Contenuto
Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricercaINIZIO_TESTO_DA_INDICIZZARE
PROGRAMMA DI RICERCA 2006
italiano - english
Unità di Ricerca
- Università degli Studi di BERGAMO
INGEGNERIA GESTIONALE E DELL'INFORMAZIONE
- Università degli Studi di FIRENZE
STATISTICA
- Università degli Studi di PALERMO
SCIENZE STATISTICHE E MATEMATICHE
- Università degli Studi ROMA TRE
ISTITUZIONI PUBBLICHE, ECONOMIA E SOCIETÀ
- Università "Ca' Foscari" di VENEZIA
STATISTICA
Programmi di ricerca simili:
- 1 - Trattamento statistico della complessità e dell'incertezza negli studi ambientali
- 2 - Modelli grafici, a classi latenti, e per dati panel: sviluppi metodologici ed applicazioni nel campo dell’istruzione e della salute.
- 3 - Metodi bayesiani non parametrici per il clustering, l'analisi della sopravvivenza e la previsione del numero di specie
- 4 - Misurazione del rischio di credito
- 5 - Metodologie di raccolta ed analisi dei dati ambientali
- 6 - Nuovi metodi di verosimiglianza per modelli statistici complessi
- 7 - Metodi inferenziali classici e bayesiani in classi di modelli econometrici per la finanza
- 8 - Sintesi automatica di modelli astratti a partire da dati temporali o spaziali
- 9 - Modelli marginali per variabili categoriche con applicazioni all'analisi causale
- 10 - METODI DI FINANZIAMENTO, VALUTAZIONE E BENCHMARCHING DEI SISTEMI SANITARI
Classificazione scientifico-disciplinare
- Area scientifico disciplinare: Scienze economiche e statistiche
Classificazione geografica
- Regione: Lombardia
Bibliografia
Adelfio G., Chiodi M., De Luca L., Luzio D. (2006, GRASPA) Nonparametric clustering of seismic events. Springer-Verlag, Heidelberg. In press.Bardeschi A., Colucci A., Gianelle V., Gnagnetti M., Tamponi M., Tebaldi G. (1991) Analysis of the impact on air quality of motor vehicle traffic in the Milan urban area. Atmos. Environ., 25B, 415-428.
Bellini P, Terracini B, Biggeri A, Baccini M (2005, GRASPA) The Meta-analysis of the Italian studies on Short-term health effects of Air pollution (MISA) : old and new issues on the interpretation of the statistical evidences. Environmetrics. In print.
Besag J., Green P.J., Higdon D., Mengersen K. (1995) Bayesian computation and stochastic systems. Statistical Science, 10, 3-41.
Biggeri A, Baccini M et al. (2005) Short term effects of apparent temperatureon mortality in European cities: results from the PHEWE projects. Epidemiology, 16, S140.
Biggeri A, Bellini P, Terracini B e il gruppo MISA (2004, GRASPA) Meta analisi italiana degli studi sugli effetti a breve termine dell'inquinamento atmosferico 1996-2002. Epidemiologia e Prevenzione, 28, supplemento.
Biggeri, A., Lagazio, C. (1999, GRASPA) Case-control analysis of risk around putative sources. In: Lawson, A.B., Biggeri, A., Böhning, D., Lesaffre, E., Viel, J.F., Bertolini, R. (eds) Disease Mapping and Risk Assessment for Public Health. Wiley: New York.
Boehning D. (2000) Computer-assisted analysis of mixtures and applications. Chapman & Hall.
Brown P.E., Diggle P.J., Lord M.E. and Young P.C. (2001) Space-time calibration of radar rainfall data. Appl. Statist., 50, 221-241.
Bruno F., Cocchi D. (2002) A unified strategy for building simple air quality indices. Environmetrics, 13, 3 , 243 – 261
Cameron A.C., Trivedi P.K.(1998) Regression Analysis of Count Data. Cambridge University Press.
