Modelele autoregresive liniare

6. Etapele de realizare a aplica iei n Eviews 6.1. Inroducerea seriei de date n Eviews Etapa 1. Se define te un fi ier nou de tip Eviews: Din meniul principal, din File, se selecteaz comanda New Workfile. Se deschide fereastra de dialog pentru specificarea frecven a seriei de date i specificarea datei de start i de ncheiere a seriei de date .(vezi figura ...) Fi ierul de date se salveaz sub un anumit nume. De exemplu pentru cele dou aplica ii mai sus prezentate s-au ales urm toarele op iuni: a. pentru analiza omajul din SUA s-a ales op iunea monthly ntruct seria de date este constituit din date lunare; b. pentru analiza omaj din Romnia s-a ales op iunea quarterly deoarece seria de date este constituit din valori trimestriale.

Etapa 2. Se introduce seria de date: Introducerea seriei de date ce va fi prelucrat se poate realiza prin unul din urm toarele dou procedee de lucru: Varianta I: introducerea seriei de date direct n Eviews se relizeaz prin comanda Object New object; se deschide fereastra de dialog din figura de mai jos; se alege op iunea Series; se specific numele seriei de date.

Modele autoregresive liniare

Varianta II: seria de date este importat dintr-un alt mediu, de exemplu din Excel, prin folosirea comenzii Procs-Import-Read Text Lotus-Excel. EViews va deschide o

fereastr de dialog. Se va preciza numele seriei de date.

Modele autoregresive liniare

Etapa 3. Efectuarea de transform ri asupra seria de date

n analiza unei serii de date este posibil de efectuat o serie de transform ri. n cele ce urmeaz m cateva exemple: a. dac indicatorul este n pre uri curente este necesar eliminarea varia iei pre urilor. Atuncii valorile seriei ini iale se mpart la valorile deflatorului; b. dac seria este nesta ionar , atunci aceasta poate fi sta ionarizat prin aplicarea unei diferen e de un anumit ordin sau prin logaritmare, etc. n Eviews pentru crearea unei noi serii de date pe baza unor transform ri se realizeaz prin comanda Quick-Generate series. n urma aplic rii acestei comenzi se deschide o fereastr de dialog n care se define te rela ia de calcul a noii serii. De exemplu, dac seria omajului este identificat prin somaj, iar noua serie se ob ine prin aplicarea primei diferen e, atunci n fereastra de dialog care se deschide se insereaz ecua ia de calcul:

d _ somaj = somaj somaj (1) 1 4 24 3 numele noii serii de date

Se creaz o nou serie sub numele d _ somaj care poate fi prelucrat ulterior.

6.2.Analiza caracteristicilor seriei de date

Etapa 4. Analiza descriptiv a seriei O etap prem rg toare estim rii parametrilor modelului este cea a analizei descripive a seriei de date. Se calculeaz n acest sens: O serie de indicatori descriptivi pentru caracterizarea nivelului mediu, dispersiei seriei de date, asimetrie si aplatiz rii, etc. Astfel se calculeaz , n func ie de natura serie de date, indicatori precum media, mediana, valorile minime i maxime din cadrul seriei, devia ia standard, coeficientul de asimetrie (skweness) i excesul (kurtosis), etc. Pentru caracterizarea normalit ii serie de date, dac este cazul, se calculeaz valoarea statisticii Jarque-Bera. Pentru calcularea acestor indicatori se procedeaz astfel: a. Se deschide seria de date ce este analizat ; b. Se folose te comanda View-Descriptive statistics- Stats Table. Se ob ine un tabel n care sunt trecute valorile indicatorilor discripivi mai sus enumera i.

