Modelarea unei serii de timp conform unui proces ARMA Analiza datelor n vederea construirii unui proces de tip

ARMA, am selectat rata de cretere a exporturilor pe o pia extern, n spe Austria. Pentru a surprinde mai bine caracteristicile acestei serii de timp, efectum analiza potrivit datelor trimestriale1, preluate pe perioada cuprins ntre 1988Q2 i 2013Q3, obinnd astfel un eantion de 100 de observaii. Modelele i testele corespunztoare, au fost implementate n integralitate cu ajutorul programului Eviews 7, pornind de la seria de timp notat cu rexport. Un aspect relevant n analiza noastr l constituie faptul c aceast rat de cretere a exporturilor se refer la creterea ce se realizeaz de la un trimestru la altul, datele fiind deja ajustate mpotriva sezonalitii. n teorie se consider c aproape orice rat de cretere este staionar. Pe parcursul studiului, vom demonstra c nici aceast serie de timp nu reprezint o excepie de la regul. Statistici descriptive n continuare, am realizat o scurt analiz a seriei de timp, pe baza statisticilor descriptive rezultate n Eviews, n urma implementrii Testului Jarque-Bera.
Figura 1. Statistici descriptive ale seriei de timp

sursa: vezi Eviews

O scurt trecere n revist a rezultatelor obinute, ne indic faptul c n medie, rata de cretere a exporturilor s-a situat n jurul valorii de 1.277701 (128%), atingnd un maximum de 4.641344. Volatilitatea, evideniat prin intermediul deviaiei standard, are o valoare de 1.950832. Dac analizm coeficientul de asimetrie, observm c seria de timp prezint o asimetrie la stnga, indicele skewness avnd o valoare negativ. Acest lucru nseamn c rata de cretere a exporturilor urmeaz o distribuie ce are coada stng mai lung dect cea dreapt, aspect indicat i de histograma seriei. Ct despre coeficientul de aplatizare, n spe indicele kurtosis, acesta are o valoare mai mare dect trei, ceea ce ne conduce la ideea c distribuia este una leptocurtic, adic mai nalt
1

Datele au fost culese de pe site-ul: http://stats.oecd.org/.

dect cea normal, cu valori care tind s se aglomereze n jurul mediei i cozi mai groase 2 dect n cazul distribuiei normale. Urmtorul grafic aferent distribuiei, implementat cu ajutorul opiunii Kernel Density Epanechnikov, evideniaz acest ultim aspect.
Figura 2. Distribuia seriei de timp

sursa: vezi Eviews

n semn de confirmare, putem utiliza ipotezele testului Jarque-Bera:

Din moment ce probabilitatea asociat testului este mai mic dect 0,05, se respinge ipoteza nul, conform creia seria de timp ar fi distribuit normal. Staionaritate O condiie fundamental de care va depinde implementarea ulterioar a procesului de tip ARMA este verificarea staionaritii. Astfel, exist mai multe metode de abordare n acest sens, printre care metoda grafic sau teste de tip unit root ce au ca ipotez nul faptul c seria este staionar sau, dimpotriv, nestaionar. Existena staionaritii este deosebit de important, deoarece seriile nestaionare conduc n general la regresii spurioase, ce ar putea invali da rezultatele modelelor determinate. n cele ce urmeaz, vom prezenta rezultatele obinute n urma metodei grafice, respectiv a testelor Augmented Dickey-Fuller (ADF), Phillips-Perron (PP) i KwiatkowskiPhillips SchmidtShin (KPSS). Metoda grafic Graficul de mai jos este sugestiv pentru ceea ce nseamn staionaritatea seriei de timp. Se observ c valorile tind s evolueze n interiorul unei benzi de fluctuaie, fr a manifesta un anumit trend. Dup cum am precizat mai sus, seria nu prezint sezonalitate.
2

Denumirea generic este de fat tails.

Prin urmare, putem meniona la acest pas c seria de timp este caracterizat de staionaritate.
Figura 3. Metoda grafic n analiza staionaritii

sursa: vezi Eviews

Testul Augmented Dickey-Fuller Avnd n vedere faptul c seria nu prezint un anumit trend, testul a fost implementat incluznd doar o constant, denumit intercept. Ipotezele testului sunt urmatoarele:

Figura 4. Rezultatele testului ADF

sursa: vezi Eviews

n ceea ce privete rezultatul testului, putem observa c probabilitatea asociat este mai mic dect orice prag de semnificaie ales: 0,10 sau mergnd chiar i pn la 0,01, dac dorim s fim mai restrictivi. De asemenea, valoarea statistic a testului, de -5,371250, este mai mic dect oricare dintre valorile critice ale testului, pentru cele trei nivele de semnificaie. Ipoteze nul este respins, demonstrnd astfel staionaritatea seriei.

