METODI QUANTITATIVI PER L'ECONOMIA
Syllabus
Obiettivi Formativi
OBIETTIVI FORMATIVI: Dopo aver seguito il corso, gli studenti saranno in grado di condurre un'analisi econometrica completa e corretta su una o più serie storiche di natura economica. In particolare, saranno in grado di scaricare/ottenere i dati individuandone le fonti più appropriate, riconoscerne le peculiarità (non-stazionarietà, cointegrazione) e modellarle di conseguenza, con l'ausilio di un software statistico gratuito ed open-source (R, Gretl).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si analizzeranno in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, sono parte integrante del corso ed oggetto di tutte le esercitazioni. Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due variabili.
AUTONOMIA DI GIUDIZIO: Al termine del corso gli studenti saranno in grado di formulare ipotesi di natura economica e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
ABILITÀ COMUNICATIVE: Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto, nonchè di leggere ed interpretare modelli stimati da altri.
Learning Objectives
KNOWLEDGE AND UNDERSTANDING: The course provides the theoretical fundamentals of statistical and econometric analysis. More specifically, the linear regression model (both simple and multiple) will be analyzed, with particular attention to its assumptions and hypotheses. Afterwards, the notions of non-stationarity and cointegration will be analyzed in detail, illustrating their consequences as well as the most widespread strategies implemented in literature to tackle with those issues.
APPLYING KNOWLEDGE AND UNDERSTANDING: The theoretical notions are coupled with applications to real data all along the course. Students will apply these theoretical notions by retrieving real-world time-series data (from e.g. Eurostat, NBER, Datastream Thomoson Reuters, yahoo!finance etc..) and will analyses them by means of free and open source statistical software (R, Gretl).
MAKING JUDGEMENTS: Students will be able to formulate testable hypotheses and will be able to statistically test them using proper data, retrieved from suitable databases. They will be able to recognize the most appropriate techniques to model the time-series under analysis as well as to evaluate the soundness of econometric analysis done by others.
COMMUNICATION SKILLS: The course provides the students the tools required to extract indications on a (typically economic) phenomenon by analyzing the data. The successful student will be able to soundly present the various phases of the statistical analysis, by clearly stating the research question and the testable hypotheses under analysis, as well as the dataset used, highlighting potential peculiarities of the data (such as presence of outliers, non-stationarity of the series, etc…), and the methodology used, effectively motivating his/her choices.
At the end of the course, the students will be able to produce, as well as to read and interpret, graphical representations and outputs of estimated econometric models providing empirical evidence on the phenomenon under analysis.
LEARNING SKILLS: Students will develop understanding and critical thinking about econometric analysis on time-series data. These abilities not only instrumental for passing the exam, but also for all other subsequent phases of the education career of the students, including passing future quantitative exams as well as structuring and writing the final dissertation, as well being amongst the most highly required on the job market.
Prerequisiti
Prerequisites
Programma
Il modello di regressione lineare e la stima a minimi quadrati
Proprietà degli stimatori dei minimi quadrati
Intervalli di confidenza e verifiche di ipotesi per i parametri
Applicazioni ed esempi
2 – Modelli per serie storiche stazionarie
Introduzione alle serie storiche: Modelli a media mobile (MA), Modelli autoregressivi (AR), modelli ARMA ed ARIMA.
Procedura di Box-Jenkins
3 – Modelli per serie storiche non stazionarie
Non Stazionarietà: definizione, Test ADF, break strutturali, test di Phillips Perron, Modelli ARIMA
4 – Cointegrazione
Cointegrazione e trend comuni
Test di cointegrazione di Engle – Granger
Program
Linear regression model and Ordinary Least Squares
Properties of the Ordinary Least Squares estimator
Confidence intervals and hypothesis testing on the estimated parameters
Prediction in the linear regression model
2 – Models for stationary time-series
Moving-Average models (MA), Auto-Regressive models (AR), ARMA Models.
