Corso di Time-Series Forecasting in R

Con questo corso apprenderai come modellare dei dati relativi ad una time series di interesse per fare forecast e prevederne l’andamento futuro. Ti insegneremo le basi dell’approccio statistico econometrico di decomposizione delle serie storiche (ciclo, trend, stagionalità) e ad inserire nel modello delle variabili indipendenti che ipotizziamo influenzino il fenomeno d’interesse. Al termine imparerai anche ad effettuare analisi di scenario e a personalizzare, a livello grafico, l’output prodotto dal software.

Il corso è erogato in presenza oppure comodamente online

Il nostro corso di Time-Series online o in sede.

Il corso ha una durata totale di 12 ore ed è diviso in sessioni settimanali da 2 ore, in un giorno ed orario prefissato. Il corso viene erogato in piccoli gruppi da minimo 2 e massimo 5 soggetti. Se sei solo, puoi essere aggregato a uno dei gruppi in partenza.

In caso di assenza ad una singola lezione la sessione verrà registrata in modo tale da poterla rivedere in seguito.

Al termine del corso viene rilasciato a tutti i partecipanti un attestato di partecipazione da inserire nel CV.

Il corso ha un approccio molto concreto e operativo: viene utilizzato un data set di esempio e alla fine di ogni modulo è previsto un esempio di applicazione concreta sui dati.

Non è richiesta alcuna competenza econometrica, ma per parteciparvi è necessaria una conoscenza base del linguaggio R.

 




 

Il programma del corso di Time-Series Forecasting in R:

Il corso si svolge in tre parti a cui corrispondono moduli differenti:

PARTE 1:

1. TIME SERIES OVERVIEW (definizione; obiettivi; definizione statistica)
2. OPERAZIONE PRELIMINARE (valori mancanti; analisi grafica)
3. DECOMPOSITION ( general details; trend; seasonality ; cycle; flitering ; differenciation; moving average)
4. TIME SERIES ESTIMATION (approccio stocastico; stazionarietà; invertibilità; ACF e PACF, WN Process; Random Walk; Moving Average Process; Autoregressive Process; ARMA Process; ACF / PACF Properties; ARIMA Process; Box-Jenkins)
5. TEST DI SPECIFICA (Residui con media nulla; rilevamento dei valori anomali; errori distr. normalmente; Omoschedasticità; Autocorrelazione / Autocovarianza)






PARTE 2 :

1. REVISIONE GIORNO 1 (Definizione time series; componenti time series ; modellazione time series ; proprietà del modello; equazioni di Yule Walker; test di autocorrelazione; pvalue)
2. VALUTAZIONE DEL MODELLO (Indicatori, proprietà di un modello buono
3. ESEMPI PRATICI (AR, ARMA, ARIMA)
4. REGRESSIONE (OLS, ipotesi OLS, proprietà OLS, stepwise, test OLS, variabili)
5. PREVISIONE (definizioni, tipi di previsione, metodologia, esempi semplici, simples exponential smoothing, valutazione)

 




 



PARTE 3:

1. REVISIONE GIORNO 2 (valutazione del modello; esempi pratici; consigli pratici; regressione; previsione; esempi di previsione)
2. STAZIONARIETÀ E CORRELAZIONE (ADS, test KPSS)
3. SARIMA (definizione, proprietà, modello completo, ACF / PACF)
4. MODELLI DI REGRESSIONE DINAMICA (Formula, errori, stima, previsione, esempi)
5. DATA EVALUATION E SCENARIO BUILDING (Data Visualization, scenario building)






Luogo e Svolgimento del Corso di Time-Series Forecasting in R: Online oppure in sede.

Il corso si svolge presso la nostra sede in Via Enrico Cruciani Alibrandi 67 (Roma), via Skype con condivisione dello schermo oppure presso la sede del cliente (solo per aziende e Università)





Sei interessato a questo servizio o vorresti maggiori informazioni?       Contattaci      Contattaci su Whastapp