MINISTERO DELL'ISTRUZIONE, DELL'UNIVERSITÀ E DELLA RICERCA
DIPARTIMENTO PER LA PROGRAMMAZIONE IL COORDINAMENTO E GLI AFFARI ECONOMICI - SAUS
PROGRAMMI DI RICERCA SCIENTIFICA DI RILEVANTE INTERESSE NAZIONALE
RICHIESTA DI COFINANZIAMENTO (DM n. 21 del 20 febbraio 2003)

PROGETTO DI UNA UNITÀ DI RICERCA - MODELLO B
Anno 2003 - prot. 2003131041_002 PARTE I


1.1 Tipologia del programma di ricerca

Interuniversitario 



Aree scientifico disciplinari

Area 13: Scienze economiche e statistiche (%) 



1.2 Durata del Programma di Ricerca

 

24 Mesi  


1.3 Coordinatore Scientifico del Programma di Ricerca

BATTAGLIA  FRANCESCO  francesco.battaglia@uniroma1.it 
SECS-S/01 - Statistica 
Università degli Studi di ROMA "La Sapienza" 
Facoltà di SCIENZE STATISTICHE 
Dipartimento di STATISTICA,PROBABILITA' E STATISTICHE APPLICATE 



1.4 Responsabile Scientifico dell'Unità di Ricerca

CUBADDA  GIANLUCA 
Professore Ordinario  20/04/1964  CBDGLC64D20H501W 
SECS-S/03 - Statistica economica 
Università degli Studi del MOLISE 
Facoltà di ECONOMIA 
Dipartimento di SCIENZE ECONOMICHE, GESTIONALI E SOCIALI 

(Prefisso e telefono)
 
0874311124
(Numero fax)
 
gianluca.cubadda@uniroma1.it
(Email)
 



1.5 Curriculum scientifico del Responsabile Scientifico dell'Unità di Ricerca


Testo italiano

Formazione: Laurea in Scienze Statistiche ed Economiche, A.A. 1989/90, Università di Roma "La Sapienza"; MSc in Economics and Econometrics, A.A. 1991/92, University of Southampton; Dottorato di Ricerca in Statistica Metodologica, A.A. 1994/95, Università di Roma "La Sapienza".
Posizioni accademiche: Novembre 2001-presente Professore Straordinario di Statistica Economica presso l’Università del Molise; Novembre 98-Ottobre 2001 Professore associato di Statistica Economica presso l'Università del Molise; Dicembre 95-Ottobre 98 Ricercatore di Statistica Economica presso l'Università di Roma "La Sapienza"; Dicembre 94-Novembre 95 Ricercatore di Economia-Econometria presso l'ISTAT; visiting professor presso il Dipartimento di Economia Quantitativa dell’Università di Maastricht nel 1999, 2001 e 2002.
Affiliazioni professionali: membro della Econometric Society, della Società Italiana di Statistica e dell'Istituto per la Contabilità Nazionale.
Pubblicazioni: alcuni lavori sono stati pubblicati in riviste nazionali ed internazionali tra le quali Economics Letters, Econometric Reviews, Empirical Economics, Journal of Applied Econometrics, Journal of the Italian Statistical Society, Journal of Time Series Analysis, Macroeconomic Dynamics, Note Economiche, Oxford Bulletin of Economics and Statistics e Rivista di Statistica Ufficiale.
Attività di revisione scientifica: referee per alcune riviste nazionali e internazionali tra le quali Documenti di Lavoro ISAE, Empirical Economics, Journal of Econometrics, Journal of the Italian Statistical Society, Oxford Bulletin of Economics and Statistics, Quaderni di Statistica e Matematica Applicata alle Scienze Economico-Sociali e Quarterly Review.
Coordinamento di attività di ricerca: Responsabile scientifico di unità di ricerca nell’ambito della ricerca Cofin2000 “Modelli Stocastici e Metodi di Simulazione per l'analisi di Dati Dipendenti” e nell’ambito della ricerca CNR2000 “Modelli Statistici di Serie Temporali per la Previsione”.


