MINISTERO DELL'ISTRUZIONE, DELL'UNIVERSIT└ 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 UNIT└ DI RICERCA - MODELLO B
Anno 2003 - prot. 2003131041_004
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     
UniversitÓ degli Studi di ROMA "La Sapienza"     
FacoltÓ di SCIENZE STATISTICHE     
Dipartimento di STATISTICA,PROBABILITA' E STATISTICHE APPLICATE     

1.4 Responsabile Scientifico dell'UnitÓ di Ricerca

FIORENTINI  GABRIELE   
Professore Ordinario  24/12/1961  FRNGRL61T24G843W 
SECS-P/05 - Econometria     
UniversitÓ degli Studi di FIRENZE     
FacoltÓ di ECONOMIA     
Dipartimento di STATISTICA     

(Prefisso e telefono)
 

(Numero fax)
 
fiorentini@ds.unifi.it
(Email)
 

1.5 Curriculum scientifico del Responsabile Scientifico dell'UnitÓ di Ricerca


Testo italiano

Nato a Pontedera il 24 Dicembre 1961

Ph. D. in Economia (Istituto Universitario Europeo, 1995)

Professore Ordinario di econometria, Universita' di Firenze, Facolta' di Economia dal 2002.

Membro del Instituto Valenciano de Investigaciones Economicas

Editore associato di "Investigaciones Economicas"


ESPERIENZE PRECEDENTI

Profesor Titular de Universidad, UniversitÓ di Alicante. (1996-2002)

Visiting Scientist al Centro Comune di Ricerca della Commissione Europea. (03/2000-02/2001 e 07/2001-06/2002)

Research Fellow, Centros de Estudios Monetarios y Financieros di Madrid. 1994-1996.

Professore a Contratto di Statistica, UniversitÓ di Sassari, (1993-1994)

Research Fellow al European University Institute 10/1989-08/1990

Borsista al Centro Scientifico IBM di Pisa. 10/1988-09/1989


ALTRE ATTIVITA'

Referee per:
Investigaciones Econˇmicas
Spanish Economic Review
Revista de EconomÝa Aplicada
Journal of Business and Economic Statistics
Journal of Empirical Finance
Journalof Economic Dynamics and Control
Journal of Forecasting
Journal of Econometrics
Review of Economics and Statistics
Journal of Financial Econometrics
Econometrics Journal.

Membro del Program Committee Econometric Society European Meeting 1998, Berlin.

Membro del Program Committee del XXVI Simposio de Analisis Economico, 2001.

Membro del Program Committee Econometric Society European Meeting 2003, Stockolm.

Membro e promotore di diversi Progetti Scientifici Finanziati del MURST, DGICYT del Ministerio de Educacion y Ciencia Spagnolo, IVIE e Commisone Europea (V Pro-gramma Quadro).

Principali Comunicazioni a Congressi:
World Meeting of the Econometric Society: 1990, 1995.
Econometric Society European Meeting: 1992, 1993, 1994, 1996, 1997, 1998, 2001.
European Conferences of the Econom[etr]ics Community EC2: 1996, 1999.
ASSET Meetings: 1996, 1998.

Seminari in diverse universita' e centri di ricerca italiani nazionali ed internazionali.


Testo inglese
Born in Pontedera (Italy) 24th December 1961

Ph. D. in Economics (European University Institute, 1995)

Professor of Econometrics, University of Firenze, Department of Statistics (since November 2002).

Member of the Instituto Valenciano de Investigaciones Economicas

Associate Editor of "Investigaciones Economicas"


PREVIOUS POSITIOINS

Professor of Econometrics, University of Alicante. (1996-2002)

Visiting Scientist at Joint Research Centre of the European Commission (03/2000-02/2001 and 07/2001-06/2002)

Research Fellow at Centros de Estudios Monetarios y Financieros (CEMFI) of Madrid. 1994-1996.

Visting Professor of Statistics, University of Sassari, (1993-1994)

Research Fellow at the European University Institute 10/1989-08/1990

Grant-holder at the IBM Scientific Centre of Pisa. 10/1988-09/1989


OTHER ACTIVITIES

Referee for:
Investigaciones Econˇmicas
Spanish Economic Review
Revista de EconomÝa Aplicada
Journal of Business and Economic Statistics
Journal of Empirical Finance
Journal of Economic Dynamics and Control
Journal of Forecasting
Journal of Econometrics
Review of Economics and Statistics
Journal of Financial Econometrics
Econometrics Journal.

Member of the Program Committee of the Econometric Society European Meeting 1998, Berlin.

Member of the Program Committee of the XXVI Simposio de Analisis Economico, 2001.

Member of the Program Committee of the Econometric Society European Meeting 2003, Stockolm.

Member and/or Director of Scientific projects for MURST, DGICYT of the Spanish Ministerio de Educacion y Ciencia, IVIE and European Commission.

Presentations at conferences:
World Meeting of the Econometric Society: 1990, 1995.
Econometric Society European Meeting: 1992, 1993, 1994, 1996, 1997, 1998, 2001.
European Conferences of the Econom[etr]ics Community EC2: 1996, 1999.
ASSET Meetings: 1996, 1998.

Seminars in several universities and research centres in Italy and abroad.

1.6 Pubblicazioni scientifiche pi¨ significative del Responsabile Scientifico dell'UnitÓ di Ricerca

 

1. FIORENTINI G.; SENTANA E.; CALZOLARI G. (2003). “Maximum Likelihood Estimation and Inference in Multivariate Conditionally Heteroskedastic Dynamic Regression Models with Student t Innovations” JOURNAL OF BUSINESS AND ECONOMIC STATISTICS. Forthcoming.  
2. FIORENTINI G.; LEON A.; RUBIO G (2002). “Estimation and Empirical Performance of Heston's Stochastic Volatility Model: The Case of a Thinly Traded Market” JOURNAL OF EMPIRICAL FINANCE. (vol. 9 pp. 225-255)  
3. FIORENTINI G.; PLANAS C (2001). "Overcoming Non-Admissibility in ARIMA model based Signal Extraction" JOURNAL OF BUSINESS AND ECONOMIC STATISTICS. (vol. 19 pp. 455-464)  
4. SENTANA E.; FIORENTINI G. (2001). “Identification, estimation and testing of conditionally heteroskedastic factor models” JOURNAL OF ECONOMETRICS. (vol. 102 pp. 143-164)  
5. FIORENTINI G.; SENTANA E. (1998). “Conditional Means of Time Series Processes and Time Series Processes for Conditional Means. ” INTERNATIONAL ECONOMIC REVIEW. (vol. 39 pp. 1101-1118)  