Modele autoregresive liniare

Etapa 5. Analiza sezonalit ii serie de date Pentru seriile trimestriale i lunare se poate face i o analiz a sezonalit ii. Dac seria este afectat de sezonalitate atunci aceasta poate fi desezonalizat . Eviews utilizeaz diverse metode pentru eliminarea componentei sezoniere: Census X12, X11 (Historical), Tramo/Seats sau Moving Average Methods. Pentru analiza sezonalit ii se securge la o reprezentare grafic adecvat selectnd una din urm toarele dou op iuni: View-Graph-Seasonal stacked line sau View-GraphSeasonal split line. De exemplu, pentru analiza sezonalit ii GDP pentru perioada 1997-2005 n urma aplic rii celei de a doua comenzi s-a ob inut graficul de mai jos.

Dac se constat existen a sezonalit ii seriei de date, atunci desezonalizarea se realizeaz n Eviews prin comanda selectarea comenzii Proc-Seasonal Adjustment, alegndu-se tipul de desezonalizare dorit. De exemplu dac pentru seria GDP se doreste desezonalizarea prin op iunea Moving Average Methods se ob in factorii de sezonalitate din tabelul de mai jos, iar cele dou serii sunt reprezentate n graficul de mai jos.

Trimestrul Factor de sezonalitate

I 0.787892

II 0.928378

III 1.128534

IV 1.211418

Modele autoregresive liniare

Etapa 6. Analiza sta ionarit ii serie de date Analiza sta ionarit ii seriei de date se realizeaz n Eviews prin: analiza corelogramei seriei de date(procedur descris la punctul 3); teste pentru depistarea prezen ei r dacinii unitate - ADF, Phillips-Perron, KPSS .a. Pentru aplicarea unuia din aceste teste n Eviews se procedeaz astfel: a. Se deschide seria de date pentru care se aplic testul; b. Din meniul seriei de date se alege comanda View-Unit root test; se deschide o fereastr de dialog (vezi figura ...) pentru specificarea urm toarelor: tipul testului; test pentru r cina unit ii n nivel (level) sau n diferen ( prima sau a doua diferen ); dac ecua ia include termen liber, termen liber i trend sau nu; criteriul informa ional pe baza c ruia se selecteaz num rul de lag-uri.

Modele autoregresive liniare 6.3.Determinarea specifica iei ARIMA(p,d,q) prin procedura Box Jenkins
Etapa 7. Analiza corelogramei

Func ia de autocorela ie, cea a autocorela iei par iale i testele aferente sunt surse importante pentru a stabili dac o serie este nest ionar . Pentru ntocmirea acestora se procedeaz astfel: a. se deschide fi ierul cu seria de date; b. din meniul seriei de date se selecteaz comanda View-Correlogram; se deschide o fereastr de dialog (vezi figura de mai jos) n care se selecteaz : tipul serie de date pe baza c reia se ntocme te corelograma - pentru seria de date n nivel (level), n prima diferen (1st difference) sau n a doua diferen (2nd difference); num rul de lag-uri ce vor fi incluse n analiz .

Trebuie men ionat faptul c , n cazul n care seria de date este integrat de ordinul 1, respectiv de ordinul 2, atunci etapele care vor fi descrise n cele ce urmeaz se refer la seria de date sta ionar (diferen iat o dat , respectiv de dou ori). n urma parcurgerii acestei etape se determin : valoarea parametrului d: egal cu ordinul de diferen iere aplicat seriei ini iale pentru a ob ine o serie sta ionar . De cele mai multe ori p este 0, 1 sau cel mult 2; o serie de recomand ri pentru alegerea ini ial a celorlal i doi parametrii p i q.

6.4.Estimarea parametrilor modelelor selectate

Etapa 8. Estimarea parametrilor modelului de baz ARIMA(p,d,q) i derivate AR(p), MA(q) Valoarea lui d care asigur sta ionaritatea seriei, precum i valorile ini iale ale lui p i q determinate n cadrul etapei anterioare permit identificarea unei forme analitice a modelului ARIMA, precum i a componentelor sale. n continuare se estimeaz prin metoda celor mai mici trate (OLS) parametrii modelului analitic astfel specificat. n acest sens se selecteaz din meniul principal comanda Quick Estimate equation. Se deschide fereastra de dialog din figura ... prin intermediul c reia se specific : a) ecua ia modelului dup regulile urm toare (Equation specification): se introduce variabila dependent ; constanta (notat cu c); variabilele independente ca fiind un num r de p lag-uri ale variabilei analizate (dac modelul cuprinde o component AR) notate prin ar(1), ar(2),...,ar(p) i

