Sunteți pe pagina 1din 9

Noiuni specifice Analizei Seriilor de Timp Univariate

Curs 13 ECONOMETRIE SPTARU 13 ian. 2016


1. Argumente pentru studiul evoluiei proceselor economice n timp
Timpul este o coordonat esenial a existenei umane.
Realitatea economic i social se localizeaz n timp i spaiu.
Procesele economice se desfoar n timp i evoluia lor este interpretat n raport cu timpul.
Aciunea unor factori nu afecteaz instantaneu o variabil efect, ci dup un interval de timp. Este important cunoaterea
decalajului (ntrzierii, lag-ului) dintre modificarea variabilei cauzale i manifestarea efectului asupra variabilei
rezultative.
2. Analiza seriilor de timp bazat pe domeniul de timp.
(Exist i analiz bazat pe domeniul frecvenelor)
Ce este o Serie de Timp?
O serie de timp este o multime de observaii fcute secvenial n timp. O serie de timp este o multime de date yt cu
intervalul dintre yt i yt+1 fixat i constant.
Ne gndim c seria de timp este generat printr-un proces stochastic, sau un proces de generare a datelor (DGP).
Secvena de variabile (Y1, . . . , Yn) este numit proces stochastic.
O serie de timp (eantion) este o realizare particular a DGP (populatia). Fiecare observaie yt este o valoare
realizat a unei variabile aleatoareYt. Avem numai o singur obrervaie yt pentru Yt. Seria de timp (y1, . . . , yn)
este o realizare a procesului stochastic.
Exemple de Serii de Timp economice
Exportul total nregistrat n luni consecutive
Veniturile medii n luni consecutive
Profitul unei companii n ani consecutivi
Preul mediu zilnic al unui anumit produs
Valorile vnzrilor n luni consecutive.
Studiem Seriile de Timp:
1) Pentru a nelege mecanismul de baz care conduce procesul studiat
2) Pentru a realiza previziuni sigure i fiabile ale valorilor viitoare ale unei serii de timp
3) Pentru a putea controla procesul
4) Pentru a nelege impactul unei intervenii asupra procesului.
3. Serii de timp univariate
Tipuri de date serii de timp
Serii de timp univariate dac analizm o singur mulime de date.
Serii de timp multivariate dac analizm mai multe mulimi de date pe aceeai perioad de timp.
Serie de timp discret dac observaiile sunt fcute la momente de timp specifice, egale
Serie de timp continu dac observaiile sunt fcute continuu.
O serie de timp univariat poate fi privit ca o realizare a procesului stochastic, care este observat numai pentru un
numr finit de perioade. Presupunem c s-a observat o selecie de volum n a variabilei aleatoare Y, adic {y1 , y 2 ,..., y n } .
Notaia {Y1 , Y2 ,..., Yn } semnific un proces serie de timp, iar notaia {y1 , y 2 ,..., y n } semnific o serie de timp univariat.
Distincia dintre un proces stochastic i o realizare a sa este asemntoare celei dintre o populaie i un eantion extras din
acea populaie. Aa cum se folosete eantionul pentru a obine informaii despre populaie, n seriile de timp se folosete
realizarea pentru a obine informaii despre procesul stochastic de baz.
Componentele unei Serii de Timp
- componenta de trend
- componenta de sezonalitate
- componenta ciclic i
- componenta rezidual.
Analiza Seriilor de Timp este o metod general de caracterizare a seriei cronologice, din perspectiva componentelor
sistematice i aleatoare n vederea msurrii intensitii i continuitii lor, astfel nct procesul analizat s devin
predictibil.

O caracteristic intrinsec a unei serii de timp este aceea c observaiile adiacente sunt dependente.
Analiza Seriilor de Timp const n tehnici de analiz a acestei dependene.
Principalul instrument n analiza seriilor de timp este modelul stochastic. Se caut i se folosete un model stochastic de
un anumit tip, capabil s reproduc comportamentul trecut al unei serii, pe baza structurii sale de autocorelaie.
n modelarea seriilor de timp economice trebuie s se in cont de urmtoarele caracteristici:
1) Existena unei tendine generale, care are un rol important n efectuarea prognozelor.
2) Prezena autodeterminrii. Autodeterminarea trebuie neles astfel:
Exist un anumit grad de dependen a valorii curente, de valorile anterioare.
Exist aciuni compensatorii n vederea contracarrii unor factori din afara sistemului
3) Posibilitatea de descriere a comportamentului seriei prin funcia sa de autocorelaie (ACF).