1.7.1 Personale universitario dell'UniversitÓ sede dell'UnitÓ di Ricerca

Personale docente

n║ Cognome  Nome  Dipartimento   Qualifica  Settore Disc.  Mesi Uomo 
1░ anno  2░ anno 
1. CALZOLARI   Giorgio   Dip. STATISTICA   Prof. Ordinario   SECS-P/05   11   4  
2. CIPOLLINI   Fabrizio   Dip. STATISTICA   Ricercatore Universitario   SECS-S/01   2   2  
3. FIORENTINI   Gabriele   Dip. STATISTICA   Prof. Ordinario   SECS-P/05   7   7  
4. GALLO   Giampiero Maria   Dip. STATISTICA   Prof. Ordinario   SECS-P/05   2   2  
                 22  15 


Altro personale


Nessuno

1.7.2 Personale universitario di altre UniversitÓ

Personale docente

n║ Cognome  Nome  UniversitÓ  Dipartimento/Istituto  Qualifica  Settore Disc.  Mesi Uomo 
1░ anno  2░ anno 
1. DI IORIO   Francesca   NAPOLI   Dip. SCIENZE STATISTICHE   RU   SECS-S/01   11   6  
2. CLEUR   Eugene Maurice   PISA   Dip. STATISTICA E MATEMATICA APPLICATA ALL'ECONOMIA   PO   SECS-S/01   11   4  
3. OTRANTO   Edoardo   SASSARI   Ist. Economico ed aziendale   RU   SECS-S/01   11   2  
                    33  12 


Altro personale

n║ Cognome  Nome  UniversitÓ  Dipartimento   Qualifica  Mesi Uomo 
1░ anno  2░ anno 
1. MERCATANTI  Andrea  Universita' di PISA   STATISTICA  ASSEGNISTA  3   3  
                

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)

n║ Cognome  Nome  Dipartimento/Istituto  Anno del titolo  Mesi Uomo 
1░ anno  2░ anno 
1. DI MISCIA  Orazio  Dip. STATISTICA   2004  5   5  
2. LOMBARDI  Marco J.  Dip. STATISTICA   2004  5   5  
3. SUSINI  Elisa  Dip. STATISTICA   2005  5   5  
              15  15 

1.7.5 Personale a contratto da destinare a questo specifico programma


Nessuno

1.7.6 Personale extrauniversitario dipendente da altri Enti

n║ Cognome  Nome  Nome dell'ente  Qualifica  Mesi Uomo 
1░ anno  2░ anno 
1. SENTANA  Enrique  C.E.M.F.I. (Madrid)  Professore  7   7  
2. VANNUCCI  Marina  Texas A&M University  Assistant Professor  7   7  
              14  14 





PARTE II

2.1 Titolo specifico del programma svolto dall'UnitÓ di Ricerca


Testo italiano

Specificazione, stima e verifica di modelli con variabili latenti per lo studio e la previsione di serie storiche economiche e finanziarie.


Testo inglese
Specification, estimation and testing of latent variable models. Applications to the analysis and forecasting of economic and financial time series.

2.2 Settori scientifico-disciplinari interessati dal Programma di Ricerca

 

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

2.3 Parole chiave


Testo italiano

SERIE STORICHE ; PREVISIONE ; MODELLI FATTORIALI ; VALUTAZIONE DEL RISCHIO ; FILTRO DI KALMAN ; FILTRO DI WIENER-KOLMOGOROV ; STIME PER SIMULAZIONE ; MARKOV CHAIN MONTE CARLO


Testo inglese
TIME SERIES ; FORECASTING ; FACTOR MODELS ; RISK MODELLING ; KALMAN FILTER ; WIENER-KOLMOGOROV FILTER ; SIMULATION BASED ESTIMATORS ; MARKOV CHAIN MONTE CARLO

2.4 Base di partenza scientifica nazionale o internazionale


Testo italiano

I modelli con variabili latenti hanno assunto negli ultimi dieci anni un'importanza sempre maggiore nello studio e nella previsione dei fenomeni economici e finanziari. Gli esempi di applicazioni di modelli con variabili latenti sono molteplici. Si pensi ai modelli fattoriali dinamici e alle loro applicazioni allo studio del ciclo economico, alla previsione dei piu' importanti aggregati dei conti pubblici trimestrali e alla costruzione di indicatori congiunturali sintetici.
In politica economica, troviamo esempi significativi di modelli con variabili latenti per la stima dell'"Output Gap" e dell'"Unemployment Gap".
In finanza, la letteratura sui modelli univariati e multivariati per la stima della volatilita' degli strumenti finanziari e' enorme. Dagli accordi di Basilea in poi rivestono un ruolo fondamentale le applicazioni di questi modelli alla stima del "Value at Risk".
Per ultime, non certo per importanza, si pensi alle applicazioni nel campo delle statistiche ufficiali, in particolare ai notevoli sviluppi che si sono avuti negli ultimi anni nei metodi per la stima delle componenti stagionali, degli effetti di calendario e delle anomalie nelle serie storiche. Piu' recentemente l'attenzione degli studiosi si e' rivolta anche allo sviluppo di metodi rapidi e robusti per l'identificazione di errori nei dati da parte degli istituti statistici incaricati della pubblicazione.

Per quanto riguarda i modelli fattoriali dinamici ed il loro utilizzo a fini previsivi i due filoni di ricerca principali sono quelli iniziati da Forni, Hallin, Lippi e Reichlin da una parte e da Stock e Watson dall'altra. I primi, in una serie di lavori pubblicati recentemente ed altri in via di pubblicazione, propongono di usare le componenti principali dinamiche (Brillinger) dimostrando la loro validita' anche per i casi piu' realistici di strutture fattoriali generalizzate. Il vantaggio di usare i modelli dinamici deriva dal fatto che si riescono a individuare le diverse relazioni di "leading" e "lagging" tra le variabili economiche e la stima risultante e' quindi piu' efficiente. I secondi propongono invece di usare un modello statico "augmented" e, sempre attraverso l'uso delle componenti principali "statiche", individuano lo spazio generato dai fattori comuni e lo usano come insieme informativo su cui basare le previsioni delle serie di interesse. Entrambi gli approcci permettono di usare congiuntamente l'informazione contenuta in migliaia di serie.
Se da una parte la teoria e' abbastanza sviluppata, lo stesso non si puo dire per le applicazioni empiriche, che sono scarse. Le applicazioni piu' note sono quelle di Marcellino, Stock e Watson e l'indicatore sintetico del ciclo economico e sviluppato congiuntamente dalla Banca d'Italia e dal Centre for Economic Policy and Research (CEPR).
L'altro problema e' che questi metodi sono non parametrici e partono dalle ipotesi che le serie storiche siano debolmente stazionarie. Quest'ultima ipotesi non e' verificata in pratica e quindi le serie sono soggette a trasformazioni preliminari per rimuovere la tendenza e la stagionalita'. La conseguenza e' che l'utilizzo di metodi di trasformazione diversi puo' dar luogo a risultati molto diversi tra loro (Fiorentini e Planas).