Testo inglese

Education: BS in Economics and Statistics, 1990, University of Rome; MSc in Economics and Econometrics, 1992, University of Southampton; PhD in Statistics, 1995, University of Rome.
Academic positions: November 01-present Associate Professor of Economic Statistics at the University of Molise; November 98-October 01 Associate Professor of Economic Statistics at the University of Molise; December 95-October 98 Lecturer of Economic Statistics at the University of Rome; December 94-November 95 Researcher of Economics-Econometrics at the National Statistical Office, Rome; Visiting Professor at the Department of Quantitative Economics of Maastricht University during 1999, 2001 and 2002.
Professional Affiliations: Econometric Society, Italian Statistical Society (SIS), National Accounting Institute.
Scientific interests: Time Series Analysis; Statistical Models of Economic Behavior.
Publications: some papers appeared on national and international journals such as Economics Letters, Econometric Reviews, Empirical Economics, Journal of Applied Econometrics, Journal of the Italian Statistical Society, Journal of Time Series Analysis, Macroeconomic Dynamics, Note Economiche, Oxford Bulletin of Economics and Statistics, and Rivista di Statistica Ufficiale.
Refereeing activities: referee of several national and international journals such as Documenti di Lavoro ISAE, Empirical Economics, Journal of Econometrics, Journal of the Italian Statistical Society, Oxford Bulletin of Economics and Statistics, Quaderni di Statistica e Matematica Applicata alle Scienze Economico-Sociali, and Quarterly Review.
Research project coordination activities: coordinator of research unities within the National Project Cofin2000 “Stochastic models and simulation methods for dependent data” and the National Project CNR2000 “Statistical modelling and forecasting of time series”.


1.6 Pubblicazioni scientifiche più significative del Responsabile Scientifico dell'Unità di Ricerca

 

1. CUBADDA G.; SAVIO G.; ZELLI R. (2002). Seasonality, productivity shocks and sectoral comovements in a real business cycle model for Italy MACROECONOMIC DYNAMICS. (vol. 6 pp. 1-20)  
2. CUBADDA G. (2001). Common features in time series with both deterministic and stochastic seasonality ECONOMETRIC REVIEWS. (vol. 20 pp. 201-216)  
3. CUBADDA G. (2001). Complex reduced rank models for seasonally cointegrated time series OXFORD BULLETIN OF ECONOMICS AND STATISTICS. (vol. 63 pp. 497-511)  
4. CUBADDA G.; HECQ A. (2001). On non-contemporaneous short-run comovements ECONOMICS LETTERS. (vol. 73 pp. 389-397)  
5. CUBADDA G. (1999). Common cycles in seasonal non-stationary time series JOURNAL OF APPLIED ECONOMETRICS. (vol. 14 pp. 273-291)  



1.7.1 Personale universitario dell'Università sede dell'Unità di Ricerca

Personale docente

Cognome  Nome  Dipartimento   Qualifica  Settore Disc.  Mesi Uomo 
1° anno  2° anno 
1. CENTONI   Marco   Dip. SCIENZE ECONOMICHE, GESTIONALI E SOCIALI   Ricercatore Universitario   SECS-S/03   11   8  
2. CUBADDA   Gianluca   Dip. SCIENZE ECONOMICHE, GESTIONALI E SOCIALI   Prof. Ordinario   SECS-S/03   11   8  
3. DE GIOVANNI   Livia   Dip. SCIENZE ECONOMICHE, GESTIONALI E SOCIALI   Prof. Associato   SECS-S/01   11   5  
4. DI TRAGLIA   Mario   Dip. SCIENZE ECONOMICHE, GESTIONALI E SOCIALI   Ricercatore Universitario   SECS-S/01   11   8  
5. LUPI   Claudio   Dip. SCIENZE ECONOMICHE, GESTIONALI E SOCIALI   Prof. Associato   SECS-S/03   11   5  
               55  34 



Altro personale


Nessuno

1.7.2 Personale universitario di altre Università

Personale docente

Cognome  Nome  Università  Dipartimento/Istituto  Qualifica  Settore Disc.  Mesi Uomo 
1° anno  2° anno 
1. ANDREANO   Maria Simona   ROMA "La Sapienza"   Dip. TEORIA ECONOMICA E METODI QUANTITATIVI PER LE SCELTE POLITICHE   RU   SECS-S/01   4   4  
                 



