Vai al contenuto principale
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
e-Learning - UNIMIB
  • Home
  • My Media
  • Altro
Ascolta questa pagina con ReadSpeaker
Italiano ‎(it)‎
English ‎(en)‎ Italiano ‎(it)‎
Ospite
 Login
e-Learning - UNIMIB
Home My Media
Percorso della pagina
  1. Area Economico-Statistica
  2. Corso di Laurea Triennale
  3. Scienze Statistiche ed Economiche [E4103B - E4101B]
  4. Insegnamenti
  5. A.A. 2021-2022
  6. 3° anno
  1. Serie Storiche Economiche
  2. Introduzione
Insegnamento Titolo del corso
Serie Storiche Economiche
Codice identificativo del corso
2122-3-E4101B016
Descrizione del corso SYLLABUS

Syllabus del corso

  • Italiano ‎(it)‎
  • English ‎(en)‎
Esporta

Obiettivi formativi

Il corso intende fornire allo studente sia una solida base teorica di analisi delle serie storiche, sia l’abilità pratica di analizzare serie storiche univariate attraverso diversi software statistico-econometrici, con lo scopo finale di fare previsioni. I software maggiormente usati all'interno del corso saranno R e Gretl.

Contenuti sintetici

1. Introduzione e presentazione del corso 

2. Processi stocastici 

3. La scomposizione di Wold 

4. Modelli per serie storiche stazionarie 

5. Modelli per serie storiche non stazionarie 

6. La procedura Box-Jenkins per l’identificazione del modello

7. Modelli per serie storiche stagionali 

8. Stima di massima verosimiglianza 

9. Diagnostic Checking e selezione del modello  

10. Previsione per modelli ARMA

11. Regressione di serie storiche. 

12. Test di radice unitaria

13. Approccio classico e componenti deterministiche


Programma esteso

1. Introduzione e presentazione del corso 

2. Processi stocastici:  Serie storiche e processi stocastici,  stazionarietà, le funzioni di autocovarianza e autocorrelazione , la funzione di autocorrelazione parziale, processi white noise,  media campionaria, autocovarianze e autocorrelazioni campionarie , ergodicità.

3. La scomposizione di Wold 

4. Modelli per serie storiche stazionarie:  processi autoregressivi e  processi a media mobile, relazione duale fra AR(p)  MA(q), processi ARMA(p,q)

5.  Modelli per serie storiche non stazionarie: nonstazionarietà in media, modelli a trend deterministico e a trend stocastico, modelli autoregressivi a media mobile integrati (ARIMA), nonstazionarietà in varianza e in autocovarianza,  trasformazioni per stabilizzare la varianza

6. La procedura Box-Jenkins per l’identificazione del modello

7. Modelli per serie storiche stagionali:  metodi tradizionali e modelli stagionali ARIMA 

8. Stima di massima verosimiglianza

9. Diagnostic Checking e selezione del modello:  analisi dei residui,  test di Ljung-Box,  criteri di informazione  

10. Previsione per modelli ARIMA:  proiezione lineare e previsore ottimo, previsione basata su un numero infinito di osservazioni (previsore di Wiener-Kolmogorov), previsione basata su un numero finito di osservazioni

11. Regressione di serie storiche

12. Test di radice unitaria

13. Approccio classico per lo studio delle serie storiche: le componenti deterministiche, trend, ciclo, stagionalità e componente accidentale

Prerequisiti

Si consiglia vivamente la conoscenza degli argomenti trattati nel corso di Statistica II, Statistica I, Calcolo delle probabilità, Analisi statistica multivariata e Analisi Matematica II.

Metodi didattici

Lezioni frontali saranno affiancate da sessioni di laboratorio per simulare e riscoprire i principali risultati teorici. Gli studenti si eserciteranno sia su serie simulate da processi stocastici di tipo differente sia su serie storiche economiche reali. 

Modalità di verifica dell'apprendimento

L'esame è scritto e orale.

La prova consiste in due parti, una prova scritta e orale sui temi teorici e una prova di laboratorio in cui dovranno analizzare una serie storica. In questo modo si potrà verificare la comprensione dei concetti teorici anche ai fini della previsione di dati economici. 