I modelli per la stima del prodotto potenziale e conseguentemente dell'"Output Gap" hanno assunto un'importanza crescente specialmente se si considera che il patto di stabilita' dei paesi che aderiscono alla moneta unica e' stato rivisto nel senso di tenere in considerazione le diverse condizioni del ciclo economico e della congiuntura internazionale. La stima dell'"Output Gap" e' anche molto importante nei casi in cui le banche centrali seguono una regola di Taylor nella determinazione delle loro politiche monetarie. Il problema principale e' che, trattandosi di una variabile latente, il risultato della stima dipende fondamentalmente dal tipo di processo (modello) che si ipotizza e si stima.
Sarebbe auspicabile poter misurare e quantificare l'incertezza dei risultati derivante dalla scelta del modello usato per la stima. In questo caso sarebbe auspicabile l'applicazione al problema dei metodi cosiddetti "MC al cubo", ovvero Markov Chain Monte Carlo Model Compositions. Questi metodi si sono sviluppati molto in statistica grazie ai mezzi di calcolo sempre piu' potenti, ma sono a tutt'oggi poco impegati nelle applicazioni di tipo economico, econometrico e statistico economico.

La letteratura su modelli e applicazioni empiriche sulla stima della volatilita' delle serie storiche finanziarie e' enorme.
Si pensi alle migliaia di articoli su GARCH e Stochastic Volatilty apparsi su riviste nazionali e internazionali. Tuttavia, piu' recentemente l'attenzione degli studiosi si e' incentrata su metodi per la stima della volatilita' di portafogli di grandi dimensioni. I metodi multivariati proposti inizialmente erano applicabili a solo due o tre serie storiche alla volta. Ci sono fondamentalmente tre tipi di approccio. Il primo e' basato su metodi di ortogonalizzazione piu' o meni arbitari (si vedano i lavori di Giannini e Rossi, Alexander, Klaassen), il secondo e' basato su strutture fattoriali in cui i fattori non osservabili seguono dei processi GARCH o di Stochastic Volatility (si vedano a questo proposito i lavori di Diebold e Nerlove, di King, Sentana e Wadwhani, di Chib, Nardari e Shephard e di Sentana e Fiorentini), e il terzo e' quello recentemente proposto da Engle che modella le correlazioni semplici fra rendimenti di diversi asset in maniera condizionatamente autoregressiva in modo da ricostruire a posteriori una matrice positiva definita delle varianze e covarianze. Il vantaggio del primo approccio e' dato dalla sua relativa semplicita' che si ottiene a costo di formulare delle ipotesi nulle troppo restrittive e forse poco realistiche. Il secondo metodo e' senz'altro piu' generale ma sicuramente piu' complesso e spesso difficilmente abbordabile con metodologie standard. Il problema e'dovuto al fatto che i processi GARCH non hanno buone proprieta' di aggregazione e, quindi, risulta spesso impossibile scrivere la funzione di verosimiglianza in quei modelli in cui appaiono processi latenti di tipo GARCH. Sia nell'ottica della statistica classica che in quella della statistica Bayesiana la soluzione sta necessariamente nell'utilizzo di metodi computazionalmente intensivi basati sulla stima per simulazione (metodo dei momenti simulati, inferenza indiretta, metodo dello score simulato, ecc.) e sui metodi di MCMC. Infine il terzo e' ancora allo stadio di sviluppo iniziale e le sue proprieta' hanno bisogno di essere analizzate in maniera sistematica.

Per quanto riguarda infine la stima delle componenti non osservabili (stagionalita', tendenza, effetti di calendario) in serie storiche di diversa natura molto e' stato fatto per le applicazioni ai dati mensili e trimestali (si pensi ai programmi TRAMO-SEATS e X12 sviluppati da Maravall e Findley). Si ricordi il programma TERROR derivato da TRAMO per l'identificazione di errori nei dati di serie storiche. Lo stesso grado di sviluppo non e' stato raggiunto nell'analisi dei dati di piu' alta frequenza come i dati giornalieri. Si pensi ai dati sul traffico telefonico e sul consumo dell'energia elettrica che sono senz'altro caratterizzati da variazioni piu' o meno sistematiche che dipendono non solo da fattori stagionali ma anche e soprattutto dai diversi giorni della settimana. Sarebbe senz'altro importante estendere i risultati di TRAMO-SEATS al caso di dati disponibili su base giornaliera o settimanale.


Testo inglese
Latent variable models have assumed an increasing importance in the past ten years for the analysis of economic and financial phenomena. The examples of applications which are made possible by latent variable models span several areas. One can think of the dynamic factor models and of their applications to the study of the business cycle, to the forecast of the most important quarterly income accounts aggregates and to the construction of synthetic cyclical indicators. In economic policy one of the most significant latent variable models is used to estimate Output and Unemployment Gaps. In the theory of financial markets the literature on univariate and multivariate models for the estimation of financial asset volatility is quite impressive. Starting from the Basle agreements the estimation of capital requirements for risk management has been mandatory for the financial institutions and in this respect it has a great importance for the supervision of risk by monetary authorities within the European Monetary Union.
Further applications one can think of are the applications in the area of official statistics, in particular the great developments that have been achieved in the past few years in the methodologies used to estimate the seasonal components, the calendar effects and generally the anomalies in the observed time series. More recently, the attention of academicians has been devoted to the developments of quick and robust methods for the identifications of errors in the data by the statistical institute in charge of publishing official data.
Dynamic Factor Models and their use for forecasting purposes have followed two parallel sets of contributions: the main ones are those started by Forni, Hallin, Lippi and Reichlin on the one hand and by Stock and Watson on the other. The former, in a series of papers published recently and others forthcoming, suggest to use dynamic principal components (Brillinger) showing their validity also for more realistic cases of generalized factor structures. The advantage from using dynamic models comes from their capability of identifying the various relationships of leading and lagging among economic variables and, therefore, the resulting estimates are more efficient. The latter authors, instead, suggest to use an augmented static model and using the traditional static principal components, identify the space generated by common factors and use it as an information set on which forecasts of the series of interest can be based. Both approaches allow one to use the joint information contained in thousand of time series.
If on the one hand the status of development of the theory is quite mature, the empirical applications are not so advanced. The most notable applications are the one by Marcellino, Stock e Watson and the synthetic business cycle indicator developed jointly by the Bank of Italy and by the Centre for Economic Policy and Research (CEPR).
As an additional problem, the above methods are nonparametric and assume weak stationarity of the time series. This last hypothesis is not satisfied in practice, therefore the series are preliminarily transformed to remove trend and seasonality. As a consequence, different transformation methods may lead to quite different results (Fiorentini and Planas).