4. Modele folosite n analiza 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 autoregresive de medie mobil (ARMA) i modele ARIMA (modele autoregresive integrate
medie mobil).
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 (MAMovingAverage) 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): y t = + t + 1 t 1 + 2 t 2 + L + q t q
3) Modelele mixte (ARMAAutoRegressive MovingAverage) descriu procese cu evoluii datorate ambelor categorii de
factori ( y t k i 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
Modelele AR, MA i ARMA sunt modele staionare liniare pentru serii de timp.
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. GARCH, EGARCH.
Modelul SARIMA: include i oscilaiile sistematice de natur sezonier.

5. Serii de timp staionare i nestaionare


Este necesar ca ceea ce observm cu privire la o serie de date s fie stabil, aa nct s putem face afirmaii despre viitor.
Seriile staionare sunt caracterizate prin oscilaii relativ regulate n jurul unui nivel de referin. Seriile staionare nu
prezint trenduri vizibile. Prin contrast, seriile nestaionare prezint trenduri vizibile.
O serie de timp este staionar dac:
Are media constant de-a lungul timpului (nu prezint trend)
Are dispersie constant de-a lungul timpului
Corelaia de-a lungul timpului depinde de legtura dintre yt i yt-k (y la lagul k) i nu depinde de alte variabile.
Cum recunoatem o serie staionar?
Analiza grafic
Evoluia funciei de autocorelaie (ACF) i a funciei de autocorelaie parial (PACF)
Testul Dickey-Fuller

Serie staionar

Serie nestaionar cu trend liniar

Un proces stochastic poate fi descris sau caracterizat prin momentele sale de ordinele 1 i 2:
Media: E ( y t ) = (t ) ; Variana: Var ( y t ) = E ( y t ) 2 = 2 (t ) ; Autocovariana: cov( y t1 , yt 2 ) = (t1 , t 2 ) .

a) Staionaritatea strict
Un proces stochastic este strict staionar dac pentru orice k, distribuia lui (Yt , Yt +1 ,K, Yt + k ) este aceeai pentru toi t,
deci este invariant n timp. Procesul are un comportament care nu se modific n timp.
Prin Lag se nelege decalajul sau ntrzierea, exprimate n uniti de timp, ntre modificarea variabilei cauzale i
manifestarea efectului.
Observaie: Condiia de staionaritate strict este o condiie greu de verificat empiric.
n locul staionaritii stricte este utilizat mai frecvent o definiie mai puin restrictiv a staionaritii.
b) Staionaritatea slab (Staionaritatea n covarian)
Un proces stochastic este slab staionar dac are media i dispersia constante n timp iar covariana sa ntre dou
perioade de timp depinde numai de decalajul dintre cele dou perioade i nu de momentul de timp la care este calculat.
Aceasta nseamn c procesul rmne n echilibru n jurul unui nivel mediu constant.
Seria de timp y t este slab staionar (staionar n covarian, staionar de ordinul 2) dac:
Media este constant: E ( yt ) = ;
Variana este constant: Var ( yt ) = E ( yt ) 2 = 2 ;
Covariana: cov( yt , yt + k ) = E [( yt )( yt + k )] = k . Cov( y s , yt ) depinde numai de decalajul t s .
O serie de timp care nu este staionar n sensul definiiei de mai sus, se numete serie nestaionar.
Covariana dintre valorile yt i yt + k , notat k , este numit autocovariana la lag-ul k.
Exemplu de proces staionar. Procesul Zgomot Alb (White Noise) este un proces ce descrie o variabil aleatoare cu
media zero i variana constant, dar fr o structur anume. Dac t este un ir de variabile aleatoare necorelate
(independente), fiecare cu media zero i variana constant finit, atunci t este staionar, fiind satisfcute condiiile de
staionaritate, adic: E ( t ) = 0 , Var ( t ) = 2 , cov( t , s ) = 0 , t s .
Funcia de autocovarian i Funcia de autocorelaie sunt:
2 , k = 0
1, k = 0
i
k =
k =
0 , k 0
0 , k 0
Un astfel de ir de variabile aleatoare necorelate este referit ca proces de zgomot alb sau proces aleator complet i pentru
el se folosete notaia t ~ WN (0, 2 ) .
Analiza de regresie bazat pe serii cronologice presupune c seriile de timp sunt staionare. Testele clasice t i F
sunt bazate pe aceast presupunere.
Seriile nestaionare sunt caracterizate de faptul c prezint o tendin de cretere sau de scdere, odat cu trecerea
timpului. Avem:
- Serie nestaionar omogen sau serie nestaionar n medie. Media seriei nu este constant n timp ci are o traiectorie
liniar cu panta pozitiv sau negativ.
- Serie nestaionar neomogen sau serie nestaionar n varian. Media i variana seriei nu sunt constante n timp.

