************** AVVISO DI SEMINARI
***************
Giovedì 19 Dicembre presso l'Aula 9 del
Dipartimento di Economia,
Università Roma Tre, Via Ostiense 139, si terranno i seguenti seminari ore 10,30
MODELLI SPAZIO-TEMPORALI SEPARABILI: UNA PROPOSTA DI ANALISI BAYESIANA SEMIPARAMETRICA (Dott.ssa Silvia Bozza, Dipartimento di Statistica, Università "Cà Foscari" di Venezia) Riassunto
Nell'ultimo decennio i modelli spazio-temporali sono stati oggetto di una crescente attenzione, che e` stata motivata sia dalle numerose applicazioni legate alle scienze ambientali ed epidemiologiche, che dal cospicuo potenziamento delle risorse informatiche. Un aspetto importante di questo tipo di dati e` la dipendenza tra le osservazioni dovuta alla vicinanza nello spazio e nel tempo. La funzione di covarianza spazio-temporale rappresenta un valido strumento al fine di rappresentare le caratteristiche spaziali e temporali che emergono in problemi di tipo ambientale. Tuttavia stimare la covarianza congiunta puo` essere molto difficile, per questa ragione vengono in generale fatte ipotesi di stazionarieta` nel tempo e isotropia nello spazio. Mentre si possono trovare ragioni euristiche per giustificare la stazionarieta` nel tempo, l'isotropia nello spazio puo` risultare spesso non realistica. In letteratura si trovano svariate proposte per analizzare strutture di dipendenza spaziale non isotropiche, ma l'attenzione alla componente temporale e` in generale marginale. La struttura di dipendenza spazio-temporale risulta decisamente semplificata nei processi separabili, vale a dire processi la cui funzione di covarianza e` data dal prodotto o dalla somma di una componente puramente spaziale ed una componente puramente temporale. La separabilita` rappresenta un' assunzione restrittiva, che tuttavia puo` consentire di rimuovere le ipotesi di stazionarieta` nel tempo e soprattutto isotropia nello spazio. Si presentera` un modello bayesiano gerarchico per la stima della struttura di dipendenza di un processo spazio-temporale separabile. La media a priori della funzione di covarianza temporale coincide con la funzione di covarianza di un determinato modello per serie storiche, mentre non si pone alcuna assunzione sulla struttura di dipendenza spaziale. L'apprendimento bayesiano e la previsione richiedono l'implementazione di tecniche di tipo Markov chain Monte Carlo. ore 11,45 L'UTILIZZO DI MODELLI DINAMICI BAYESIANI NELL'ANALISI DI PROCESSI STOCASTICI SPAZIO-TEMPORALI (Prof. Stefano Tonellato, Dipartimento di Statistica, Università "Cà Foscari" di Venezia) Riassunto
Nel corso del seminario si presenteranno alcuni modelli dinamici proposti in letteratura per l'analisi di processi stocastici spazio-temporali. I dati saranno costituiti generalmente da serie storiche multivariate osservate su un insieme di siti fissato e invariante nel tempo. Particolare attenzione sarà dedicata ai modelli spazio-temporali separabili. Si porrà in evidenza come, mediante l'applicazione di metodi MCMC, sia possibile condurre un'analisi bayesiana e produrre delle previsioni sia nello spazio sia nel tempo. Quando il numero dei siti osservati è elevato possono sorgere notevoli problemi computazionali. Si illustreranno alcune proposte che tendono a superare queste difficoltà e si accennerà ad alcuni approcci alternativi. ____________________________________________________________________
Tutti gli interessati sono invitati a partecipare. _____________________
Paola Vicard Dipartimento di Economia Università Roma Tre Via Ostiense 139 00154 Roma Tel.: +39 06 57374219 Fax: +39 06 57374093 e-mail: vicard@uniroma3.it _____________________ |