Methods to estimate potential output and, therefore, the Output Gap are of great importance nowadays, specially considering that the stability agreement of the Euro-countries has been modified to take into account different conditions of the international business cycle.
An estimate of the Output Gap is also very important when the Central Banks follow a Taylor rule in fixing their monetary policies. The main problem is that, being a latent variable, the estimation result mainly depends on the process (model) which is assumed and estimated.
It would be desirable to measure and quantify uncertainty of the results due to the choice of model used for estimation. In this case it would be useful to apply the so called "MC cube" methods, that is Markov Chain Monte Carlo Model Compositions. These methods have been greatly developed in statistics, thanks to the modern powerful computation tools, but are not yet much applied in economics, econometrics and economic statistics.

The literature on models and empirical evaluation of volatility of financial time series is impressive. Thousands of articles on GARCH and Stochastic Volatility have been published in national and international journals. Recently, much interest has been given to methods for estimating the volatility of large portfolios. The multivariate methods originarily proposed were applicable only to sets of two or three time series.
There are mainly three types of approaches. The first is based on orthogonalization methods (e.g. Giannini and Rossi, Alexander, Klaassen); the second is based on factor structures, where the unobservable factors follow a GARCH or a Stochastic Volatility process (e.g. Diebold and Nerlove,King, Sentana and Wadwhani, or Chib, Nardari and Sentana, or Sentana and Fiorentini); the third is the approach recently proposed by Engle, that models the simple correlations between different asset returns with a conditionally autoregressive technique, to build, at the end, a positive definite variance covariance matrix. The advantage of the first approach is its simplicity, which is achieved through assumptions too restrictive and not much realistic.
The second method is surely more general, but much more complex and quite often impossible to tackle with standard techniques. The main reason is that GARCH processes do not have good aggregation properties, and therefore it is often impossible to write the likelihood function in those models that underly a latent GARCH process. Either in the classical statistical framework, or in the Bayesian framework, resort to computationally intensive simulation based methods is necessary (method of simulated moments, indirect inference, method of simulated score, etc.), or MCMC methods.
Finally, the third approach seems promising, but is still at a very preliminary stage, and its properties and performance still require a systematic investigation.

As far ar the estimation of unobservable components is concerned (seasonality, trend, calendar effects) for different types of time series much work was carried out for quarterly and monthly data (e.g. TRAMO-SEATS and X12 programs, developed by Maravall and Findley). Also must be recalled the program TERROR, derived from TRAMO, to identify errors in time series data. But a similar development has not yet been reached in the analysis of higher frequency data, like daily data (for example, data on telephone communications or electric power consumption, that follow some systematic patterns and fluctuations of a seasonal type, but also with a daily or weekly pattern). It would be important to extend the results of TRAMO-SEATS to weekly or daily data.

2.4.a Riferimenti bibliografici

Alexander, C. (2000): " A primer on the Orthogonal GARCH Model",
manuscript ISMA Centre, University of Reading, UK.

Altissimo F., A. Bassanetti, R. Cristadoro, M. Forni, M.Lippi, L. Reichlin and G. Veronese (2001): "A Real-time Coincident Indicator of the Euro-area Business Cycle", Bank of Italy, mimeo.

Altissimo, F. (2000): "Coincident and Leading Indicators of the Business Cycle: a Dynamic Principal Component Approach", Bank of Italy, mimeo.

Baxter M. and R.G. King (1999): "Measuring Business Cycles: Approximate Band-Pass Filters for Economic Time Series", Review of Economic and Statistics, 81, 4, 575-593.

Bell, W.R. and Monsell, B.C. (1992): "X-11 Symmetric Linear Filters and their Transfer Functions", Bureau of the Census, Research Report n. RR 92/15, Washington.

Brillinger, D.R (1981): Time Series Analysis: Data Analysis and Theory, Holt, Rinehart & Winston, New York.

Calzolari, G., Di Iorio, F., Fiorentini G. (2001): "Indirect Inference and Variance Reduction using Control Variates", Metron, LIX, 39-53.

Calzolari, G., Di Iorio, F., Fiorentini, G. (1998): "Control Variates for Variance Reduction in Indirect Inference: Interest Rate Models in Continuous Time", Econometrics Journal 1, C100-C112.

Calzolari, G., Fiorentini G., Sentana, E. (2001): "Constrained Indirect Inference Estimation", London School of Economics, Financial Market Group, DP 354.

Canova, F. (1998): "De-trending and Business Cycle Facts", Journal of Monetary Economics, 41, 475-512.

Carter C. K., Kohn R. (1997): "Semiparametric Bayesian Inference for time series with mixed spectra", JRSS, serie B, 59, 255-268.

Chib, S., Nardari, F. and Shephard, N. (1998): "Analysis of High Dimensional Multivariate Stochastic Volatility Models", unpublished paper: John Olin School of Business, Washington University, St. Louis.

Cleur, E. M. (2001): "Maximum Likelihood Estimators of One-Dimensional
Stochastic Differential Equation Models from Discrete Data", Journal of Time Series Analysis, 22, No. 5,p.505.

Dagum, E.B. (1988): "The X11-Arima/88 Seasonal Adjustment Method - Foundations and User's Manual", Time Series Research and Analysis Division, Statistics Canada, Ottawa.

Daubechies, I. (1992): "Ten Lectures on Wavelets", volume 61.
SIAM, CBMS-NSF Conference Series.

Diebold, F.X. and Nerlove, M. (1989): "The Dynamics of Exchange Rate Volatility: A Multivariate Latent Factor ARCH Model", Journal of Applied Econometrics 4, 1-21.

Engle, R.F. (2002) "Frontiers in ARCH Models" Journal of Applied Econometrics, 17, 425–446.

Engle, R.F. (2003) "Dynamic Conditional Correlation - A Simple Class of Multivariate GARCH Models," Forthcoming, Journal of Business and Economic Statistics.

Engle, R.F. and G.M. Gallo (2003) A Multiple Indicators Model For Volatility Using Intra-Daily Data, mimeo, presentato a JSM - New York e ESEM - Venezia.

Findley, D., Monsell, B., Bell, W., Otto, M., and Chen, B.C. (1998): "New Capabilities and Methods of the X12-Arima Seasonal Adjustment Program", Journal of Business and Economic Statistics, 16, 2, 127-152.

Fiorentini, G. and Maravall, A. (1996): "Unobserved Components in ARCH Models: an Application to Seasonal Adjustment", Journal of Forecasting, 15, 175-201.

Fiorentini, G. and Planas, C. (2001): "Overcoming Non Admissibility in ARIMA-Model-Based Signal Extraction", Journal of Business and Economics Statistics, 19, 4, 455-464.

