Documente Academic
Documente Profesional
Documente Cultură
I. Tutoriale Eviews
1. www.dofin.ase.ro/acodirlasu/lect/econmsbank/econometriemsbank2007.pdf
2. www.clarku.edu/faculty/mcallan/Common/Guides/Econ366_timeseries_mine.pdf
3. www.staff.city.ac.uk/r.a.batchelor/Eviews2.pdf
0.701110
1.387865
1.417799
0.724857
2003
2004
2005
PBERE
2006
2007
2008
2009
PBERESA
- valorile previzionate
Trim1,2008
Tim2
Trim3
Trim4
Trim1, 2009
-
Mean
Trend
Seasonals:
2007Q1
2007Q2
2007Q3
2007Q4
314.8699
5.572500
0.664007
1.324694
1.335422
0.675878
212.775
431.869
442.809
227.878
227.576
500
450
400
350
300
250
200
150
100
2002
2003
2004
2005
PBERE
2006
2007
2008
2009
PBERESM
Problema 2. Modele stochastice de tip ARIMA respectiv GARCH. Se considera o serie de timp
nestationara ce reda evolutia unei variabile din domeniul economic (ex. rata dobanzii, curs
valutar, indice bursier, rata inflatiei, vol. creditelor, PIB, import, etc); de preferat frecventa
subanuala. Se cere:
a) Specificati modelul ARIMA(p.d.q) adecvat
b) Estimati parametrii modelului selectat
c) Testati validitatea modelului (semnificativitatea parametrilor + analiza reziduurilor).
Respecificati modelul, daca e cazul.
d) Previziuni punctuale pentru primele doua orizonturi de previziune. Deduceti limitele
intervalului de previziune.
e) * Elaborati un model de tip GARCH, daca varianta nu este constanta; deduceti
previziuni.
workfile curse.wf1
- Series curse
a) Specificati modelul ARIMA(p.d.q) adecvat
a1) d=?
View/line
4.5
4.0
3.5
3.0
2.5
2.0
1.5
00
01
02
03
04
05
06
07
08
09
CURSE
0.1
0.0
-0.1
-0.2
00
01
02
03
04
05
06
07
08
09
D(CURSE)
Prob.*
-6.341967
0.0000
1% level
-3.494378
5% level
-2.889474
10% level
-2.581741
Prob =0.0000<5% deci ipoteza nula se resping. Seria diferentiata este stationara in jurul unei constante.
Prin urmare d=1.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
. |***
. |.
.*|.
. |.
. |.
. |*
. |*
. |.
. |*
. |.
. |.
. |.
.*|.
. |.
. |.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AC
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.413
0.184
0.020
0.037
0.036
0.139
0.192
0.127
0.172
0.119
0.064
0.067
0.006
0.038
0.064
PAC
Q-Stat
Prob
0.413
0.016
-0.075
0.063
0.014
0.131
0.111
-0.018
0.137
0.014
-0.021
0.057
-0.085
0.039
0.031
18.462
22.171
22.215
22.371
22.514
24.694
28.936
30.815
34.264
35.947
36.435
36.975
36.980
37.156
37.665
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
Modele posibile pentru seria diferentiata d(curse): AR(1) deoarece din PAC primul coeficient c1
este semnificativ iar ceilalti, c2, c3, , devin brusc nesemnificativi. Alta varianta MA(2)
deoarece r1 si r2 sunt nesemnificativi iar ceilalti, r3, r4, devin brusc nesemnificativi. Dintre
doua variante de tip AR respectiv MA se alege modelul cu un numar minim de parametri, deci
AR(1).
Obs. Daca nu se observa ceva regularitati se poate incerca un model mixt ARMA sau daca seria
are sezonalitate si atunci se va merge pe un model sarma.
