PROCESE STOCASTICE

Referat

Voicu Costin Bogdan MDRP, Anul I

CUPRINS: 1. Modele stocastice de prognoza 2. Functia de autocorelatie 3. Tipologia modelelor stocastice 4. Caracterizarea statistica a modelelor stocastice

Modele stochastice de prognoza

1 Functia de autocorelatie
Evolutia fenomenelor economice se afla sub impulsul resurselor existente, capacitatilor create, experientei acumulate, traditiei, ca si a altor factori de natura exogena. Astfel, o activitate productiva realizata la un anumit nivel si-a creat implicit o baza (capacitati de productie, resurse de munca, tehnologie) pentru a atinge si in perioada urmatoare cel putin acelasi nivel: investitiile implica, cel putin pana la finalizarea proiectului, noi investitii, consumul creeaza obisnuinta si deci genereaza consum etc. Ca urmare, multe dintre procesele economice depind de anterioarele lor performante, avand un caracter inertial care, in limbajul econometriei, este pus in evidenta prin autocorelatie. In ceea ce priveste factorii exogeni, o schimbare brusca si de amploare intervenita in randul acestora se repercuteaza, de cele mai multe ori, in mod treptat asupra variabilelor - efect corelate direct, dar mai ales indirect, cu respectivul factor. Astfel, o crestere brusca a ofertei unui produs pe piata influenteaza nivelul pretului in sensul ca acesta va inregistra scaderi treptate in decursul timpului; aparitia unei noi tehnologii genereaza efecte discontinue, in trepte, asupra productiei si costului etc. Luand in considerare astfel de particularitati ale comportamentului economic, pe de o parte, precum si posibilitatile de cuantificare si prognozare ale modelelor lag si ale modelelor autoadaptive, pe de alta parte, econometricienii americani George E. P. Box si K. G. M. Jenkins au elaborat, spre sfarsitul deceniului 60 asa numitele modele stochastice de prognoza. Intr-o formulare generala, un astfel de model se prezinta astfel: (1.1) unde:

yt = variabila economica stationarizata, trendul fiind exclus din date; a, b = parametri.

Observam ca prima parte a modelului (1.1) reprezinta un model liniar autoregresiv; iar cea de-a doua parte include eroarea introdusa prin intermediul valorilor variabilei reziduale (ut-j) in vederea corectarii prognozelor. Urmatoarele considerente de natura economica si statistica au stat la baza elaborarii unor astfel de modele:

- procesul economic descris de seria cronologica este rezultatul actiunii mecanismelor interne - ceea ce explica natura autoregresiva a modelului precum si a unor influente din afara, care, daca excludem tendinta generala si factorii care o determina, actioneaza accidental sub forma unor impulsuri aleatoare. Aceasta din urma caracteristica a procesului confera modelului un caracter stochastic; - seria cronologica, reprezentand materia prima pentru modelare, se incadreaza intr-una dintre categoriile: serie nestationara, avand tendinta evolutiva (rezultat al unui proces omogen nestationar); serie stationara (rezultat al unui proces stochastic stationar), avand unele elemente stabile, repetabile ca desfasurare si care, retinute de model, confera prognozei o baza solida si implica sansa de a fi performanta; serie pur aleatoare, rezultat al unui proces generator de numere intamplatoare;

- o clasa de procese stochastice, considerate utile in vederea analizei si prognozei seriilor cronologice, o formeaza procesele stochastice stationare. Comportamentul unor astfel de procese poate fi caracterizat prin functia de autocorelatie. In ceea ce priveste componenta reziduala, ut, aceasta este presupusa ca fiind generata de un proces de zgomot alb[1], in care fiecare termen urmeaza o distributie normala, de medie egala cu zero si de dispersie diferita de zero, avand, pentru k 0, covariante egale cu zero[2]. Mediile ponderate ale unor astfel de termeni pierd caracteristicile unui astfel de proces (de zgomot alb) constituind reprezentari satisfacatoare ale unui proces aleator obisnuit [4]; - modelul este definit ca un agregat ce include impulsurile receptate cu intarzieri de 1, 2, , p intervale de timp, ca si reactiile, exprimate in medie, la abaterile accidentale (ut) de la evolutia liniara , manifestate in urma cu 1, 2, , q intervale de timp. Aceste considerente isi gasesc corespondente reale in economie intrucat caracterul autocorelat al proceselor economice este recunoscut, iar in ce priveste introducerea in calcule a efectelor perturbatiei, aceasta se justifica daca avem in vedere fie si numai reactiile reparatorii (de redresare) pe care le genereaza abaterile de la ceea ce in economie se considera o evolutie normala. Din punct de vedere al tehnicilor de masurare, considerentele mentionate presupun ca seria cronologica pe care urmeaza sa o prelucram in sensul metodei BoxJenkins sa fie o verificare prin prisma urmatoarelor conditii:

- existenta unui numar suficient de mare de termeni ( n > 40) astfel incat coeficientii statistici de autocorelatie precum si parametrii sa prezinte stabilitate; - seria valorilor sa fie stationara (fara trend), incluzand eventual componente oscilatorii (sezonalitate, ciclicitate); - FUNCTIA DE AUTOCORELATIE, care reprezinta elementul cheie pentru intreg demersul presupus de modelele stochastice de prognoza, poate fi estimata de coeficientul de autocorelatie, rk, definit astfel:

(1.2)

unde:

rk = estimatorul coeficientului de autocorelatie[3]; k = intarzierea (lagul), exprimata printr-un numar de unitati dupa care apare efectul unor impulsuri (modificare a propriului comportament sau a unei cauze). Exemplu
Fie urmatoarea serie de date trimestriale pentru trei ani succesivi privind o variabila economica: Tabelul 1.1
I II III IV

1 2 3

2 9 18

5 13 20

6 15 22

8 16 -

Evident, numarul de termeni este mult prea mic, dar facem abstractie de aceasta prima conditie intrucat urmarim sa facilitam intelegerea etapelor de calcul suficient de laborioase pentru a nu mai incarca expunerea cu calcule prelungite. Daca ne referim la celelalte conditii, atunci calculul coeficientilor de autocorelatie pentru k = 1, 2, 3, , precum si testarea semnificatiei acestora ofera raspunsuri utile in vederea caracterizarii seriei.

Pentru datele exemplului considerat (tabelul 1.1) obtinem urmatorii coeficienti de autocorelatie:

Tendinta de crestere evidenta a valorilor seriei, aspect confirmat de descresterea relativ lenta a coeficientilor , semnaleaza o serie cronologica nestationara.

Pentru eliminarea acestui inconvenient procedam la calculul diferentelor de ordinul intai: 5-2 = 3; 6-5 = 1; ; 22-20 = 2. Seria de valori astfel rezultata este prezentata in tabelul urmator: Tabelul 1.2 Trimestrul (t) Valori stationarizate (ys) II 3 III 1 IV 2 I 1 II 4 III 2 IV 1 I 2 II 2 III 2 prezentate in

Coeficientii de autocorelatie obtinuti pentru noile valori ale lui tabelul 1.2 sunt:

Descresterea rapida a coeficientilor spre nivele apropiate de zero confirma stationaritatea seriei. Mentionam ca ne-am limitat la coeficientii este mult prea scurta. De regula, se determina , intrucat seria pentru k = 1, 2, , 6.

2 Tipologia modelelor stochastice

In raport cu sursa care alimenteaza previziunea deosebim: - modele autoregresive (AR): de ordinul intai, AR(1), de ordinul doi, AR(2), ; ,

in raport cu distanta in timp a valorilor trecute ale variabilei care determina viitorul nivel; - modele de medie mobila[4] (MA): de ordinul intai, MA(1), de ordinul doi, MA(2), ; ,

in raport cu distanta in timp la care se simte influenta perturbatiei[5]; - modele mixte (autoregresive si de medie mobila), ARMA(p, q), reprezentand o combinatie a ambelor surse de crestere (vezi relatia (1.1)); - modele nestationare autoregresive si de medie mobila, ARIMA(p, d, q), reprezentand o varianta a modelelor mixte (vezi relatia (1.1)), prin care se specifica existenta trendului in cadrul seriei cronologice initiale, marimea d indicand ordinul diferentei care a dus la valori stationare. De regula, diferentele de ordinul intai dintre termenii seriei , cel mult diferentele de ordinul doi, reusesc sa elimine trendul din date. ,

In tabelul 2.1 sunt prezentate principalele tipuri de modele. In ultima coloana a tabelului este specificata forma concentrata a modelului utilizandu-se operatorul B de translatare intr-o perioada din trecut (backward shift operator). Rolul unui astfel de operator este descris de egalitatile: ; ; Modelul AR(2) devine: ; ,

Acesta mai poate fi scris astfel:

sau, intr-o forma mai concentrata: .

In continuare, se poate proceda la eliminarea mediei (

) din cadrul valorilor , caz in care

stationare ( ), ceea ce este echivalent cu eliminarea parametrului modelul, in forma concentrata, devine:

In cazul modelelor MA(q) operatorul B este utilizat intr-o forma similara.