Testul Phillips-Perron Ca o completare a celor constatate anterior, ne ndreptm atenia ctre un test din aceeai categorie i anume testul Phillips-Perron. Acesta pstreaz ipotezele testului Testul Augmented Dickey-Fuller, modul de interpretare fiind asemntor.
Figura 5. Rezultatele testului PP

sursa: vezi Eviews

Probabilitatea aferent testului este mai mic dect 0,01, concomitent cu o valoare statistic inferioar celor trei praguri critice, de unde reiese c seria de date este una staionar. Testul KwiatkowskiPhillipsSchmidtShin Ultimul test de staionaritate implementat prezint o modificare asupra ipotezelor i anume:

Figura 6. Rezultatele testului KPSS

sursa: vezi Eviews Potrivit acestuia, n cazul n care valoarea statistic a testului este mai mic dect oricare dintre valorile critice, se poate concluziona c ipoteza nul este acceptat pentru un nivel de ncredere de 99%, ceea ce nseamn c seria este una staionar.

Ca o scurt sumarizare, menionm c toate rezultatele testelor s-au dovedit a fi concludente n ceea ce privete stabilirea staionaritii seriei de timp. Funcia de autocorelaie (ACF) i de autocorelaie parial (PACF) Figura 7. Corelograma seriei de timp

sursa: vezi Eviews Reprezentarea grafic a funciilor ACF i PACF ne ghideaz n stabilirea procesului de tip ARMA(p,q) care se preteaz cel mai bine seriei noastre de date. Astfel, se observ c ACF tinde uor ctre 0, n timp ce PACF se anuleaz dup aproximativ un lag. n momentul implementrii modelului ARMA, vom alege pentru coeficientul p valoarea 1, 2 sau 3, acestea fiind mai semnificative pe grafic, iar pentru q, valorile ar putea oscila de la 1 la 4, acestea fiind specificaii pe care le vom adopta n cadrul metodologiei Box-Jenkins. La prima vedere, aceast serie de date ar urma un proces preponderent AR, deoarece PACF tinde brusc la 0. Determinarea procesului de tip ARMA(p,q) n continuare, vom parcurge paii de estimare a unui model de tip ARMA(p,q), descriere ce corespunde n fapt metodologiei Box-Jenkins: Primul pas prevede testarea staionaritii seriei. n cazul n care seria nu este staionar, se va staionariza prin procedee specifice, pentru a putea trece la pasul urmtor. Avnd n vedere testele implementate anterior, seria de date privind rata de cretere a exporturilor este una staionar.

 Pe baza corelogramei reprezentate mai sus, vom stabili punctul de plecare n implementarea modelului de tip ARMA(p,q). Astfel, vom ncepe cu modele simple de tip AR(1), AR(2), AR(3), MA(1), MA(2), MA(3), urmnd ca mai apoi s le combinm n ARMA(1,1), ARMA(1,2), iar lista nu se oprete aici. Am ales inclusiv lag -uri mai mari, ca de exemplu un AR(8), tocmai pentru a observa cum s-ar comporta un astfel de model. n cadrul urmtorului punct, am estimat aproximativ 20 de modele de tip ARMA, obinnd att coeficieni semnificativi, ct i nesemnificativi. Lund n considerare criteriile informaionale, Akaike i Schwartz, precum i valoarea lui ajustat, se alege modelul cel mai potrivit seriei de date. n tabelul de mai jos este realizat o sintez a acestor indicatori, n urma estimrii diverselor modele n Eviews. Tabel 1. Sumarul criteriilor n cazul simulrii modelelor de tip ARMA
Model\Criterii AR(1) AR(2) AR(3) AR(4) AR(8) MA(1) MA(2) MA(3) MA(4) ARMA(1,1) ARMA(2,2) ARMA(3,3) ARMA(1,2) ARMA(1,3) ARMA(1,4) ARMA(2,1) ARMA(2,3) ARMA(2,4) ARMA(3,1) ARMA(3,2) ajustat 0.503768 0.566421 0.580376 0.635903 0.653396 0.580988 0.645778 0.642481 0.651401 0.644875 0.644218 0.652263 0.641221 0.638981 0.644628 0.639203 0.638747 0.658164 0.636853 0.640536 Criteriul Akaike 3.489168 3.365659 3.350051 3.215805 3.228505 3.324331 3.166098 3.185000 3.169262 3.164432 3.187440 3.191203 3.184402 3.200246 3.193987 3.191726 3.212300 3.166530 3.215307 3.214803 Criteriul Schwarz 3.541594 3.444790 3.456225 3.349365 3.475202 3.376434 3.244253 3.289207 3.299521 3.243072 3.319327 3.377006 3.289255 3.331313 3.351267 3.297235 3.370563 3.351170 3.348027 3.374064 Coeficienti semnificativi/nesemnificativi pentru = 5% Semnificativi Semnificativi Semnificativi Semnificativi AR(5), AR(6), AR(7) i AR(8) nesemnificativi Semnificativi Semnificativi Coef pt. MA(3) nesemnificativ Coef pt. MA(4) nesemnificativ Semnificativi Semnificativi Semnificativi AR(1) i MA(2) nesemnificativi Nesemnificativi AR(1), MA(2), MA(3) i MA(4) nesemnificativi Coef pt. AR(2) nesemnificativ MA(1) i MA(3) nesemnificativi Semnificativi AR(2) i AR(3) nesemnificativi AR(2) i AR(3) nesemnificativi