Testi di riferimento

WEI, William W. S.  Time series analysis, Univariate and Multivariate Methods. Pearson Addison Wesley, Boston, ultima edizione.

Periodo di erogazione dell’insegnamento

Primo semestre

Lingua di insegnamento

Italiano

Esporta

Learning objectives

The main aims of the course are two. The first one is to provide the students with a solid theoretical background in time series analysis. The second aim is to enable students to apply  time series analysis to real economic datasets, using econometrics software packages. The most used software are R and Gretl.

Contents

1. Overview 

2. Stochastic processes 

3. Linear projection and Wold’s decomposition 

4. Stationary Time Series Models 

5. Nonstationary Time Series Models

6. Box-Jenkins approach to model identification

7. Seasonal Time Series Models 

8. Maximum likelihood estimation 

9. Diagnostic Checking and Model Selection

10. Forecasting ARMA models 

11. Time series regression 

12. Unit root tests

13. Traditional approach and deterministic components

Detailed program

1. Overview 

2. Stochastic processes: time series and Stochastic Processe,  stationarity,  the Autocovariance and Autocorrelation Functions, the Partial Autocorrelation Function , white Noise Processes , sample Mean, Autocovariances, and Autocorrelation, ergodicity

3. Linear projection and Wold’s decomposition 

4. Stationary Time Series Models:  autoregressive Processes, moving Average Processes, the Dual Relationship Between AR(p) and MA(q) Processe, autoregressive Moving Average ARMA(p, q) Processes

5.  Nonstationary Time Series Models:  nonstationarity in the Mean, deterministic Trend Models , stochastic Trend Models,  ARIMA Models,  Nonstationarity in the Variance and the Autocovariance,  variance Stabilizing Transformations 

6. Box-Jenkins approach to model identification

7. Seasonal Time Series Models : Traditional Methods and seasonal ARIMA Models 

8. Conditional and unconditional Maximum likelihood estimation

9. Diagnostic Checking and Model Selection:  residual analysis, Ljung-Box test, Akaike and Schwartz information criteria

10. Forecasting ARMA models : linear projection and optimal forecas, forecasting based on an infinite number of observations (Wiener-Kolmogorov filter, forecasting based on an finite number of observations

11. Time series regression 

12. Unit root tests

13. Traditional approach for time series analysis: deterministic components, trend, cycle, seasonality and error


Prerequisites

Knowledge of the topics of Statistics I and II, Probability, Multivariate Statistical Analysis and Calculus II is recommended.


Teaching methods

Traditional lectures will be accompanied by laboratory sessions to simulate and re-descover the main theoretical results.  The students will practice both on time series simulated from different stochastic processes and  on real economic time series. 


Assessment methods

The exam is written and oral,  divided in two parts: 

1. a written and oral test on the main theoretical topics of the course to assess the students' ability to formulate and demonstrate the theoretical foundations of ARIMA processes;

2. an applied part consisting in the analysis of a time series, the identification of the generating process and forecasting for a given period

Textbooks and Reading Materials

WEI, William W. S.  Time series analysis, Univariate and Multivariate Methods. Pearson Addison Wesley, Boston, last edition.

Semester

First semester

Teaching language

Italian

Entra

Scheda del corso

Settore disciplinare
SECS-S/03
CFU
9
Periodo
Primo Semestre
Tipo di attività
Obbligatorio
Ore
63
Tipologia CdS
Laurea Triennale
Lingua
Italiano

Staff

    Docente

  • AM
    Andrea Marletta
  • MM
    Mauro Mussini
  • Matteo Maria Pelagatti
    Matteo Maria Pelagatti

Opinione studenti

Vedi valutazione del precedente anno accademico

Bibliografia

Trova i libri per questo corso nella Biblioteca di Ateneo

Metodi di iscrizione

Iscrizione manuale
Iscrizione spontanea (Studente)

Ospite (Login)
Politiche
Ottieni l'app mobile
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy
  • Accessibilità
  • Statistiche