Box-Jenkins procedure
3 – Models for non-stationary time-series
Non-stationarity: definition, ADF test, structural breaks, Phillips Perron test, ARIMA
4 – Cointegration
Common trends and cointegration
Tests for cointegration: Engle – Granger
Testi Adottati
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Il software usato è gratuito e disponibile qui:
http://gretl.sourceforge.net/
https://www.r-project.org/
Books
Slides and other additional material (e.g. scientific papers, solution to practices, etc….) will be available on the course’s website
The free and open-source software used can be downloaded here:
http://gretl.sourceforge.net/
Modalità di svolgimento
Teaching methods
During the whole duration of the course (6 weeks), there will be 3 weekly classes of 2 hours each, and 1 practice of 2 hours. In all appointments, an active participation to the class will be strongly encouraged.
Regolamento Esame
La struttura dell’esame include domande, sia aperte sia a risposta multipla, volte a valutare sia la conoscenza delle nozioni teoriche fornite durante il corso sia la capacità di applicarle a serie storiche reali. A tal fine verranno poste delle domande recanti rappresentazioni grafiche ed output di stima del software statistico utilizzato (GRETL) al fine di valutare la comprensione delle stesse e la capacità interpretativa acquisite dallo studente.
La valutazione finale viene espressa in trentesimi. Gli studenti passano l'esame con una valutazione finale non inferiore a 18.
Exam Rules
It includes multiple-choices as well as open questions, on both theoretical notions and applied issues, featuring e.g. graphs and estimation outputs of the statistical software (GRETL) used. This will allow to evaluate the student in terms of understanding and interpretation of the final results of an econometric analysis.
Final mark ranges between 18 (minimum to pass the exam) and 30 (maximum mark).
Obiettivi Formativi
OBIETTIVI FORMATIVI: Dopo aver seguito il corso, gli studenti saranno in grado di condurre un'analisi econometrica completa e corretta su una o più serie storiche di natura economica. In particolare, saranno in grado di scaricare/ottenere i dati individuandone le fonti più appropriate, riconoscerne le peculiarità (non-stazionarietà, cointegrazione) e modellarle di conseguenza, con l'ausilio di un software statistico gratuito ed open-source (R, Gretl).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si analizzeranno in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, sono parte integrante del corso ed oggetto di tutte le esercitazioni. Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due variabili.
AUTONOMIA DI GIUDIZIO: Al termine del corso gli studenti saranno in grado di formulare ipotesi di natura economica e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
ABILITÀ COMUNICATIVE: Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto, nonchè di leggere ed interpretare modelli stimati da altri.
Learning Objectives
KNOWLEDGE AND UNDERSTANDING: The course provides the theoretical fundamentals of statistical and econometric analysis. More specifically, the linear regression model (both simple and multiple) will be analyzed, with particular attention to its assumptions and hypotheses. Afterwards, the notions of non-stationarity and cointegration will be analyzed in detail, illustrating their consequences as well as the most widespread strategies implemented in literature to tackle with those issues.
APPLYING KNOWLEDGE AND UNDERSTANDING: The theoretical notions are coupled with applications to real data all along the course. Students will apply these theoretical notions by retrieving real-world time-series data (from e.g. Eurostat, NBER, Datastream Thomoson Reuters, yahoo!finance etc..) and will analyses them by means of free and open source statistical software (R, Gretl).
MAKING JUDGEMENTS: Students will be able to formulate testable hypotheses and will be able to statistically test them using proper data, retrieved from suitable databases. They will be able to recognize the most appropriate techniques to model the time-series under analysis as well as to evaluate the soundness of econometric analysis done by others.
COMMUNICATION SKILLS: The course provides the students the tools required to extract indications on a (typically economic) phenomenon by analyzing the data. The successful student will be able to soundly present the various phases of the statistical analysis, by clearly stating the research question and the testable hypotheses under analysis, as well as the dataset used, highlighting potential peculiarities of the data (such as presence of outliers, non-stationarity of the series, etc…), and the methodology used, effectively motivating his/her choices.
At the end of the course, the students will be able to produce, as well as to read and interpret, graphical representations and outputs of estimated econometric models providing empirical evidence on the phenomenon under analysis.
