L'analisi delle serie temporali/spaziali è costituita da un insieme di metodi statistici atti a indagare l’evoluzione di una serie di dati che varia nel tempo o nello spazio. 
Le applicazioni sono vastissime in tutti i campi del mondo reale: economia, finanza, scienze ambientali, ecologia, biologia, epidemiologia, medicina, neuroscienze. 
L’analisi delle serie temporali riguarda dati raccolti in un dominio temporale, mentre l’analisi dei dati spaziali riguarda l’analisi statistica di dati raccolti in un dominio spaziale, come ad esempio lo spazio geografico. 
La ricerca in questo campo si occupa di sviluppare modelli stocastici per l’inferenza sulla struttura di dipendenza temporale o spaziale e la previsione di variabili di interesse per istanti temporali futuri o in regioni del dominio spaziale dove i dati non sono stati osservati. Altro obiettivo è quello di risolvere i problemi metodologici che nascono in fase di stima dei modelli e nei test delle ipotesi anche in relazione alla crescente disponibilità di vaste quantità di dati legata alla diffusione di Big Data ed ai connessi problemi computazionali.

Parole chiave e temi trattati:

Econometria spaziale, Geostatistica,  Modelli nonstazionari, Modelli spazio-temporali, Processi di punto; Hidden Markov Models: Modelli di mistura; Markov switching models; Modelli spaziali autoregressivi, Modelli di panel spazio-temporali, Modelli spaziali a scelta discreta, Modelli di microeconometria spaziale; Misure robuste di correlazione spaziale, Campionamento di dati spaziali, Steaming di dati spaziali, Analisi dei dati di immagini, Analisi dell’inquinamento di aria e acqua; Effetti degli errori di localizzazione e del geomasking, Applicazioni alla diffusione del Sar-Cov-2.

Pubblicazioni selezionate:

Alleva, G., Arbia, G., Falorsi, P., Nardelli V., Zuliani, A. (2021): A sample approach to the estimation of the critical parameters of the SARS-CoV-2 epidemics: an operational design, Journal of Official Statistics.

Arbia, G., Ghiringhelli, C., Bartolucci, F., Mira, A. (2021): Modelling Nonstationary Spatial Lag Models with Hidden Markov Random Fields, Spatial Statistics.

Arbia, G., Espa, G., Giuliani, D. (2021): Spatial microeconometrics, Routledge, ISBN 9781138833753.

Gasperoni F., Luati A., Paci L., D'Innocenzo E. (2021): Score driven modeling of spatio-temporal data, Journal of the American Statistical Association, in press.

Spezia, L., Vinten, A., Paroli, R., Stutter, M. (2021): An Evolutionary Monte Carlo Method for the Analysis of Turbidity High Frequency Time Series Through Markov Switching Autoregressive Models. Environmetrics.

Paci L., Beamonte M. A., Gelfand A. E., Gargallo P., Salvador M. (2020): Spatial hedonic modeling adjusted for preferential sampling, Journal of the Royal Statistical Society: Series A, 183: 169-192.

Finazzi F., Paci L. (2019): Quantifying personal exposure to air pollution from smartphone-based location data, Biometrics, 75: 1356-1366

Birkel C., Paroli R., Spezia L.,  Dunn, S.M., Tetzlaff D., Soulsby C. (2012): A new approach to simulating stream Isotope dynamics using Markov Switching Autoregressive models, Advances in Water Resources, 46: 20-30. 

Paroli R., Spezia L (2010): Reversible Jump MCMC Methods and Segmentation Algorithms in Hidden Markov Models. Australian & New Zealand Journal of Statistics, 52 (2): 151-166.