APLICAIA 4

1.

Folosind diverse surse de date, se cere s se constituie o serie de timp pentru o

variabil economic (exemple: indicele lunar al preurilor bunurilor de consum i
serviciilor din perioada 1991-2007, rata zilnic de schimb leu/euro sau leu/dolar, rata
lunar a omajului din perioada 1991-2007, cotaia zilnic la burs a unei aciuni pentru o
perioad precizat etc.). Pentru seria constituit se cer urmtoarele: sursa de date folosit,
periodicitatea, analiza calitativ a serie etc.

2.

S se analizeze caracteristicile seriei folosind reprezentri grafice i indicatori

descriptivi adecvai.

3.

S se estimeze, folosind abordarea Box-Jenkins, parametrii unor modele

autoregresive adecvate.

4.

Se se efectueze previziuni pe baza modelului.

5.

S se interpreteze rezultatele obinute din punct de vedere economic.

Seria de timp considerate este rata trimestriala somajului a SUA pentru perioada 1970:12008:4.Prognozele se vor realiza pentru anul 2009.Aceasta este exprimata
procentual(%).Sursa de date o constituie OECD, 2008 Economic Outlook
Database(www.oecd.org ).
UR
11
10
9
8
7
6
5
4
3
1970

1975

1980

1985

1990

1995

2000

2005

UR by Season
11
10
9
8
7
6
5
4
3
Q1

Q2

Q3

Q4

Means by Season

20

Series: UR
Sample 1970Q1 2008Q4
Observations 156

16

12

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

6.108001
5.816359
10.67001
3.919484
1.379351
0.906277
3.737479

Jarque-Bera
Probability

24.89000
0.000004

0
4

10

Analiza stationaritatii seriei de date se realizeaza n Eviews prin:

analiza corelogramei seriei de date
teste pentru depistarea prezentei radacinii unitate Augmented Dickey Fuller.

Analiza corelogramei ne releva faptul ca seria este nestationara, deoarece functia de

autocorelatie descreste lent.Am stationarizat seria prin diferente de ordin 1.Testul DickeyFuller pe seria diferentelor conduce la respingerea ipoteza nula:seria diferentelor de ordinul 1
nu are radacina unitate deci este stationara, motiv pentru care putem concluziona ca seria
initiala de date este integrata de ordin d=1.
Drept urmare, vom aplica procedura Box-Jenkins asupra seriei de date stationarizata prin
deferente de ordin1(seria fiind integrata de ordin 1) si vom determina procesul ARMA(p,q)
corespunzator.

DUR
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
1970

1975

1980

1985

1990

1995

2000

2005

Corelograma seriei ne va permite sa alegem p si q potrivite seriei de date.

Modele
AR(1)
AR(2)
MA(1)
MA(2)
MA(3)
ARMA(1,1)
ARMA(1,2)
ARMA(1,3)
ARMA(2,1)
ARMA(3,1)

Criteriul Akaike
0.03
0.04
0.15
0.09
0.03
0.04
0.05
0.04
0.008
0.05

Criteriul Schwartz
0.05
0.08
0.17
0.12
0.08
0.08
0.11
0.12
0.06
0.13

Observation!!!
There are two ways to estimate integrated models in EViews. First, you may generate
a new series containing the differenced data, and then estimate an ARMA model
using the new data. For example, to estimate a Box-Jenkins ARIMA(1, 1, 1) model
for M1, you can enter:
series dm1 = d(m1) equation eq1.ls dm1 c ar(1) ma(1)
Alternatively, you may include the difference operator d directly in the estimation
specification.
For example, the same ARIMA(1,1,1) model can be estimated using the command:
equation eq1.ls d(m1) c ar(1) ma(1)
The latter method should generally be preferred for an important reason. If you define
a new variable, such as DM1 above, and use it in your estimation procedure, then
when you forecast from the estimated model, EViews will make forecasts of the
dependent variable DM1. That is, you will get a forecast of the differenced series. If
you are really interested in forecasts of the level variable, in this case M1, you will
have to manually transform the forecasted value and adjust the computed standard
errors accordingly. Moreover, if any other transformation or lags of M1 are included
as regressors, EViews will not know that they are related to DM1. If, however, you
specify the model using the difference operator expression for the dependent variable,
d(m1), the forecasting procedure will provide you with the option of forecasting the
level variable, in this case M1.
Parametrii modelului sunt semnificativ diferiti de zero, si R2 este sufficient de mare, 44%.
Criteriile informationale Akaike si Schwarz au valori minime.

Testarea validitatii modelului estimat :

Testarea autocorelarii reziduurilor se realizeaza cu corelograma reziduurilor Q-statistics

The Q-statistics are insignificant at all lags, indicating no significant serial correlation in the
residuals(greater p-values).
Probabilitatile f. Mari(>5%) asociate coeficientilor Ljung-Box ne releva independenta
erorilor.
Testul Multiplicatorului lui Lagrange(Breuch-Godfrey) ne releva acelasi lucru:

Ipoteza de homoscedasticitate se testeaza cu ajutorul Corelogramei patratelor reziduurilor si

cu ajutorul testului ARCH LM.

Erorile sunt heteroscedastice, deoarece prob. aferente coeficientilor Q-stat sunt mai mici de
5%.

Erorile sunt nu normal distribuite, deoarece valoarea testului JB este mult mai mare
decat valoarea tabelata si in plus prob.tinde catre zero.