Sunteți pe pagina 1din 5

ACADEMIA DE STUDII ECONOMICE BUCURETI

MODULUL

SERII DE TIMP I REGRESII

Dr. SILVIA SPTARU

2012

INTRODUCERE N ECONOMETRIA SERIILOR DE TIMP


Toate procesele economice se desfoar n timp i evoluia lor este interpretat n raport cu timpul. Proiecia variabilelor economice pe axa timpului creaz un mijloc de analiz a dinamicii. Studiul i analiza unor astfel de procese se face cu ajutorul seriilor de timp, numite i serii cronologice sau dinamice. n economie, datele sunt colectate n mod frecvent sub forma seriilor de timp. Datele de tip serii de timp reprezint informaii obinute prin msurtori de natur dinamic, efectuate asupra caracteristicilor unei uniti a populaiei studiate, la momente succesive ale evoluiei acesteia sau la anumite intervale de timp. O serie de timp este o mulime de observaii ordonate n raport cu succesiunea momentelor sau perioadelor de timp. Deci fiecare observaie va fi indexat prin data nregistrrii sale. Deoarece observaiile seriei sunt ordonate n timp, valoarea unei variabile la un moment de timp reflect istoria trecut a seriei. Termenul de serii de timp se refer att la seriile cronologice reale ct i la un ir teoretic de variabile aleatoare indexate prin timp i care servesc pentru a le modela pe primele. Un proces stochastic este un model care descrie structura probabilist a unui ir de observaii n timp. Orice serie de timp poate fi gndit ca fiind generat printrun proces aleator sau stochastic, iar o mulime de date concrete poate fi privit ca o realizare a procesului stochastic de baz, proces care este observat numai pentru un numr finit de perioade. Distincia dintre procesul stochastic i o realizare a sa este asemntoare cu distincia dintre ntreaga populaie i un eantion extras din acea populaie. Aa cum este utilizat eantionul pentru a extrage inferene despre populaie, folosim o realizare a procesului stochastic pentru a extrage inferene despre procesul stochastic de baz. Caracteristica intrinsec a unei serii de timp este c observaiile adiacente sunt dependente. Natura acestei dependene dintre observaiile unei serii de timp este de un considerabil interes practic. Analiza seriilor de timp const ntr-o mulime de tehnici utilizate pentru studiul acestei dependene. Prin aceste tehnici, seriile cronologice pot fi caracterizate din perspectiva componentelor sistematice sau aleatoare, n vederea determinrii intensitii i continuitii acestora, pentru ca procesele analizate s devin predictibile n perspectiv temporal. Exist o clasificare a seriilor de timp n funcie de existena sau inexistena unei tendine generale n evoluia unei serii cronologice: - Seriile staionare sunt caracterizate prin oscilaii relativ regulate n jurul unui nivel de referin. n termeni generali, o serie cronologic este considerat staionar dac nu prezint nici o modificare sistematic n medie (nu prezint tendin pe termen lung) i nici o modificare sistematic n varian. Din punct de vedere economic, o serie este staionar dac un oc asupra seriei se diminueaz n timp i nu devine permanent. Este necesar ca ceea ce am observat cu privire la seria de date s fie stabil, ntr-un anumit sens, pentru a putea face afirmaii despre viitor. Procesele stochastice staionare au proprieti convenabile analizei, oferind posibilitatea de a determina, pe baza datelor dintr-un eantion, media, dispersia i covariana. - Seriile nestaionare sunt caracterizate de faptul c prezint o tendin de cretere sau de scdere, odat cu trecerea timpului. Media i dispersia pot fi funcii dependente de timp. Tendina unei serii nestaionare poate fi de tip determinist sau de 2