Alegem, pentru seria diferentiata d(curse), un model AR(1), adica p=1 si q=0 sau
ARMA(1,0). Pentru datele observate curse modelul este ARIMA(1,1,0), d=1, p=1, q=0.
b) Estimati parametrii modelului selectat
Object/New object/Equation. Specificam ecuatia de regresie:
d(curse) c ar(1)
In eviews: ar(k) se utilizeaza pentru regresori (variabila explicativa) de tipul Yt k iar ma(k)
pentru regresori de tipul t k .
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
0.019358
0.423755
0.010366
0.090862
1.867535
4.663707
0.0647
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
0.175759
0.167678
0.060874
0.377976
144.5308
2.002287
0.018349
0.066725
-2.740978
-2.690124
21.75017
0.000009
.42
Coefficient
Std. Error
t-Statistic
Prob.
AR(1)
0.464888
0.088938
5.227104
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted AR Roots
0.149305
0.149305
0.061542
0.390107
142.8881
.46
0.018349
0.066725
-2.728618
-2.703191
2.023231
2) Daca avem constanta si/sau sezonalitate ecuatia se scrie mai dificil (a se vedea tutorialul
softului).
c2. Teste asupra reziduurilor: din ecuatie View/Residual tests
1. Reziduurile sunt correlate ?
Correlogram-Qstatistics
Correlogram of residuals
Autocorrelation
. |.
. |.
.*|.
. |.
. |.
. |*
. |*
. |.
. |*
. |*
. |.
. |*
.*|.
. |.
. |.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
. |.
. |.
.*|.
. |.
. |.
. |.
. |*
. |.
. |*
. |*
. |.
. |*
.*|.
. |.
. |.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
AC
PAC
Q-Stat
Prob
-0.048
0.042
-0.103
0.028
-0.054
0.079
0.121
-0.007
0.101
0.070
-0.002
0.066
-0.058
0.025
0.000
-0.048
0.040
-0.099
0.018
-0.045
0.064
0.137
-0.011
0.111
0.104
-0.001
0.097
-0.062
0.007
0.018
0.2480
0.4423
1.5930
1.6788
2.0014
2.6985
4.3705
4.3756
5.5536
6.1320
6.1325
6.6613
7.0696
7.1479
7.1480
0.506
0.451
0.642
0.736
0.746
0.627
0.736
0.697
0.727
0.804
0.826
0.853
0.894
0.929
Pentru ultimele linii, testul Q are Prob>5% rezulta erori necorelate. La Q(15) avem
Prob=0.929>5% deci primii 15 coeficienti de autocorelatie sunt nesemnificativi.
Testul LM pentru autocorelatie
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
0.035191
Prob. F(1,101)
0.851572
Obs*R-squared
0.036224
LMcalculat=T* R 2 =0.0362,
Prob. Chi-Square(1)
0.849054
Series: Residuals
Sample 2000M03 2008M10
Observations 104
10
8
6
4
2
0
-0.10
-0.05
-0.00
0.05
0.10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.010457
0.007198
0.159921
-0.123725
0.060639
0.076605
2.818596
Jarque-Bera
Probability
0.244316
0.885009
0.15
Probab=0.88>5% deci conform testului Jarque-Bera reziduurile sunt distribuite dupa legea
normala.
3. Reziduurile au aceeasi varianta?
ARCH LM test
ARCH Test:
F-statistic
Obs*R-squared
0.005644
0.005755
LMcalculat=T* R 2 =0.005755,
Prob. F(1,101)
Prob. Chi-Square(1)
0.940264
0.939528
varianta.
Prin urmare, modelul ARIMA(1,1,0), d=1, p=1, q=0 a trecut testele de validare. Poate fi utilizat
in generarea de previziuni.
c) Previziuni punctuale pentru primele doua orizonturi de previziune. Deduceti limitele
intervalului de previziune.