Flandrin, P. (1992): "Wavelet analysis and synthesis of fractional Brownian motion", IEEE Transactions on Information Theory, 38(2), 910-917.

Forni M. and Lippi M. (2001): "The Generalized Dynamic Factor Model: Representation Theory", Econometric Theory, 17, 1113-1141.

Forni M., M. Hallin, Lippi M. and L. Reichlin (1999): "Reference Cycles: the NBER Methodology Revisited", ULB, Brussels, mimeo.

Forni M., M. Hallin, Lippi M. and L. Reichlin (2002a): "The Generalized Dynamic Factor Model: Consistency and Rates", Journal of Econometrics, forthcoming.

Forni M., M. Hallin, Lippi M. and L. Reichlin (2002b): "The Generalized Dynamic Factor Model: One-sided Estimation and Forecasting", ULB, Brussels, mimeo.

Forni M., M. Hallin, Lippi M. and L. Reichlin (2001): "Coincident and Leading Indicators for the Euro area", The Economic Journal, 111, 62-85.

Forni M., M. Hallin, Lippi M. and L. Reichlin (2000): "The Generalized Dynamic Factor Model: Identification and Estimation", Review of Economics and Statistics, 82, 4, 540-554.

Gallant, A.R., Tauchen G. (1996): "Which moments to match?", Econometric Theory, 12, 657-681.

Geweke J.F. (1977): "The Dynamic Factor Analysis of Economic Time Series Models", in D.J. Aigner and A.S. Goldberger eds. Latent Variables in Socio-economic Models, Amsterdam, North-Holland.

Giannini, C., Rossi, E. (1999): " A principal components multivariate
GARCH technique for medium size portfolio management", Collana Studi di Unicredito Italiano, n.6, 4/1999.

Gomez V. and Maravall A. (1996): "Programs Seats and Tramo: Instructions for the User", Working Paper nr.9628, Bank of Spain.

Gourieroux, C. and A. Monfort (1996): Simulation-Based Econometric Methods, Oxford University Press.

Granger, C.W. and Joyeux, R. (1980): "An introduction to long memory time series models and fractional differencing", J. Time Series Analysis, 1, 15-29.

Hamilton J. D., SusmelR.(1994): "Autoregressive conditional Heteroskedasticity and changes in regime", Journal of econometrics, 64, 307:333.

Hodrick R. and Prescott E. (1997): "Post-war Business Cycles: an Empirical Investigation", Journal of Money, Credit and Banking, 29, 1, 1-16.

Hosking, J.R.M. (1981): "Fractional differencing", Biometrika, 68, 165-176.

Kaiser, R. and Maravall, A. (1999): "Estimation of the Business Cycle: a Modified Hodrick-Prescott Filter", Spanish Economic Review, 1, 2, 175-206.

King, M.A., Sentana, E. and Wadhwani S.B. (1994): "Volatility and Links between National Stock Markets", Econometrica 62, 901-933.

Klaassen, F. (1999): " Have exchange rates become more closely tied?: evidence froma new multivariate Garch Model", Discussion Paper 10, Tilburg University, Center for Economic Research.

Marcellino, M., Stock J. and Watson M. (2002): "Macroeconomic Forecasting in the Euro Area: Country Specific versus Euro Wide Information", European Economic Review, forthcoming.

Otranto E., Gallo G. M. (2002): "A nonparametric Bayesian approach to detect the number of regimes in Markovswitching models" Econometric Reviews, 21, 477:496

Percival, D.B. and Walden, A.T. (2000): Wavelet methods for time series analysis. Cambridge University Press.

Quah D. and T. Sargent (1993): "A Dynamic Index Model for Large Cross-sections", in Business Cycles, Indicators and Forecasting, J.H. Stock and M.W. Watson Ed., University of Chicago Press.

Sentana, E. and Fiorentini G. (2001): ""Identification, Estimation and Testing of Conditionally Heteroskedastic Factor Models", Journal of Econometrics 102, 143-164.

Stock J.H. and M.W. Watson (2002): "Diffusion Indices", Journal of Business and Economic Statistics, 20, 2, 147-162.

Tewfik, A.H. and Kim, M. (1992):, "Correlation structure of the discrete wavelet coefficients of fractional Brownian motion",
IEEE Transactions on Information Theory, 38(2), 904-909.

Vannucci, M. and Corradi, F. (1999): "Covariance structure of wavelet coefficients: Theory and models in a
Bayesian perspective",
Journal of the Royal Statistical Society, Series B, 61(4), 971-986.

Vannucci, M. and Corradi, F. (1999): "Modeling dependence in the wavelet domain". In Bayesian Inference in Wavelet based Models (eds B. Vidakovic and P. Muller), 173-186, Springer Verlag.

Wahba G. (1978): "Improper priors, spline smoothing and the problem of guarding against model errors in regression, JRSS, serie B, 40, 364:372

Wecker W. E., Ansley C. F. (1983): "The signal extraction approach to nonlinear regression and spline smoothing, JASA, 78, 81:89.

Wickerhauser, M.V. (1994): Adapted wavelet analysis from theory to software algorithms. AK Peters.

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


Testo italiano

Schematicamente, le attivita' di ricerca del gruppo si rivolgeranno a quattro argomenti principali:

1) Modelli dinamici a fattori latenti
2) Stima del prodotto potenziale e "Output Gap"
3) Modelli per lo studio della volatilita'
4) Componenti non osservabili: stagionalita', trend, effetti di calendario

1)
I modelli fattoriali dinamici hanno avuto un grande sviluppo negli ultimi anni. I progressi della "Information Technology" hanno reso disponibile una grande quantita' di dati. I modelli a fattori permettono di sintetizzare le informazioni rilevanti in insiemi di dati di grandi dimensioni. Queste informazioni possono esssere usate sia per l'analisi del ciclo economico che a fini previsivi. Le metodologie proposte fino a oggi sono essenzialmente non parametriche, il gruppo di ricerca intende sviluppare modelli parametrici a fattori latenti. In questo caso, la specificazione parametrica e' sicuramente di piu' facile interpretazione e apporta piu' informazioni. Ovviamente ci sonomoltiproblemi irrisolti legati alla identificazione e alla stima. Il gruppo intende anche confrontare empiricamente le metodologie sviluppate da Forni, Lippi e Reichlin da una parte e da Stock e Watson dall'altra per i paesi dell'Unione Europea.
Il gruppo ritiene che la ricerca su alcuni temi possa essere proficuamente svolta in collaborazione con i ricercatori dell'unita' dell'Aquila.

