<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>MATLAB | Stefano Blando</title><link>https://stefano-blando.github.io/it/tags/matlab/</link><atom:link href="https://stefano-blando.github.io/it/tags/matlab/index.xml" rel="self" type="application/rss+xml"/><description>MATLAB</description><generator>HugoBlox Kit (https://hugoblox.com)</generator><language>it-IT</language><lastBuildDate>Sun, 12 Apr 2026 00:00:00 +0000</lastBuildDate><image><url>https://stefano-blando.github.io/media/icon_hu_8d0dee6c10a3c598.png</url><title>MATLAB</title><link>https://stefano-blando.github.io/it/tags/matlab/</link></image><item><title>Statistical model checking of the Island Model: an established economic agent-based model of endogenous growth</title><link>https://stefano-blando.github.io/it/publications/island-model-smc/</link><pubDate>Sun, 12 Apr 2026 00:00:00 +0000</pubDate><guid>https://stefano-blando.github.io/it/publications/island-model-smc/</guid><description/></item><item><title>Island Model + MultiVeStA - Statistical Model Checking della Crescita Economica</title><link>https://stefano-blando.github.io/it/projects/island-model-smc/</link><pubDate>Fri, 06 Mar 2026 00:00:00 +0000</pubDate><guid>https://stefano-blando.github.io/it/projects/island-model-smc/</guid><description>&lt;p&gt;Questo progetto riproduce ed estende l&amp;rsquo;&lt;strong&gt;Island Model di Fagiolo e Dosi (2003)&lt;/strong&gt;, un modello agent-based fondamentale della crescita economica endogena, usando &lt;strong&gt;MultiVeStA&lt;/strong&gt;, uno strumento per lo statistical model checking sequenziale di sistemi stocastici.&lt;/p&gt;
&lt;p&gt;Il paper e stato accettato a &lt;strong&gt;MARS @ ETAPS 2026&lt;/strong&gt; (Workshop on Models for Formal Analysis of Real Systems, European Joint Conferences on Theory and Practice of Software).&lt;/p&gt;
&lt;p&gt;&lt;em&gt;Lavoro con Giorgio Fagiolo, Daniele Giachini, Andrea Vandin ed Ernest Ivanaj (Scuola Superiore Sant&amp;rsquo;Anna).&lt;/em&gt;&lt;/p&gt;
&lt;p&gt;Pagine collegate: &lt;strong&gt;
&lt;/strong&gt;, &lt;strong&gt;
&lt;/strong&gt; e &lt;strong&gt;
&lt;/strong&gt;.&lt;/p&gt;
&lt;h2 id="cosa-fa-il-modello"&gt;Cosa fa il modello&lt;/h2&gt;
&lt;p&gt;L&amp;rsquo;Island Model cattura la crescita endogena attraverso l&amp;rsquo;interazione di tre tipi di agenti eterogenei che operano su un fitness landscape:&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;&lt;strong&gt;Miners&lt;/strong&gt; sfruttano la loro nicchia produttiva corrente, accumulando competenze nel tempo&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;Imitators&lt;/strong&gt; copiano l&amp;rsquo;agente visibile con maggior successo, diffondendo conoscenza nell&amp;rsquo;economia con probabilita φ&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;Explorers&lt;/strong&gt; cercano nuove isole casualmente, guidando l&amp;rsquo;innovazione ed evitando il lock-in&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;L&amp;rsquo;intuizione chiave e che la tensione tra exploitation ed exploration, parametrizzata da ε, genera dinamiche di crescita autosostenute senza richiedere progresso tecnologico esogeno.&lt;/p&gt;
&lt;h2 id="cosa-aggiunge-multivesta"&gt;Cosa aggiunge MultiVeStA&lt;/h2&gt;
&lt;p&gt;L&amp;rsquo;analisi Monte Carlo standard usa un numero fisso di simulazioni senza garanzie formali sulla qualita della stima. MultiVeStA applica &lt;strong&gt;sequential statistical model checking&lt;/strong&gt;: esegue le simulazioni in modo adattivo, fermandosi solo quando l&amp;rsquo;intervallo di confidenza al 95% su E[logGDP] e piu stretto di δ=0.05 a ogni istante temporale. Questo fornisce una garanzia formale di precisione: la dimensione campionaria e determinata dalla varianza dei dati, non dal ricercatore.&lt;/p&gt;
&lt;p&gt;La nostra analisi conferma l&amp;rsquo;&lt;strong&gt;ottimalita di un&amp;rsquo;esplorazione moderata&lt;/strong&gt; (ε ≈ 0.1), riproduce tutti gli stylized facts del modello originale e stabilisce tramite analisi controfattuale con Welch t-test che 6 confronti su 7 tra coppie di parametri producono traiettorie di crescita statisticamente distinguibili. L&amp;rsquo;unica eccezione (ρ=3.0 vs ρ=5.0) rivela un &lt;strong&gt;effetto di saturazione&lt;/strong&gt; nella localita della conoscenza.&lt;/p&gt;
&lt;h2 id="interactive-explorer"&gt;Interactive Explorer&lt;/h2&gt;
&lt;p&gt;L&amp;rsquo;app interattiva permette di esplorare il modello dal vivo: osservare gli agenti muoversi nel paesaggio tecnologico, seguire le cascata di imitazione e gli eventi di esplorazione, eseguire l&amp;rsquo;analisi di sensibilita MultiVeStA su α, φ e ρ, e vedere come converge il campionamento sequenziale.&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;&lt;strong&gt;
&lt;/strong&gt;&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;
&lt;/strong&gt;&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;
&lt;/strong&gt;&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;
&lt;/strong&gt;&lt;/li&gt;
&lt;/ul&gt;</description></item></channel></rss>