Cicli economici: misurazione e aspetti metodologici. Introduzione
|
|
- Vito Molinari
- 5 anni fa
- Visualizzazioni
Transcript
1 Cicli economici: misurazione e aspetti metodologici Introduzione L analisi quantitativa dei cicli economici si basa sull utilizzo di serie storiche Le serie storiche o temporali rappresentano l'evoluzione di un certo fenomeno nel tempo. Solitamente sono successioni di dati equidistanti nel tempo. Vari fenomeni di tipo fisico, economico e biologico possono essere rappresentati da tali successioni. A seconda del tipo di relazione fra la variabile dipendente dal tempo (indicata come X) in vari istanti successivi e il tempo t, le serie storiche si dicono discrete o continue: 1
2 Analisi delle serie storiche Analisi classica (o deterministica): basata su procedimenti empirici e di carattere prevalentemente descrittivo (medie mobili, adattamento di funzioni deterministiche del tempo, ecc.). Analisi moderna (o stocastica): basata sul tentativo di riprodurre il processo (stocastico) che ha generato i dati. 2
3 Gli obiettivi dell analisi L analisi delle serie storiche consente di: 1) Trarre informazioni sulle componenti della serie (es: trend, ciclo, stagionalità) 2) Prevedere l andamento futuro del fenomeno (utilizzando l informazione disponibile al tempo t). Ipotesi di base: fattori che hanno influenzato l andamento della serie nel passato e nel presente continuano a esercitare effetti analoghi anche nel futuro. Componenti di una serie storica economica X t = f(t t,c t, S t, ε t ) Dove: T t : TREND (tendenza di lungo periodo) C t : CICLO (movimenti ciclici congiunturali - ciclo economico generalmente di periodo superiore all anno. Spesso ciclo e trend vengono attribuiti ad una unica componente CT t ) S t : STAGIONALITA (movimenti ripetitivi dovuti all organizzazione socio-economica della società basata sul calendario (ferie ad agosto, festività, ecc.), ad eventi ambientali stagionali (temperatura, raccolte agricole, ecc.) o a comportamenti influenzati dalle stagioni (es: comsumo di gelati, condizionatori, ecc.) ε t : CASUALITA (o componente residua) componente casuale non prevedibile. 3
4 Le relazioni tra le componenti 1) modello additivo: X t = T t +C t + S t + ε t 2) modello moltiplicativo: X t = T t *C t * S t * ε t 3) modello misto: X t = T t *C t + ε t L analisi classica: stima del Trend-Ciclo Trend deterministico Metodo delle medie mobili - centrate - non centrate 4
5 Analisi basate su funzioni deterministiche del tempo X t = f(t) + ε t - f(t) è funzione deterministica del tempo (forma polinomiale, esponenziale, ecc.) - ε t è componente casuale white-noise, ovvero caratterizzata da: E(ε t )=0, Var(ε t )=σ 2 < Es: trend lineare: X t =β 0 +β 1 t+ε t Trend quadratico: X t =β 0 +β 1 t 0 +β 2 t 2 +ε t Determinazione del ciclo Una volta individuato il trend: X^t = f(t) (dove ^ indica i valori stimati) il ciclo si ottiene sottraendo i valori stimati (il trend) dai valori effettivi: X^t,ciclo = X t - X^t concetto di ciclo in deviazione NOTA: la componente ciclica contiene anche la componente aleatoria/casuale (coerente con andamento irregolare delle stime) 5
6 Problemi e limiti delle stime Le stime sono sensibili alla durata del periodo su cui sono calcolate e alla frequenza dei dati Trend non comparabili se serie di: - diversa durata; - stessa durata ma diversa frequenza (es: dati annuali vs dati trimestrali); - tempi diversi della stessa serie. Metodo di stima poco flessibile, con un unica struttura per il trend per l intero periodo di osservazione La stima è soggetta a continue revisioni (seppure minori) all aumentare del numero delle osservazioni disponibili Un applicazione: conti economici nazionali trimestrali Fonte: ISTAT Periodo: Serie a prezzi costanti (serie reali) Unità di misura: milioni di eurolire 1995 Grandezze osservate: -PIL - Consumi delle famiglie - Investimenti in macchine, attrezzature e prodotti - Investimenti fissi (i. in macchine + i. in costruzioni) Dati grezzi e dati destagionalizzati 6