2)
Il problema della stima del prodotto potenziale e dell'output gap si inserisce in un problema di politiche monetarie in presenza di una differenza fra la produzione effettiva di un'economia e il livello di produzione che si pu˛ ottenere con i fattori di produzione disponibili senza porre pressione alcuna sull'inflazione. L'output gap, questa differenza appunto Ŕ dunque il cambiamento nella produzione reale che Ŕ associata alle variazioni nell'inflazione. Le ipotesi che stanno alla base di una misurazione di un tale aggregato sono ovviamente collegate a quanto poi si otterrÓ come serie storica corrispondente. Il problema dunque Ŕ classicamente quello della misurazione di una variabile latente con vari indicatori di misura disponibili. Esistono varie metodologie che spaziano dalla stima di VAR cointegrati alla stima di modelli a componenti non osservabili per la separazione di componenti di lungo periodo da quelle transitorie (che rientrerebbero nella misura dell'output gap). Il gruppo di ricerca in questo campo intende muoversi in direzione applicata e si vuole occupare dell'applicazione delle metodologie sviluppate da Maravall e i suoi coautori. Si intende anche utilizzare la metodologia del "Model Averaging" Bayesiano per valutare l'incertezza globale associata alla specificazione di diversi modelli univariati e multivariati.

3)
Il problema della stima della volatilitÓ in ambito finanziario Ŕ di importanza fondamentale, in quanto su di essa si basano il prezzaggio dei prodotti derivati, la valutazione del rischio e le decisioni di allocazione e gestione del portafoglio. In questo ambito, i modelli sono molteplici, spaziando da modelli di tipo GARCH nei quali la volatilitÓ Ŕ condizionatamente autoregressiva a modelli per volatilitÓ stocastica, nei quali la volatilitÓ Ŕ trattata come variabile latente. La ricchezza e l'importanza di questa area di ricerca risiede nella possibilitÓ di utilizzare indicatori multipli come variabili proxy della variabile latente (come in Engle e Gallo) oppure adottare le specificazioni che richiedono metodi di stima pi¨ complessi.
In dettaglio quindi si intende:

a. affrontare il raccordo fra dati disponibili ad altissima frequenza e dati disponibili a frequenza giornaliera per sfruttare informazione disponibile in maniera ottimale: volatilitÓ storica, differenza fra prezzo quotato pi¨ elevato e pi¨ basso all'interno del giorno e rendimento misurato fra quotazioni alla chiusura sono tutti processi che dipendono da una volatilitÓ sottostante. Le serie corrispondenti quindi possono essere trattate in maniera tale da estrarre l'informazione relativa in un modello che tratti volatilitÓ storica, differenza logaritmica fra prezzo pi¨ elevato e prezzo pi¨ basso e rendimenti giornalieri in valore assoluto come processi di prodotto tutti dipendenti da una variabile di scala che varia in maniera condizionatamente autoregressiva e che Ŕ funzione della volatilitÓ latente. Lo scopo Ŕ quello di vedere essenzialmente se le informazioni contenute in ciascuno dei tre indicatori possano avere rilevanza nella modellazione del fattore di scala proprio (si pu˛ rispondere affermativamente seguendo i risultati del filone di ricerca GARCH) e di quello degli altri indicatori in maniera dinamica. Il risultato al quale si ambisce Ŕ quello di specificare un modello a tre indicatori, quindi, nel quale i fattori di scala reagiscano in maniera interdipendente, che possa essere risolto in maniera dinamica e le previsioni confrontate con un modello GARCH standard, e che possa anche fornire suggerimenti se ci sia una misura della volatilitÓ maggiormente soddisfacente o se l'interdipendenza fra indicatori sia da preferire.

b. affrontare lo studio di serie finanziarie tramite modelli Markov Switching, proposti da Hamilton e Susmel (1994). In questo ambito la variabile latente volatilitÓ si combina con una variabile latente di stato discreto dell'economia (o del mercato finanziario). Questo permette di modellare serie nelle quali le crisi finanziarie (attese o concretamente verificatesi) abbiano alterato il profilo della serie in un modo da far fallire la strategia di modellazione tradizionale. Occorre applicare in maniera diffusa i risultati ottenuti da Otranto e Gallo (2002) per stabilire il numero dei regimi utilizzando approcci Bayesiani non parametrici. La modellazione multivariata di fenomeni soggetti a crisi (specialmente tassi di cambio e indici di borsa) pu˛ fornire indicazioni anticipatorie rispetto alla crisi con la stima della probabilitÓ di passare da un regime di volatilitÓ ad un altro.

c. applicare l'inferenza indiretta ai modelli a volatilita' stocastica (Calzolari, Fiorentini e Sentana, 2001). Il metodo di stima per simulazione noto come"Inferenza indiretta" (Gourieroux e Monfort, 1996, Gallant e Tauchen, 1996) verra' applicato ai modelli a fattori latenti con eteroschedasticita' condizionata (Diebold e Nerlove, 1989). Prevedendo di dover introdurre vincoli (restrizioni) nel modello ausiliario (Harvey, Ruiz e Sentana, 1992), il metodo di stima risultante non rientrerebbe negli schemi usuali del metodo dell'inferenza indiretta e richederebbe, pertanto, un' approfondita fase di collaudo, da effettuare mediante sperimentazione intensiva anche su dati simulati.

d. estendere metodi wavelet di decomposizione della varianza di serie storiche utilizzando le cosiddette trasformate packet, Wickerhauser, M.V. (1994). Le trasformate packet consentono meccanismi di decorrelazione dei dati piu' flessibili rispetto a quelli delle trasformate wavelet standard. Questo ci consentira' di considerare processi generatori dei dati che non siano necessariamente di lunga memoria. In particolare si studiera' l'adattamento alle wavelet packet di algoritmi per la localizzazione di punti di cambiamento della varianza utilizzando dati simulati da modelli ARMA e modelli GARCH.
Il gruppo ritiene che la ricerca su alcuni temi possa essere proficuamente svolta in collaborazione con i ricercatori dell'unita' di Roma e di Venezia.

4)
Generalizzazione del filtro di Hodrick-Prescott al caso di tempo continuo, utilizzabile nel caso di dati mancanti e osservazioni temporali irregolari (indagini inizialmente trimestrali e poi mensili, e cosi' via). In questo caso si svilupperebbero i risultati ottenuti da Wahba (1978) e Wecker e Ansley (1983) che dimostrano una corrispondenza tra rappresentazioni state-space e spline cubiche. Il metodo di stima e' Bayesiano (in particolare gli algoritmi MCMC proposti da Carter e Kohn, 1997).