Nestaionaritate determinist i nestaionaritate stochastic


n practic, cele mai multe serii de timp economice sunt nestaionare.

a) Serie nestaionar de tip TS (Trend Stationarity). Reprezint o serie nestaionar de tip determinist.
O serie nestaionar este de tip TS dac Trendul este de tip determinist i se elimin prin scdere ( y t yTt ) sau prin
mprire ( yt / yTt ) .
Not: Efectul produs de un oc aleator este tranzitoriu, deci nu se acumuleaz n timp.
b) Serie nestaionar de tip DS (Differency Stationarity).
Trendul este de tip stochastic i se elimin prin calculul diferenelor de ordinul 1 sau de ordin 2 .
Not: Un oc la un moment dat nu are efect tranzitoriu, ci influeneaz la infinit valorile seriei dinamice.
6. Serii integrate i serii cointegrate
Spunem c seria yt este integrat de ordinul 1, sau conine o rdcin egal cu 1, dac yt este nestaionar dar seria
diferenelor yt este staionar. O astfel de serie se noteaz prin yt ~ I (1) . n general, pentru a deveni staionar, o serie
nestaionar ar putea necesita diferenierea de mai multe ori.
O serie este integrat de ordinul 2 dac ea conine dou rdcini egale cu 1 i astfel, este necesar diferenierea de dou
ori pentru a induce staionaritatea. Se noteaz prin yt ~ I ( 2) .

O serie yt este integrat de ordinul d, sau conine d rdcini egale cu 1, dac y t este nestaionar dar seria d y t este
staionar. O astfel de serie se noteaz prin yt ~ I (d ) .
Ordinul de integrare al unei serii este egal cu numrul care arat de cte ori trebuie difereniat seria pentru a deveni
staionar i este egal cu numrul de rdcini egale cu 1. Majoritatea seriilor de date economice conin o singur rdcin
egal cu 1. Cele mai multe serii cronologice macroeconomice au tendin i, n mod specific, ele conin trenduri
stochastice.
Numim Serii cointegrate seriile integrate de acelai ordin, ce admit o combinaie liniar care este I(0) sau integrat de un
ordin mai mic dect ordinul de integrare al seriilor iniiale.
Definiie: Dac exist o combinaie liniar staionar ntre variabile aleatoare nestaionare, atunci variabilele combinate
sunt cointegrate (exist o dinamic non-staionar comun).