7 Analisi dei dati Andamento nel tempo delle serie grezze e destagionalizzate (analisi grafica) Stima del trend e del ciclo (modello additivo) sulle variabili destagionalizzate Stima del trend e del ciclo (modello additivo) sulle variabili grezze: stima con seasonal dummies Commento dei risultati PIL pil_d pil_g 7
8 Consumi famiglie c_famiglie_d c_famiglie_g Investimenti in macchinari imacchine_d imacchine_g 8
9 Investimenti fissi totali ifissi_d ifissi_g Trend lineare: PIL pil_d Fitted values 9
10 Trend lineare: consumi famiglie cfamiglie_d Fitted values Trend lineare: investimenti macchinari imacchine_d Fitted values 10
11 Trend lineare: investimenti fissi ifissi_d Fitted values Andamento della componente ciclica pil_ciclo cfamiglie_ciclo 11
12 Andamento della componente ciclica (2) ifissi_ciclo imacchine_ciclo Ciclo e destagionalizzazione pil_ciclog pil_ciclogd pil_ciclo pil_ciclogd 12
13 Metodo delle medie mobili E uno strumento alternativo per la stima del trend/ciclo La media mobile agisce riducendo l ampiezza delle oscillazioni Maggiore è il numero dei termini/osservazioni utilizzati per il calcolo della media, maggiore è l appiattimento. - la media mobile a t termini equivale alla media aritmetica della serie - trade-off tra precisione e variabilità della stima Problemi: - perdita di osservazioni agli estremi; - determinazione dell ordine (i.e., numero di termini da utilizzare) della media Metodo delle medie mobili Se la serie è stagionale, è opportuno utilizzare un numero di termini pari alla stagionalità (es: media mobile a 4 termini per dati trimestrali, a 7 termini per dati giornalieri, ecc.) Nella determinazione dei cicli il numero di termini può essere determinato dalle ipotesi (a priori) sulla durata media dei cicli. Con dati trimestrali, e quindi ipotizzabile anche l utilizzo di medie mobili a termini (corrispondenti a cicli di 4-6 anni). Le ipotesi a priori sulla durata media del ciclo possono basarsi su: - ispezione preliminare della serie storica; - ipotesi teoriche di partenza. NOTA: una media mobile calcolata su tre anni evidenzia perfettamente cicli di tre anni, ma porta a sottostimare cicli più lunghi e sovrastimare cicli più corti 13
14 Medie mobili semplici (non centrate) Media mobile (asimmetrica) a k termini: Es: k=3 MM(3) t =(X t +X t-1 +X t-2 )/3 Medie mobili simmetriche (centrate) Se k è dispari: Es: k=3 MMc(3) t = (X t-1 +X t +X t+1 )/3 14
15 Medie mobili simmetriche (centrate) Se k è pari: Es: k=4 MMc t (4)=(0.5X t-2 +X t-1 +X t +X t X t+2 )/4 Un applicazione: andamento dell occupazione a) Confronto medie centrate e non centrate occotot M A4nc MA4c 15
16 Un applicazione: andamento dell occupazione b) Confronto medie di diverso ordine MA4 MA16 Processi stocastici E una famiglia di variabili casuali (X t, t), con t appartenente a T (detto spazio parametrico) Data una realizzazione (i dati osservati), occorre identificare il modello (rappresentazione del processo) che più probabilmente la ha generata Ogni serie storica è quindi una realizzazione finita di un processo stocastico La serie osservata rappresenta uno dei possibili infiniti tracciati che il processo può generare (idea dei mondi possibili; confronto con campioni cross-section) 16