Altro personale


Nessuno

1.7.3 Titolari di assegni di ricerca


Nessuno

1.7.4 Titolari di borse per Dottorati di Ricerca e ex L. 398/89 art.4 (post-dottorato e specializzazione)


Nessuno

1.7.5 Personale a contratto da destinare a questo specifico programma


Nessuno

1.7.6 Personale extrauniversitario dipendente da altri Enti


Nessuno





PARTE II

2.1 Titolo specifico del programma svolto dall'Unità di Ricerca


Testo italiano

Metodi statistici per la previsione di serie storiche persistenti

Testo inglese

Statistical methods for forecasting persistent time series


2.2 Settori scientifico-disciplinari interessati dal Programma di Ricerca

 

SECS-S/03 - Statistica economica  
SECS-S/01 - Statistica  



2.3 Parole chiave


Testo italiano

CARATTERISTICHE COMUNI ; COINTEGRAZIONE ; MEMORIA LUNGA ; ;STAGIONALITÀ

Testo inglese

COMMON FEATURES ; COINTEGRATION ; LONG MEMORY ; SEASONALITY


2.4 Base di partenza scientifica nazionale o internazionale


Testo italiano

All'interno del progetto nazionale di ricerca sull'analisi delle serie temporali, la presente unità operativa prenderà specificamente in considerazione gli sviluppi relativi ai modelli per la previsione di serie storiche persistenti. Una serie storica è detta persistente se il suo pseudo-spettro di potenza presenta dei “picchi” illimitati a qualche frequenza, generalmente la zero e la stagionali.
La persistenza appare una caratteristica molto diffusa tra le serie storiche di tipo macro-economico, come messo in luce dalla mole della letteratura sulla cointegrazione, nel campo delle telecomunicazioni, dove analisi statistiche hanno mostrato evidenza a favore della presenza di dipendenza long range nel processo stazionario degli incrementi degli arrivi di pacchetti IP (Internet Protocol) e in ecologia.
La previsione di serie storiche persistenti presenta due tipi di problemi metodologici: (a) la determinazione della “forma” di persistenza che caratterizza le serie (ad esempio, memoria lunga, integrazione del primo ordine, integrazione stagionale, etc.); (b) l’identificazione di un modello per le componenti di breve periodo della serie.
L’interesse dei membri del gruppo di ricerca verte principalmente su quattro linee di ricerca:
1. Elaborazione di tecniche di analisi statistiche multivariate per la previsione di serie storiche non-stazionarie. Nell’ambito dei filoni di ricerca originati dal concetto di cointegrazione (Engle e Granger, 1987), si registrano dei contributi di due componenti dell’unità di ricerca (Cubadda, 1995; 1999a; 1999b; 2000; Cubadda e Hecq, 2001; Centoni e Cubadda, 2003) alla letteratura sulla cointegrazione stagionale (Johansen e Schaumburg, 1998) e sulla nozione di cicli comuni (Vahid e Engle, 1993).
2. Analisi di serie storiche a memoria lunga mediante decomposizione wavelets. Con riferimento al parametro di Hurst H che caratterizza il grado di autosimilarità (e long range dependence tramite semplice trasformazione del parametro), si intendono valutare, in termini comparativi rispetto a corrispondenti proprietà dello stimatore noto come Whittle “aggregato” (De Giovanni, 2000; De Giovanni e Naldi, 2000), basato su una approssimazione della funzione di log-verosimiglianza per processi gaussiani (Dahlahus, 1989), le proprietà statistiche, computazionali e di robustezza di una recente proposta di stima semiparametrica basata sulle wavelets (Daubechies, 1992; Abry e Veitch, 1998; Abry e Veitch, 1999). Alcuni risultati sono contenuti in De Giovanni, Naldi (2003). La decomposizione wavelets di una serie può efficacemente essere utilizzata anche a fini previsivi (ad esempio in problemi di regressione non parametrica).