Tabelul 2.1

Tipul de model Autoregresi v AR(p) de medie mobila MA(q) Mixt autoregresiv si de medie mobila Mixt nestationar

Forma explicita

Forma concentrata

O posibilitate de a reda un proces stationar AR(p) se bazeaza pe faptul ca procesul este REDUCTIBIL la dependente in raport cu procesul AR(1), in care, pentru sau, privind egalitatea si , respectiv , procedam . Rezulta ca: la inlocuirea , lui . Astfel, daca consideram putem afirma ca, la randul etc. Limitandu-ne la egalitatile cu expresia sa in

O expresie generala in urma inlocuirilor succesive privind fi redata astfel:

etc. poate

(2.1) in care, pentru |a|<1, elementele ponderate ale sumei converg catre zero. Procedand similar, se poate arata ca un proces MA(q) poate fi redat ca un agregat de termeni devine ca: respectiv Inlocuind in procesul MA(1) pe . Astfel, daca consideram ca , etc. cu expresia sa . Si in acest caz, pentru |b|<1, ajungem, in urma inlocuirilor succesive a valorilor valori raport cu , sa fie considerat INVERSABIL. , la obtinem: de , procesul MA(1) unde rezulta

care converg rapid catre zero, astfel incat procesul MA(q), exprimat in

3 Caracterizarea statistica a modelelor stochastice

In vederea caracterizarii proceselor AR, MA si ARMA avem in vedere media, dispersia si covarianta. Sa consideram, pentru inceput, modelul autoregresiv in forma sa cea mai simpla, respectivprocesul AR(1):

unde: reprezinta variabila reziduala de natura aleatoare, necorelata, de medie zero si de dispersie constanta. Pentru un astfel de proces avem in vedere urmatoarele prezumtii: - sirul valorilor (t = 1, 2, , n) reprezinta o secventa, un esantion de n valori, ceea ce face ca parametrii obtinuti sa reprezinte estimari ale adevaratelor valori; - densitatea de repartitie este aceeasi in diversele secvente (esantioane) de valori , fiind identica cu cea care s-ar obtine pentru ansamblul valorilor (t = 1, 2, , N), obtinandu-se aceeasi medie si dispersie, iar covarianta nedepinzand de variabila

timp ci numai de marimea lag-ului (intarzierii). Asadar, acesta este un proces slab stationar, caracterizat prin:
Media

(3.1) intrucat M(u) = 0, iar pentru diversele secvente media este aceeasi.

In relatia (3.1), daca izolam media, obtinem:

Daca consideram ca valorilor de la constanta

, ceea ce ar insemna sa luam in calcul doar abaterile , obtinem:

Dispersia (3.2) intrucat , , iar nu depinde de .

Daca avem in vedere ca:

, procesul fiind stationar, rezulta ca:

3)
Covarianta

(3.

(3.4)

intrucat

si

nu sunt corelate,

. conduce la , respectiv: (3.

O abordare similara a

5) O consecinta a caracterizarilor prin prisma mediei, dispersiei si covariantei se rasfrange asupra analizei evolutiei coeficientilor estimati de autocorelatie, pentru k = 1, 2, 3, Corespunzator relatiei (6.5.5), coeficientul estimatia sa, este de forma: ,

, respectiv

(3.6) intrucat cov(k), adica Deoarece procesul este stationar, ce , valorile lui care obtinem estimatii de fierastrau. , corespunzator relatiei (3.5). , aceasta face ca, pe masura

sa scada in progresie geometrica catre zero. In cazul in alternative ca semn, descriind o involutie de tip dinti

O abordare similara pentru procesul AR(2) conduce la indicatorii: Media

7) Dispersia (3.8) Covarianta

(3.

(3.9) Reamintim faptul ca:

Atunci:

(3.10) Modul in care evolueaza coeficientii tradeaza existenta unor analogii in

evolutia valorilor , , , care devin tot mai putin evidente pe masura ce distanta in timp creste. Ca urmare, procesul AR este considerat de memorie lunga. Procesul MA(1) este si el caracterizat de aceeasi indicatori: Media (3.11) Intrucat Dispersia .

(3.12) Intrucat
Covarianta

, iar

(3.13) (3.14

Intrucat, data fiind independenta variabilei reziduale in raport cu propriile sale valori din trecut, covariantele se anuleaza pentru distante dintre valori k > 1. Estimatia functiei de autocorelatie, relatiile (3.13)si (3.14), pentru (k = 1): , devine, daca avem in vedere

(3.1 5) iar, pentru k > 1, (vezi relatia (3.14)). se caracterizeaza printr-o marime semnificativa a

Asadar, procesul

coeficientului dupa care, pentru k > 1, valorile lui prezinta o cadere brusca spre valori nesemnificative (apropiate de zero). Un astfel de proces poate fi caracterizat ca fiind de memorie scurta. Procedand similar pentru a caracteriza procesul ca nivelul estimatiilor lui , ajungem la concluzia

devine nesemnificativ de indata ce k > 2.