17 Alcuni processi stocastici 1) Processo White Noise (WN) 2) Modelli autoregressivi (AR) 3) Modelli a media mobile (MA) 4) Modelli misti (ARMA) Alcuni concetti per l analisi Stazionarietà: - definizione intuitiva: una serie è stazionaria se, qualora perturbata da shocks, torna al suo equilibrio di lungo periodo una volta terminato l effetto di questi shock - definizione rigorosa: un processo stocastico si dice stazionario (in senso debole o in covarianza) se, per qualsiasi t e t-s, vale che: 1. E(y t )=E(y t-s )=µ (media finita) 2. Var(y t )=Var(y t-s )=σ 2 y (varianza finita) 3. Cov(y t, y t-s )= Cov(y t-j, y t-s-j )=γ s 17
18 Alcuni concetti per l analisi (2) Autocorrelazione: la correlazione fra y t e y t-s è data da: ρ s =Cov(y t, y t-s )/Var(y t )= γ s /γ 0 Il grafico degli indici di autocorrelazione si dice correlogramma Autocorrelazione parziale: misura la correlazione fra y t e y t-s al netto dell effetto prodotto da altre variabili/fattori Il processo White Noise Un processo y t si dice White Noise se: 1. E(y t )=0 (no trend) 2. Var(y t )=σ 2 y (varianza finita) 3. Cov(y t, y t-s )=0 (no covarianza) Si tratta quindi di un processo casuale, senza relazione tra eventi in diversi istanti nel tempo E in ogni caso un processo stazionario E l ipotesi tipica per la componente residua (o shock) ε t 18
19 Esempio di un processo WN Modelli AR(p) AR(1): y t =m+αy t-1 +ε t AR(2): y t =m+α 1 y t-1 + α 2 y t-2 + ε t AR(p): y t =m+α 1 y t-1 + α 2 y t α p y t-p + ε t In un processo autoregressivo di ordine p, il valore osservato al tempo t è funzione lineare dei p valori precedenti sommati al disturbo corrente NOTE: - ε t è white noise - m equivale al trend - a seconda dei valori di α, la serie può esplodere o convergere verso un punto (equilibrio di lungo periodo) - l ampiezza di α è misura della persistenza dell effetto di shock passati. 19
20 MA(1): y t =ε t +β ε t-1 Modelli MA(q) MA(2): y t = ε t + β 1 ε t-1 + β 2 ε t-2 MA(q): y t =ε t + β 1 ε t-1 + β 2 ε t β q ε t-q In un processo a media mobile di ordine q, il valore osservato al tempo t è funzione lineare dei q shock precedenti sommati al disturbo corrente NOTE: - ε t è white noise - a seconda dei valori di β, la serie può esplodere o convergere verso un ε Modelli ARMA(p,q) Si tratta di una combinazione di processi AR(p) e MA(q): ε Y t =m+α 1 y t-1 + α 2 y t α p y t-p + ε t + β 1 ε t-1 + β 2 ε t β q ε t-q NOTA: anche in questo caso, siamo di fronte a serie stazionarie. 20
21 Proprietà delle autocorrelazioni (ACF) e autocorrelazioni parziali (PACF) Processo ACF PACF White Noise tutti 0 tutti 0 AR(1), alfa>0 Decade direttamente autocorrelazione a t+1; 0 da esponenzialmente t+2 AR(1), alfa<0 Decade oscillando autocorrelazione a t+1; 0 da t+2 AR(p) Decade a zero, eventualmente oscillando 0 per s>p MA(1), beta>0 positiva a t+1, 0 dopo Decade oscillando MA(1), beta<0 negativa a t+1, 0 dopo Decade a zero (valori negativi) ARMA(1,1), alfa>0 Decade direttamente da t+1 Decade oscillando da t+1 ARMA(1,1), alfa<0 Decade oscillando da t+1 Decade direttamente da t+1 ARMA(p,q) Decade (direttamente od oscillando) da t+q Decade (direttamente od oscillando) da t+p Modelli ARIMA(p,d,q) In caso di serie non stazionarie, gli shock passati producono effetti persistenti. Un esempio di serie non stazionaria: y t =m+y t-1 + ε t Si può dimostrare che serie non stazionarie possono essere ricondotte a serie stazionare di tipo ARMA(p,q) una volta prese le differenze di ordine d Una serie di questo tipo è determinata da un processo ARIMA(p,d,q), dove d indica l ordine delle differenze (d=1 equivale a y t -y t-1 ) 21