LEARNING SKILLS: Students will develop understanding and critical thinking about econometric analysis on time-series data. These abilities not only instrumental for passing the exam, but also for all other subsequent phases of the education career of the students, including passing future quantitative exams as well as structuring and writing the final dissertation, as well being amongst the most highly required on the job market.
Prerequisiti
Prerequisites
Programma
Il modello di regressione lineare e la stima a minimi quadrati
Proprietà degli stimatori dei minimi quadrati
Intervalli di confidenza e verifiche di ipotesi per i parametri
Applicazioni ed esempi
2 – Modelli per serie storiche stazionarie
Introduzione alle serie storiche: Modelli a media mobile (MA), Modelli autoregressivi (AR), modelli ARMA ed ARIMA.
Procedura di Box-Jenkins
3 – Modelli per serie storiche non stazionarie
Non Stazionarietà: definizione, Test ADF, break strutturali, test di Phillips Perron, Modelli ARIMA
4 – Cointegrazione
Cointegrazione e trend comuni
Test di cointegrazione di Engle – Granger
Program
Linear regression model and Ordinary Least Squares
Properties of the Ordinary Least Squares estimator
Confidence intervals and hypothesis testing on the estimated parameters
Prediction in the linear regression model
2 – Models for stationary time-series
Moving-Average models (MA), Auto-Regressive models (AR), ARMA Models.
Box-Jenkins procedure
3 – Models for non-stationary time-series
Non-stationarity: definition, ADF test, structural breaks, Phillips Perron test, ARIMA
4 – Cointegration
Common trends and cointegration
Tests for cointegration: Engle – Granger
Testi Adottati
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Il software usato è gratuito e disponibile qui:
http://gretl.sourceforge.net/
Books
Slides and other additional material (e.g. scientific papers, solution to practices, etc….) will be available on the course’s website
The free and open-source software used can be downloaded here:
http://gretl.sourceforge.net/
Modalità di svolgimento
Il corso è strutturato su lezioni frontali (2 ogni da 3 ore) più 2 ore di esercitazioni, per 9 settimane, durante le quali sarà fortemente incentivata la partecipazione attiva degli studenti.
Teaching methods
During the whole duration of the course (9 weeks), there will be 2 weekly classes of 3 hours each, and 1 practice of 2 hours. In all appointments, an active participation to the class will be strongly encouraged.
Regolamento Esame
La struttura dell’esame include domande, sia aperte sia a risposta multipla, volte a valutare sia la conoscenza delle nozioni teoriche fornite durante il corso sia la capacità di applicarle a serie storiche reali. A tal fine verranno poste delle domande recanti rappresentazioni grafiche ed output di stima del software statistico utilizzato (GRETL) al fine di valutare la comprensione delle stesse e la capacità interpretativa acquisite dallo studente.
La valutazione finale viene espressa in trentesimi. Gli studenti passano l'esame con una valutazione finale non inferiore a 18.
Exam Rules
It includes multiple-choices as well as open questions, on both theoretical notions and applied issues, featuring e.g. graphs and estimation outputs of the statistical software (GRETL) used. This will allow to evaluate the student in terms of understanding and interpretation of the final results of an econometric analysis.
Final mark ranges between 18 (minimum to pass the exam) and 30 (maximum mark).
Aggiornato A.A. 2021-2022
Programma del corso
1 – Richiami di probabilità e statistica inferenziale
Principali distribuzioni (Bernoulli, Binomiale, Normale, Chi quadro, t-Student, F). Stimatori. Intervalli di confidenza. Test di Ipotesi.
2 – Modello di regressione lineare
Il modello di regressione lineare e la stima a minimi quadrati
Proprietà degli stimatori dei minimi quadrati
Intervalli di confidenza e verifiche di ipotesi per i parametri
La previsione nel modello di regressione lineare
3 – Modelli per serie storiche stazionarie
Introduzione alle serie storiche: Modelli a media mobile (MA), Modelli autoregressivi (AR), modelli ARMA.