3. Elaborazione di modelli dinamici per la previsione economica e l'analisi di breve periodo. Nonostante molte serie macroeconomiche siano caratterizzate da un elevato grado di persistenza, gli analisti economici e finanziari attribuiscono un grande valore alle previsioni economiche di breve periodo. L'esperienza maturata da uno dei componenti del gruppo (Bruno e Lupi, 2002a, 2002b) indica, coerentemente con la letteratura recente in materia (si veda per tutti Clements e Hendry, 1999), che non sempre modelli sviluppati nell'ambito della classe ECM (Equilibrium Correction Mechanism) sono i più adeguati per questi fini, in particolare quando le serie oggetto della previsione sono soggette a breaks strutturali. In effetti, i dati macroeconomici, oltre ad essere caratterizzati da persistenza elevata, sono anche generalmente soggetti a mutamenti strutturali e a revisioni periodiche di entità non trascurabile (Lupi e Peracchi, 2003). Infine, risultati preliminari (Bruno e Lupi 2002a) sembrano indicare che la modellizzazione delle interazioni esistenti tra le componenti di crescita, ciclo e stagionalità delle serie macroeconomiche possono portare a guadagni significativi in termini di capacità previsiva.
4. Specificazione di modelli dinamici per variabili ecologiche e la loro analisi statistica. Con riferimento a serie storicheecologiche sono state evidenziate caratteristiche di long range dependence (Veneziano, 1999; Haslett e Raftery, 1989) e la possibilità di analisi tramite tecniche statistiche multivariate (Tong, 1990). Nell’ambito delle tecniche di analisi delle dinamiche territoriali basate sull’integrale di correlazione e sull’esponente di Lyapunov, un componente dell’unità di ricerca ha già fornito un contributo (Di Traglia, 2001).
5. Modelli non-lineari per la previsione del ciclo economico. L’idea che il ciclo degli affari possa essere caratterizzato da comportamenti non-lineari non è nuova in macroeconomia. La moderna analisi delle serie storiche ha recentemente registrato un crescente numero di contributi, di natura sia teorica che empirica, circa la asimmetria e l'irreversibilità del ciclo economico. Granger e Terasvirta (1994), Mittnik e Niu (1994), Potter (1994) e Ramsey e Rothman (1996) riportano interessanti risultati empirici in questa direzione. Un componente dell’unità di ricerca ha recentemente fornito ulteriori evidenze a favore dell'asimmetria del ciclo dei paesi del G7 (Andreano e Savio, 2002). L'idea della non-linearità del ciclo può essere estesa all'analisi congiunta di più variabili e interpretata come caratteristica comune. Anderson e Vahid (1998) propongono un approccio basato sulla correlazione canonica per studiare la non-linearità ciclica comune. I modelli fattoriali che ne derivano dimostrano grandi potenzialità previsive.