22 La selezione del processo/modello Metodo Box-Jenkins, basato su tre fasi: 1) Identificazione del/dei possibili processi (analisi grafica, confronto ACF-PACF effettivi e teorici) 2) Stima (di più modelli) e check dei risultati (test su stazionarietà, goodness of fit, analisi dei residui) 3) Scelta del modello preferito e determinazione del ciclo/ previsioni Un applicazione: l indice dei prezzi all ingrosso (Wholesale Price Index WPI) negli USA Analisi delle caratteristiche dei cicli Una volta stimata la componente ciclica di una serie storica, è opportuno evidenziarne le proprietà statistiche nel suo insieme, ovvero: - volatilità/ampiezza (deviazione standard) - persistenza/durata (auto-correlazione) - comovimenti con altre serie (correlazione incrociata), al fine di individuare eventuali leading/lagging indicators. 22
23 La misurazione dei cicli: ulteriori aspetti Qual è la variabile più rappresentativa dell attività economica aggregata? E meglio utilizzare una sola variabile o l aggregazione di più variabili? La misurazione dei cicli: la scelta dell indicatore di riferimento (2) Una sola variabile: - la scelta dipende dall obiettivo dell analisi e da considerazioni di carattere pratico; - non si introducono ulteriori ipotesi arbitrarie e il metodo di analisi è relativamente semplice e replicabile - più esposto a errori di misurazione e più sensibile a moimenti della componente irregolare - scelta più comune: PIL; variabili alternative: indice della produzione industriale Aggregazione di più variabili: - vanno selezionate sia le variabili da aggregare, sia il metodo di aggregazione; - riduce gli errori di misurazione e falsi segnali determinati dalla componente idiosincratica (o irregolare) - tiene conto dei comovimenti (concettualmente più vicino alla definizione di ciclo) 23
24 La misurazione dei cicli: l individuazione dei punti di svolta L identificazione dei punti di svolta (i.e., passaggio da crescita a recessione e viceversa) consente di definire la cronologia ciclica La procedura tradizionale è quella dell NBER (Burns and Mitchell, 1946), basata sull ipotesi di un trend lineare nei logaritmi (ipotesi di tasso di crescita costante) e l esistenza di sequenze di espansioni e contrazioni (cicli classici) Una procedura alternativa calcola i cicli guardando la regolarità dei comovimenti delle variabili nella dinamica di aggiustamento che segue un disturbo esterno (cicli in deviazione). Il trend può anche essere stocastico (RBC). La datazione e l ampiezza dei cicli dipende fortemente dal modo in cui la serie è depurata dalla componente di crescita. Cronologia dei cicli in Italia, : punti di svolta Cicli classici Cicli in deviazione Max Min Max Min 64/1 64/4 64/1 64/4 74/1 75/2 69/2 72/2 77/1 77/4 74/1 75/3 82/1 82/3 77/1 77/4 92/2 93/2 80/1 82/4 90/3 93/3 Fonte: Delli Gatti e Gallegati, 2001, cap
Statistica Applicata all edilizia Lezione: Analisi delle serie storiche: parte I
Lezione: Analisi delle serie storiche: parte I E-mail: orietta.nicolis@unibg.it 27 aprile 21 Programma Programma Le serie storiche (o temporali) Sequenze di osservazioni effettuate nella sucessione dei
DettagliAnalisi delle serie storiche parte II Approccio classico
Analisi delle serie storiche parte II Approccio classico a.a. 2016/2017 1 Obiettivi dello studio delle serie storiche Analisi: descrizione: descrivere l andamento di un fenomeno economico (individuare
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 13 aprile 211 Programma 1 Approccio stocastico all analisi delle serie storiche Programma 1 Approccio stocastico
DettagliPer alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi.
Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si propongono di identificare
DettagliSerie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si
DettagliCapitolo 3 (parte prima) Modelli di (s)composizione. Capitolo 3 1
Capitolo 3 (parte prima) Modelli di (s)composizione Capitolo 3 1 Tipi di pattern sistematico Molti metodi di previsione si basano sul fatto che, se esiste un pattern sistematico (rispetto al tempo), questo
DettagliTipi di Processi Stocastici
Processi Stocastici Definizione intuitiva: un processo stocastico è un insieme ordinato di variabili casuali, indicizzate dal parametro t, spesso detto tempo. Definizione rigorosa: dati uno spazio di probabilità
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Serie storiche (verso fpca) La tecnica chiamata fpca (functional PCA) esamina serie storiche utilizzando paradigmi propri di PCA. E utile premettere un po di
DettagliAnalisi delle serie storiche parte V Modelli autoregressivi
Analisi delle serie storiche parte V Modelli autoregressivi a.a. 2016/2017 Economiche Internazionali 1 Definizioni introduttive Autoregressione: modello di regressione che spiega una serie temporale con
DettagliANALISI SERIE STORICHE
ANALISI SERIE STORICHE SERIE STORICA: insieme finito di osservazioni di uno stesso fenomeno, ordinate secondo il tempo, con cadenza periodica costante (mensile, trimestrale, annuale ecc.). 8000000 Presenze
DettagliMetodi di previsione
Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliESERCITAZIONE - Analisi della domanda
Impianti Industriali ESERCITAZIONE - Analisi della domanda Prof. Ing. Augusto Bianchini Ing. Jessica Rossi DIN Dipartimento di Ingegneria Industriale Università degli Studi di Bologna AGENDA Analisi della
DettagliAnalisi delle serie storiche parte III Medie mobili
Analisi delle serie storiche parte III Medie mobili a.a. 206/207 Metodo delle medie mobili Obiettivo: Stimare una componente della serie (tipicamente il ciclotrend (TC)) attraverso trasformazioni ( filtri
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5
Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliT punti Qual è la differenza concettuale e pratica tra Megatrend e Trend
1 Appello 24/06/2003 T1. -----4 punti Si spieghi brevemente a quale tipologia di fenomeno (espresso da una serie storica) è applicabile uno schema Holt-Winters con tutti i parametri tendenti a zero T2.-----
DettagliStatistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
DettagliCONTI ECONOMICI TRIMESTRALI
2 marzo 2018 IV trimestre 2017 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel quarto trimestre del 2017 il prodotto interno lordo (PIL),
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
DettagliSTIMA PRELIMINARE DEL PIL
12 febbraio 2016 IV trimestre STIMA PRELIMINARE DEL PIL Nel quarto trimestre del il prodotto interno lordo (PIL), espresso in valori concatenati con anno di riferimento 2010, corretto per gli effetti di
DettagliPrevisione della Domanda-Minimi Quadrati INTRODUZIONE PREVISIONE DELLA DOMANDA. Prof. Vincenzo Duraccio
ITRODUZIOE PREVISIOE DELLA DOMADA Prof. Vincenzo Duraccio AALISI DELLA DOMADA La determinazione dell andamento della domanda di un prodotto o di una gamma di prodotti può essere effettuata in tre modi
DettagliCONTI ECONOMICI TRIMESTRALI
1 giugno 2017 I trimestre 2017 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel primo trimestre del 2017 il prodotto interno lordo (PIL), espresso
DettagliCONTI ECONOMICI TRIMESTRALI
1 dicembre 2016 III trimestre 2016 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel terzo trimestre del 2016 il prodotto interno lordo (PIL),
DettagliSERIE STORICHE - AA Alessandra Luati
SERIE STORICHE - AA2004-2005 Alessandra Luati Programma dettagliato del corso di Analisi delle serie storiche, Laurea triennale in Finanza e assicurazioni, sede di Rimini, I ciclo, periodi 1,2: 27/09/04-29/10/04,
DettagliCONTI ECONOMICI TRIMESTRALI
10 settembre 2013 II trimestre 2013 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel secondo trimestre del 2013 il prodotto interno lordo (PIL),
DettagliIl Modello di Scomposizione