Procedura di Box-Jenkins
4 – Modelli per serie storiche non stazionarie
Non Stazionarietà: definizione, Test ADF, break strutturali, test di Phillips Perron Modelli ARIMA
5 – Serie storiche multivariate
Introduzione ai VAR – Vector Auto Regression Models
Stima ed identificazione
Funzioni di risposta all’impulso
Identificazione dei VAR
6 – Cointegrazione e VECM
Cointegrazione e trend comuni
Test di cointegrazione di Engle & Granger
Materiale di studio
Il corso sarà basato sul libro di testo "Introductory Econometrics for Finance", (4th Edition), di Cris Brooks, Cambridge.
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Il software utilizzato è disponibile qui: http://gretl.sourceforge.net/
Modalità di esame
L’esame, che verterà su tutto il programma trattato ed includerà sia domande di natura teorica che esercizi ed applicazioni software, consisterà in una prova scritta (eventualmente somministrata da remoto tramite la piattaforma Moodle su Teams) e da una seguente prova orale.
Ulteriori informazioni
• Non è prevista una prova intermedia.
• L’esame scritto può essere sostenuto solo una volta per sessione. In altre parole, studenti che non hanno superato la prova scritta o che rifiutano il voto non potranno risostenere l’esame durante la medesima sessione.
• Si può rifiutare il voto, ma una volta sola. Il secondo esito, qualunque esso sia, viene registrato in automatico.
Finalità del corso (quali conoscenze lo studente acquisisce secondo i 5 descrittori di Dublino)
Conoscenza e capacità di comprensione
Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si richiameranno dapprima i fondamenti di probabilità e dell’analisi inferenziale, per poi analizzare in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
Capacità di applicare conoscenza e capacità di comprensione
Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, sono parte integrante del corso ed oggetto di tutte le esercitazioni. Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due o più variabili.
Autonomia di giudizio
Al termine del corso gli studenti saranno in grado di formulare ipotesi e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
Abilità comunicative
Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
Capacità di apprendere
Il corso consente allo studente di acquisire una maggiore capacità operativa in termini di reperimento dei dati e di corretta modellizzazione delle serie storiche economiche. Tali capacità, oltre ad essere strettamente utili per il superamento degli esami quantitativi futuri previsti dal corso di studio, sono più in generale funzionali a tutte le successive fasi di studio, inclusa quella della stesura dell’elaborato di tesi finale. Si tratta inoltre di capacità particolarmente apprezzate nel mondo del lavoro e che consentiranno agli studenti di interpretare e valutare in più autonomia le modellizzazioni statistiche che vengono sempre più frequentemente fornite dalle varie fonti di informazione.
Aggiornato A.A. 2020-2021
Programma del corso
1 – Richiami di probabilità e statistica inferenziale
Principali distribuzioni (Bernoulli, Binomiale, Normale, Chi quadro, t-Student, F). Stimatori. Intervalli di confidenza. Test di Ipotesi.
2 – Modello di regressione lineare
Il modello di regressione lineare e la stima a minimi quadrati
Proprietà degli stimatori dei minimi quadrati
Intervalli di confidenza e verifiche di ipotesi per i parametri
La previsione nel modello di regressione lineare
3 – Modelli per serie storiche stazionarie
Introduzione alle serie storiche: Modelli a media mobile (MA), Modelli autoregressivi (AR), modelli ARMA.
Procedura di Box-Jenkins
4 – Modelli per serie storiche non stazionarie
Non Stazionarietà: definizione, Test ADF, break strutturali, test di Phillips Perron Modelli ARIMA
5 – Serie storiche multivariate
Introduzione ai VAR – Vector Auto Regression Models
Stima ed identificazione
Funzioni di risposta all’impulso
Identificazione dei VAR
6 – Cointegrazione e VECM
Cointegrazione e trend comuni
Test di cointegrazione di Engle & Granger
Materiale di studio
Il corso sarà basato sul libro di testo "Introductory Econometrics for Finance", (4th Edition), di Cris Brooks, Cambridge.
