GRETA fornisce attività di ricerca e sviluppo, o di analisi dei dati per la predisposizione di reportistica nei seguenti ambiti dell’econometria. Oltre alle tecniche tradizionali di analisi e modellizzazione GRETA fornisce supporto nell’ambito delle più recenti tecniche di Datascience e Machine Learning e della loro combinazione con l’analisi econometrica tradizionale.

A titolo esemplificativo, i ricercatori di GRETA sono attivi sui seguenti temi:

• Analisi di dati finanziari (a frequenza mensile, settimanale, giornaliera e intra-giornaliera) e sviluppo di modelli multivariati (analisi delle varianze, modelli per le correlazioni, analisi dei tassi di cambio
• Aggregazione e stima di statistiche per aggregati di paesi (Area Euro, Unione Europea, ecc.)
• Tecniche di disaggregazione temporale per la stima di variabili macroeconomiche a frequenze non attualmente disponibili
• Analisi del ciclo economico e finanziario, individuazione dei punti di svolta, sviluppo di modelli e datazione con metodi parametrici e non-parametrici, sviluppo di modelli multivariati della classe VAR ed a cambiamenti di regime
• Ricostruzione storica di statistiche sulla base di informazioni parziali (back-recalculation, constrained interpolation)
• Interpretazione ed uso di sondaggi per la previsione di variabili e l'analisi del ciclo economico
• Produzione di modelli predittivi (previsione "flash" a medio e lungo termine, combinazione di previsioni)
• Analisi delle revisioni di statistiche ufficiali; sviluppo e costruzione di indici compositi

Analisi delle previsioni:

• Applicazioni di scoring rules per l’analisi delle previsioni generate da modelli o da surveys.
• Combinazione e calibrazione delle previsioni puntuali o probabilistiche.

Riduzione della dimensione dei dati:

• Tecniche lineari come Principal Component Analysis, Multidimensional Scaling e Random Projection.
• Tecniche nonlineari come Isomaps, Maximum Variance Unfolding, Local Linear Embedding; loro applicazioni a modelli econometri di grandi dimensioni (es. large VARs, large panel data) in ottica di previsione.

Analisi di dati con struttura complessa:

• Analisi statistica dei networks (dati relazionali) e flussi temporali di dati networks; estrazione di networks attraverso modelli grafici (graphical Models) per l’analisi delle relazioni causali tra serie storiche.
• Approssimazioni a rango ridotto tramite tensor decomposition, come Tucker e PARAFAC decomposition, per serie storiche multilineari (per esempio dati trade networks, financial flow networks).
• Analisi dei dati spazio-temporali.
• Text mining and sentiment analysis.

Metodi Bayesiani

• Analisi bayesiana classica di modelli econometrici per le serie storiche (es., VAR, Markov-switching).
• Analisi bayesiana nonparametrica (es., Dirichlet Process Prior, Pitman-Yor Prior).
• Stima e previsione sequenziale con aggiornamento Bayesiano (Dynamic Linear Models).

Metodi nonparametrici

• Random Trees e Random Forests per la previsione e classificazione e loro combinazione con i modelli econometrici (es., Linear Models, GLM).
• Metodi bayesiani nonparametrici per la classificazione, classificazione gerarchica e la robustificazione dei modelli econometrici.