Testo inglese

Within the national research project on time series analysis, the present research unit will consider specifically the recent developments regarding models for forecasting persistent time series. A time series is considered persistent if it is characterized by frequencies where the spectrum is unbounded, typically the zero and seasonal ones.
Persistency seems to be a widespread characteristic of time series in economics, as manifested by the relevant literature on cointegration; in telecommunication, where statistical analyses have shown evidence in favor of the presence of long range dependence in the stationary process of the increments of the arrival process of IP (Internet Protocol) packets; and in ecology.
Forecasting persistent time series points out two methodological problems: (a) the detection of the “form” of persistency characterizing the observed time series (long memory, first order integration, seasonal integration, etc); (b) the identification of a model for the short memory components of the observed time series.
The members of the research unit wish to investigate four main research fields:
1. Specification of multivariate statistical analyses techniques for forecasting non stationary time series. In the research field arisen from the cointegration approach (Engle and Granger, 1987), two members of the research unit have already provided contributions (Cubadda, 1995; 1999a; 1999b; 2000; Cubadda and Hecq, 2001; Centoni and Cubadda, 2003) to the literature concerning seasonal cointegration (Johansen and Schaumburg, 1998) and common cycles (Vahid and Engle, 1993).
2. Wavelet based analysis of long memory time series.
As far as the Hurst parameter H characterizing the degree of self similarity (and the degree of long range dependence via a simple parameter transformation) is concerned, statistical, computational and robustness properties of a recently proposed semiparametric wavelet based estimator (Daubechies, 1992; Abry and Veitch, 1998; Abry and Veitch, 1999) will be evaluated and compared against corresponding properties of the proposal of semiparametric estimation of the parameter H referred to as “aggregated” Whittle (De Giovanni, 2000; De Giovanni and Naldi, 2000), based on an approximation of the log-likelihood function for Gaussian processes (Dahlahus, 1989). Some results are described in De Giovanni, Naldi (2003). The wavelet representation of a time series can be effectively used also in forecasting (for example in non parametric regression models).
3. Dynamic modelling for short-term macroeconomic analysis and forecasting. Even if many macroeconomic time series are highly persistent, nevertheless economists and financial analysts are extremely interested in short-term forecasts. Experience suggests (Bruno e Lupi, 2002a, 2002b) that, in line with the recent literature on the topic (see for all Clements e Hendry, 1999), dynamic ECM models are not always the most appropriate for short-term forecasting, above all in the presence of structural breaks Indeed, macroeconomic data are not only persistent, but also characterized by structural breaks and frequent data revisions (Lupi e Peracchi, 2003). Finally, preliminary results (Bruno e Lupi 2002a) seem to indicate that modelling the interactions between growth, cycle and seasonality may give significant gains in terms of forecasting performance
4. Specification of dynamic models for ecological variables and corresponding statistical analyses. With reference to ecological time series, long range dependence characteristics (Veneziano, 1999; Haslett and Raftery, 1989) and the possibility to apply multivariate statistical techniques (Tong, 1990) have already been shown. In the field of the methodologies of analyses of territorial dynamics based on the correlation integral and the Lyapunov exponent, a member of the research unit has provided contributions (Di Traglia, 2001).
5. Non-linear models for forecasting the business cycles. The idea that the business cycles may be characterized by an asymmetric behaviour is an old one in macroeconomics. Modern time series analysis have stimulated a resurgence of theoretical and empirical works on such issue. Ramsey and Rothman (1996), Granger and Terasvirta (1993), Mittnik and Niu (1994) and Potter (1994) survey the empirical literature regarding irreversibility and asymmetry of the business cycles. A member of the research unity has recently provided further evidence in favor on the asymmetry of the G7 countries business cycles. The idea of nonlinear business cycles may be extended to interrelated variables and analyzed within a common feature framework. Anderson and Vahid (1998) provide a canonical correlation approach for studying common nonlinear feature. The implied nonlinear factor model shows potential for forecasting.