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Il software utilizzato è disponibile qui: http://gretl.sourceforge.net/
Modalità di esame
L’esame, che verterà su tutto il programma trattato ed includerà sia domande di natura teorica che esercizi ed applicazioni software, consisterà in una prova scritta (eventualmente somministrata da remoto tramite la piattaforma Moodle su Teams) e da una seguente prova orale.
Ulteriori informazioni
• Non è prevista una prova intermedia.
• L’esame scritto può essere sostenuto solo una volta per sessione. In altre parole, studenti che non hanno superato la prova scritta o che rifiutano il voto non potranno risostenere l’esame durante la medesima sessione.
• Si può rifiutare il voto, ma una volta sola. Il secondo esito, qualunque esso sia, viene registrato in automatico.
Finalità del corso (quali conoscenze lo studente acquisisce secondo i 5 descrittori di Dublino)
Conoscenza e capacità di comprensione
Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si richiameranno dapprima i fondamenti di probabilità e dell’analisi inferenziale, per poi analizzare in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
Capacità di applicare conoscenza e capacità di comprensione
Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, sono parte integrante del corso ed oggetto di tutte le esercitazioni. Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due o più variabili.
Autonomia di giudizio
Al termine del corso gli studenti saranno in grado di formulare ipotesi e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
Abilità comunicative
Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
Capacità di apprendere
Il corso consente allo studente di acquisire una maggiore capacità operativa in termini di reperimento dei dati e di corretta modellizzazione delle serie storiche economiche. Tali capacità, oltre ad essere strettamente utili per il superamento degli esami quantitativi futuri previsti dal corso di studio, sono più in generale funzionali a tutte le successive fasi di studio, inclusa quella della stesura dell’elaborato di tesi finale. Si tratta inoltre di capacità particolarmente apprezzate nel mondo del lavoro e che consentiranno agli studenti di interpretare e valutare in più autonomia le modellizzazioni statistiche che vengono sempre più frequentemente fornite dalle varie fonti di informazione.
Aggiornato A.A. 2019-2020
Programma del corso
1 – Richiami di probabilità e statistica inferenziale
Principali distribuzioni (Bernoulli, Binomiale, Normale, Chi quadro, t-Student, F). Stimatori. Intervalli di confidenza. Test di Ipotesi.
2 – Modello di regressione lineare
Il modello di regressione lineare e la stima a minimi quadrati
Proprietà degli stimatori dei minimi quadrati
Intervalli di confidenza e verifiche di ipotesi per i parametri
Applicazione: Event Study
La previsione nel modello di regressione lineare
3 – Modelli per serie storiche stazionarie
Introduzione alle serie storiche: Modelli a media mobile (MA), Modelli autoregressivi (AR), modelli ARMA.
Procedura di Box-Jenkins
4 – Modelli per serie storiche non stazionarie
Non Stazionarietà: definizione, Test ADF, break strutturali, test di Phillips Perron Modelli ARIMA
5 – Serie storiche multivariate
Introduzione ai VAR – Vector Auto Regression Models
Stima ed identificazione
Funzioni di risposta all’impulso
Identificazione dei VAR
6 – Cointegrazione e VECM
Cointegrazione e trend comuni
Test di cointegrazione di Engle & Granger
Materiale di studio
Il corso sarà basato sul libro di testo "Introductory Econometrics for Finance", (4th Edition), di Cris Brooks, Cambridge.
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Il software utilizzato è disponibile qui: http://gretl.sourceforge.net/
Modalità di esame
L’esame consiste in una prova scritta, che verterà su tutto il programma trattato. La struttura dell’esame include domande teoriche, sia aperte sia a risposta multipla, esercizi ed applicazioni degli strumenti acquisiti tramite il software GRETL.
Ulteriori informazioni
• Non è prevista una prova intermedia.
• L’esame scritto può essere sostenuto solo una volta per sessione. In altre parole, studenti che non hanno superato la prova scritta o che rifiutano il voto non potranno risostenere l’esame durante la medesima sessione.
• Si può rifiutare il voto, ma una volta sola. Il secondo esito, qualunque esso sia, viene registrato in automatico.