Approccio Classico: Metodi di Scomposizione Il Modello di Scomposizione Il modello matematico ipotizzato nel metodo classico di scomposizione è: y t =f(s t, T t, E t ) dove y t è il dato riferito al periodo
DettagliCONTI ECONOMICI TRIMESTRALI
1 dicembre 2017 III trimestre 2017 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel terzo trimestre del 2017 il prodotto interno lordo (PIL),
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliCONTI ECONOMICI TRIMESTRALI
11 marzo 2014 IV trimestre 2013 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel quarto trimestre del 2013 il prodotto interno lordo (PIL),
DettagliCONTI ECONOMICI TRIMESTRALI
10 giugno 2013 I trimestre 2013 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel primo trimestre del 2013 il prodotto interno lordo (PIL),
DettagliLa regressione lineare semplice
La regressione lineare semplice Il modello di regressione lineare semplice - 1 y = β 0 + βx + ε 10 8 Una retta nel piano Variabile Y 6 4 2 0 0 1 2 3 4 Variabile X 1 Il modello di regressione lineare semplice
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
Dettagli1 Serie temporali. 1.1 Processi MA
1 Serie temporali Un processo stocastico 1 {X t, t T }, dove T = N o T = Z, si dice stazionario se (X 1,..., X n ) e (X k+1,...,x k+n ) hanno la stessa distribuzione per ogni n 1 e per ogni k T. Un processo
DettagliAnalisi delle Serie Storiche con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Prof.ssa Marilena Pillati Analisi delle Serie
DettagliCONTI ECONOMICI TRIMESTRALI
4 marzo 2016 IV trimestre 2015 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel quarto trimestre del 2015 il prodotto interno lordo (PIL),
DettagliLe fluttuazioni economiche in Italia
Le fluttuazioni economiche in Italia Il secondo dopoguerra Introduzione Nel corso degli anni 80 numerosi studi hanno cercato di identificare i principali fatti stilizzati del ciclo economico Gran parte
DettagliCONTI ECONOMICI TRIMESTRALI
II trimestre 2014 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel secondo trimestre del 2014 il prodotto interno lordo (PIL), espresso in
DettagliStima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro
Stima del valore di una costante in presenza di rumore esponenzialmente correlato Carlo Fisicaro OBIETTIVO Stimare il valore della costante β adimensionale per mezzo di misurazioni soggette a rumore stocastico
Dettaglix, y rappresenta la coppia di valori relativa La rappresentazione nel piano cartesiano dei punti ( x, y ),( x, y ),...,( x, y )
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezioni di statistica del 5 e 8 aprile 03 - di Massimo Cristallo - A. Le relazioni tra i fenomeni
DettagliFluttuazioni economiche di breve periodo Lezione 1 - Capitolo 23
Fluttuazioni economiche di breve periodo Lezione 1 - Capitolo 23 chiara.falco@unimib.it Universitá degli Studi di Milano-Bicocca Scienze dell organizzazione a.a. 2017-2018 Outline 1 Introduzione 2 Recap
DettagliPRIMA PARTE: POLITICHE MACROECONOMICHE
PRIMA PARTE: POLITICHE MACROECONOMICHE 1 In questa parte del corso: Utilizzeremo i modelli del corso di Economia politica (macroeconomia) e ne analizzeremo in maggiore profondità le implicazioni di politica
DettagliIndice. Previsioni. Serie con trend. Metodo di Holt. Previsioni: trend e stagionalità. serie con trend/tendenza serie con stagionalità
Indice Previsioni serie con trend/tendenza serie con stagionalità Previsioni: trend e stagionalità 7/11/23 16.51 1 2 Serie con trend Regressione lineare Metodo di (doppio smorzamento esponenziale) Metodo
DettagliMODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,
MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di
DettagliSTIMA PRELIMINARE DEL PIL
15 novembre 2016 III trimestre 2016 STIMA PRELIMINARE DEL PIL Nel terzo trimestre del 2016 il prodotto interno lordo (PIL), espresso in valori concatenati con anno di riferimento 2010, corretto per gli
DettagliSTIMA PRELIMINARE DEL PIL
13 maggio 2016 I trimestre 2016 STIMA PRELIMINARE DEL PIL Nel primo trimestre del 2016 il prodotto interno lordo (PIL), espresso in valori concatenati con anno di riferimento 2010, corretto per gli effetti
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA Indice 1 Teoria dei processi stocastici