sursa: vezi estimarea modelelor n Eviews

Cele mai mici valori aferente criteriilor informaionale se nregistreaz n cazul modelului ARMA(1,1). Se observ faptul c coeficienii p i q sunt semnificativi din punct de vedere statistic, iar ajustat are o valoare apropiat de cea maxim.
Al doilea cel mai bun model vizat ar putea fi un ARMA(2,4), judecnd dup valoarea maxim a lui ajustat, precum i a valorii foarte apropiate a criteriului Akaike de cel obinut n cazul modelului ARMA(1,1).

n concluzie, vom considera n continuare modelul ARMA(1,1) ca fiind propice pentru modelarea seriei de date aleas:

Figura 8. Rezultatele estimrii modelului ARMA(1,1)

sursa: vezi estimarea modelelor n Eviews

Conform estimrilor n Eviews, evoluia ratei de cretere a exporturilor este descris de urmtoarea ecuaie de regresie: Coeficienii modelului Regsirea termenului autoregresiv n cadrul modelului conduce la ideea c rata de cretere a exporturilor este explicat de rata de cretere aferent trimestrului anterior. Coeficienii obinui respect regula portivit creia n cadrul modelelor ce conin termeni AR, valoarea absolut a unuia trebuie s fie mai mic dect 1, pentru ca procesul s nu fie unul explosiv. Ct despre termenul MA, este necesar testarea stabilitii modelului. Astfel, valorile proprii ale polinomului caracteristic trebuie s se situeze n interiorul cercului unitate.

Figura 9. Valorile proprii ale polinomului caracteristic

sursa: vezi Eviews

Potrivit graficului, condiia de stabilitate este ndeplinit.

Ultimul pas n cadrul metodologiei Box-Jenkins este descris de testarea efectiv a modelului identificat.

Validitatea modelului ARMA(1,1) Autocorelarea reziduurilor n practica econometric, exist mai multe modaliti de a testa autocorelarea la nivelul erorilor din cadrul unui model. n cele ce urmeaz, vom utiliza statistica testului Q, testul Breushy-Godfrey, Testul Q-statistic Ipoteza nul a acestui test este c nu exist autocorelaie pn la la lag-ul k specificat. n cazul n care probabilitile aferente testului Q depesc pragul de semnificaie ales, se accept ipoteza nul. n graficul de mai jos se distinge faptul c nu exist autocorelaie serial pn la nivelul 20, pentru un nivel de semnificaie de 1%.

Figura 10. Corelograma reziduurilor n modelul ARMA(1,1)

sursa: vezi Eviews

Testul Breushy-Godfrey (pus tot) Ipotezele testului sunt prezentate n continuare:

Figura 10. Corelograma reziduurilor n modelul ARMA(1,1)

sursa: vezi Eviews

Probabilitatea asociat testului este de 0.7598, mai mare dect 0,05, de unde rezult c acceptam ipoteza nul, iar modelul nu prezint autocorelaie serial pn la lag-ul k.

Testul White
Figura 10. Corelograma reziduurilor n modelul ARMA(1,1)

sursa: vezi Eviews

, Prob(F) = 0,15 > 0,05 acceptam ipoteza nula =>> varianta erorilor este constanta.

Testul Jarque-Bera