Finalità del corso (quali conoscenze lo studente acquisisce secondo i 5 descrittori di Dublino)
Conoscenza e capacità di comprensione
Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si richiameranno dapprima i fondamenti di probabilità e dell’analisi inferenziale, per poi analizzare in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
Capacità di applicare conoscenza e capacità di comprensione
Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, sono parte integrante del corso ed oggetto di tutte le esercitazioni. Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due o più variabili.
Autonomia di giudizio
Al termine del corso gli studenti saranno in grado di formulare ipotesi e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
Abilità comunicative
Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
Capacità di apprendere
Il corso consente allo studente di acquisire una maggiore capacità operativa in termini di reperimento dei dati e di corretta modellizzazione delle serie storiche economiche. Tali capacità, oltre ad essere strettamente utili per il superamento degli esami quantitativi futuri previsti dal corso di studio, sono più in generale funzionali a tutte le successive fasi di studio, inclusa quella della stesura dell’elaborato di tesi finale. Si tratta inoltre di capacità particolarmente apprezzate nel mondo del lavoro e che consentiranno agli studenti di interpretare e valutare in più autonomia le modellizzazioni statistiche che vengono sempre più frequentemente fornite dalle varie fonti di informazione.
Aggiornato A.A. 2018-2019
Programma del corso
1 – Richiami di probabilità e statistica inferenziale
Principali distribuzioni (Bernoulli, Binomiale, Normale, Chi quadro, t-Student, F). Stimatori. Intervalli di confidenza. Test di Ipotesi.
2 – Modello di regressione lineare
Il modello di regressione lineare e la stima a minimi quadrati
Proprietà degli stimatori dei minimi quadrati
Intervalli di confidenza e verifiche di ipotesi per i parametri
La previsione nel modello di regressione lineare
3 – Modelli per serie storiche stazionarie
Introduzione alle serie storiche: Modelli a media mobile (MA), Modelli autoregressivi (AR), modelli ARMA.
Procedura di Box-Jenkins
4 – Modelli per serie storiche non stazionarie
Non Stazionarietà: definizione, Test ADF, break strutturali, test di Phillips Perron Modelli ARIMA
5 – Serie storiche multivariate
Introduzione ai VAR – Vector Auto Regression Models
Stima ed identificazione
Funzioni di risposta all’impulso
Identificazione dei VAR
6 – Cointegrazione e VECM
Cointegrazione e trend comuni
Test di cointegrazione: test di Engle – Granger, test di Johansen
Modelli a correzione dell’errore
Materiale di studio
Il corso sarà basato sui seguenti libri di testo:
• Serie Storiche Economiche (ed. 2005), di Tommaso Di Fonzo e Francesco Lisi, Carrocci Editore.
• • Introductory Econometrics for Finance, (3rd Edition), di Cris Brooks, Cambridge.
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Il software utilizzato è disponibile qui: http://gretl.sourceforge.net/
Modalità di esame
L’esame consiste in una prova scritta, che verterà su tutto il programma trattato. La struttura dell’esame include domande teoriche, sia aperte sia a risposta multipla, esercizi ed applicazioni degli strumenti acquisiti tramite il software GRETL.
Ulteriori informazioni
• Non è prevista una prova intermedia.
• L’esame scritto può essere sostenuto solo una volta per sessione. In altre parole, studenti che non hanno superato la prova scritta o che rifiutano il voto non potranno risostenere l’esame durante la medesima sessione.
Finalità del corso (quali conoscenze lo studente acquisisce secondo i 5 descrittori di Dublino)
Conoscenza e capacità di comprensione
Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si richiameranno dapprima i fondamenti di probabilità e dell’analisi inferenziale, per poi analizzare in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
Capacità di applicare conoscenza e capacità di comprensione
Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, sono parte integrante del corso ed oggetto di tutte le esercitazioni. Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due o più variabili.