Cappé O., Moulines E., T. Ryden (2005) Inference in Hidden Markov Models. Springer, New York.
Coles S. (2001). An Introduction to Statistical Modeling of Extreme Values. Springer, London.
Diggle, P.J., Rowlingson (1994) A conditional approach to point process modelling of raised incidence, JRSS, A, 157, 433-440.
Draghicescu D., Ignaccolo R. (2006, GRASPA) Space-time smoothed indicator kriging. Preprint sottoposto a referaggio.
Fassò A. (2006b, GRASPA) Sensitivity Analysis for Environmental Models and Monitoring Networks. Proceedings of iEMSs 2006, 3rd Biennial meeting of the International Environmental Modelling and Software Society, July 9-12, Burlington, Vermont.
Fassò A., Cameletti M., Nicolis O. (2006a, GRASPA) Air quality monitoring using heterogeneous networks. Environmetrics, to appear.
Fassò A., Esposito E., Porcu E., Reverberi A.P., Vegliò F. (2003, GRASPA) Statistical Sensitivity Analysis of Packed Column Reactors for Contaminated Wastewater. Environmetrics, 14, 743-759.
Fassò A., Nicolis O. (2004, GRASPA) Modelling dynamics and uncertainty in assessment of quality standards for fine particulate matters. Working Paper GRASPA, 21.
Fassò A., Nicolis O. (2005, GRASPA) Space-time integration of heterogeneous networks in air quality monitoring. Atti SIS, Messina 21-23 Settembre.
Fassò A., Perri P.F. (2002, GRASPA) Sensitivity Analysis. A. El-Sharaawi & W. Piegorsch (eds) Encyclopedia of Environmetrics, Wiley, 4, 1968-1982.
Gaetan C., Grigoletto M. (2006, GRASPA) A hierarchical model for the analysis of spatial rainfall extremes. Preprint.
Ghosh S., Draghicescu D. (2002) An algorithm for optimal bandwidth selection for smooth nonparametric quantile estimation. Statistical Data Analysis Based on the L1-Norm and Related Methods. Birkhauser, 161–168.
Jansakul N., Hinde J.P. (2002) Score tests for zero-inflated Poisson models. Computational Statistics & Data Analysis, 40.
Katsouyanni K, Touloumi G, Samoli E et al. (2001) Confounding and effect modification in the short-term effects of ambient particles on total mortality: results from 29 European cities within the APHEA2 project. Epidemiology, 12(5), 521-31.
Lagona, F. (2005, GRASPA) Air quality indices via non homogeneous hidden Markov models. In: Proceedings of the Scientific Meeting of the Italian Statistical Society “Statistics And Environment”. Sept. 21-23, 2005.
Lee, Y., Nelder, J.A. (2001) Hierarchical generalized linear models: a synthesis of generalised linear models, random-effect models and structured dispersions. Biometrika, 88, 987-1006.
Lovison G. (2005) On Rao Score and Pearson X2 Statistics in Generalized Linear Models. Statistical Papers, 46 (4), pp. 555-574.
MacDonald I.L., Zucchini W. (1997) Hidden Markov and other models for discrete-valued time series. Chapman Hall.
Mantovan P., Pastore A., Tonellato S. (2000, GRASPA). A comparison between parallel algorithms for system parameter estimation in dynamic linear models. Applied Stochastic Models in Business and Industry, 369-378.
Mardia K.V., Goodall C., Redfern E.J. and Alonso F.J. (1998) The Kriged Kalman Filter. Test, 7, 217-252.
Mendola D. (2003) Road traffic restrictions and air pollution in an urban area. A case study in Palermo. Working Paper GRASPA, 16.
Molenberghs G., Verbeke G. (2005) Models for Discrete Longitudinal Data. Springer-Verlag, NY.
