Sunteți pe pagina 1din 9

Modele staionare liniare pentru analiza seriilor de timp Curs 12 Econometrie 18 dec 2013

1. Funcia de autocorelaie parial (PACF) n general, corelarea dintre dou variabile este rezultatul corelrii acestora i cu alte variabile. Astfel, o parte din corelaia dintre variabilele yt i y t k se datoreaz i corelaiei lor cu variabilele

yt 1 , y t 2 , K , y t k +1 .
Corelaia parial dintre yt i y t k msoar corelaia dintre yt i y t k fr a ine seama de corelaiile dintre yt i yt 1 , y t 2 , K , y t k +1 . Este necesar definirea unui coeficient care s msoare aceast corelaie parial. Numim coeficient de autocorelaie parial de ordinul k, coeficientul de regresie kk , din modelul de regresie yt = k1 yt 1 + k 2 y t 2 + L + kk y t k + t . Coeficienii de autocorelaie parial se obin prin modele de regresie. yt = 11 y t 1 + t 11 , coeficientul de autocorelaie parial de ordinul 1

yt = 21 y t 1 + 22 y t 2 + t 22 , coeficientul de autocorelaie parial de ordinul 2.


Funcia de autocorelaie parial este asocierea dintre lag-ul k i coeficientul kk . PACF are un rol foarte important n identificarea ordinului unui proces autoregresiv. Pentru procesele staionare, funciile ACF i PACF se apropie de zero cnd lag-ul k tinde la infinit. Reamintim: Proprietile unei serii staionare -Are media constant de-a lungul timpului (nu prezint trend) -Are dispersia constant de-a lungul timpului -Corelaia de-a lungul timpului depinde de legtura dintre yt i y t k i nu depinde de alte variabile Funcia de autocorelaie (ACF) msoar corelaia dintre valorile seriei la diferite distane n timp. Recunoatem o serie staionar dup: -Analiza grafic -Evoluia Funciei de autocorelaie (ACF) i de autocorelaie parial (PACF) -Testul Dickey-Fuller Seriile staionare au funcii de autocorelaie care converg rapid spre zero. Seriile nestaionare au funcii de autocorelaie care converg ncet spre zero. n general, se consider c seria este nestaionar dac dup 5 pai valoarea ACF este mai mare dect 0,7. 2. Teorema de descompunere a lui Wold Orice proces stochastic slab staionar i absolut nedeterminist ( yt ) poate fi reprezentat ca o combinaie liniar (sau filtru liniar) de variabile aleatoare necorelate.

y t = t + 1 t 1 + 2 t 2 + L = j t j cu 0 = 1 i
j =0

j =0

2 i

< . Procesul { t } este un proces

de zgomot alb (white noise), adic un ir de variabile aleatoare independente, identic normal distribuite, cu media 0 i variana 2 . Acesta se noteaz sub forma t ~ WN (0, 2 ) . 3. Modele de medie mobil (Moving Average - MA) 3.1. Modelul de medie mobil de ordinul nti, MA(1)

y t = t + t 1

este orice constant, iar { t } este un proces de zgomot alb, deci t ~ WN (0, 2 ) . Media lui y t este: E ( y t ) = E ( t ) + E ( t 1 ) = 0 .
2

Variana lui y t este: Var ( y t ) = 0 = E ( t + t 1 ) = E t2 + 2 t t 1 + 2 t2 = 1 + 2 2 .

) (

Autocovariana la lag-ul 1 este:

1 = cov( yt , yt 1 ) = E ( yt yt 1 ) = E ( t + t 1 )( t 1 + t 2 ) = = E ( t t 1 + t21 + t t 2 + 2 t 1 t 2 ) = 2
Autocovariana la lag-ul 2 este:

2 = cov( yt , yt 2 ) = E ( yt yt 2 ) = E ( t + t 1 )( t 2 + t 3 ) = E ( t t 2 + t 1 t 2 + t t 3 + 2 t 1 t 3 ) = 0 . Rezult c autocovarianele de lag k > 1 sunt zero: k = 0 .