DettagliScale di Misurazione Lezione 2
Last updated April 26, 2016 Scale di Misurazione Lezione 2 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura II anno, II semestre Tipi di Variabili 1 Scale di Misurazione 1. Variabile
DettagliLEZIONE 4 CICLO ECONOMICO DOMANDE DEL CORSO E MODELLI MACROECONOMICI. Argomenti trattati
LEZIONE 4 CICLO ECONOMICO DOMANDE DEL CORSO E MODELLI MACROECONOMICI Argomenti trattati Definizione e caratteristiche del ciclo economico Domande fondamentali del presente corso di macroeconomia Descrizione
DettagliSTIMA PRELIMINARE DEL PIL
14 febbraio 2014 IV trimestre 2013 STIMA PRELIMINARE DEL PIL Nel quarto trimestre del 2013 il prodotto interno lordo (PIL), espresso in valori concatenati con anno di riferimento 2005, corretto per gli
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Esempio di serie storica Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca stagionalità) Esempio di serie storica Esportazioni italiane
DettagliSTIMA PRELIMINARE DEL PIL
6 agosto 2014 II trimestre 2014 STIMA PRELIMINARE DEL PIL Nel secondo trimestre del 2014 il prodotto interno lordo (PIL), espresso in valori concatenati con anno di riferimento 2005, corretto per gli effetti
DettagliSTIMA PRELIMINARE DEL PIL
12 agosto II trimestre STIMA PRELIMINARE DEL PIL Nel secondo trimestre del il prodotto interno lordo (PIL), espresso in valori concatenati con anno di riferimento 2010, corretto per gli effetti di calendario
DettagliTEMA 3. Andrea Salustri,
TEMA 3 Andrea Salustri, asalustri@hotmail.com Siete stati da poco assunti dall impresa POSLAV S.p.A., quando il vostro capo vi chiama e vi chiede di presentare un breve rapporto che offra, relativamente
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliGENERAZIONE DI NUMERI PSEUDOCASUALI
GENERAZIONE DI NUMERI PSEUDOCASUALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) GENERAZIONE
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliCONTI ECONOMICI TRIMESTRALI
21 dicembre 2011 III trimestre 2011 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Con la pubblicazione dei dati del terzo trimestre del 2011
DettagliCONTI ECONOMICI TRIMESTRALI
11 giugno 2012 I trimestre 2012 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel primo trimestre del 2012 il prodotto interno lordo (Pil),
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione
DettagliSTIME STATISTICHE. Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 2/2
p. 1/1 INFORMAZIONI Prossime lezioni Giorno Ora Dove 10/02 14:30 P50 11/02 14:30 Laboratorio (via Loredan) 17/02 14:30 P50 23/02 14:30 P50 25/02 14:30 Aula informatica (6-7 gruppi) 02/03 14:30 P50 04/03
DettagliCorrelazione e regressione
Correlazione e regressione Correlazione 1 Come posso determinare il legame tra due o più variabili? Correlazione COEFFICIENTE DI CORRELAZIONE (r di Pearson) massimo consumo di ossigeno e prestazione nelle
DettagliSTIMA PRELIMINARE DEL PIL
16 maggio 2017 I trimestre 2017 STIMA PRELIMINARE DEL PIL Nel primo trimestre del 2017 il prodotto interno lordo (PIL), espresso in valori concatenati con anno di riferimento 2010, corretto per gli effetti
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
DettagliSTIMA PRELIMINARE DEL PIL
1 T 00 3 T 00 1 T 01 3 T 01 1 T 02 3 T 02 1 T 03 3 T 03 1 T 04 3 T 04 1 T 05 3 T 05 1 T 06 3 T 06 1 T 07 3 T 07 1 T 08 3 T 08 1 T 09 3 T 09 1 T 10 3 T 10 1 T 11 3 T 11 1 T 12 3 T 12 1 T 13 15 maggio 2013
DettagliCONTI ECONOMICI TRIMESTRALI
10 giugno 2011 I trimestre 2011 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel primo trimestre del 2011 il prodotto interno lordo (PIL),
DettagliCapitolo 7. Forecasting
Capitolo 7 Forecasting Cosa è il Forecast? Forecast Una previsione di eventi futuri utilizzata a scopi di pianificazione. 1 Forecasting Le previsioni sono input critici per i piani strategici, per i piani
DettagliEconomia dei cicli economici
Economia dei cicli economici Federica Origo federica.origo@unibg.it Ricevimento: martedì, 14.30-16.30 Uff. 262 Via dei Caniana 2 Alcune domande a cui il modulo vuole rispondere 1) Perché si osservano fasi
DettagliProblema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T?