7. Testul Dickey-Fuller (Unit Root Test). Testul pentru staionaritate (pentru o rdcin unitar).
1. Se testeaz seria y t pentru a vedea dac este staionar. Dac rspunsul este da, atunci yt ~ I (0) . Dac rspunsul este
nu, atunci yt ~ I (d ) , unde d > 0 .
2. Mai nti se consider diferenele lui y t ca yt = yt yt 1 i se testeaz dac y t este staionar. Dac da, atunci
yt ~ I (0) i yt ~ I (1) . Dac nu, atunci yt ~ I (d ) , unde d > 0 .
Testarea existenei unei rdcini egale cu 1
Considerm un proces de mers la ntmplare: yt = yt 1 + t unde t este un proces zgomot alb. Acesta este un model
AR(1). Deoarece coeficientul lui y t 1 este 1 avem o rdcin egal cu 1, adic serie nestaionar.
Dac n modelul de regresie yt = yt 1 + t gsim c = 1 , spunem c variabila y t are o rdcin unitar. Scriem
ecuaia yt = yt 1 + t sub forma: yt = ( 1) yt 1 + t = yt 1 + t .
Dac = 0 putem scrie yt = yt yt 1 = t . Seria diferenelor de ordinul nti este o serie staionar.
Testul Dickey-Fuller (Unit Root Test)
H 0 : seria are rdcin unitar i este nestaionar ( = 1 sau = 0 )
H 1 : seria este staionar ( < 1 sau < 0 )
Dac respingem ipoteza nul, putem accepta staionaritatea seriei.
Dac = 1 sau = 0 , atunci seria nu este staionar.
Dac > 1 , atunci seria este exploziv (tot nestaionar; de regul astfel de comportament nu este regsit n economie)
Dac < 1 sau < 0 , atunci seria este staionar. Avem un test unilateral.
Testul Dickey-Fuller este testul de baz pentru o rdcin egal cu 1. Sub ipoteza nul c = 1 sau = 0 statistica
folosit este cunoscut ca statistica (tau). Aceasta este definit ca fiind = DF = se() . Aceast statistic nu
urmeaz distribuia t uzual, sub ipoteza nul. Valorile critice sunt obinute prin experimente Monte Carlo i se gsesc n
tabele construite de Dickey i Fuller. Dac respingem ipoteza nul c = 0 sau = 1 , rezult c seria este staionar i
putem folosi testul t.

Dac | calc | > | crt | sau Prob< respingem H 0 i acceptm c seria este staionar.
Dac | calc | < | crt | sau Prob> acceptm H 0 adic seria este nestaionar.
Dickey i Fuller au propus trei ecuaii de regresie diferite, care pot fi folosite pentru a testa prezena unei rdcini egale cu
1. n fiecare caz se formuleaz ipoteza nul i ipoteza alternativ.
i) H 0 : yt = yt 1 + t iar H 1 : yt = yt 1 + t , < 1 . Acesta este un test pentru un proces de mers la ntmplare, contra unui
proces autoregresiv, de ordinul nti, AR(1), staionar.
Nu exist termen de interceptare i nu exist trend.
ii) H 0 : yt = yt 1 + t iar H 1 : yt = yt 1 + + t , < 1 . Acesta este un test pentru un proces de mers la ntmplare, contra
unui proces AR(1), staionar, cu deplasare.
Exist termen de interceptare i nu exist trend.
iii) H 0 : yt = yt 1 + t iar H 1 : yt = yt 1 + + t + t , < 1 . Acesta este un test pentru un proces de mers la ntmplare,
contra unui proces AR(1), staionar, cu deplasare i trend n timp.
Diferena dintre cele trei regresii const n prezena elementelor deterministe i . Cele trei modele alternative pot fi
rescrise sub forme echivalente. Vom avea modelele:
yt y t 1 = ( 1) y t 1 + t yt = yt 1 + t
yt yt 1 = ( 1) yt 1 + + t yt = yt 1 + + t
yt yt 1 = ( 1) yt 1 + + t + t yt = yt 1 + + t + t
Parametrul de interes n toate cele trei ecuaii de regresie este . Dac o serie este staionar, condiia 1 < < 1 este
echivalent cu condiia de staionaritate: 2 < < 0 . Dac = 0 , seria conine o rdcin egal cu 1. Testul implic
estimarea uneia din ecuaiile de mai sus prin MCMMP, pentru a obine valorile estimate ale lui i eroarea standard
asociat.
Testul Dickey Fuller dezvoltat (ADF Augmented Dickey Fuller) ine seama i de posibilitatea ca erorile t s nu fie
zgomot alb. Deoarece termenul eroare este puin probabil s fie un proces de zgomot alb, Dickey i Fuller au aplicat o
procedur mbuntit, care folosete p decalaje ale variabilei dependente. Testul ADF include termeni AR(p) ai
termenului yt n cele trei modele alternative. Dac termenul eroare este autocorelat, ultimul din cele trei modele va fi:
p

y t = yt 1 + + t + i y t i + t .
i =1

O problem care apare este determinarea numrului optim de decalaje ale variabilei dependente. Pentru aceasta se
folosesc criteriile AIC (Akaike info criterion) i SIC (Schwarz criterion) din pachetul Eviews.

