Seminar Econometrie Sptaru (57 ian.

2015)
Analiza seriilor de timp
Exemplul 1. Analiza staionaritii seriei PIB
1. Analiza graficului unei serii de timp
Considerm datele observate cu privire la 5 serii cronologice economice cu frecven trimestrial,
n perioada anilor 1985-2006, un total de 88 observaii pentru fiecare serie de timp. Seriile sunt:
Produsul Intern Brut (PIB), Venitul Personal Disponibil (VPD), Cheltuielile de Consum
Personal (CCP), Profiturile i Dividendele.
Valorile observate se afl n fiierul Aplicatie 5 Serii Timp.xls din folderul Eviews 4.1 Stud.

Figura 1. Graficele seriilor de timp PIB, VPD, CCP, Profituri i Dividende.

Graficele seriilor arat c seriile au o tendin cresctoare, dei trendul nu este neted, mai ales n
cazul seriei Profiturilor. Se observ c media, variana i autocovarianele fiecrei serii nu par a fi
invariante n raport cu timpul. Aceste serii sunt serii de timp nestaionare.
2. Analiza staionaritii seriei de timp PIB, pe baza corelogramei seriei
Un test simplu al staionaritii seriei este bazat pe funcia de autocorelaie (ACF).
Graficul funciei de autocorelaie n raport cu decalajul k, se numete corelogram.
Mai jos avem corelograma seriei cu date trimestriale privind PIB-ul , realizat n EViews.

Cum interpretm corelograma? Observm c ncepe cu valori foarte mari (0,969 la lag-ul 1) i
scade treptat. Chiar la lag-ul 14, coeficientul de autocorelaie are o valoare destul de mare (0,500).
Corelograma arat c seria PIB este nestaionar. Pentru serii nestaionare coeficienii de

autocorelaie scad foarte ncet. Prin contrast, dac un proces stochastic este pur aleator,
autocorelaia la orice lag k > 0 , va fi zero.
Bartlett a artat c, dac o serie de timp este pur aleatoare, coeficienii de autocorelaie de selecie
sunt aproximativ normal distribuii, cu media 0 i variana 1 / n , unde n este volumul seleciei.
k ~ N (0,1 / n) . Putem determina un interval de ncredere 95% n care se afl k .

k (1,96 * se( k );1,96 * se( k )) , deci k (1,96 *1 / n ; 1,96 *1 / n ) .

n exemplul dat, deoarece n=88, variana lui k este 1/88, iar eroarea standard este
1 / 88 = 0,1066 . Conform proprietilor distribuiei normale standard, intervalul de ncredere 95%
pentru orice k va fi 1,96(0,1066) = 0,2089 . Astfel, dac un k estimat se afl n intervalul
(0,2089;0,2089) , nu respingem ipoteza c k real este zero. Dac k estimat se afl n afara
intervalului (0,2089;0,2089) , atunci putem respinge ipoteza c k real este zero. Intervalul de
ncredere 95% este marcat prin dou linii punctate. n corelogram se observ c toi coeficienii
k pn la decalajul 23 sunt semnificativi statistic, adic sunt statistic diferii de 0. Pentru a testa
ipoteza c toi coeficienii de autocorelaie sunt simultan nuli, folosim statistica Ljung-Box:
m
k2
~ m2 .

Q(m) = LB = n(n + 2 )

k =1

H 0 : toti k = 0

nk

(seria este staionar)

H 1 : exista k 0
(seria este nestaionar)
Pentru seria de date PIB, statistica Q bazat pe 25 de decalaje are valoarea 891, deci este
semnificativ diferit de 0; probabilitatea de a obine o astfel de valoare 2 este zero. Concluzia
final, bazat pe corelogram, este c seria de timp PIB este nestaionar.

3. Testul pentru staionaritate sau pentru o rdcin egal cu 1

yt = y t 1 + t Dac = 1 , spunem c variabila y t are o rdcin unitar.
y t = ( 1) y t 1 + t = y t 1 + t
Ipoteza de rdcin unitar-Unit Root
H 0 : seria are rdcin unitar i este nestaionar

H 1 : seria este staionar

Testul Dickey-Fuller(Unit Root Test)
Dac = 1 sau = 0 , atunci seria nu este staionar. Dac < 1 , atunci seria este staionar
= DF = se() . Dac | | > | | respingem H i acceptm c seria este staionar.
calc

crt

Dac | calc | < | crt | acceptm c seria este nestaionar.