tip stochastic, dup cum este invariabil ca direcie i pant pe un interval mare de timp, sau prezint modificri ale pantei, pentru diferite perioade de timp. Principalul instrument n analiza seriilor de timp este modelul. Se caut i se folosete un model de un anumit tip, capabil s reproduc comportamentul trecut al unei serii, pe baza structurii sale de autocorelaie. Principalele obiective ale analizei seriilor de timp sunt acelea de a gsi modele de regularitate comportamental pentru datele de observaie i de a prognoza observaiile viitoare. Cum se poate explica atenia care se acord dezvoltrii econometriei seriilor de timp? De ce nu mai sunt mulumitoare metodele econometrice uzuale, cum ar fi metoda celor mai mici ptrate sau alte generalizri ale acestei metode? Se poate rspunde la aceste ntrebri din dou puncte de vedere. Mai nti, dezvoltarea macrodinamicii teoretice s-a datorat apariiei unor probleme empirice specifice, care necesit punerea la punct a unor instrumente de analiz potrivite. Pe lng aceasta, ntr-un anumit numr de cazuri, nu se poate aplica metoda celor mai mici ptrate, ca metod de estimare. Exist o multitudine de probleme specifice ale seriilor de timp cunoscute practicienilor statisticii descriptive i care necesit punerea la punct a unui anumit numr de tehnici pentru o tratare econometric. Acesta reprezint motivul principal al dezvoltrii seriilor temporale. Printre aceste probleme specifice se numr previziunea, identificarea i extragerea tendinei pe termen lung, corectarea variaiilor sezoniere, detectarea de rupturi, separarea tendinei pe termen scurt i a celei pe termen lung, studiul anticiprilor agenilor economici, .a. Utilizarea seriilor de timp n analiza de regresie ridic mai multe probleme: - Mai nti, analiza empiric bazat pe date serii de timp presupune c seria de timp este staionar. - n al doilea rnd, n regresia unei variabile serie cronologic n raport cu alt variabil serie cronologic, de cele mai multe ori se obine un coeficient de determinaie foarte apropiat de unu, chiar i n cazul cnd nu exist nici o legtur ntre cele dou variabile. Este o problem de regresie aparent sau ndoielnic. Aceast problem apare pentru c, atunci cnd ambele serii cronologice prezint tendin, coeficientul de determinaie mare se datoreaz prezenei trendului i nu unei legturi reale ntre cele dou variabile. - n al treilea rnd, se tie c modelele care utilizeaz serii de timp sunt folosite pentru prognoz. Nu se poate ti dac prognoza este valid n situaia n care seriile cronologice nu sunt staionare. Abordri i modelri ale seriilor de timp Modelarea seriilor de timp se bazeaz pe metodologia Box-Jenkins i face apel la modele autoregresive (AR), modele de medie mobil (MA), modele ARMA i modele ARIMA (modele ARMA integrate). Aceast metodologie se aplic n cazul unor abordri diferite, deci folosirea ei nu este exclusiv. O abordare, cu rezultate foarte bune, a seriilor cronologice, este analiza temporal propriu-zis, care const n studiul direct al corelaiilor dintre valoarea curent Yt i valorile din trecut ale unei anumite variabile Y . Pentru modelare se utilizeaz procesele ARMA i ARIMA. Modelele liniare ARMA sunt capabile s aproximeze cele mai multe procese staionare. Deoarece foarte puine serii de timp din economie sunt staionare, sunt utilizate modele capabile s reproduc comportamentul nestaionar. Astfel de modele sunt modelele ARIMA, obinute prin presupunerea c o serie poate fi reprezentat printr-un model staionar ARMA, dup o operaiune de difereniere. 3