Modele autoregresive liniare

un num r de q lag-uri ale termenului de eroare (dac modelul cuprinde componenta MA) notate prin m(1),...,m(q); b) metoda folosit pentru estimarea parametrilor (Method): se utilizeaz op iunea Least Squares (NLS and ARIMA); sau prin selectarea lui Options se pot alege diferite metode de corectare a prezen ei autocorela iei sau heteroscedasticit ii termenului de eroare (Metodele Newey-West i White).
c) antionul pe baza c ruia se estimeaz parametrii modelului autoregresiv (se selecteaz automat seria ini ial ).

n urma estim rii se ob in rezultatele ce pot fi salvate sub un anumit nume folosind op iunea Name din meniul ferestrei n care au fost afi ate rezultatele estim rii. Fi ierul nou creat se salveaz de exemplu prin EC01. n aceast etap se estimeaz n egal m sur i parametrii modelelor ARIMA(p+1,d,q), ARIMA(p,d,q+1), AR(p+1) i MA(q+1). Dac la etapa urm toare se valideaz unul din modelele mai sus specificate atunci se estimeaz i parametrii unui model de grad mai mare cu nul. De exemplu, dac se valideaz modelul ARIMA(p,d,q+1) atunci se estimeaz i parametrii modelului ARIMA(p,d,q+2). Trebuie precizat ca modelele de tip AR i MA se estimeaz pe baza seriilor sta ionarizate.

6.5.Testarea validit ii modelelor estimate

Etapa 8. Testarea semnifica iei parametrilor modelului Se verific semnifica ia statistic a coeficien ilor estima i prin compararea valorii statisticii Student cu valorarea critic corespunz toare unui prag de semnifica ie ales sau prin identificarea pragului de semnifica ie dincolo de care se respinge ipoteza nul potrivit c reia parametrul respectiv nu difer semnificativ de zero. Pentru modelel autoregresive este important

Modele autoregresive liniare

preciz m parametrul ce difer semnificativ de zero i corespunde lag-ului de grad maxim, att pentru componenta AR, ct i pentru cea de tip MA. Din meniul fi ierului EC01 se alege comanda View-Estimation output pentru afi area rezultatelor necesare test rii semnifica iei parametrilor modelului. De exemplu, pentru analiza serie de date a GDP trimestrial desezonalizat din perioada 1997 2005 s-a utilizat un model ARMA (4,4) de forma urm toare:

ln gdp _ cst ai ln gdp _ cst i = c + bi t i

i =1 i =1

unde s-a notat prin ln gdp _ cs logaritmul GDP exprimat n pre uri comparabile i desezonalizat. Reultatele estim rii pentru acest model sunt prezentate n figura .... Pe baza acestor rezultate se observ c sunt semnificativi numai parametrii ce corespund lui AR(2) i MA(1). n aceste condi ii consider m modelul urm tor ce va fi supus analizei n urm toarele etape:

ln gdp _ cst 0.5939 ln gdp _ cst 1 = 5.0693 + 1.1158 t

(2.31) (2.71)

n parantez s-a specificat valoarea statisticii Student calcult pentru ipoteza nul potrivit c reia parametrul este egal cu zero.

