Dipartimento di Scienze Statistiche

Il Dipartimento di Scienze Statistiche dell'Alma Mater organizza un ciclo di seminari intitolato "Approcci moderni all’analisi robusta di dati multidimensionali, serie storiche e dati spaziali".   L’obiettivo dei seminari è quello di rivisitare le tradizionali tecniche statistiche per l’analisi di dati multidimensionali ed autocorrelati alla luce di alcune tendenze innovative nella letteratura internazionale, che pongono l’accento sull’importanza della proprietà di robustezza dei metodi, cioè sulla loro capacità di fornire risultati stabili e scientificamente attendibili anche in presenza di valori anomali. I metodi tradizionali (deletion diagnostics) cercano di identificare i valori anomali operando in maniera "backwards" valutando l'anomalia o l'influenza d’una osservazione su un modello statistico solo dopo che esso è stato adattato all'intero data set. Così facendo, però, i metodi tradizionali soffrono d’un grave inconveniente, l'effetto di mascheramento, che si manifesta in presenza di gruppi di outliers e che rende l'influenza individuale di ciascuno di essi molto limitata e dunque non identificabile. Un’alternativa ai metodi backward è costituita dall’utilizzo di stimatori robusti (LMS, MAD, TRIMMED MEAN). Generalmente tali metodi permettono di rilevare gli outlier, però presentano l’inconveniente di sottopesare o tralasciare alcune osservazioni. Lo scopo dei 3 seminari è quello di presentare una nuova metodologia statistica nota con il nome di forward search, che combina la robustezza e l’efficienza e consente di cogliere l’effetto inferenziale delle diverse unità statistiche sul modello proposto. Attraverso una combinazione efficace di modellazione statistica e di grafici diagnostici, la forward search costituisce uno strumento potente al fine di individuare la presenza di valori anomali, sia individuali che raggruppati, e di valutare il loro effetto sui risultati delle analisi tradizionali. In allegato il calendario dei seminari con specifica delle tematiche affrontate in ciascuno di essi.