8. Funcia de autocovarian.
Funcia de autocovarian a unui proces staionar este irul autocovarianelor de lag k, { k } , unde k = 0,1,2,3, K .
Pentru un proces staionar avem E ( yt ) = pentru orice t.
Definim cov( y t , yt + k ) = E ( y t yt + k ) E ( yt ) E ( y t + k ) = k , autocovariana la decalajul sau lag-ul k.
Dac k = 0 se obine 0 = Var ( yt ) , deci variana lui Y, iar dac k = 1 se obine 1 = cov( y t , y t +1 ) = cov( y t , yt 1 ) ,
autocovariana dintre dou valori adiacente ale lui Y, adic la distan de un lag.
k = k pentru toate valorile lui k. O serie de timp este numit ergodic dac k 0 cnd k .
9. Funcia de autocorelaie (ACF)
Considerm o serie de timp staionar, yt . Atunci cnd dorim s determinm corelaia dintre y t i valorile sale din trecut
yt k , vorbim despre coeficientul de autocorelaie.
Pentru o serie staionar, definim autocorelaia la lag-ul k: k = k / 0 .
Funcia de autocorelaie (ACF) a unui proces yt , t Z , este un ir k = ( yt , yt k ) , k = 0,1,2,3,K care verific
relaiile: 0 = 1 i 1 k 1 . Autocorelaiile sunt funcii pare, deci k = k .
O serie staionar nu prezint autocorelaii dac k = 0 pentru toi k > 0 .
Pentru un proces pur neterminist ne ateptm ca k 0 atunci cnd k .
Coeficienii de autocorelaie msoar corelaia dintre observaii aflate la o anumit distan unele de altele. Ei pot descrie
proprietile dinamice ale unui proces stochastic staionar.
Exemplu { t } este un proces Zgomot Alb (White Noise) cu media zero dac: E ( t ) = 0 pentru orice t i

2 , daca k = 0
. Variabilele t au media zero, au variana 2 i sunt necorelate.
k = cov( t , t + k ) =

0 , altfel
Corelograma este graficul funciei de autocorelaie (ACF) n raport cu decalajul k, i ofer numeroase informaii privind
comportamentul seriei de timp. Proprietile dinamice ale fiecrui model staionar determin o anumit form a
corelogramei (un anumit tipar).
Interpretarea corelogramei
Analiza coeficienilor de autocorelaie arat c o serie de timp ar putea fi:
a) Serie aleatoare. O serie complet aleatoare are coeficienii de autocorelaie k 0 pentru orice k > 0 i pentru valori
mari ale lui n. Pentru o serie aleatoare se demonstreaz c k ~ N (0,1 / n) i atunci ne ateptm ca o singur valoare a lui
k s fie semnificativ.
b) Serie ce prezint corelaie pe termen scurt. O astfel de serie are o valoare mare a lui 1 , dup care urmeaz 2 sau 3
coeficieni diferii de zero dar valorile lor sunt din ce n ce mai mici. Pentru valori mari ale lui k avem valori ale lui k
apropiate de 0.
Ex: O serie de timp n care o observaie aflat deasupra mediei este urmat de una sau mai multe observaii sub medie sau,
o observaie aflat sub medie este urmat de una sau mai multe observaii peste medie. Pentru acest tip de date este
potrivit un model autoregresiv.
c) Serie alternant. Dac valorile seriei alterneaz de o parte i de alta a mediei, atunci i coeficienii de autocorelaie vor
alterna. Coeficientul 1 va fi negativ. Dac valoarea observat la lag-ul 2 tinde s fie de aceeai parte a mediei, atunci 2
va fi pozitiv.
d) Serie nestaionar. Dac o serie conine trend, o observaie de o anumit parte a mediei tinde s fie urmat de un
numr mare de observaii de aceeai parte a mediei. n acest caz, valorile lui k vor tinde la zero doar pentru valori foarte
mari ale lui k. De aceea trendul trebuie eliminat nainte de calcularea coeficienilor k . Cu alte cuvinte, coeficienii k
trebuie calculai numai pentru seriile staionare.
e) Serie cu variaii de sezonalitate. ntr-un astfel de caz, corelograma are aceeai form sinusoidal ca i seria analizat.
Mai nti, trebuie eliminat sezonalitatea din seria de date iniiale.
f) Serie ce conine una sau mai multe valori extreme(outliers). Dac exist o valoare extrem n datele iniiale,
reprezentarea grafic a lui yt n raport cu yt k va conine dou puncte extreme ce vor conduce la coeficieni de corelaie
aproape nuli. Dac exist dou observaii extreme, poate s apar o corelaie foarte mare. Se recomand ca, chiar de la
nceput, aceste observaii extreme s fie ajustate.