Observaie: Un proces MA(1) este staionar (cu covarian staionar), indiferent de valoarea lui , deoarece media i autocovarianele nu sunt funcii de timp. Funcia de autocorelaie, (ACF), a unui proces MA(1) este:

0 = 1 ; 1 =

1 2 ; k = 0 , k > 1 . = = 2 2 0 (1 + ) 1+ 2

Obs: Un oc ntr-un proces MA(1) afecteaz y t numai n dou momente de timp. Memoria procesului MA(1) este doar de o perioad. Procesul se numete de memorie scurt. Autocorelaia de ordin k poate fi reprezentat grafic ca o funcie de k, rezultnd corelograma procesului. Pentru valori diferite ale lui se obin valori diferite ale lui 1 . Dac este pozitiv, rezult 1 pozitiv. Dac este negativ, rezult 1 negativ. Cea mai mare valoare pentru 1 este 0,5 i apare cnd = 1 . Cea mai mic valoare a lui 1 este 0,5 . Aceast valoare apare dac = 1 . Pentru orice valoare a lui

1 ntre 0,5 i 0,5 , exist dou valori ale lui care ar putea produce acea autocorelaie. Aceasta se rmne neschimbat dac se nlocuiete prin 1 / . n acest ntmpl deoarece valoarea 1 = 1+ 2
mod rezult c ntotdeauna se pot gsi dou procese MA(1) care au aceeai funcie de autocorelaie. Este necesar condiia de inversabilitate pentru a ne asigura c exist un model MA unic, pentru o ACF dat. Inversabilitatea procesului MA(1) Dac folosim operatorul de ntrziere, sau de decalaj, vom putea scrie modelul MA(1): y t = t + t 1 sub forma yt = (1 + L) t . Procesul MA este inversabil cnd rdcina polinomului de medie mobil ( L) = 1 + L = 0 se afl n afara cercului unitate, adic avem | 1 / |> 1 . Aceast condiie implic urmtoarea condiie pentru parametru: 1 < < 1 sau | |< 1 . Procesul este inversabil dac rdcina ecuaiei ( z ) = 1 + z = 0 este n afara cercului unitate, adic avem | z |> 1 sau echivalent, | |< 1 . Reprezentarea procesului MA(1) sub forma unui proces AR( ) Fie reprezentarea autoregresiv y t = 1 y t 1 + 2 y t 2 + 3 y t 3 + L + t , cu t ~ WN (0, 2 ) . Pentru a obine o reprezentare autoregresiv convergent trebuie impus condiia | |< 1 . Aceasta reprezint condiia de inversabilitate a polinomului de medie mobil ( L) = (1 + L) .

(1 1 L 2 L2 3 L3 L) y t = t . Ponderile j se calculeaz din identitatea (1 1 L 2 L2 3 L3 L)(1 + L) = 1 . Prin identificarea coeficienilor lui L j , se obin ponderile j . Aceste ponderi converg dac | |< 1 . Rezult c un proces stochastic staionar autoregresiv infinit pentru y t poate fi rescris ca o sum ponderat a unui proces zgomot alb i deci, ca un proces de medie mobil.
Oricrui model de medii mobile i corespunde o reprezentare prin filtru liniar cu un numr finit de ponderi.

3.2. Modelul de medie mobil de ordinul doi, MA(2) yt = t + 1 t 1 + 2 t 2 , unde t ~ WN (0, 2 ) . Cerine: S se determine media, variana, autocovarianele i funcia de autocorelaie a lui y t . (Am efectuat calculele pe tabl). Pentru un proces MA(2), se obin urmtoarele valori: 0 = (1 + 12 + 22 ) 2 , 1 = (1 + 21 ) 2 , 2 = 2 2 i k = 0 pentru k > 2 .