2.4.a Riferimenti bibliografici

Abry, P., and D. Veitch (1998), “Wavelet Analysis of Long Range Dependent Traffic”. IEEE Trans. Info. Th., 44, 1, 2-15.
Abry, P., and D. Veitch (1999), “A Wavelet Based Joint Estimator of the Parameters of Long Range Dependence”. Special issue on Multiscale Statistical Signal Analysis and its Applications, IEEE Trans. Info. Th., 45, 3.
Anderson, H.M. and Vahid, F. (1998): "Testing multiple equation system for common nonlinear components", Journal of Econometrics, 84, 1-36.
Andreano, M.S. and G. Savio (2002), "Further evidence on business cycle asymmetries in G7 countries", Applied Economics, vol. 34, p. 895-904.
Bruno, G., and Lupi, C. (2002a), "Forecasting Euro-Area Industrial Production Using (Mostly) Business Surveys", Università del Molise, Documenti di lavoro del Dipartimento SEGeS.
Bruno, G., and Lupi, C. (2002a), "Forecasting Industrial Producion and the Early Detection of Turning Points", Università del Molise, Documenti di lavoro del Dipartimento SEGeS.
Centoni M. and G. Cubadda (2003) “Measuring the Business Cycle Effects of Permanent and Transitory Shocks in Cointegrated Time Series”, Economics Letters, forthcoming.
Clements, M.P., and Hendry, D.F. (1999), Forecasting Non-stationary Economic Time Series. Cambridge, Mass.: MIT Press.
Cubadda, G. (1995) “A note on testing for seasonal cointegration using principal components in the frequency domain”, Journal of Time Series Analysis, 16, 499-508.
Cubadda, G. (1999a) “Common cycles in seasonal non-stationary time series” Journal of Applied Econometrics, 14, 273-291.
Cubadda, G. (1999b) “Common serial correlation and common business cycles: a cautious note”, Empirical Economics, 24, 529-535.
Cubadda, G. (2000) “Common features in time series with both deterministic and stochastic seasonality”, Econometric Reviews, 20, 201-216.
Cubadda, G. (2001), “Complex reduced rank models for seasonally cointegrated time series”, Oxford Bulletin of Economics and Statistics, 63, 497-511.
Cubadda, G., and A. Hecq (2001), “Onnon-contemporaneous short-run comovements”, Economics Letters, 73, 389-397.
Dahlhaus, R. (1989), “Efficient parameter estimation for self-similar processes”, The Annals of Statistics, 7, 4, 1749-1766.
Daubechies, I. (1992), Ten Lectures on wavelets. SIAM.
De Giovanni L., and M. Naldi (2000), “Identification of long range dependence in telecommunication networks”, Rivista di Statistica Applicata vol. 12, no. 1.
De Giovanni L., and M. Naldi (2003), “Analysis of a wavelet based estimator of long range dependence in high-speed data networks.”, mimeo.
De Giovanni, L. (2000), “Tecniche statistiche per l'individuazione di dipendenze a memoria lunga: applicazione a dati reali in telecomunicazioni”, Atti della XL Riunione Scientifica della Società Italiana di Statistica SIS 2000, 141-144.
Di Traglia, M. (2001), “Un Modello Statistico-Matematico per la Previsione e Controllo della Dinamica Fluviale”, Atti della Giornata di Studio su Metodi Statistici e Matematici per l’Analisi delle Serie Ideologiche, CNR, Roma.
Engle, R. F., and C. W. J. Granger (1987), “Cointegration and error-correction representation: estimation and testing”. Econometrica, 55, 271-276.
Granger, C.W.J. and Terasvirta, T. (1993), Modelling Nonlinear Economic Relationships, Oxford University Press, Oxford
Haslett, J., and A.E. Raftery (1989), “Space-time modeling with long memory dependence: assessing Ireland's wind power resource”, Journal of Royal Statistical Society, 38, 1-50.
Lupi, C., and Peracchi, F. (2003), "The Limits to Statistical Information: How Important are GDP Revisions in Italy?", forthcoming in Monitoring Italy II.
Mittnik, S. and Niu, Z. (1994), "Asymmetriies in business cycles: econometric techniques and empirical evidence", in Business Cycles: Theory and Empirical Methods (Ed.) W. Semmler, Kluwer Academic Publishers, Boston.
Potter , S.M. (1994, "Asymmetric economic propagation mechanism", in Business Cycle: Theory and Empirical Methods, (Ed.) W. Semmler, Kluwer Academic Publishers, Boston.
Ramsey, J.B. and Rothman, P. (1996), "Time reversibility and business cycle asymmetry", Journal of Money, Credit and Banking, 28, 1-21.
Tong, H. (1990), Non linear Time Series. A Dynamical System Approach, Oxford University Press.
Vahid, F., and R. F. Engle (1993), “Common trends and common cycles”, Journal of Applied Econometrics, 8, 341-360.
Veneziano, D. (1999), “Basic Properties and Characteritation of Stochastically Self-Similar Processes in RD”, Fractals, 7(1), 59-79.