10. Estimarea ACF. Funcia de autocorelaie de selecie (SACF)


Presupunem y1 , y 2 , K , y n observaii dintr-o serie de timp staionar. Deoarece modelul datelor este presupus staionar,
media sa poate fi estimat prin media de selecie a valorilor y1 , y 2 , K , y n .
Autocovariana la lag-ul k, adic k = cov( yt , yt + k ) poate fi estimat prin autocovariana de selecie la lag-ul k
1 n
1 nk
( y t y )( y t k y ) = ( y t y )( y t + k y ) .

n t = k +1
n t =1
Autocorelaia la lag-ul k poate fi estimat folosind autocorelaia de selecie la lag-ul k:

k =

rk = (t = k +1 ( yt y )( yt k y )) / t =1 ( yt y ) 2 .
n

Se mai poate nota cu k . Deoarece n aplicaiile practice dispunem doar de o realizare a unui proces stochastic, se pot
calcula doar coeficienii de autocorelaie de selecie de lag k, adic rk = k = k 0 .
Funcia de autocorelaie de selecie (SACF) este mulimea {rk = k = k 0 | k Z } .
Graficul coeficienilor rk n raport cu k este numit corelogram.

Exemplu: Pentru a ilustra calcularea unei funcii SACF, considerm 10 valori ale unei serii de timp y t :
13, 8, 15, 4, 4, 12, 11, 7, 14, 12. S se calculeze autocorelaiile de selecie pentru lag-urile 1, 2 i 3.
Calculm media de selecie i obinem y = 10 . Folosim formulele

( yt y )( yt 1 y )
r1 = 1 = t = 2 n
t =1 ( yt y ) 2

( yt y )( yt k y )
= t = k +1 n
t =1 ( yt y ) 2
n

, rk = k

(13 10)(8 10) + (8 10)(15 10) + L + (7 10)(14 10) + (14 10)(12 10) 27
=
= 0,188
144
(13 10) 2 + (8 10) 2 + L + (12 10) 2
(13 10)(15 10) + (8 10)(4 10) + L + (11 10)(14 10) + (7 10)(12 10) 29
=
= 0,201
2 =
144
(13 10) 2 + (8 10) 2 + L + (12 10) 2
26
3 =
= 0,181
144

1 =

11. Funcia de autocorelaie parial (PACF)


Corelaia parial dintre y t i y t k msoar corelaia dintre y t i y t k fr a ine seama de corelaiile dintre y t i
yt 1 , yt 2 ,K, yt k +1 . Pentru a msura efectul direct al lui y t k asupra lui y t se folosete coeficientul de corelaie parial.

Coeficientul de autocorelaie parial de ordinul k este coeficientul

kk , din modelul de regresie

yt = k 1 y t 1 + k 2 y t 2 + L + kk y t k + t .
Reinem: Coeficienii de autocorelaie parial se obin prin modele de regresie.
Din modelul yt = 11 yt 1 + t 11 = corr ( yt , yt 1 ) = 1 autocorelaia parial la lag-ul 1.
Pentru lag-ul k=1, coeficientul de autocorelaie i coeficientul de autocorelaie parial sunt egali, deoarece nu exist
efecte de lag intermediare, de nlturat sau eliminat. Rezult c avem 11 = 1 .
Din modelul yt = 21 yt 1 + 22 yt 2 + t 22 = corr ( yt , yt 2 | yt 1 ) autocorelaia parial la lag-ul 2.
r12 r13 r23
r ( x, y ) r ( x, z ) r ( y , z )
(sau r12,3 =
.
Reamintim c: r ( x, y | z ) =
2
2
1 r ( x, z ) 1 r ( y , z )
(1 r132 ) (1 r232 )

Aplicm aceast formul pentru x = y t , y = y t 2 , z = y t 1 , 22 = corr ( yt , yt 2 | yt 1 ) , 1 = r ( x, z ) , 2 = r ( x, y ) .