0 = 1 , 1 =

1 + 1 2 2 , 2 = i k = 0 pentru k > 2 . 2 2 1 + 1 + 2 1 + 12 + 22

Cu ajutorul operatorului lag L, vom scrie modelul sub forma y t = (1 + 1 L + 2 L2 ) t = ( L) t , unde

( L) = (1 + 1 L + 2 L2 ) este polinomul de medie mobil de ordinul doi. Notm cu 1 , 2 rdcinile


ecuaiei P ( z ) = ( z 2 + 1 z + 2 ) = 0 . Polinomul de medie mobil poate fi factorizat, astfel nct obinem ecuaia ( z ) = (1 + 1 z + 2 z 2 ) = (1 1 z )(1 2 z ) = 0 . Condiia de inversabilitate este ndeplinit dac rdcinile 1 , 2 satisfac condiiile | 1 |< 1 i | 2 |< 1 , ceea ce este echivalent cu | z1 |> 1 i | z 2 |> 1 . Cei doi parametri 1 i 2 ai modelului satisfac urmtoarele condiii: Reprezentarea procesului MA(2) sub forma unui proces AR( ) Fie reprezentarea y t = 1 y t 1 + 2 y t 2 + 3 y t 3 + L + t , cu t ~ WN 0, 2 . O form echivalent este

1 + 2 > 1 , 2 1 > 1 i | 2 |< 1 .

(1 1 L 2 L 3 L L) y t = t . Ponderile j se calculeaz din identitatea


2 3

(1 1 L 2 L2 3 L3 L)(1 + 1 L + 2 L2 ) = 1 . Prin identificarea coeficienilor lui L j , se obin


ponderile: 1 = 1 , 2 = 1 1 + 2 = 2 12 , rezultnd j = 1 j 1 2 j 2 , pentru j > 2 . 3.3. Modelul de medie mobil de ordinul q, notat MA(q): yt = t + 1 t 1 + 2 t 2 L + q t q , sau y t = ( L) t , unde t ~ WN (0, 2 ) .

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


Un proces MA este staionar deoarece orice dou elemente y t i y s reprezint aceeai funcie de vectorii

( t , t 1 L , t q ) i ( s , s 1 L , s q ) care sunt identic distribuii.


Procese inversabile Un proces MA(q) nu este unic determinat prin funcia sa de autocorelaie. Pentru a obine o relaie unic ntre procesele de medie mobil i funcia lor de autocorelaie, Box i Jenkins au introdus condiia de inversabilitate. Aceast condiie este util pentru procedurile de estimare, deoarece coeficienii unui proces MA(q) vor fi estimai prin funcia de autocorelaie empiric. Ne intereseaz un proces MA inversabil. Cnd un proces este inversabil, nseamn c este posibil s se exprime valoarea curent a variabilei y t cu ajutorul ocului curent t i al valorilor ei ntrziate

yt 1 , yt 2 , K . Atunci, se spune c modelul are o reprezentare autoregresiv. n acest fel se pot asocia
evenimente din prezent cu ce s-a ntmplat n trecut. Un model, MA(q) este inversabil dac cele q rdcini ale ecuaiei caracteristice

( z ) = (1 + 1 z + 2 z 2 + L + q z q ) = 0 se afl n afara cercului unitate ( | z |> 1 ). n acest caz se spune c polinomul ( z ) este inversabil iar procesul MA(q) poate fi scris ca un proces AR( ), n mod unic.
3

Condiia de inversabilitate poate fi formulat alternativ pentru [( L)]1 y t = t . Dac avem yt = i =1 (1 i L) t , unde i sunt rdcinile ecuaiei
q