Dac se consider o singur variabil n studiu, se obine un model de serie de timp univariat. Dac exist mai multe variabile disponibile, sunt foarte importante interaciunile dinamice dintre ele. Pentru a lua n calcul relaiile dintre variabile, pot fi construite modele multivariate cu serii de timp. Acestea sunt foarte utile pentru economiti, deoarece ele permit s se studieze impactul unui oc asupra unui proces economic, ca i relaiile de cauzalitate ntre diferite variabile. Ele sunt o generalizare a reprezentrilor precedente, deoarece este vorba de a explica o variabil nu numai prin valorile sale din trecut, dar i prin valorile curente i din trecut ale altor variabile. Modelele ARMA se fundamenteaz pe considerente economice i statistice foarte importante. Prognoza evoluiei unui proces economic se poate baza exclusiv pe comportamentul procesului de-a lungul timpului, comportament descris de valorile unei serii de timp. S-a constatat c o serie de timp economic ofer suficiente informaii prin reprezentarea grafic a valorilor sale sau prin calcularea coeficienilor de autocorelaie, pentru a obine prognoze de calitate. Deci, nu se consider ca absolut necesar cunoaterea evoluiei factorilor care influeneaz procesul economic de studiat. Seriile de timp economice sunt caracterizate prin: 1) Existena unei tendine generale, care are un rol important n efectuarea prognozelor. 2) Prezena autodeterminrii. Autodeterminarea trebuie neles ca: - un anumit grad de dependen a valorii curente, de valorile anterioare. Ex: n comerul exterior, intrarea pe o pia extern cu un anumit produs, este urmat de dezvoltarea exportului din acea perioad cel puin 2-3 perioade succesive, dup care poate urma o stagnare, urmat sau de cteva perioade de cretere, sau de cteva perioade de descretere. Pe piaa valutar, o apreciere a monedei se menine, de regul, mai multe zile la rnd, dup care apare o perioad de depreciere a monedei. Un astfel de proces, caracterizat prin legturi cu realizrile sale anterioare, poate fi reprezentat printr-un model AR. - aciuni compensatorii n vederea contracarrii unor factori din afara sistemului. De exemplu, absena temporar, de pe piat, a unui anumit produs, poate fi urmat de o vnzare n exces n perioadele urmtoare. Scderea produciei pentru un produs solicitat, ntr-o perioad de timp, va fi urmat de o cretere a produciei n perioadele imediat urmtoare. Se consider c nivelul procesului din perioada t depinde de erorile din trecut (erori n sensul de abateri de la medie) i abaterea accidental este urmat de o redresare. Un astfel de proces, n care inervin aciuni reparatorii, poate fi reprezentat printr-un model MA. 3) Posibilitatea de descriere a comportamentului seriei prin funcia sa de autocorelaie (ACF). Astfel, un model ARMA include impulsurile receptate cu ntrzieri de 1,2,...,p intervale de timp, ca i reaciile la abaterile accidentale ( t ) de la evoluia liniar, manifestate n urm cu 1,2,...,q intervale de timp.

Tipuri de modele stochastice de prognoz 1) Modelele autoregresive (AR) descriu procese cu evoluii datorate propriilor realizri din trecut. Modelul autoregresiv de ordinul 1, notat AR(1): y t = + 1 y t 1 + t Modelul autoregresiv de ordinul 2, notat AR(2): y t = + 1 y t 1 + 2 y t 2 + t Modelul autoregresiv de ordinul p, notat AR(p): y t = + 1 y t 1 + 2 y t 2 + L + p y t p + t 2) Modelele de medie mobil (MA) descriu procese cu evoluii generate de o perturbare (abatere semnificativ de la medie) a procesului. Modelul de medie mobil de ordinul 1, notat MA(1): yt = + t + 1 t 1 Modelul de medie mobil de ordinul 2, notat MA(2): yt = + t + 1 t 1 + 2 t 2 Modelul de medie mobil de ordinul q, notat MA(q): yt = + t + 1 t 1 + 2 t 2 + L + q t q 3) Modelele mixte descriu procese cu evoluii datorate ambelor categorii de factori ( yt k , t k ) . Modelul ARMA(p,q): n cazul absenei tendinei generale n valorile observate, avem: yt = + 1 y t 1 + 2 y t 2 + L + p yt p + t + 1 t 1 + 2 t 2 + L + q t q Modelul ARIMA(p,d,q): n cazul prezenei tendinei generale n valorile observate. Modelul ARCH: include, pe lng realizrile anterioare, i dispersia din realizrile anterioare . Modelul SARIMA: include i oscilaiile sistematice de natur sezonier. O alt abordare a seriilor cronologice este constituit de analiza spectral, care a fost importat din fizic: se descompune un proces Yt n componente periodice adoptnd criteriul frecvenelor. Frecvena unei serii de timp reprezint periodicitatea cu care este observat variabila corespunztoare. Frecvenele mici corespund componentei de lung durat, n timp ce frecvenele mari corespund componentei de scurt durat, de tip sezonier. Tipul de modelare folosit este practic mai ales pentru descrierea diferitelor componente ale procesului: Yt = YtT + YtS + YtR , unde YtT este componenta de trend (evoluia pe termen lung); YtS este componenta sezonier (pur periodic, evoluia pe termen scurt sau pe termen mediu); YtR este componenta conjunctural ( este partea pur aleatoare a procesului, este rezultatul perturbaiilor). Se pot lua n considerare i alte combinaii ale acestor componente, n afara formei aditive, cum ar fi modelele multiplicative sau modelele mixte. Se consider c primele dou componente explic media lui Yt , n timp ce YtR explic variabilitatea sa. Aceast modelare se bazeaz pe identificarea prealabil a diferitelor componente ale seriei. Pentru aceasta exist un numr mare de metode, descriptive sau teoretice.