Modele autoregresive liniare

Etapa 9. Testarea autocorel rii erorilor Testarea autocorel rii reziduurilor se poate realiza prin: prin analiza corelogramei reziduurilor. Se folose te comanda View-Residual testsCorrelogram Q-statistics prin testul LM. Se activeaz comanda View-Residual tests- Serial Correlation LM test. Etapa 10. Testarea homoscedasticit ii/heteroscedasticit ii seriei de reziduuri Testarea homoscedasticit ii/heteroscedasticit ii se poate realiza prin: prin corelograma p tratelor reziduurilor. Se folose te comanda View-Residual testsCorrelogram squared residuals; prin testul ARCH-LM. Se activeaz comanda View-Residual tests-ARCH LM test. Testarea normalit ii repartiz rii reziduului: Etapa 11. Testarea distribu iei normale a seriei de reziduuri se activeaz comanda View-Residual tests-Histogram-Normality test

6.6.Identificarea specifica iei ARIMA

Etapa 11. Alegerea celui mai performant model Dac mai multe modele ARIMA au fost validate la etapa anterioar , atunci alegerea specifica iei potrivite se poate face utiliznd: criterii clasice (R - p trat ajustat, testul F, varian a sau dispersia reziduurilor); indicatori ce au la baz teoria informa iei (criteriul Akaike i Schwartz). Informa iile pentru alegerea celui mai performant model sunt vizualizate prin comanda ViewEstimation output.

6.7.Generarea de previziuni utiliznd procesele ARIMA

Etapa 12. Analize i previziuni folosind modelul ales la etapa anterioar Procesele ARIMA estimate ntr-o etap anterioar pot fi utilizate n realizarea de previziuni. Din fereastra corespunz toare estim rii modelului se lanseaz comanda Forecast. Se deschide fereastra de mai jos n care se specific : a. numelui seriei pentru care se realizeaz previziunea (Forecast name); b. e antionul utilizat n realizarea previziunilor (Forecast sample); c. tipului de previziune care se va genera (static sau dinamic ); d. forma de prezentare a rezultatelor (grafic i/sau tabel).

Modele autoregresive liniare

7. Bibliografie

10

1. ANDREI, T., (2003). Statistica si econometrie, Editura Economica, Bucuresti, 2. BALTAGI, B., (1996). Econometric analysis of panel data, Wiley, New York 3. BOX, G.E.P. and JENKINS, G.M. (l976). Time Series Analysis, Forecasting and Control. Holden-Day, San Francisco 4. Brooks, C. (2003): Introductory Econometrics for Finance, Cambridge University Press 5. BURKE, S., HUNTER, J., (2005). Modelling Non-Stationary Economic Time Series- a multivariate approach, Palgrave Macmillan, London, UK, 6. Clements, M.P., and Hendry D.F. (1998): Forecasting Economic Time Series, Cambridge University Press, Cambridge, UK. 7. DOBRESCU, E., (2003). Tranzitia in Romania. Abordari econometrice, Editura Economica, Bucuresti, 8. ENDERS, W. (2004). Applied Econometric Time Series. Wiley, New York, 9. GOURIEROUX, C., and MONFORT, A. (l997). Time Series and Dynamic models, Cambridge University Press, Cambridge, U.K.

10. GREENE, W. (2000). Econometric Analzsis. Prentice Hall International, Inc.

11. GRANGER, C.W.J. and NEWBOLD, P. (l986). Forecasting Economic Time Series, Second Edition. Academic Press, New York. 12. HAMILTON, J. (1994). Time Series Analysis. Princeton University Press, Princeton 13. LARDIC, S., MIGNON, V.,(2002). Econometrie des series temporelles macroeconomiques et financiers, Economica, Paris 14. MADDALA, G. S. and KIM, In-Moo (1998). Unit Roots, Cointegration, and Structural Change, Cambridge University Press, Cambridge, U.K 15. MILLS, T.C. (1990). Time Series Techniques for Economists. Cambridge University Press, Cambridge. 16. MILLS, T.C. (2003).Modelling Trends and Cycles in Economic Time Series, . Palgrave, U.K. 17. PATTERSON, K., (2000)An introduction to applied econometrics, St. Martins Press, New York 18. Tashman, L.J. (2000): Out-of-sample tests of forecast accuracy: an analysis and review, International Journal of Forecasting, 16, 437-450.