modello a fini pratici (previsioni; simulazioni).
Trasmettere a terzi i risultati delle analisi con linguaggio appropriato.
Leggere criticamente analisi di time series data fatte da altri soggetti (report, articoli).
Consultare la letteratura sugli argomenti del corso.
Prerequisiti
Statistica I; Statistica II; conoscenza di R
Metodi Didattici
Lezioni frontali ed esercitazioni in aula informatica guidate dal docente.
Lezioni di didattica frontale: ore 47
Attività di laboratorio: ore 25
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 due time series economiche) 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: Definizione; Descrizione di un processo; Processi stazionari in senso forte e in senso debole; Stima dei momenti di un processo stocastico stazionario e condizioni di ergodicità; LLN per processi stazionari in senso debole; Esempi.
Scomposizione di Wold
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 (GARCH in particolare).
Le analisi statistiche sono effettuate in ambiente statistico R.