2.5 Descrizione del programma e dei compiti dell'Unità di Ricerca


Testo italiano

Gli obiettivi della presente unità di ricerca consistono nello sviluppo di nuove proposte metodologiche nelle due direzioni di cui al punto (2.2). L’intento è di diffondere i risultati ottenuti mediante pubblicazioni su riviste nazionali e internazionali, interventi a convegni e realizzazione di software specifico.
Il lavoro verrà articolato per obiettivi specifici, dei quali saranno responsabili singoli membri o sottogruppi secondo lo schema seguente:
1. Nuovi strumenti per l’analisi di serie storiche economiche non-stazionarie e non-lineari.
Negli ultimi anni, l’analisi statistica delle serie storiche economiche ha proposto nuovi strumenti, basati sulla logica della cointegrazione, per l'analisi dei co-movimenti tra variabili non-stazionarie. In questo ambito, ci si propone di fornire contributi in tre direzioni: (a) l’importanza della presenza di cicli comuni per la costruzioni di indicatori sintetici (coincidenti e anticipatori) del ciclo degli affari; (b) l’elaborazione di procedure inferenziali efficienti, sia in senso statistico che computazionale, per l’analisi di cointegrazione di serie stagionali; (c) la costruzione di nuove misure dei co-movimenti nel ciclo internazionale degli affari, basandosi sullo sviluppo di tecniche bootstrap per valutare la variabilità campionaria; (d) analisi di componenti non-lineari comuni, con applicazioni alla previsione del ciclo degli affari.
2. Analisi e sintesi (simulazione) di serie storiche a memoria lunga mediante wavelets.
L’analisi statistica di stimatori del parametro di Hurst H prosegue con l’esame delle proprietà statistiche, computazionali e di robustezza di una recente proposta di stima semiparametrica del parametro di Hurst H basata sulle wavelets e con il confronto delle stesse con le corrispondenti proprietà di altri stimatori. Si intende anche migliorare lo stimatore del parametro di Hurst basato su wavelets proposto in letteratura con una sua versione piu’ efficiente. La decomposizione wavelet di una serie offre, oltre ad una buona localizzazione della serie sia nel tempo che in frequenza, il pregio di identificare trends polinomiali, che potrebbero essere erroneamente confusi con la presenza simultanea di stazionarietà e long range dependence, e di eliminarne l’influenza sulla stima di H. Si intendono inoltre valutare i vantaggi metodologici e computazionali della simulazione di processi a memoria lunga sfruttando la corrispondente decomposizione wavelets. I programmi software relativi sia all’analisi che alla sintesi mediante wavelets verranno resi disponibili.
3. Analisi e previsioni delle dinamiche territoriali
Per quanto riguarda l’analisi statistica delle serie storiche ecologiche ed ambientali, i contributi originali che si intende produrre riguardano la specificazione di modelli per lo studio di dinamiche territoriali nell’ambito della classe Lotka-Volterra (cooperazione-competizione) con componenti stocastiche, attraverso l’integrale di correlazione e l’esponente di Lyapunov. Inoltre, l’analisi della stabilità delle previsioni in questi sistemi stocastici che risultano non lineari e, (per certi valori dei parametri) di natura caotica, verrà condotta con le metodologie dell’analisi multivariata e dell’inferenza statistica non parametrica.
Gli obiettivi verranno portati avanti parallelamente nei due anni della durata della ricerca e i progressi saranno verificati a scadenze regolari (3-4 mesi) con riunioni e discussione dei risultati.


Testo inglese

Testo inglese
The goal of the research units consists in the development of new methodological proposals in the three directions mentioned in section 2.2. The aim is the circulation of the obtained results through the submission of papers to national and international reviews, the participation to conferences and the implementation of related software.
The work will be divided into specific objectives, each of which under the responsibility of a single member or groups conforming to the following scheme:
1. New methodologies for the analysis of non stationary and non linear economic time series.
In the last years the statistical analysis of time series has proposed new methods, based on cointegration principles, for the analysis of co-movements among non stationary variables. Contributions are foreseen in three directions: (a) the relevance of the presence of common cycles in defining synthetic indicators (coincident and leading) of the business cycle; (b) the definition of inferential procedures, efficient both from the statistical and the computational point of view, for the analysis of cointegration in seasonal time series; (c) building new measures of co-movements in the cyclical behaviour of outputs across countries, relying on bootstrap procedures to asses sample variability; (d) analysis of common non-linear components, with applications to business cycles forecasting
2. Analysis and Synthesis (simulation) of long memory time series using wavelets.
The statistical analysis of estimators of the Hurst parameter H is carried on examining the statistical, computational and robustness properties of a recently proposed semiparametric wavelet based estimator and comparing them against corresponding properties of other estimators. A more efficient version of the wavelet based estimator of the Hurst parameter H will be also proposed. The wavelet decomposition of a time series offers, besides a good localization of the time series both in time and frequency, the advantage to identify polynomial trends, that may be confused with the simultaneous presence of stationarity and long range dependence, so that the estimation of H is not affected by the presence of the trend. The methodological and computational advantages of the simulation (synthesis) of long memory processes via their corresponding wavelet representation will be also evaluated. The software implementing the analysis and synthesis of long memory processes will be also available.
3. Analysis and forecasting of territorial dynamics.
As far as the statistical analysis of ecological time series is concerned, new models for the analysis of territorial dynamics will be specified in the class of models referred to as Lotka-Volterra (cooperation-competition) with stochastic components, based on the correlation integral and on the Lyapunov exponent. Moreover, the analysis of the stability of forecasting these non linear (and chaotic for some choices of the parameters) stochastic systems will be carried on based on the use of multivariate statistical techniques and non parametric statistical inference techniques.
The objectives will be carried on in parallel during the two years and the work progress will be checked at regular intervals (3-4 months) through meetings and discussions of the obtained results.