Pentru lag-ul k=2, avem 22 = ( 2 12 ) /(1 12 ) .
Din yt = 31 yt 1 + 32 yt 2 + 33 yt 3 + t 33 = corr ( yt , yt 3 | yt 1 , yt 2 ) autocorelaia parial la lag-ul 3.
Deci 33 msoar corelaia dintre y t i yt 3 , fr a ine seama de efectele lui yt 1 i yt 2 .
Autocorelaia parial de lag k, ntre dou variabile separate de k uniti de timp, este coeficientul kk , al lui yt k , din
modelul de regresie yt = k1 yt 1 + k 2 yt 2 + L + kk yt k + t .
Interpretarea lui kk : Msoar corelaia dintre y t i y t k n condiiile n care variabilele yt 1 , yt 2 ,K, yt k +1 sunt
meninute constante (se izoleaz influena variabilei y t k ). Arat cu cte uniti se modific y t , n medie, atunci cnd

y t k crete cu o unitate iar celelalte variabile yt 1 , y t 2 , K , y t k +1 rmn nemodificate.


Funcia de autocorelaie parial (PACF) este mulimea coeficienilor {11 ,22 ,...} = {kk , k 1} .
Observaie: n practic (inclusiv n softurile de statistic) coeficienii de autocorelaie parial nu se determin prin modele
de regresie ci se folosesc ecuaiile Yule-Walker, ce redau relaiile dintre coeficienii de autocorelaie i coeficienii de
autocorelaie parial.

12. Estimarea PACF. Funcia de autocorelaie parial de selecie (SPACF)


Coeficienii de autocorelaie parial kk sunt n relaie cu coeficienii 1 , 2 ..., k .
Coeficienii de autocorelaie parial de selecie sunt obinui prin aceste relaii, cu meniunea c 1 , 2 ..., k sunt nlocuii
prin estimaiile lor r1 , r2 ..., rk .

11 = r1 = 1 , 22 =

r2 r12 2 12
,
=
1 r12
1 12

Funcia de autocorelaie parial de selecie (SPACF) este mulimea coeficienilor {11 ,22 ,...} = {kk , k 1} . SPACF are
un rol foarte important n identificarea ordinului unui proces autoregresiv.
13. Testarea semnificaiei coeficienilor de autocorelaie
Bartlett a determinat urmtoarea expresie pentru variana estimatorului coeficientului de autocorelaie:
)
1
Var ( k ) = [1 + 2( 12 + 22 + L + k21 )]
n

Pentru n suficient de mare (pentru a putea aproxima repartiia Student prin cea normal), pentru variana estimatorului
coeficientului de autocorelaie se utilizeaz expresia:
)
Var ( k ) = 1 / n .
Dac ( y1 , y 2 ,..., y n ) reprezint o mulime de observaii iid i E ( yt2 ) < , se poate arta c estimatorul k este asimptotic
normal, cu media 0 i variana 1 / n , pentru orice numr ntreg pozitiv fixat, k.
Propoziie: Dac seria ( y1 , y 2 ,..., y n ) provine dintr-un proces zgomot alb gaussian, atunci k are o distribuie normal cu
media 0 i variana Var ( k ) = 1 / n , adic k ~ N (0,1 / n) . Avem se( k ) = 1 / n .
Consecine:
- Un interval de ncredere 95% pentru k are forma (1,96 / n ; + 1,96 / n ) sau (2 / n ; + 2 / n ) .
- 95% din valorile coeficienilor de autocorelaie se afl in intervalul (2 / n ; + 2 / n ) .
Aceste rezultate sunt folosite pentru teste de semnificaie pentru coeficienii de autocorelaie, construind o regiune de
acceptare pentru un coeficient de autocorelaie estimat, pentru a determina dac acesta este semnificativ diferit de zero.
Testarea semnificaiei unui singur coeficient de autocorelaie k :
H 0 : k = 0 ( k nu este semnificativ statistic)
H 1 : k 0 ( k este semnificativ statistic).
n corelograme, intervalele de ncredere 95% (ale coeficienilor de autocorelaie individuali) sunt reprezentate ca dou
benzi, bazate pe abaterea standard aproximat k 1 / n .

O regiune de acceptare 95% pentru ipoteza nul va fi dat prin intervalul (1,96 / n ; + 1,96 / n ) , pentru k 0 . Dac
valoarea coeficientului de autocorelaie cade n afara acestui interval, pentru o valoare dat a lui k, atunci ipoteza nul c
k = 0 este respins. Se accept ipoteza alternativ: k 0 .
n seleciile finite, k este un estimator deplasat al lui k . Deplasarea este mare n cazul seleciilor de volum redus i este
fr importan n cazul seleciilor de volum mare.