Dickey i Fuller au propus trei ecuaii de regresie diferite:
(fr constant i fr trend);
i) y t = y t 1 + t
ii) y t = y t 1 + + t

(cu constant i fr trend);

iii) y t = y t 1 + + t + t (cu constant i cu trend);

Dac = 0 , seria conine o rdcin egal cu 1.
Testul ADF include termeni AR(p) ai termenului y t n cele trei modele alternative. Dac
termenul eroare este autocorelat, ultimul din cele trei modele va fi:
p

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

n cazul cnd avem Constant dar nu avem Trend (fig. stnga) am obinut:

Am obinut urmtoarele rezultate:

P IBt = 28,7190 0,0033 PIBt 1 + 0,3197 PIBt 1
(3,0888)
t = (1,2143)
(0,5472)
DW=d=2,0405
R2=0,1047
Pentru scopul nostru este important statistica t ( =tau) a variabilei PIBt-1. Ipoteza nul este c
= 0 , echivalent cu = 1 , sau exist o rdcin unitar. Pentru modelul nostru, valorile critice
sunt 3,508326, 2,895512 i 2,584952, corespunztoare nivelurilor de semnificaie de 1%, 5%
i 10%. Valoarea calculat pentru statistica este 0,547205, care n valoare absolut este mai
mic dect valorile critice. Probabilitatea=0,8756. Nu putem respinge ipoteza nul (acceptm H0).
Exist o rdcin unitar, deci seria PIB este nestaionar.
n cazul cnd avem Constant i Trend (fig. dreapta) obinem urmtoarele rezultate:
P IBt = 234,9729 + 1,892199 t 0,078661 PIBt 1 + 0,355794 PIBt 1
(3,464708)
t = (2,383391) (2,152260) (2,215287)
R2=0,152615
DW=d=2,085875
Pentru scopul nostru este important statistica t ( =tau) a variabilei PIBt-1. Ipoteza nul este c
= 0 , echivalent cu = 1 , sau exist o rdcin unitar. Pentru modelul nostru, valorile critice
sunt 4,06829, 3,462912 i 3,157836, corespunztoare nivelurilor de semnificaie de 1%, 5% i
10%. Valoarea calculat pentru statistica este 2,215287, care n valoare absolut este mai mic
dect valorile critice. Prob=0,4749. Nu putem respinge ipoteza nul, c exist o rdcin unitar,
deci seria PIB este nestaionar.

4. Seria de timp PIB devine serie staionar dup aplicarea operatorului de difereniere
Pentru a aplica operatorul de difereniere, n EViews scriem: series DPIB=D(PIB).
Pentru seria transformat realizm graficul i comparm graficul seriei PIB cu cel al seriei DPIB.
Seria difereniat, DPIB, nu mai prezint trend.

Am aplicat testul ADF seriei difereniate i am obinut urmtoarele rezultate:

DP IBt = 16,00498 0,682762 DPIBt 1
t = (3,640211) (6,630339)
R2=0,343552
DW=d=2,034425
Pentru modelul nostru, valoarea calculat pentru statistica este 6,630339, care n valoare
absolut este mai mare dect valorile critice. Prob=0,0000. Respingem ipoteza nul, c exist o
rdcin unitar. Acceptm H1, deci seria difereniat DPIB, este o serie staionar.

Exemplul 2.
Se consider 2 variabile economice cu date pe 25 perioade.
vt 1
zt 1

4
1

2
2

2
1

5
2

5
2

3
2

3
3

1
3

4
3

4
3

3
3

3
4

5
4

4
5

4
5

4
5

1
5

3
6

3
5

3
6

3
6

1
7

2
8

2
8

Coeficienii de autocorelaie obinui pentru decalajele k=1, 2, 3 sunt:

pentru seria vt:
r1 = 0,1053; r2 = 0,0526; r3 = 0.
pentru seria zt:
r1 = 0,8302; r2 = 0,6887;
r3 = 0,5755.
S se caracterizeze seriile prin prisma testelor: Bartlett, Box-Pierce i Ljung-Box.
Bartlett a artat c, dac o serie de timp este pur aleatoare, coeficienii de autocorelaie de selecie
sunt aproximativ normal distribuii, cu media 0 i variana 1 / n , unde n este volumul seleciei.
Putem determina un interval de ncredere 95% n care se afl k .

k (1,96 * se( k );1,96 * se( k )) , deci k (1,96 *1 / n ; 1,96 *1 / n ) .

n exemplul dat, deoarece n=25, variana lui k este 1/25, iar eroarea standard este

1 / 25 .

Conform proprietilor distribuiei normale standard, intervalul de ncredere 95% pentru orice k
va fi (0,392;0,392) . Astfel, dac un k estimat se afl n intervalul (0,392;0,392) , nu
respingem ipoteza c k real este zero. Dac k estimat se afl n afara intervalului
(0,392;0,392) , atunci putem respinge ipoteza c k real este zero.

Pentru seria vt: toi rk sunt n interiorul intervalului. Seria este aleatoare.
Pentru seria zt: toi rk sunt n afara intervalului
Testm ipoteza c toi coeficienii de autocorelaie sunt simultan nuli:
H 0 : toti k = 0
(seria este staionar)

H 1 : exista k 0

(seria este nestaionar, folosim statisticile Box-Pierce i Ljung-Box:

Q = Q BP = n k2 ~ m2 ;
k =1

m
2
Q(m) = LB = n(n + 2 ) k ~ m2 .
k =1 n k

Pentru vt: Q =0,3463 iar Q=0,3929. Ambele sunt mai mici dect 02, 05;3 = 7,815 . Seria este
staionar.
Pentru zt: Q =37,3685 iar Q=43,464. Ambele sunt mai mari dect 02, 05;3 = 7,815 . Seria este
nestaionar.