Din ecuatie, Forecast unde indicam: curse, iar la Forecast sample 2008m11 2009m03 (datele
fiind pana in octombrie 2008)
Previziunile punctuale sunt puse in cursef:
2008M11
2008M12
2009M01
2009M02
2009M03
3.805
3.831
3.844
3.849
3.852
4.3
4.2
4.1
4.0
3.9
3.8
3.7
3.6
3.5
3.4
2008M11
2008M12
2009M01
2009M02
2009M03
CURSEF
Problema 3 (foarte succint). Datele: evolutia ratei inflatiei in zona EU15. Seria Y = rieu15
Dependent Variable: RIEU15
Method: Least Squares
Date: 12/04/08 Time: 15:45
Sample(adjusted): 2001:03 2006:12
Included observations: 70 after adjusting endpoints
Convergence achieved after 5 iterations
Variable
Coefficient
Std. Error
t-Statistic
C
2.083070
0.036366
57.28084
AR(1)
0.937630
0.117640
7.970335
AR(2)
-0.304606
0.114771 -2.654031
SAR(12)
-0.503636
0.109152 -4.614084
R-squared
0.628978 Mean dependent var
Adjusted R-squared
0.612113 S.D. dependent var
S.E. of regression
0.167090 Akaike info criterion
Sum squared resid
1.842656 Schwarz criterion
Log likelihood
27.97937 F-statistic
Durbin-Watson stat
2.044072 Prob(F-statistic)
Prob.
0.0000
0.0000
0.0100
0.0000
2.092857
0.268286
-0.685125
-0.556639
37.29563
0.000000
Datele au sezonalitate, perioada componentei sezoniere este 12, deci s-a daugat un termen
sar(12). Modelul rezultat este de tip sarma.
9
*Optional. Ecuatia:
Yt 2.083 u t
(1 0.937 L 0.305 L2 )(1 0.504 L12 )u t t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
AC
-0.022
0.094
-0.018
0.119
-0.048
0.002
0.134
-0.005
0.217
0.039
0.148
-0.051
-0.031
0.053
-0.112
PAC
-0.022
0.093
-0.015
0.111
-0.042
-0.020
0.149
-0.015
0.212
0.054
0.091
-0.028
-0.105
0.066
-0.140
16
Series: Residuals
Sample 2001:03 2006:12
Observations 70
12
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability
0
-0.4
Q-Stat
0.0358
0.6854
0.7109
1.8013
1.9821
1.9824
3.4239
3.4260
7.3194
7.4481
9.3141
9.5426
9.6282
9.8816
11.039
-0.2
0.0
0.2
0.4
ARCH Test:
F-statistic
0.038871
0.844301
Probability
10
7.59E-10
0.013698
0.388218
-0.439646
0.163417
-0.139290
3.142365
0.285468
0.866985
Prob
0.180
0.371
0.576
0.490
0.635
0.292
0.384
0.316
0.389
0.474
0.541
0.526
Obs*R-squared
0.040008
0.841465
Probability
Previziuni:
2.036
2.060
2.089
1.926
1.921
2.8
2.6
2.4
2.2
2.0
1.8
1.6
1.4
1.2
07:01
07:03
07:05
07:07
RIEU15F
07:09
07:11
2 S.E.
Problema 4.
Se consider seria ce red evoluia zilnic a indicelui bursier BET n perioada ianuarie 1999
decembrie 2009. Ratele zilnice ale rentabilitii sunt calculate n forma logaritmic
rt ln(Yt / Yt 1 ) , unde Yt 1 i Yt sunt valorile indicelui Y=BET n dou zile consecutive (n
ziua t 1 respectiv t). Graficul indicelui respectiv a ratei rentabilitii sunt redate mai jos:
11
12000
.15
10000
.10
8000
.05
6000
.00
4000
-.05
2000
-.10
-.15
500
1000
1500
2000
2500
3000
500
1000
BET
1500
2000
2500
3000
Rata rentabilitatii
arat c cel puin primul coeficient de autocorelaie r1 c1 0.156 este semnificativ diferit de
zero. Intervalul de acceptare a nesemnificativitii este 2 2858 , 2 2858 sau
0.037, 0.037 . Exist o corelaie semnificativ ntre ratele rentabilitii din dou zile
consecutive; coeficientul de autocorelaie este pozitiv ceea ce indic un comportament de
persisten.