Si studieranno tecniche wavelet per l'analisi e la stima di serie
storiche,Daubechies (1992) e Percival e Walden (2000).
Una direzione di ricerca sara' quella di costruire metodi di stima
Bayesiana applicati a scomposizioni wavelet di serie storiche provenienti da processi ARFIMA(p,d,q), Granger e Joyeux (1980) e Hoskins (1981). Questi processi sono frequentemente usati in letteratura per la descrizione di fenomeni di lunga memoria e presentano tipicamente una struttura di covarianza molto complessa che rende difficile il calcolo della funzione di verosimiglianza.
Le trasformate wavelet, d'altra parte, tendono a ridurre la correlazione tra dati e, nel caso di un processo generatore a lunga memoria, spesso i coefficienti di una decomposizione wavelet posso essere considerati incorrelati, Flandrin (1992), Tewfik e Kim (1992) e Vannucci e Corradi (1999). La stima dei parametri verra' eseguita attraverso l'uso di metodi Markov Chain Monte Carlo. Si studiera' anche il caso in cui siano presenti cambiamenti strutturali nel tempo nella media o/e nel parametrodi lunga memoria del processo generatore dei dati.

Oltre alle applicazioni ai tipi di modelli elencati in precedenza, gli algoritmi computazionali necessari ai metodi simulation-based verranno ulteriormente studiati e potenziati. In particolare si intende sviluppare ulteriormente e rendere di piu' generale applicabilita' le tecniche di riduzione della varianza, gia' applicate, per l' inferenza indiretta, ai processi di diffusione e ai modelli per la struttura a termine dei tassi di interesse (Calzolari, Fiorentini e Di Iorio, 1998 e 2001, Cleur, 2001). Il gruppo intende sviluppare un pacchetto software "flessibile", utilizzabile per la stima indiretta di modelli con variabili latenti "abbastanza generali". Il prodotto sarebbe messo liberamente a disposizione della comunita' scientifica. Anche per questa attivita' il gruppo ritiene di poter proficuamente collaborare con i ricercatori dell'unita' di Roma.

Compongono il gruppo di ricerca alcuni docenti e ricercatori delle Universita'di Firenze, Pisa, Napoli e Sassari, nonche' della Texas A&M University e del CEMFI di Madrid, che gia' da tempo collaborano tra loro. La competenza acquisita su alcuni specifici argomenti, vicini agli argomenti oggetto della ricerca, e' riconosciuta a livello nazionale e internazionale, e testimoniata dalle pubblicazioni su riviste di notevole prestigio, quali: Econometrica, Journal of the American Statistical Association (JASA), Journal of the Royal Statistical Society (B), International Economic Review, Journal of Econometrics, Journal of Applied Econometrics, Journal of Forecasting, Journal of Business and Economic Statistics, Journal of the Italian Statistical Society, Journal of Time Series Analysis, Journal of Economic Dynamics and Control, Econometric Theory, Econometrics Journal, Econometric Reviews, Metron, Computational Statistics, Economics Letters.


Testo inglese
The main research activities of this unit can be labelled as:

1) Dynamic latent factor models
2) Estimation of potential product and Output Gap
3) Volatility models
3) Unobservable components: Seasonality, trend, calendar effects.

1)
Dynamic factor models have been greatly developed in the last few years. The Informatin Technology progress makes available large samples of data. Factor models allow to synthetise relevant information inside large amonts of data. This information can be used for the business cycle analysis and for prediction. Methods proposed till now are mainly nonparametric; this research group will develop parametric models with latent factors. In this case, the parametric specification can be more easily interpreted and is more informative. Obviously there are many unsolved problems od identification and estimation. This research unit also will try to compare empirically the methods of Forni, Lippi and Reichlin and the methods of Stock and Watson on the European Union countries.
On some specific topics, cooperation is possible with the research unit of l'Aquila.

2)
Estimation of the potential product and output gap is an important problem when evaluating monetary policy: the framework is an economy with difference between real production and the production level that could be obtained with the available factors, without inflationary pressure. This difference (output gap) is the change in real production associated with inflation changes. To measure such an aggregate variable, the underlying hypotheses are strictly related with the outcome time series. The problem is therefore the "classical" problem of measuring a latent variable from several available measure indicators. There are several methods, like cointegrated VAR, or unobservable components models to separate long term from transient components (that would be included in the output gap). This research group, in this area, would mainly perform applications using the methodsof Maravall and coauthors. Also the Bayesian Model Averaging would be used to evaluate the global uncertainty associated with different univariate and multivariate models.

3)
The estimation of volatility is fundamental in financial analysis and applications, as it is the basis for pricing derivatives, for risk evaluation and for portfolio allocation and management. In this area many models are available, like GARCH models where the volatility is conditionally autoregressive, or stochastic volatility models, where volatility is treated as a latent variable. In this area, which is very rich and important, we can use multiple indicators as proxy of the latent variable (e.g. Engle and Gallo) or adopt specifications that need more complex estimation methods. More in detail this is what the research group aims at.

a. connecting (or linking) data available at very high frequency with data available at daily frequency, for an optimal use of the available information: realized volatility, difference between the highest and lowest price of the day and daily return measured at the end of the day are all processes depending upon the underlying volatility. The corresponding time series can therefore be treated in a model that considers the realized volatility, the log-difference between highest and lowest price and daily returns in absolute value as produced by a scale variable conditionally autoregressive, depending from the latent volatility. This aims at checking if the information in each of the three indicators is relevant in modelling the scale factor (the answer is positive, if we follow the GARCH approach) and in modelling dynamically the other indicators. We aim at specifying a model with three indicators, where the scale factors react in an interdependent way, that can be solved dynamically and whose predictions can be compared with those of a standard GARCH model, and can suggest if a particular measure of volatility is to be preferred, or it is better toconsider indicators as being interdependent.

b. apply Markov Switching models (Hamilton and Susmel) to financial time series. In this framework the latent volatility variable is combined with a discrete state variable (also latent) of the economy or of the financial market. In this way we can model series where financial crises (expected or really happened) may have changed the series themselves, leading to a failure of the traditional estimation methods. We need to apply extensively the results obtained in Otranto and Gallo (2002) to identify the number of regimes using nonparametric Bayesian approaches. Multivariate modelling of phenomena-with-crises (specially exchange rates and financial indices) can provide anticipations of the crises, estimating the probability of a volatility regime change.

c. apply the estimation method called "Indirect Inference" (Gourieroux and Monfort, 1996, Gallant and Tauchen, 1996) to stochastic volatility models (Calzolari, Fiorentini and Sentana,2001). Indirect Inference will also be applied to latent factor models with conditional heteroschedsticity (Diebold and Nerlove). Since restrictions in the auxiliary model (Harvey, Ruiz and Sentana) need to be applied, the estimation method becomes a nonstandard indirect inference and requires, therefore, a detailed analysis and tuning, to be performed also by simulation experiments.

d. extending wavelet methods of time series variance decomposition using the so called packet transforms (Wickerhauser, 1994). Packet transforms permit decorrelation mechanisms more flexible than the standard wavelet transforms. This allows to consider data generating processes not necessarily long-memory. In particular we plan to study how we can adapt to wavelet packet some algorithms to identify variance switching points using data simulated from ARMA and GARCH models.
On some specific topics, cooperation is possible with the research units of Roma and Venezia.