P( ) = q + 1q 1 + 2 q 2 L + q 1 + q = 0 ,
atunci condiia pentru ca polinomul s fie inversabil, este ca | i |< 1 pentru toi i = 1,2,..., q . Se poate arta uor c un proces MA(q) este totdeauna staionar, deoarece parametrii unui proces MA finit verific totdeauna condiiile de staionaritate. Valoarea medie a lui y t este: E ( y t ) = E ( t + 1 t 1 + 2 t 2 + L + q t q ) = 0 . Variana lui y t este: 0 = Var ( y t ) 2 = E ( t + 1 t 1 + 2 t 2 + L + q t q ) 2 i, deoarece termenii

t sunt necorelai, rezult 0 = (1 + 12 + 22 + L + q2 ) 2


Putem folosi faptul c reprezentarea unui proces stochastic y t , slab staionar i absolut nedeterminist printr-un filtru liniar de variabile aleatoare necorelate, conduce la determinarea autocorelrii din y t . Sunt adevrate urmtoarele egaliti:

y t = t + 1 t 1 + 2 t 2 + L = j t j cu 0 = 1 i
j =0

j =0

2 i

< .

0 = E ( y t ) 2 = E ( t + 1 t 1 + 2 t 2 + L) 2 = 2 i2
j =0

k = E ( y t )( yt k ) = E ( t + 1 t 1 + 2 t 2 + L)( t k + 1 t k 1 + 2 t k 2 + L) =
= 2 (1 k + 1 k +1 + 2 k + 2 + L) = 2 j j + k .
j =0

n cazul modelului MA(q) rezult autocovarianele date de relaia: k = ( k + k +11 + k + 2 2 + L + q q k ) 2 pentru k = 1,2,..., q . Pentru k > q rezult autocovarianele k = 0 . De aici, prin mprirea cu 0 , se obin autocorelaiile

k =

k + k +11 + L + q q k , k = 1,2,..., q i k = 0 pentru k > q . 1 + 12 + 22 + L + q2

Pentru orice valori 1 , 2 ,..., q , procesul MA(q) este cu covarian staionar. Modelul y t = ( L) t conine q + 2 parametri necunoscui y , 1 , 2 , K , q , 2 , care n practic vor fi estimai din date. Identificarea unui proces MA(q) este echivalent cu determinarea numrului potrivit de lag-uri. Propoziie. Ordinul q, al unui proces MA este valoarea maxim a lui k, pentru care coeficientul de autocorelaie k este diferit de zero. Rezult c ACF arat un punct de anulare sau oprire la decalajul q. ACF nu este o funcie liniar, cum este n cazul procesului AR(p). Pentru procesele MA funciile PACF au expresii complicate, dar conin, n general, funcii exponeniale descresctoare. Se arat c PACF a unui proces MA descrete la zero, n progresie geometric dac polinomul ( L) are rdcini reale, sau n alternan, dac polinomul are rdcini complexe. Dac se dispune de o selecie de valori ale lui y t , se pot gsi estimatori consisteni i nedeplasai ai autocovarianelor k i ai autocorelaiilor k .

Observaie. Pentru un proces AR(p) avem ACF infinit, n timp ce PACF devine zero dup lag-ul p. Pentru un proces MA(q), ACF devine zero dup lag-ul q, n timp ce PACF descrete asimptotic ctre zero. Procesul de medie mobil de ordin infint, MA( ), poate fi scris ca y t =

j =0

t j .

Pentru a pstra flexibilitatea n notaii, vom folosi pentru coeficienii dintr-un proces MA( ) i pentru coeficienii dintr-un proces MA de ordin finit. Se poate arta c acesta este un proces cu covarian staionar dac

2j < . De multe ori este mai convenabil condiia


j =0

|
j =0

|< , care nseamn c

irul coeficienilor este absolut sumabil. 4. Modele autoregresive ( Auto Regressive - AR) Modelele autoregresive sunt modele de regresie n care este explicat o variabil prin trecutul su. Valoarea curent y t este exprimat ca un agregat finit, liniar al valorilor sale din trecut i un oc aleator t . 4.1. Modelul autoregresiv de ordinul unu, AR(1). y t = y t 1 + t , t = 2,3, K , n .