Testul Q aferent ipotezei nule H 0 : r1 r2 ... rM 0 , pentru M=1,2, ..., 15:
M
Q ( M ) T (T 2)
j 1
rj2
T j
2M
redat succesiv pe ultimele dou coloane respinge ipoteza nul, pentru orice valoare M.
Probabilitatea ataat ipotezei nule este Prob=0.00 5%.
Prin urmare, prin prisma acestor teste, nu se verific ipoteza de eficien, n perioada
considerat. Aceast corelaie semnificativ, pentru k=1, ar putea fi ns indus de efecte
specifice pieelor emergente, precum slaba tranzacionare (Todea, 2005).
2. Elaborarea unui model ARMA pentru seria rentabilitilor
12
Std. Error
t-Statistic
0.000394
2.227255
0.018487
8.374686
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0260
0.0000
0.000877
0.018020
-5.217907
-5.213737
70.13537
0.000000
Valoarea constantei a 0 din modelul AR(1) nu este constanta C, de pe coloana coeficienilor, din
tabelul furnizat de soft. Ecuaia modelului autoregresiv pentru Yt se deduce din specificarea:
Yt C u t , Yt 0.00087 u t
(1 a1 L ).u t t , (1 0.155 L).u t t .
n (1 0.155 L)u t t se nlocuiete u t Yt 0.00087 i rezult:
(1 0.154 L)(Yt 0.00087) t , respectiv ecuaia estimat a modelului AR(1):
Yt 0.0007 0.0155Yt 1 t .
b) Teste de validare (specificare)
b1. Teste referitoare la coeficieni. Informaiile privind testele asupra nesemnificativitii
coeficienilor a 0 i a1 sunt redate n tabelul anterior. Testul Student:
a1
t
N (0,1)
Var a1
aferent ipotezei H 0 : a1 0 , coeficientul variabilei Yt 1 , are valoarea calculat t calc 8.37 (tStatistic este egal cu raportul Coefficient/Std.Error). Pentru un nivel de semmnificatie 5% ,
valoarea critic z / 2 z tab determinat din tabelul aferent legii normale N (0,1) , astfel nct
z / 2 1.96 .1
P ( z ta z z tab ) 1 0.95
t calc z tab , z tab
este
Cum
sau
Y
8.37 1.96, 1,96 , ipoteza nul se respinge. Coeficientul variabilei
t 1 este semnificativ
diferit de zero, prin urmare variabila se menine in model. Aceeai decizie rezult i n baza
1
13
probabilitii Prob=0.00 5%, prin urmare ipoteza nul se respinge. n mod similar, se decide
semnificativitatea constantei, pentru un nivel de semmnificatie 5% ; probabilitatea Prob=0.02
5%, sau valoarea statisticii Student t calc 2.22 1.96, 1,96 .
b2. Teste privind reziduurile. Acestea sunt disponibile din View/Residual Tests (pe ecuaie).
Testarea autocorelrii reziduurilor. Dac modelul este bine specificat atunci nu exist
corelaii n seria reziduurilor; seria reziduurilor este nepredictibil. n Correlogram-Q-statistics
sunt determinate funciile de autocorelaie rk respectiv de autocorelaie parial c k , estimate
pentru reziduurile t Yt a 0 a1Yt 1 :
Q T (T 2)
j 1
rj2
T j
2 M 1
ARCH Test:
F-statistic
Obs*R-squared
336.3634
301.1111
Probability 0.000000
Probability 0.000000
respinge ipoteza nul H o : nu exist efect ARCH, n baza ambelor statistici; probabilitile
aferente ipotezei nule sunt zero Prob=0.00 5%. Statistica LM este definit prin
LM T R 2 301.1 . Seria reziduurilor, i prin urmare i seria rentabilitilor nu are variana
constant n timp. Graficul ratei rentabilitii sugereaz de asemenea succesiunea unor perioade
14
15
2200
300
2000
200
1800
100
1600
0
1400
-100
1200
-200
1000
800
-300
2005
2006
2007
2008
2009
2010
2011
2005
Castig salarial
2006
2007
2008
2009
2010
2011
Testul ADF, n varianta Trend and Intercept, aplicat pe datele observate, Level, accept ipoteza
nul (Prob=0.92 5%., prin urmare seria are rdacin unitate (tendin stochastic).
