unisa ITA  unisa ENG


Ricerca dello STATLAB

Ricerca scientifica per aree

Le attività del laboratorio STATLAB spaziano in diverse aree, grazie al lavoro di studio, analisi e ricerca svolto dai suoi componenti. Per un elenco dettagliato delle pubblicazioni scientifiche, si rimanda alle pagine web personali dei componenti dello STATLAB. Una descrizione sintetica dei diversi ambiti di ricerca è riportata qui di seguito.

 

  • Analisi delle serie storiche
    Modelli non lineari a soglia, Modelli ad eteroschedasticità condizionata (GARCH e GARCH multivariati), Stima e previsione della volatilità,  Combinazione di previsioni.
  • Metodi statistici per la finanza
    Stima del Value at Risk e dell'Expected Shortfall. Ottimizzazione di portafoglio. Option Pricing e Futures Hedging. Financial risk Management.
  • Statistica Economica
    Analisi delle caratteristiche strutturali delle imprese e dei sistemi produttivi locali.  Analisi della congiuntura. Progettazione e Gestione di basi di dati ed  indicatori economici.  Analisi di Mercato. Controllo statistico della qualità.
  • Statistica Sociale
    Metodi di indagine campionaria. Predisposizione di Questionari e Schede rilevazione dati. Q-methodology. Modelli Causali. Analisi Multidimensionale dei Dati. Tecniche di Clustering. Data Mining. Analisi delle Preferenze. Conjoint analysis. Analisi statistica delle reti sociali. Metodi e Tecniche statistiche per Dati Relazionali (analisi della collaborazione scientifica, studi di reti di imprese, apprendimento collaborativo).
  • Statistica Sanitaria
    Analisi dei dati epidemiologici e sperimentali.  Metodi di classificazione e di previsione.  Analisi di sopravvivenza. Test parametrici e non parametrici.
  • Stima e Inferenza non parametrica
    Inferenza basata sul ricampionamento.  Verosimiglianza empirica.  Stimatori kernel e polinomi locali.  Reti Neurali.  Procedure nonparametriche per dati dipendenti.
  • Analisi di modelli ad alta dimensione
    Metodi per la scelta delle variabili rilevanti. Analisi asintotica di modelli e stimatori quando il numero di parametri diverge.
  • Miscugli di distribuzioni
    robustezza , model-based clustering, classificazione, stima di parametri location-scatter ed aggregazione di statistiche per datasets di grandi dimensioni. .