Autonomia di giudizio
Al termine del corso gli studenti saranno in grado di formulare ipotesi e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
Abilità comunicative
Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
Capacità di apprendere
Il corso consente allo studente di acquisire una maggiore capacità operativa in termini di reperimento dei dati e di corretta modellizzazione delle serie storiche economiche. Tali capacità, oltre ad essere strettamente utili per il superamento degli esami quantitativi futuri previsti dal corso di studio, sono più in generale funzionali a tutte le successive fasi di studio, inclusa quella della stesura dell’elaborato di tesi finale. Si tratta inoltre di capacità particolarmente apprezzate nel mondo del lavoro e che consentiranno agli studenti di interpretare e valutare in più autonomia le modellizzazioni statistiche che vengono sempre più frequentemente fornite dalle varie fonti di informazione.
Aggiornato A.A. 2017-2018
Programma del corso
1 – Richiami di probabilità e statistica inferenziale
Principali distribuzioni (Bernoulli, Binomiale, Normale, Chi quadro, t-Student, F). Stimatori. Intervalli di confidenza. Test di Ipotesi.
2 – Modello di regressione lineare
Il modello di regressione lineare e la stima a minimi quadrati
Proprietà degli stimatori dei minimi quadrati
Intervalli di confidenza e verifiche di ipotesi per i parametri
La previsione nel modello di regressione lineare
3 – Modelli per serie storiche stazionarie
Introduzione alle serie storiche: Modelli a media mobile (MA), Modelli autoregressivi (AR), modelli ARMA.
Procedura di Box-Jenkins
4 – Modelli per serie storiche non stazionarie
Non Stazionarietà: definizione, Test ADF, break strutturali, test di Phillips Perron Modelli ARIMA
5 – Serie storiche multivariate
Introduzione ai VAR – Vector Auto Regression Models
Stima ed identificazione
Funzioni di risposta all’impulso
Identificazione dei VAR
6 – Cointegrazione e VECM
Cointegrazione e trend comuni
Test di cointegrazione: test di Engle – Granger, test di Johansen
Modelli a correzione dell’errore
Materiale di studio
Il corso sarà basato sui seguenti libri di testo:
• Serie Storiche Economiche (ed. 2005), di Tommaso Di Fonzo e Francesco Lisi, Carrocci Editore.
• • Introductory Econometrics for Finance, (3rd Edition), di Cris Brooks, Cambridge.
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Il software utilizzato è disponibile qui: http://gretl.sourceforge.net/
Modalità di esame
L’esame consiste in una prova scritta, che verterà su tutto il programma trattato. La struttura dell’esame include domande teoriche, sia aperte sia a risposta multipla, esercizi ed applicazioni degli strumenti acquisiti tramite il software GRETL.
Ulteriori informazioni
• Non è prevista una prova intermedia.
• L’esame scritto può essere sostenuto solo una volta per sessione. In altre parole, studenti che non hanno superato la prova scritta o che rifiutano il voto non potranno risostenere l’esame durante la medesima sessione.
Finalità del corso (quali conoscenze lo studente acquisisce secondo i 5 descrittori di Dublino)
Conoscenza e capacità di comprensione
Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si richiameranno dapprima i fondamenti di probabilità e dell’analisi inferenziale, per poi analizzare in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
Capacità di applicare conoscenza e capacità di comprensione
Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, sono parte integrante del corso ed oggetto di tutte le esercitazioni. Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due o più variabili.
Autonomia di giudizio
Al termine del corso gli studenti saranno in grado di formulare ipotesi e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
Abilità comunicative
Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto.
Capacità di apprendere
Il corso consente allo studente di acquisire una maggiore capacità operativa in termini di reperimento dei dati e di corretta modellizzazione delle serie storiche economiche. Tali capacità, oltre ad essere strettamente utili per il superamento degli esami quantitativi futuri previsti dal corso di studio, sono più in generale funzionali a tutte le successive fasi di studio, inclusa quella della stesura dell’elaborato di tesi finale. Si tratta inoltre di capacità particolarmente apprezzate nel mondo del lavoro e che consentiranno agli studenti di interpretare e valutare in più autonomia le modellizzazioni statistiche che vengono sempre più frequentemente fornite dalle varie fonti di informazione.