Null Hypothesis: SALARIU has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 2 (Automatic based on SIC, MAXLAG=11)
t-Statistic
Augmented Dickey-Fuller test statistic
-1.069073
Test critical values:
1% level
-4.081666
5% level
-3.469235
10% level
-3.161518
*MacKinnon (1996) one-sided p-values.
Prob.*
0.9272
Prob.*
0.0000
respingerea ipotezei nule (Prob=0.00 5%), seria diferenelor fiind staionar. Evoluia salariului
este nestaionar, dar diferenele de ordinul unu devin staionare, prin urmare d=1; dup o
singur difereniere seria devine staionar.
Stabilirea valorilor p respectiv q. Pentru seria diferenelor de ordinul unu X t Yt , ce este
staionar, i red variaia ctigului salarial fa de luna anterioar, se caut un model
ARMA(p,q). Identificarea valorilor p respectiv q se realizeaz pe seria diferenelor (modelul
ARMA este adecvat seriilor staionare). Prin urmare analizm funcia de autocorelaie i de
16
Din prima parte a corelogramei, sunt semnificativi primii doi coeficieni de autocorelaie
r1 , r2 , respectiv de autocorelaie parial c1 , c 2 iar urmtorii devin nesemnificativi: intervalul
acceptare
Scaling Factors:
1
1.008342
2
0.977941
3
1.026806
4
1.028938
5
0.997992
6
0.996229
7
0.987072
8
0.966384
9
0.965040
10
0.969436
11
0.987409
12
1.095608
indic valori ale ctigului salarial peste medie n lunile decembrie, aprilie, martie respectiv
ianuarie (odat cu alocarea salariului suplimentar n sistemul bugetar, i a acordrii unor prime
ctre angajai, la incheierea anului financiar).
17
sugereaz un model MA(1) sau AR(2) pentru componenta nesezonier din date.
Reinem un model MA(1) cu sezonalitate autoregresiv SAR aferent unei perioade de 12
luni. n notaia standard SARMA(p,q)(P,Q), modelul are specificarea SARMA(0,1)(1,0):; aceasta
este specificarea pentru seria variaiilor cursului (diferenele de ordinul unu).
b)Estimarea modelului reinut se realizeaz ntr-un obiect de tip ecuaie Objects/New
Object/Equation. Ecuaia se specific astfel:
d(salariu) c ma(1) sar(12).
Reamintim c modelul ARMA se elaboreaz pentru diferenele de ordin unu d(salariu), aceasta
fiind variabila dependent. Regresorii de tip medie mobil se indic prin ma(k ) , pentru t k ,
respectiv sar(p) sau sma(p) pentru componenta de sezonalitate cu perioada p.
Dependent Variable: D(SALARIU)
Method: Least Squares
Variable
Coefficient
AR(12)
0.765488
MA(1)
-0.489476
R-squared
0.580064
Adjusted R-squared
0.573603
S.E. of regression
54.40932
Sum squared resid
192424.3
Log likelihood
-361.8215
Std. Error
t-Statistic
0.086168
8.883653
0.110263 -4.439176
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat
Prob.
0.0000
0.0000
13.50746
83.32328
10.86034
10.92616
2.122096
18
12
respectiv (1 0.765 L )Yt (1 0.489 L) t , i rezult Yt 0,765Yt 12 0.489 t 1 t .
2.891348
2.852820
Probability 0.093911
Probability 0.091214
accept ipoteza nul H o : nu exist efect ARCH n seria reziduurilor, n baza ambelor statistici;
probabilitile aferente ipotezei nule sunt Prob=0.09 5%.