Problema1: Considerm o selecie de volum n=200 de observaii asupra unui proces stochastic pentru care se cunosc
1 = 0,4 i k = 0, k 2 . Autocorelaiile estimate sunt:
k
1
2
3
4
5
6
7
8
9
10

rk

-0,38

-0,08

0,11

0,08

0,02

0,00

0,00

0,00

0,07

-0,08

S se testeze i s se indice care coeficient de autocorelaie este semnificativ diferit de zero.


Deoarece variana estimat a lui rk este Var (rk ) = Var ( k ) = 1 / n = 1/200=0,005 rezult c abaterea standard va fi
se( k ) = 1 / n = 1 / 200 = 0,005 = 0,07 . Un coeficient k este semnificativ diferit de zero dac se afl n afara
intervalului (2 / n ; + 2 / n ) , n acest caz (0,14 ; + 0,14) .
Dac k (0,14 ; + 0,14) acceptm ipoteza c k nu este semnificativ diferit de zero.
Deoarece avem r1 = 1 = 0,38 , nseamn c 1 (0,14 ; + 0,14) , deci acceptm ipoteza c k este semnificativ diferit
de zero ( 1 0). Pentru restul coeficienilor acceptm ipoteza c nu sunt semnificativi, adic k = 0, k 2 .

Testarea ipotezei c mai muli coeficieni de autocorelaie sunt zero


n multe aplicaii cu date financiare se testeaz dac mai muli coeficieni de autocorelaie sunt simultan egali cu zero.
Acesta este un test mai general pentru dependena liniar din seriile de timp.
Pentru a testa ipoteza c toi coeficienii de autocorelaie sunt simultan nuli, se folosete statistica Ljung-Box (calculat
n EViews), care are o distribuie 2 cu m grade de libertate, m fiind lungimea decalajului.
H 0 : toti k = 0 sau 1 = 2 = L = m = 0
(seria este staionar)
H 1 : exista k 0
(seria este nestaionar)
m
2
Q(m) = n(n + 2 ) k ~ m2 .
k =1 n k

n caz c ipoteza nul este adevrat, se arat c statistica Q(m) urmeaz o distribuie m2 .

2
Dac QLB < crt
acceptm H 0 seria este staionar.
2
respingem H 0 seria este nestaionar.
Dac QLB > crt
Performanele statisticii Q depind de mrimea decalajului m. Din diferite studii de simulare, s-a ajuns la concluzia c cea
mai bun mrime a lui m este m ln(n) .
Problema2:
Pentru un eantion de 100 observaii asupra seriei stationare y t am obinut informaiile alturate. Testai ipoteza c primii
4 coeficieni de autocorelaie sunt simultan nuli.

H 0 : 1 = 2 = 3 = 4 (seria este staionar)


H 1 : exista i 0 , pentru i [1,2,3,4] (seria este nestaionar).
Folosim statistica Ljung-Box (calculat i n EViews):
4 2

Q(4) = n(n + 2 ) k ~ 42 .
k =1 n k
2
Dac Q(4) < 4 sau Prob> acceptm H 0 seria este staionar.
Dac Q(4) > 42 Prob< respingem H 0 seria este nestaionar.
Din corelograma seriei observm valoarea statisticii Q i probabilitatea asociat.
Q=15,687 iar Prob=0,003
Deoarece Prob=0,003<0,05 respingem H0 i acceptm H1, adic exist autocorelare.

14. Operatorul de decalaj (operatorul lag)


Definim operatorul de ntrziere sau de decalaj, sau operatorul lag, notat L, prin relaia Ly t = y t 1 .
Definim puterile operatorului lag prin L2 y t = LLy t = Ly t 1 = y t 2 i, n general Lk y t = y t k . Avem L0 1 i

L1 y t = y t +1 .
Cu ajutorul acestor operatori putem scrie polinoame lag de diferite grade.
(L ) = 1 1L 2 L2 L p Lp este numit polinomul autoregresiv de ordinul p.

( L) = 1 + 1 L + 2 L2 + L + q Lq este numit polinomul de medie mobil de ordin q.