2.6 Descrizione delle attrezzature già disponibili ed utilizzabili per la ricerca proposta


Testo italiano


Nessuna

Testo inglese

Nessuna



2.7 Descrizione della richiesta di Grandi attrezzature (GA)


Testo italiano


Nessuna

Testo inglese

Nessuna



2.8 Mesi uomo complessivi dedicati al programma

  Numero  Mesi Uomo 
Personale universitario dell'Università sede dell'Unità di Ricerca  5  89 
Personale universitario dell'Università sede dell'Unità di Ricerca (altri)  0  0 
Personale universitario di altre Università  1  8 
Personale universitario di altre Università (altri)  0  0 
Titolari di assegni di ricerca  0  0 
Titolari di borse dottorato e post-dottorato  0  0 
Personale a contratto   0  0 
Personale extrauniversitario  0  0 
TOTALE 97 




PARTE III


3.1 Costo complessivo del Programma dell'Unità di Ricerca


Testo italiano

Voce di spesa  Spesa in Euro  Descrizione 
Materiale inventariabile  9.000  Computers, stampanti, libri, riviste, CD rom e software specialistico 
Grandi Attrezzature     
Materiale di consumo e funzionamento  1.500  Cancelleria, carta, dischetti e manutenzione macchine. 
Spese per calcolo ed elaborazione dati     
Personale a contratto     
Servizi esterni     
Missioni  17.000  Viaggi dei membri e inviti a ricercatori stranieri. 
Pubblicazioni     
Partecipazione / Organizzazione convegni  6.000  Iscrizioni a convegni, organizzazione convegni e incontri. 
Altro   1.500  Partecipazione a spese generali e telefoniche. 
TOTALE 35.000    



Testo inglese

Voce di spesa  Spesa in Euro  Descrizione 
Materiale inventariabile  9.000  Computers, printers, books, journals, CD rom, and specialised software. 
Grandi Attrezzature     
Materiale di consumo e funzionamento  1.500  Stationery, diskettes, photocopies, and computer maintenance. 
Spese per calcolo ed elaborazione dati     
Personale a contratto     
Servizi esterni     
Missioni  17.000  Travels of research members, and foreign researchers invitations. 
Pubblicazioni     
Partecipazione / Organizzazione convegni  6.000  Meeting registration fees, and organisation of meetings of the research group. 
Altro   1.500  General and phone expenses sharing. 
TOTALE 35.000    


 

Il progetto è già stato cofinanziato da altre amministrazioni pubbliche (art. 4 bando 2003)?     NO  




 


3.3 Tabella riassuntiva

Costo complessivo del Programma dell'Unità di Ricerca  35.000 
Costo minimo per garantire la possibilità di verifica dei risultati  32.000 
Fondi disponibili (RD)  1.500 
Fondi acquisibili (RA)  9.000 
Cofinanziamento di altre amministrazioni pubbliche (art. 4 bando 2003)   
Cofinanziamento richiesto al MIUR  24.500 




PARTE IV


4.1 Risorse finanziarie già disponibili all'atto della domanda e utilizzabili a sostegno del Programma

 

Provenienza  Anno  Importo disponibile  Note 
Università  2003   1.500  Fondo di Ateneo per la Ricerca sul Territorio 
Dipartimento       
CNR       
Unione Europea       
Altro       
TOTALE    1.500    



4.2 Risorse finanziarie acquisibili in data successiva a quella della domanda e utilizzabili a sostegno del programma nell'ambito della durata prevista

 

Provenienza  Anno della domanda o stipula del contratto  Stato di approvazione  Quota disponibile per il programma  Note 
Università  2003   disponibile in caso di accettazione della domanda   9.000  Fondo di Ateneo 
Dipartimento         
CNR         
Unione Europea         
Altro         
TOTALE       9.000    



4.3 Certifico la dichiarata disponibilità e l'utilizzabilità dei fondi di cui ai punti 4.1 e 4.2:

SI


(per la copia da depositare presso l'Ateneo e per l'assenso alla diffusione via Internet delle informazioni riguardanti i programmi finanziati; legge del 31.12.96 n° 675 sulla "Tutela dei dati personali")


Firma _____________________________________   Data 18/03/2003 ore 17:50