Testul Jarque-Bera, respinge ipoteza nul privind distribuia normal a reziduurilor:
probabilitatea corespunztoare ipotezei nule fiind mai mai mic dect 5%.
19
Observaie. Pentru a vedea dac nu sunt indicate alte specificri sugerate de cele dou
corelograme (ale seriei observate i a celei desezonalizate), sau dac nu sunt necesare valori mai
mari pentru p sau q, au fost estimate i modelele MA(2), AR(1), AR(2). Dei unele au trecut
testele de validate, modelul cu valori minime pentru criteriile informaionale Akaike i Schwarz
(indicate n tabelul cu ecuaia estimat) este cel reinut.
e) Elaborarea previziunilor punctuale se realizeaz din obiectul ecuaie, unde se selecteaz
Forecast pentru salariu, Forecast sample 2011:09 2012:12; datele sunt disponibilr pn n luna
octombrie 2011. Deci prima lun pentru care se elaboreaz o previziune este luna noiembrie
2011. Previziunile aferente urmtorului an sunt redate n graficul:
2400
2200
2000
1800
1600
1400
1200
1000
800
05
06
07
08
09
Previziuni
10
11
12
Salariu
Previziunile sunt salvate n saeria salariuf. Valorile aferente lunilor octombrie, noiembrie,
decembrie din anul 2011 sunt respectiv: 1989, 2031, 2159 lei. Intervalele de previziune, furnizate
de EViews, nu sunt credibile deoarece reziduurile nu sunt distribuite dup legea normal de
probabilitate.
I
124.1
130.1
157.5
169.7
177.5
202.9
II
263.2
280.2
301.2
340.0
407.6
385.3
III
252.4
260.6
353.3
350.9
417.2
425.6
20
IV
124.5
151.1
185.0
168.7
224.1
196.6
4
0.5 124.1 263.2 252.4 124.5 0.5 130.1
191.8
4
Y3
0.5 Y2 Y3 Y4 Y5 0.5 Y6
4
0.5 263.2 252.4 124.5 130.1 0.5 280.2
194.7
4
Y4
4
0.5 224.1 202.9 385.3 425.6 0.5 196.6
306.0.
4
Y22
191.8
194.7
197.8
202.2
208.9
214.9
229.2
245.0
250.8
257.1
13
14
15
16
17
18
19
20
21
22
23
24
261.7
259.4
258.3
267.7
284.5
299.7
309.8
310.2
308.4
306.0
-
An/Trim.
2002
2003
2004
2005
2006
2007
Rapoartele S ij
Yij
Yij
I
197.8
229.2
261.7
284.5
308.4
II
202.2
245.0
259.4
299.7
306.0
III
191.8
208.9
250.8
258.3
309.8
-
IV
194.7
214.9
257.1
267.7
310.2
-
100 , respectiv mediile acestora pentru fiecare sezon sunt indicate n tabelul
de mai jos.
Tabel. Calculul indicilor sezonalitii
An/Trim.