Variabilele t sunt independente i identic distribuite (iid), E ( t ) = 0 i E t2 = 2 < . n terminologia seriilor cronologice, un astfel de proces autoregresiv, cu o singur ntrziere exprimat, este numit proces AR(1). n descompunerea lui y t , termenul ntrziat y t 1 este partea memorizat iar termenul t este inovaia. Este important de menionat c y t depinde de tot trecutul su, dar memoria ansamblului trecutului este transmis n totalitate prin observaia precedent y t 1 . Deoarece o observaie nu depinde de trecut dect prin intermediul observaiei precedente, se poate arta c, n acest model, toi coeficienii de autocorelaie parial de ordin k > 1 sunt nuli. Dup substituii succesive gsim c yt = t + t 1 + 2 t 2 + L =

( )


k k =0

t k

. Aceast serie converge dac

| |< 1 . Proprietile lui y t depind de . Un proces AR(1) este staionar dac | |< 1 i nestaionar dac = 1 . Se pot calcula momentele lui y t folosind sumele infinite.
Media este: E ( y t ) =

k E ( t k ) = 0 , iar Variana este Var ( yt ) = 2kVar ( t k ) =


k =0 k =0

2 . 1 2

Folosim operatorul de ntrziere L pentru a scrie polinomul autoregresiv al lui y t : ( L) = (1 L) . Modelul AR(1) poate fi scris ca yt yt 1 = t sau (1 L) yt = t . Rezult de aici

yt = (1 L) 1 t = (1 + L + 2 L2 + L) t = t + t 1 + 2 t 2 + L = k t k
k =0

Aceasta este o reprezentare a procesului prin filtru liniar, cu k = . Deorece ultima serie converge cnd
k

| |< 1 , aceasta este condiia de staionaritate a procesului. Un proces AR(1) este totdeauna inversabil cnd parametrul modelului ndeplinete condiia | |< 1 . Spunem c rdcina polinomului este 1 / deoarece ( z ) = 0 cnd z = 1 / . Un proces AR(1) este staionar dac rdcina polinomului caracteristic ( z ) = (1 z ) este mai mare dect 1, n modul. Aceast condiie este echivalent cu condiia | |< 1 .

2 Variana procesului AR(1) este dat de egalitatea Var ( y t ) = D ( y t ) = . 1 2


5

Pentru a arta acest lucru, n relaia y t = y t 1 + t aplicm operatorul de dispersie i obinem mai nti

Var ( y t ) = Var ( y t 1 ) + Var ( t ) = 2Var ( y t ) + 2 iar apoi (1 2 )Var ( y t ) = 2 .


Funcia de autocorelaie pentru un proces AR(1) se determin astfel: nmulim relaia y t y t 1 = t cu y t k i apoi aplicm operatorul de medie.

yt y t k y t 1 y t k = t y t k E ( y t y t k ) E ( y t 1 y t k ) = E ( t y t k )

k k 1 = E ( t y t k )
Pentru k = 0 obinem:

E ( t y t ) = E ( t ( t + t 1 + 2 t 2 + L)) = E ( t2 ) = 2 . Pentru k > 0 obinem: E ( t y t k ) = E ( t ( t k + t k 1 + 2 t k 2 + L)) = 0 .


Rezult c avem:

0 1 = 2 = 0 1 k k 1 = 0 pentru k = 1,2,K
Pentru k = 1 obinem 1 = 0 i nlocuim n penultima ecuaie. Rezult 0 = Avem k = k 1 , iar prin mpritea la 0 rezult