Problema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T? Il problema dell'inferenza: dato un campione, individuare la distribuzione di probabilità da cui ha avuto origine.
Dettagli10 Quasi esperimenti. Giulio Vidotto Raffaele Cioffi
10 Quasi esperimenti Giulio Vidotto Raffaele Cioffi Indice: 10.1 La differenza principale tra quasi esperimenti e veri esperimenti 10.2 Disegni con gruppo di controllo non equivalenti 10.3 Disegni senza
DettagliCONTI ECONOMICI TRIMESTRALI
1 dicembre 2015 III trimestre 2015 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel terzo trimestre del 2015 il prodotto interno lordo (PIL),
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliIl saldo di bilancio strutturale: un analisi empirica del caso italiano
Il saldo di bilancio strutturale: un analisi empirica del caso italiano Roma, 21 novembre 2016 Docente guida: Prof. Paolo Liberati Dottorando: Giovanni Carnazza Introduzione L obiettivo è stimare il saldo
DettagliAnalisi delle Serie Storiche con R
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi delle Serie Storiche con R Francesca
DettagliPROCESSO STOCASTICO I
PROCESSO STOCASTICO I valori futuri di un segnale aleatorio (stocastico) non possono essere predetti esattamente. I segnali aleatori sono tali per loro natura (meccanismo interno) o rappresentano meccanismi
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
Dettaglip. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali.
p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica
DettagliReddito e risparmio delle famiglie e profitti delle società I trimestre 2010
8 Luglio 2010 Reddito e risparmio delle famiglie e profitti delle società I trimestre 2010 Direzione centrale comunicazione ed editoria Tel. +39 06.4673.2243-2244 Centro di informazione statistica Tel.
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliUniversità di Pavia Econometria Esercizi 4 Soluzioni
Università di Pavia Econometria 2008-2009 Esercizi 4 Soluzioni Maggio, 2009 Istruzioni: I commenti devono essere concisi! 1. Dato il modello di regressione lineare, con K regressori con E(ɛ) = 0 e E(ɛɛ
DettagliMatematica Lezione 22
Università di Cagliari Corso di Laurea in Farmacia Matematica Lezione 22 Sonia Cannas 14/12/2018 Indici di posizione Indici di posizione Gli indici di posizione, detti anche misure di tendenza centrale,
DettagliReddito e risparmio delle famiglie e profitti delle società IV trimestre 2009
8 Aprile 2010 Reddito e risparmio delle famiglie e profitti delle società IV trimestre 2009 Direzione centrale comunicazione ed editoria Tel. +39 06.4673.2243-2244 Centro di informazione statistica Tel.
DettagliSTATISTICA. Regressione-2
STATISTICA Regressione-2 Esempio Su un campione di =5unità sono state osservate due variabili, ed : x i 1 2 3 4 5 y i 1.5 2.5 3 2.5 3.5 1. Rappresentare l andamento congiunto di in funzione di mediante
DettagliFasi del modello di regressione
Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori
DettagliStatistica Descrittiva Soluzioni 6. Indici di variabilità, asimmetria e curtosi
ISTITUZIONI DI STATISTICA A A 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliCONTI ECONOMICI TRIMESTRALI
1 settembre 2015 II trimestre 2015 CONTI ECONOMICI TRIMESTRALI Prodotto interno lordo, valore aggiunto, consumi, investimenti, domanda estera Nel secondo trimestre del 2015 il prodotto interno lordo (PIL),
DettagliGrafici e tabelle permettono di fare valutazioni qualitative, non quantitative. E necessario poter sintetizzare i dati attraverso due importanti
Grafici e tabelle permettono di fare valutazioni qualitative, non quantitative. E necessario poter sintetizzare i dati attraverso due importanti indici : Indici di posizione Indici di variazione Indici
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliLa valutazione dei rischi. Corso di risk management Prof. Giuseppe D Onza
La valutazione dei rischi Corso di risk management Prof. Giuseppe D Onza LA VALUTAZIONE DEI RISCHI E un attività che caratterizza la gestione dei rischi finalizzata ad apprezzare la gravità dei fenomeni
Dettagli