Documente Academic
Documente Profesional
Documente Cultură
sau
t t
L y L ) ( ) ( =
, unde ) (L
=
kk
pentru ,... 2 , 1 = k deoarece
k
r este doar o estimare a lui
k
iar
kk
?
Dac modelul original este zgomot alb, atunci estimatorii
k
r i
kk
n N
kk
.
Aceste condiii sunt ndeplinite pentru seleciile de volum mare.
Testarea semnificaiei unui coeficient de autocorelaie
Intervalele de ncredere 95% (ale coeficienilor
k
i
kk
) sunt bazate pe abaterea standard n / 1 .
Dac valorile lui
k
r i
kk
=
= .
O alt statistic ce se poate utiliza este statistica Ljung-Box (calculat n EViews):
( )
2
1
2
~
2 ) ( ) (
m
m
k
k
k n
n n m LB m Q
=
|
|
\
|
+ = = .
n acest fel verificm dac m coeficieni de autocorelare a reziduurilor sunt prea mari pentru a semna
cu cei ce provin dintr-un proces de zgomot alb (care ar trebui s fie neglijabili).
Dac este respins ipoteza nul (c toate valorile coeficienilor sunt 0) va fi acceptat alternativa (cel
puin o valoare este 0 ).
Obiectivul identificrii este de a selecta o subclas a unei familii de modele ARIMA, potrivite pentru a
reprezenta o serie de timp, adic un proces economic evolutiv.
n etapa de identificare sunt analizate datele observate i toate informaiile disponibile care sunt
capabile s sugereze o subclas de modele ce pot descrie modul de generare a datelor.
Elementele de teorie economic pot sugera tipul de model potrivit pentru un anumit proces economic.
Astfel, procesele economice ineriale (consumul, inflaia, plata impozitelor) sau cele dependente de
propriile realizri anterioare (exportul, productivitatea, investiiile, producia din sectorul
zootehnic, calitatea produciei), se recomand a fi reprezentate de un model AR, ARI, ARMA sau
ARIMA.
Procesele economice care pot fi relativ uor influenate de ocuri exterioare, dar care permit msuri
compensatorii n timp (aprovizionarea, producia, cotaia la burs) se recomand a fi reprezentate de
un model MA sau care include o component MA.
Identificarea nseamn determinarea tipului de model i a ordinului modelului ce urmeaz a fi folosit
pentru a reproduce caracteristicile dinamice ale datelor. Pentru a determina cea mai bun specificare
8
sunt folosite reprezentri grafice ale datelor i ale funciilor ACF i PACF de selecie. Se analizeaz
funciile de autocorelaie i autocorelaie parial de selecie (SACF i SPACF).
Mai nti se examineaz seria de analizat, pentru a vedea dac ar fi putut fi generat de un proces
staionar. De regul, seriile de timp din economie nu sunt staioanare. O astfel de serie poate avea
urmtoarele caracteristici:
1. Seria prezint o medie care nu este constant n timp, dar variaiile sunt constante de la o perioad la
alta; seria urmeaz, de regul, o traiectorie liniar, cu panta pozitiv sau negativ. Se spune c este o
serie nestaionar de tip omogen.
2. Seria prezint variaii care nu sunt constante de la o perioad la alta. Se spune c este o serie
nestaionar de tip neomogen.
Folosim reprezentarea grafic a seriei pentru a vedea dac are varian staionar. Dac dispersia
datelor variaz cu timpul, seria este nestaionar. Se poate aplica datelor tansformarea Box-Cox.
Urmeaz analiza staionaritii n medie. Acest lucru se poate face examinnd graficul valorilor seriei,
examinnd corelogramele de selecie sau aplicnd un test pentru o rdcin unitar, precum testul
Dickey-Fuller. Autocorelaiile de selecie sunt estimaii consistente ale coeficienilor populaiei, aa
nct corelograma de selecie a unui proces staionar tinde la zero pentru lungimi de lag moderate. O
serie nestaionar are o SACF care nu descrete. O serie integrat are SACF ce descrete foarte ncet,
iar SPACF scade foarte repede, la lag-ul 2 = k i prima valoare este foarte apropiat de 1.