Morris, S.E., Wakefield, J.C. (2000) Assessment of disease risk in relation to a pre-specified source. In: Spatial Epidemiology – Methods and Applications, Elliot, P., Wakefield J., Best, N.G., Briggs, D.J. Ed.’s, Oxford University Press.
Oakley J. and O'Hagan A. (2004) Probabilistic sensitivity analysis of complex models: a Bayesian approach. J.R.Statist. Soc. B, 66, 3, 751-769.
Pastres R., Ciavatta S. and Solidoro C. (2003, GRASPA) The Extended Kalman Filter (EKF) as a tool for the assimilation of high-frequency water quality data. Ecological Modelling, 170, 227-235.
Pergent G. (1990) Lepidochronological analysis in the seagrass Posidonia oceanica: a standardized approach. Aquat. Bot., 37,39-54.
Sahu S.K., Mardia K.V. (2005, GRASPA) A Bayesian Kriged Kalman Filter for short term forecasting of air pollution levels. Journal of the Royal Statistical Society, C 54, 223-254.
Sahu S.K., Gelfand A.E., Holland D.M. (2006, GRASPA) Spatio-temporal modeling of fine particulate matter. Journal of Agricultural, Biological, and Environmental Statistics, 11, 61-86.
Saltelli A., Tarantola S., Campolongo F., Ratto M. (2004) Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models. Wiley.
Schlattmann P. (2005) On bootstrapping the number of components in finite mixtures of Poisson distributions. Statistics and Computing, 15.
Sciandra M., Lovison G. (2005) Regression diagnostics to analyze complex ecological systems through Generalized Linear Mixed Models. In: Atti del Convegno Intermedio S.I.S., Messina 21-23 settembre 2005, 261-264.
Short M., Carlin B.P., Gelfand A. (2005) Bivariate spatial process modeling for constructing indicator or intensity weighted spatial CDFs. JABES, 10, 3, 259–275.
Smith R.L., Kolenikov S., Cox L.H. (2003) Spatio-temporal modeling of PM2.5 data with missing values. J. Geophys. Res., 108(D24), 11-1
Viviano L., Muggeo V., Lovison G. (2005, GRASPA) Using Zero-Inflated Models to analyze environmental data sets with many zeroes. In: Atti del Convegno Intermedio S.I.S., Messina 21-23 settembre 2005, 47-50.
Wang P. (2001) Markov zero-inflated Poisson regression models for a time series of counts with excess zeros. Journal of Applied Statistics, 28.
Wikle CK, Cressie N. (1999) A dimension-reduced approach to space-time kalman filtering. Biometrika, 86, 815-824.
Wikle C.K. (2003) Hierarchical models in environmental science. International Statistical Review, 71 , 181-199.
Parole Chiave
STATISTICA AMBIENTALE, MODELLI SPAZIO-TEMPORALI, MODELLI SPAZIALI, MODELLI GERARCHICI, SERIE STORICHE DISCRETE, MODELLI MARKOVIANI LATENTI, PROCESSI DI PUNTO, MAPPE DI RISCHIO, ANALISI DI SENSITIVITÀModellazione e analisi statistica dell'impatto e del rischio per fenomeni ambientali con componenti spaziali e temporali
Università degli Studi di BergamoAbstract
Si considerano problemi di statistica ambientale relativi ad Aria, Acqua, Suolo e Salute con dinamiche temporali, spaziali e spazio-temporali e si usa un approccio metodologico ampiamente inquadrabile nei modelli gerarchici. Obiettivo prioritario è la costruzione di modelli statistici con finalità 1) esplicative delle relazioni importanti, 2) previsive in senso spaziale e 3) di costruzione di indici di qualità ambientale. Le aree tematiche Aria, Acqua, Suolo e Salute articolano il progetto e ne sono parole chiave come oltre discusso. In particolare la salute umana può essere intesa come uno degli aspetti motivanti e unificanti negli studi ambientali e sarà ampiamente di riferimento nella trattazione delle altre tre aree.ARIA
Il progetto considera la dinamica spazio-temporale dell’inquinamento in generale e delle polveri fini (PM10 e PM2.5) in particolare e le interazioni con le variabile meteorologiche, antropiche e geografiche che hanno spesso una risoluzione spaziale e temporale diversa.