2 . 1 2

k = k 1 = 2 k 2 = L = k , k .
Funcia de autocorelaie a unui proces AR(1) slab staionar ncepe de la 1 i se diminueaz n progresie geometric, cu rata . Valoarea lui y t depinde de valorile din trecut i intensitatea acestei dependene scade cu timpul. n consecin, un oc ntr-un proces AR(1) afecteaz toate observaiile viitoare cu un efect descresctor. Corelograma va arta o descretere exponenial cu valori pozitive dac este pozitiv i cu oscilaii negativ-pozitiv dac este negativ. Dac este pozitiv, valorile adiacente sunt pozitiv corelate, iar dac este negativ, valorile adiacente sunt negativ corelate. Ambele descreteri sunt lente dac valoarea lui este apropiat de 1 sau de -1. Cu ct este mai mare cu att este mai puternic corelaia din proces. n PACF exist un punct de oprire la primul lag. Obs: Dac exist un termen constant , n model, se modific doar valoarea medie.

yt = + y t 1 + t Obs: Situaia | |> 1 (comportamentul exploziv) este rareori considerat n economie.


4.2. Modelul autoregresiv de ordinul p, AR(p) Un proces staionar este un proces autoregresiv (AR) de ordinul p dac exist un proces al erorilor zgomot alb astfel nct s avem: yt = 1 y t 1 + 2 y t 2 + L + p y t p + t , t ~ WN (0, 2 ) . Folosind operatorul lag ( L) = 1 1 L 2 L2 L p L p aceast relaie se poate scrie sub forma

( L) y t = y t 1 y t 1 2 y t 2 L p y t p = t sau ( L) y t = t .
Modelul ( L) y t = t conine p + 2 parametri necunoscui y , 1 , 2 , K , p , 2 , care n practic vor fi estimai din date. Se definete polinomul caracteristic ataat unui proces AR(p) prin relaia:

P( z ) = z p 1 z p 1 2 z p 2 L p .
ntre polinomul caracteristic al procesului i polinomul lag utilizat pentru definirea procesului exist relaia: P ( z ) = z p (1 / z ) . n general, polinomul autoregresiv ( L) este inversabil dac rdcinile z, ale ecuaiei

( z ) = 1 1 z 2 z 2 L p z p = 0 sunt mai mari dect unu n valoare absolut, adic au modulul | z |> 1 . Un proces AR(p) este staionar dac i numai dac polinomul autoregresiv ( L) este inversabil.
Comparnd cu polinomul (1) p ( p 1 p 1 2 p 2 L p ) = 0 este logic c toate rdcinile z ar trebui s se gseasc n afara cercului unitate deoarece ele sunt inversele valorilor proprii corespunztoare , sau z = 1 / . Condiia de staionaritate: Procesul AR(p) este staionar dac toate rdcinile polinomului caracteristic sunt situate n interiorul cercului unitate. Procesul este inversabil dac toate rdcinile polinomului autoregresiv ( z ) sunt situate n afara cercului unitate. Observaie. Dac este rdcin a ecuaiei caracteristice ( z ) = 1 1 z 2 z 2 L p z p = 0 , unde puterile cresctoare ale lui z sunt asociate cu indici cresctori ai coeficienilor, atunci 1 / este o rdcin a ecuaiei P ( z ) = z p 1 z p 1 2 z p 2 L p = 0 , care are puterile lui z descresctoare. Calcularea autocorelaiilor unui proces AR(p) nmulim ecuaia yt 1 y t 1 2 y t 2 L p y t p = t prin y t k , dup care aplicm operatorul de medie i mprim prin variana 0 , a lui y t . Rezult urmtoarele relaii:

yt y t k 1 y t 1 y t k 2 yt 2 y t k L p yt p y t k = t y t k E ( y t y t k ) 1 E ( y t 1 y t k ) L p E ( y t p yt k ) = E ( t y t k ) E ( y t yt k ) E ( y t 1 y t k ) E ( yt p yt k ) E ( t y t k )