Dac seria arat un model de nestaionaritate, se staionarizeaz seria prin aplicarea unor transformri
potrivite. De exemplu, se logaritmeaz valorile iniiale ale seriei, apoi se difereniaz seria pn la
obinerea staionaritii. Lum seria diferenelor de ordinul nti i analizm dac este staionar, ntr-un
mod similar. Metodele grafice pot fi nsoite de teste de rdcin unitar. Acest proces de a efectua
diferenele va continua pn la obinerea unei serii staionare.
Dup obinerea unei serii staionare, se compar SACF i SPACF ale seriei staionare cu diferite
modele liniare teoretice ARMA, iar aceast comparaie poate sugera cteva modele plauzibile.
b). Identificarea unui model AR(p)
n cazul unui model AR(p) ACF este infinit iar PACF este finit.
Coeficienii de autocorelaie descresc spre 0 geometric sau n alternan, pe msur ce crete lag-ul k.
Coeficienii de autocorelaie parial descresc brusc la 0 dup un anumit numr de decalaje, astfel nct
0 =
kk
pentru p k > .
Rezult c, dac coeficienii
k
scad treptat spre 0 i coeficienii
kk
kk
, pentru p k > , se recomand un model AR(p). Deci p este cea mai mare valoare a lui k,
pentru care coeficienii de autocorelaie parial estimai,
kk
se afl
n afara acestor limite, acceptm ipoteza c
kk
este semnificativ.
c). Identificarea unui model MA(q)
n cazul unui model MA(q), PACF este infinit iar ACF este finit.
Coeficienii de autocorelaie scad brusc la 0 astfel nct 0 =
k
pentru q k > .
9
Coeficienii de autocorelaie parial descresc spre 0 exponenial sau cu fluctuaii. Rezult c, dac
coeficienii
k
scad brusc astfel nct 0
k
pentru q k > i coeficienii
kk
scad n progresie
geometric, se recomand un model MA(q).
Ordinul q, al unui proces MA(q), este valoarea maxim a lui k, pentru care coeficienii de
autocorelaie estimai,
k
, se afl n afara intervalului de ncredere 95%, deci sunt 0 .
Dac SACF scade brusc la 0 dup lag-ul q, este indicat un model MA(q).
Pentru a testa dac este potrivit un model MA(q), vom vedea dac
k
r are o valoare apropiat de 0
pentru orice q k > . Dac datele provin dintr-un model MA(q), atunci pentru q k > (deoarece primii
1 + q coeficieni sunt semnificativi), vom avea:
( )
|
\
|
+
=
q
i i k
n
N r
1
2
2 1
1
, 0 ~ i 95% din coeficienii
k
r ar trebui s fie n intervalul:
( ) ( )
|
|
\
|
+ + +
= =
q
i i
q
i i
n n
1
2
1
2
2 1
1
96 , 1 ; 2 1
1
96 , 1
Ne ateptm ca 1 din 20 valori s se afle n afara acestor limite. n practic,
i
este nlocuit de
i
r
Limitele de ncredere de pe corelograma SACF se bazeaz pe acest lucru. Dac
k
r se afl n afara
acestor limite, este considerat semnificativ diferit de zero. Putem concluziona c 0
k
. n caz
contrar,
k
r nu este semnificativ diferit de zero, de unde concluzia c 0 =
k
.
Pentru 0 = q , limitele pentru 1 = k sunt ) / 96 . 1 ; / 96 , 1 ( n n + , ca i pentru testarea de tip zgomot
alb. Coeficientul
1
r este comparat cu aceste limite.