La scala temporale dei dati sulle concentrazioni di inquinanti in atmosfera è giornaliera mentre quella spaziale varia dallo studio individuale o comparato di singole città come Torino o Palermo, di singole regioni amministrative come il Piemonte o il Brandeburgo, fino ad aree super-regionali come la pianura padano-veneta. Le variabili esplicative hanno, invece, scale assai diverse. Per esempio, possono essere annuali e comunali (inventario >>>
Coordinatore Scientifico del Programma di Ricerca
Alessandro Fassò Università degli Studi di BERGAMOObiettivo del Programma di Ricerca
Tre sono i macro-obiettivi sottostanti al progetto.Il primo è quello di aumentare le conoscenze empiriche sulle dinamiche del rischio ambientale e sugli effetti sulla salute dell’inquinamento e della meteorologia.
Il secondo è di aumentare le consapevolezza dell’utilità e l’utilizzo stesso dei metodi e modelli statistici avanzati negli enti locali e nazionali che si occupano di dati e analisi ambientali.
Il terzo obiettivo, di carattere statistico-metodologico, è di costruire un grande laboratorio sui modelli gerarchici e sulla loro applicazione a fenomeni ambientali temporali, spaziali e spazio-temporali.
Questi obiettivi sono legati alla stretta collaborazione del gruppo di ricerca con gli enti preposti ai dati ed alla protezione ambientale come: l’ISTAT, Il Ministero della Salute, la Protezione Civile, l’APAT, la Regione Piemonte, il Magistrato alle Acque di Venezia e numerose ARPA. In particolare, fornire un approccio, anche modellistico, unificato è di grande utilità per gli enti pubblici come l’ISTAT, l’APAT e le ARPA che richiedono protocolli generali di analisi ambientale.
Tali obiettivi di carattere generale sono implicati dalla serie di sotto-obiettivi che sono suddivisi per le aree tematiche Aria, Acqua, Suolo e Salute.
1 – ARIA
Un obiettivo prioritario del progetto è l’aumento delle conoscenze sulla dinamica spazio-temporale e causale delle >>>
Durata
24 mesiBase di partenza scientifica nazionale o internazionale
1 – INTRODUZIONEIn conseguenza alla ben nota crescente attenzione culturale, sociale, politica e scientifica verso le problematiche ambientali si assiste ad una crescente disponibilità di dati su fenomeni rischiosi per l’ambiente e per la salute umana. Tali dati hanno sempre più spesso una significativa dimensione spaziale e/o temporale in quanto provengono da reti eterogenee di monitorggio (aria, acqua), remote sensing (uso del territorio, clima), modelli di calcolo (dati meteorologici, inventario emissioni, etc.), sistemi informativi geografici anche di tipo economico, demografico e sanitario.
Parallelamente cresce il bisogno di analisi, modellazione e sintesi statistica che fornisca delle risposte chiare alle esigenze conoscitive, diagnostiche e decisionali senza trascurare gli elementi di complessità insite nella problematica.
Il gruppo di lavoro proponente questo progetto lavora da anni sulla statistica ambientale all’interno del Gruppo di Ricerca per l’Applicazione della Statistica ai Problemi Ambientali (GRASPA) .
Per semplicità di lettura le competenze specifiche del gruppo di ricerca sono evidenziate nel seguito con la sigla GRASPA sulle citazioni e sui riferimenti bibliografici.
Il progetto si articola in quattro aree tematiche principali: Aria, Acqua, Suolo e Salute. In questo contesto si studiano aspetti statistico-metodologici e statistico-applicativi legati alle seguenti >>>