Lp

Deoarece E ( t y t k ) = E ( y t ) = 0 pentru toi t i k > 0 , obinem sistemul de ecuaii Yule-Walker:

k 1 k 1 2 k 2 L p k p = 0 pentru k > 0 .
1 + 1 2 + L + p 1 p = 1 11 + 2 + L + p 2 p = 2 Rezult: M + + L + = p2 2 p p p 1 1
Funciile ACF i PACF pot fi obinute rezolvnd sistemul de ecuaii Yule-Walker. Aceste ecuaii exprim coeficienii de autocorelaie k sub forma unor funcii de coeficienii autoregresivi i . Definim matricea coeficienilor liniari de autocorelaie prin R ( p ) , vectorul parametrilor modelului prin i vectorul coeficienilor de autocorelaie prin . Sistemul de ecuaii Yule-Walker poate fi scris n form matriceal ca R ( p ) = . Parametrii modelului vor fi estimai prin relaia: = R 1 ( p ) . Se observ c parametrii modelului pot fi estimai n funcie de primii p coeficieni de autocorelaie. Componenta k din vectorul , al parametrilor modelului, este notat prin kk i reprezint coeficientul de autocorelaie parial de ordinul k. Se poate afla coeficientul kk aplicnd regula lui Cramer:

kk = kk =

| R ( p) | , unde R ( p ) este matricea R ( p ) cu ultima coloan nlocuit prin vectorul . | R( p ) |

Din definiia lui kk rezult funciile de autocorelaie parial ale proceselor AR. PACF a procesului AR(1) este: 11 = 1 = i kk = 0 pentru k > 1 .

2 12 0 i kk = 0 pentru k > 2 . PACF a procesului AR(2) este: 11 = 1 , 22 = 1 12 PACF a procesului AR(p) este: 11 = 1 , 22 0 , ..., pp 0 i kk = 0 pentru k > p .
Coeficienii de autocorelaie parial, de ordin mai mare dect ordinul procesului autoregresiv n cauz, sunt zero. Reinem c un proces autoregresiv poate fi descris prin dou funcii: i) o funcie ACF infinit, reprezentat sau printr-o combinaie de exponeniale sau de funcii sinusoidale, care descresc la zero. ACF descrete la zero exponenial cnd rdcinile polinomului ( L) = 0 sunt reale i descrete cu fluctuaii cnd acestea sunt complexe. ii) o funcie PACF care ia valoarea zero pentru lag-uri mai mari dect ordinul procesului, adic kk = 0, k > p . 4.3. Modelul autoregresiv de ordinul 2, AR(2) Modelul AR(2) poate fi scris n mai multe moduri echivalente:

yt = 1 y t 1 + 2 y t 2 + t yt 1 y t 1 2 y t 2 = t (1 1 L 2 L2 ) y t = t ( L) y t = t , unde ( L) = (1 1 L 2 L2 ) este polinomul autoregresiv al procesului AR(2).


Cerine: 1)S se determine relaia dintre parametrii modelului astfel nct procesul s fie staionar. 2)S se calculeze media i variana procesului AR(2). 3)S se determine ACF i PACF pentru un proces AR(2). 4)S se scrie i s se rezolve sistemul de ecuaii Yule-Walker. Procesul AR(2) este staionar iar polinomul ( L) = (1 1 L 2 L2 ) este inversabil dac rdcinile ecuaiei ( z ) = (1 1 z 2 z 2 ) = (1 1 z )(1 2 z ) = 0 se afl n afara cercului unitate, adic z1 > 1 i

z 2 > 1 sau echivalent, rdcinile ecuaiei P ( ) = 2 1 2 = 0 se afl n interiorul cercului

unitate, adic 1 < 1 i 2 < 1 . Pentru ca ultimele dou condiii s fie ndeplinite trebuie ca cei doi parametri ai modelului s satisfac urmtoarele condiii: 1 + 2 < 1 , 2 1 < 1 i | 2 |< 1 . Dac rdcinile ecuaiei caracteristice sunt reale, ele se obin prin relaiile: 1, 2 =

1 12 + 4 2
2

Dac rdcinile ecuaiei caracteristice sunt numere complexe conjugate, ele se obin prin relaiile:

1 = a + bi , 2 = a bi , a = 1 / 2 , b = ( 12 4 2 ) / 2 , deci 1, 2 = (1 i 12 4 2 ) / 2 .
Calcularea autocorelaiilor unui proces AR(2) nmulim ecuaia y t 1 y t 1 2 y t 2 = t prin y t k , dup care aplicm operatorul de medie i mprim prin variana 0 , a lui y t . Rezult urmtoarele relaii:

y t y t k 1 y t 1 y t k 2 y t 2 y t k = t y t k E ( y t y t k ) 1 E ( y t 1 y t k ) 2 E ( y t 2 y t k ) = E ( t y t k )

E ( y t yt k )

0 2 Pentru k = 0 obinem: E ( t y t ) = . Avem 0 1 1 2 2 = 2 0 (1 1 1 2 2 ) = 2 . Pentru k > 0 obinem: E ( t y t k ) = 0 . Deoarece E ( t y t k ) = E ( y t ) = 0 pentru toi t i k > 0 , obinem ecuaiile Yule-Walker: k 1 k 1 2 k 2 = 0 sau k = 1 k 1 + 2 k 2 pentru k > 0 .
Determinarea funciei ACF a unui model AR(2):

E ( y t 1 y t k )

E ( yt 2 yt k )

E ( t yt k )

k = 1 1 1 0 2 1 = 0 1 (1 2 ) = 1 1 =

1 1 2 2 k = 2 2 1 1 2 0 = 0 2 = 1 1 + 2 2 = 1 + 2 1 2 k > 2 k = 1 k 1 + 2 k 2 .

Modul n care se comport funcia ACF pentru diferite valori ale coeficienilor 1 i 2 , ai modelului AR(2), poate fi studiat prin observarea soluiei ecuaiei k 1 k 1 2 k 2 = 0 , pentru k=1,2,..., adic
k k = A11 + A2 k 2 , k=0,1,2,..., unde A1 i A2 sunt constante care se pot determina din condiiile iniiale 0 = 1 i 1 = 1 . Dac rdcinile 1 i 2 sunt egale, adic 1 = 2 = , atunci k = ( A1 + A2 k )k , k=0,1,2,....

Dac rdcinile sunt numere complexe conjugate, ACF va fi o funcie sinusoidal descresctoare. Determinarea funciei PACF a unui model AR(2): Scriem ecuaiile Yule-Walker:

1 = 1 + 1 2 1 + 1 2 = 1 sau sub forma 2 = 11 + 2 11 + 2 = 2

Coeficienii de autocorelaie parial sunt:

11 = 1 , 22 =

1
1

1 2 2 12 = 0 , kk = 0 pentru k > 2 . 1 1 12
1

PACF pentru un proces de medie mobil Modelul de medie mobil trebuie gndit ca fiind transformat ntr-un model AR pentru a vedea dac y t i

y t k , k = 1,2,... sunt n legtur direct. De fapt, dac un proces MA(q) este inversabil, atunci el poate fi
exprimat ca un proces AR(), adic y t = 1 y t 1 + 2 y t 2 + 3 y t 3 + L + t .
2 q Este necesar ca toate rdcinile ecuaiei ( z ) = 1 + 1 z + 2 z + L + q z = 0 s fie mai mari dect 1, n

valoare absolut. Condiia de inversabilitate este matematic aceeai cu condiia de staionaritate, fiind diferit n sensul c prima se refer la procesele MA iar a doua se refer la procesele AR. Reprezentarea y t = 1 y t 1 + 2 y t 2 + 3 y t 3 + L + t arat c, pentru un model MA, exist o legtur direct ntre valoarea curent a lui y i toate valorile sale anterioare. Astfel, pentru un model MA(q), PACF mai curnd va descrete geometric, dect s scad la 0 dup q lag-uri, aa cum se ntmpl cu ACF. Se poate arta c ACF pentru un model AR are aceeai form cu PACF pentru un model MA i c ACF pentru un model MA are aceeai form cu PACF pentru un model AR.