2002
2003
2004
2005
2006
2007
I
Sj
I
65.8
68.7
64.8
62.4
65.8
65.5
65.6
II
138.6
122.9
131.1
136.0
125.9
130.9
131.4
III
131.6
124.7
140.9
135.8
134.7
133.5
134.0
IV
63.9
70.3
71.9
63.0
72.7
68.4
68.8
Media
Media
99.6
100
22
2000
2002
2004
2006
2008
23
34000
1200
32000
800
30000
28000
400
26000
0
24000
22000
-400
20000
18000
-800
98
99
00
01
02
03
04
05
06
07
08
09
98
99
00
01
TENDINTA
02
03
04
05
06
07
08
09
08
09
COMPONENTA CICLICA
140
103
130
102
120
110
101
100
100
90
80
99
70
60
98
98
99
00
01
02
03
04
05
06
07
08
09
98
Componenta sezoniera
99
00
01
02
03
04
05
06
07
Componenta aleatoare
24
25
112
110
108
106
104
102
-1
100
-2
98
-3
96
-4
25
50
75
100
25
Seria Y= T+S+Eps
50
75
100
In acest caz tendinta si sezonalitatea sunt deterministe, doar component aleatoare are natura
stochastica. Din graficul seriei Y se observa ca peste tendinta liniara crescatoare se suprapune o
sezonalitate cu perioada 12; caracterul neregulat al graficului este dat de componenta aleatoare
t notata cu Eps in grafic. Atunci cand amplitudinea sinusoidei este mai mica caraterul sezonier
al datelor este mai putin vizibil din grafic. Referitor la graficul componentei neregulate Eps,
modelul autoregresiv genereaza o serie stationara cu valori autcorrelate. Desi graficul acesteia
indica o evolutie aparent aleatoare totusi valorile succesive sunt correlate intre ele; aceste
corelatii sunt masurate utilizand un coeficient de corelatie specific numit coeficient de
autocorelatie.
Exemplu 4. Tendinta determinista liniara, tendinta stochastica: prezentare grafica.
Graficul de mai jos red comparativ evolutia unei serii de timp ce are tendinta determinista
liniara respectiv tendinta stochastica:
a) tendinta determinista liniara: Yt Tt t 100 0.08t t ,
t=0,1,2,...,200
26
Pentru seria cu tendinta determinista exista abateri pe trmen scurt dar datele revin la ecuatia de
tendinta Tt 100 0.08t . Se mai spune, in literatura de specialitate, ca seria este stationara
relativ la tendinta, sau trend stationary (desi seria este nestationara; terminologia este putin
confuza). Evolutii de acest timp se intalnesc rar in practica. Ecuatia ce a generat tendinta
stochastica Yt Yt 1 t este ecuatia tipica pentru un proces de tip mers aleator. Aceasta ecuatie,
relativ simpla, genereaza, pentru diferite secvente de valori aleatoare ale componentei
neregulate, o infinitate de evolutii nestationare, foarte diferite ca si aspect grafic. Majoritatea
seriilor financiare au un comportament apropiat de cel de tip mers aleator.
Exemplu 5. Serie nestationara cu tendinta stochastica versus serie stationara.
Redam, in figura 6, evolutia indicelui bursier BET, a valorilor logaritmate ale indicelui BET,
respectiv a ratei rentabilitatii logaritmice, in perioada ianuarie 1999 decembrie 2009. Ratele
zilnice ale rentabilitatii sunt calculate in forma logaritmica rt ln(Yt / Yt 1 ) , unde Yt 1 si Yt
sunt valorile indicelui Y=BET in doua zile consecutive (in ziua t 1 respectiv t). Evolutia
indicelui Yt respectiv a valorilor sale logaritmate ln(Yt ) au comportamentul unei serii
nestationare cu tendinta stochastica; media seriei E (Yt ) este variabila in timp. Seria ratelor
zilnice ale rentabilitatii este un caz tipic de serie stationara in medie, retele zilnice fluctuand in
jurul unei valori medii; media seriei E (Yt ) este aproximativ constanta, pe intreaga perioada.
Putem observa insa ca abaterea in jurul mediei, ce masoara volatilitatea ratelor, este variabila pe
subperioade de timp; spunem ca seria nu este stationara in varianta. Spre exemplu in perioada
2008-2009, ce corespunde declansarii crizei financiare, volatilitatea este mai ridicata.
Figura 6. Evolutia indicelui BET, ln(BET), ratelor rentabilitatii; perioada ianuarie 1999
decembrie 2009.
27
12000
10
10000
.15
.10
8000
.05
8
6000
.00
7
4000
-.05
6
2000
0
-.10
5
500
1000
1500
2000
Indicele BET
2500
3000
-.15
500
1000
1500
2000
ln(BET)
28
2500
3000
500
1000
1500
2000
RATA RENTABILITATII
2500
3000
29