4)
Generalization of Hodrick-Prescottfilter to continuous time, to be used in case of missing data, or irregular observations (for instance, enquiries first performed quartely and then monthly). In this case we should further develop results from Wahba (1978) and Wecker and Ansley (1983), that show a correspondence between state space representation and cubic splines. The estimation method would be Bayesian (in particular the MCMC proposed by Carter and Kohn, 1997).
The wavelet techniques developed by Daubechies (1992) and Percival and Walden (2000) for time series analysis will be used. We plan to build Bayesian estimation methods to be applied to wavelet decomposion of time series produced by ARFIMA processes (Granger and Joyeux, 1980, Hoskins, 1981). These processes are often used to describe long memory phenomena, and have a complex covariance structure that make the computation of the likelihood difficult. Wavelet transforms tend to reduce the correlation between data and, when the generating process is a long memory process, often the coefficients of a wavelet decomposition can be considered uncorrelated (Flandrin, 1992, Tewfik and Kim, 1992, Vannucci and Corradi, 1999). Parameters estimation will be obtained by means of Markov Chain Monte Carlo. We also plan to study the case of structural changes in the mean or in the long memory parameter in the data generating process.

Besides applications to the models discussed above, computational algorithms used in simulation-based methods will be further studied and developed. In particular we plan to develop and make more general the variance reduction techniques already applied, for indirect inference, to stochastic diffusion processes and models for the term structure of interest rates (Calzolari, Fiorentini and Di Iorio, 1998, 2001, Cleur, 2001). We plan to develop a "flexible" software
package, usable for indirect estimation of latent variable models "general enough". This software package would be distributed free of charge for research purposes.
For this activity, cooperation with the reasearch unit of Roma would be possible and advisable.

This research unit includes some scientists from the Universities of Firenze, Pisa, Napoli and Sassari, as well as from the Texas A&M University and CEMFI (Madrid), already cooperating as a group. Their expertise, at national and international level, in the research areas of this project is proved by their publications in several leading journals, like: Econometrica, Journal of the American Statistical Association (JASA), Journal of the Royal Statistical Society (B), International Economic Review, Journal of Econometrics, Journal of Applied Econometrics, Journal of Forecasting, Journal of Business and Economic Statistics, Journal of the Italian Statistical Society, Journal of Time Series Analysis, Journal of Economic Dynamics and Control, Econometric Theory, Econometrics Journal, Econometric Reviews, Metron, Computational Statistics, Economics Letters.

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


Testo italiano

n║ anno di acquisizione  Descrizione 
1. 2000   3 Personal Computer Pentium III  
2. 2001   4 Personal Computer Athlon-800  
3. 2002   1 PC Athlon XP 2400, 1 Notebook Athlon 1700, 1 PC Pentium IV 1.4  


Testo inglese
n║ anno di acquisizione  Descrizione 
1. 2000   3 Personal Computer Pentium III  
2. 2001   4 Personal Computer Athlon-800  
3. 2002   1 PC Athlon XP 2400, 1 Notebook Athlon 1700, 1 PC Pentium IV 1.4  



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'UniversitÓ sede dell'UnitÓ di Ricerca  4  37 
Personale universitario dell'UniversitÓ sede dell'UnitÓ di Ricerca (altri)  0  0 
Personale universitario di altre UniversitÓ  3  45 
Personale universitario di altre UniversitÓ (altri)  1  6 
Titolari di assegni di ricerca  0  0 
Titolari di borse dottorato e post-dottorato  3  30 
Personale a contratto   0  0 
Personale extrauniversitario  2  28 
TOTALE 13  146 



PARTE III


3.1 Costo complessivo del Programma dell'UnitÓ di Ricerca


Testo italiano

Voce di spesa  Spesa in Euro  Descrizione 
Materiale inventariabile  7.000  Acquisto 3 Personal Computer, libri 
Grandi Attrezzature     
Materiale di consumo e funzionamento  5.000  Carta, cancelleria, ricambi, contributo alle spese del Dipartimento 
Spese per calcolo ed elaborazione dati  2.000  Licenze software scientifico 
Personale a contratto     
Servizi esterni     
Missioni  20.000  Spese di missione per partecipazione a congressi e per incontri di lavoro tra i componenti 
Pubblicazioni     
Partecipazione / Organizzazione convegni  6.000  Registrazione a congressi (ad esempio Econometric Society, EC2, Societa' Italiana di Statistica, Computational Statistics) 
Altro      
TOTALE 40.000    


Testo inglese
Voce di spesa  Spesa in Euro  Descrizione 
Materiale inventariabile  7.000  3 Personal Computers, books 
Grandi Attrezzature     
Materiale di consumo e funzionamento  5.000  Paper, toner, maintenance, stationary, contribution to the Department expenses 
Spese per calcolo ed elaborazione dati  2.000  Scientific software licences 
Personale a contratto     
Servizi esterni     
Missioni  20.000  Travel expenses for participation at conferences or workshops and meetings of the research unit 
Pubblicazioni     
Partecipazione / Organizzazione convegni  6.000  Registration fees of conferences (e.g. Econometric Society, EC2, Italian Statistical Society, Computational Statistics) 
Altro      
TOTALE 40.000    

 

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



 

3.3 Tabella riassuntiva

Costo complessivo del Programma dell'UnitÓ di Ricerca  40.000 
Costo minimo per garantire la possibilitÓ di verifica dei risultati  30.000 
Fondi disponibili (RD)  6.600 
Fondi acquisibili (RA)  5.400 
Cofinanziamento di altre amministrazioni pubbliche (art. 4 bando 2003)   
Cofinanziamento richiesto al MIUR  28.000 



PARTE IV


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

 

Provenienza  Anno  Importo disponibile  Note 
UniversitÓ  2002   2.200  Ex-60% A.51500.RICE.R60.CALZPROA02 
Dipartimento  2003   3.600  Consiglio Dipartimento di Statistica "G.Parenti" del 13.03.2003 
CNR  2000   800  A.51500.RICE.CNR.CALZCNRA00 
Unione Europea       
Altro       
TOTALE    6.600    


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 
UniversitÓ  2003   disponibile in caso di accettazione della domanda   5.400  Comunicazione Univ. 6 Marzo 2003 
Dipartimento         
CNR         
Unione Europea         
Altro         
TOTALE       5.400    


4.3 Certifico la dichiarata disponibilitÓ e l'utilizzabilitÓ 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 19/03/2003 ore 19:37