Modele de MEDIE MOBIL (MA) i modele AUTOREGRESIVE (AR)

Modelul MA(1) y t = t + t 1
Am artat la curs c ACF pentru modelul MA(1) este:

0 = 1 ; 1 =

1+ 2

i k = 0 pentru k > 1 .

Exemplu: S se determine funcia de autocorelaie (ACF) i corelograma fiecrui proces:

1) y t = t + 0,9 * t 1
Determinm ACF pentru modelul y t = t + 0,9 * t 1 i reprezentm grafic.
0,9
0 = 1 ; 1 =
= 0,497 ; k = 0 pentru k > 1 . Reprezentm grafic!
1 + (0,9) 2
2) y t = t 0,9 * t 1
0,9
0 = 1 ; 1 =
= 0,497 ; k = 0 pentru k > 1 . Reprezentm grafic!
1 + (0,9) 2
3) y t = t + 0,5 * t 1
0,5
0 = 1 ; 1 =
= ?; 1 = 0,4; k = 0 pentru k > 1 . Reprezentm grafic!
1 + (0,5) 2
4) y t = t 0,5 * t 1
0,5
0 = 1 ; 1 =
= ?; 1 = 0,4; k = 0 pentru k > 1 . Reprezentm grafic!
1 + (0,5) 2
S observm semnul coeficientului 1 , n cele 4 modele MA(1).
Simularea unui proces MA(1) : y t = t + t 1
y t = t + 0,9 * t 1
Am creat un fiier pentru 100 observaii
genr wn=nrnd
smpl 1 1
genr maunu1=wn
smpl 2 100
genr maunu1=wn+0.9*wn(1)

( y t = t + 0,9 * t 1 )

smpl 1 100

(NRND genereaz numere aleatoare dintr-o distribuie N(0,1))

maunu1=wn+0.9*wn(1) y t = t + 0,9 * t 1
maunu2=wn0.9*wn(1) y t = t 0,9 * t 1

Determinarea corelogramei seriei de date maunu:

Din meniul workfile selectm seria de date maunu.
Din meniul seriei maunu selectm View/Correlogram. Se deschide o fereastr n care selectm
tipul seriei(level) i numrul de lag-uri (10) ce vor fi incluse n calcule.
maunu3=wn+0.5*wn(1)

y t = t + 0,5 * t 1 maunu4=wn0.5*wn(1) y t = t 0,5 * t 1

Modelul de medie mobil de ordinul doi, MA(2)

yt = t + 1 t 1 + 2 t 2 , unde t ~ WN (0, 2 ) .
Am determinat, la curs, funcia de autocorelaie (ACF), a lui y t . Am obinut:

1 + 1 2
2
, 2 =
i k = 0 pentru k > 2 .
2
2
1 + 1 + 2
1 + 12 + 22
Exemplu: Fie yt = t 0,5 t 1 + 0,25 t 2 . S se determine ACF i corelograma procesului.
Obinem: 0 = 1 , 1 = 0,476, 2 = 0,191, i k = 0 pentru k > 2 .
0 = 1 , 1 =

Simularea unui proces MA(2) :

genr wn=nrnd
smpl 1 1
genr madoi=wn
smpl 2 2
genr madoi=wn0.5*wn(1)

smpl 3 100
genr madoi=wn0.5*wn(1)+0.25*wn(2)

( yt = t 0,5 t 1 + 0,25 t 2 )

smpl 1 100

Modelul AR(1) yt = y t 1 + t
Pentru un modelul AR(1) am artat c:
ACF este: k = k 1 = 2 k 1 = L = k , k .
PACF este: 11 = 1 = i kk = 0 pentru k > 1 .
Exemplu: S se determine ACF, PACF i corelogramele corespunztoare proceselor:
1) yt = 0,8 * y t 1 + t
ACF este: 0 = 1 ; 1 = = 0,8 ; 2 = 2 = (0,8) 2 = 0,64 ; 3 = 3 = (0,8) 3 = 0,512 ;...
PACF este: 11 = 1 = = 0,8 i kk = 0 pentru k > 1 . Reprezentm grafic!

Procesul este staionar deoarece < 1 .

2) yt = 0,8 * y t 1 + t
ACF este: 0 = 1 ; 1 = = 0,8 ; 2 = 2 = (0,8) 2 = 0,64 ; 3 = 3 = (0,8) 3 = 0,512 ;...
PACF este: 11 = 1 = = 0,8 i kk = 0 pentru k > 1 . Reprezentm grafic!

Simularea unui proces AR(1): yt = 0,8 * y t 1 + t i yt = 0,8 * y t 1 + t

arunu= 0.8*arunu(1)+wn

yt = 0,8 * y t 1 + t

arunu2=0.8*arunu2(1)+wn

yt = 0,8 * y t 1 + t