Pentru 1 = q , limitele pentru 2 = k sunt ( ) ( )
|
|
\
|
+ + +
2 2
2 1
1
96 , 1 ; 2 1
1
96 , 1
i i
r
n
r
n
. Coeficientul
2
r este
comparat cu aceste limite.
d) Alegerea unui model mixt ARMA(p,q)
Pentru un model ARMA(p,q), att coeficienii de autocorelaie ct i coeficienii de autocorelaie
parial descresc spre 0 exponenial sau geometric. Ordinul p, al prii autoregresive din model, este dat
de coeficientul de autocorelaie parial care prezint un nivel semnificativ, iar ordinul q, al prii de
medie mobil din model, este dat de coeficientul de autocorelaie care prezint un nivel semnificativ.
La acest moment, folosirea unui model de tip ARMA(p,q) este doar la stadiul de intenie.
Dac nici SACF i nici SPACF nu scad brusc la 0, este indicat un model mixt, ncepnd cu
ARMA(1,1).
Observaie: Scderea coeficienilor de autocorelaie trebuie neleas n valoare absolut.
Descreterea coeficienilor de autocorelaie sau autocorelaie parial poate fi ntrerupt de valori mai
mari (n valoare absolut) n cazul n care datele prezint sezonalitate (de ex., n cazul datelor
trimestriale, se pot ntlni valori mari ale coeficienilor
4
sau
44
, comparativ cu valorile
coeficienilor
3
,
5
,
6
. Se recomand selectarea mai multor variante de modele, printre care i o
variant ARMA, pentru a fi estimate i verificate.
5.4.3. Estimarea parametrilor modelului
a) MCMMP (LS) i Metoda Verosimilitii Maxime (ML)
Dup ce sunt alese valorile pentru p i q se trece la estimarea coeficienilor i ai modelului.
10
Estimarea parametrilor unui model de tip AR(p) se face prin MCMMP, minimiznd suma ptratelor
reziduurilor sau prin ecuaiile Yule-Walker de selecie. MCMMP i Metoda Verosimilitii
Maxime(ML) sunt echivalente dac erorile aleatoare sunt presupuse normal distribuite.
Dac n model exist termeni de tip MA, minimizarea sumei ptratelor reziduurilor sau maximizarea
funciei de verosimilitate necesit metode de estimare neliniare (Newton, Davidson-Fletcher-Powell).
Parametrii unui model ARIMA(p,d,q), se pot estima consistent prin MCMMP sau prin metoda
verosimilitii maxime. Ambele procedee de estimare sunt bazate pe calculul inovaiilor
t
din valorile
variabilei staionare.
Estimarea diverselor variante de modele, care au fost sugerate de corelogram n etapa de identificare,
va fi realizat cu ajutorul unui program ARMA dintr-un pachet de programe (EViews, SAS, SPSS).
Vom atribui valori pentru p i q n diverse combinaii i vom obine estimaii ale coeficienilor
modelelor corespunztoare.
b) Metoda Momentelor (MM)
A calcula teoretic ACF sau ARMA(p,q): nseamn c
k
vor fi funcii de coeficienii i .
Facem
k k
r = i rezolvm n funcie de coeficienii i . Obinem estimatorii prin metoda
momentelor.
Exemplu: Presupunem c am ales un model MA(1):
1
+ =
t t t
y , ) 1 , 0 ( ~ N
t
.
Presupunem c am calculat 1
0
= i 25 , 0
1
= . Dorim s estimm coeficientul . Avem:
( )
2 2 2
2
0
1
1
1 1
+
=
+
= = , 25 , 0
0
1
1
= =
r 25 , 0
1
2
1 1
=
+
= =
r
Obinem =-0,286 sau =-3,732.
Reamintim: Procesul MA(1) este inversabil dac 1 | | < . Astfel, pentru =-0,286 modelul este
inversabil, dar pentru =-3,732 modelul nu este inversabil.
Dac presupunem 5 , 0
1
= , atunci 25 , 0
1
2
1 1
=
+
= =
r 0 ) 1 (
2
= + =-1, deci nicio
estimaie nu conduce la un model inversabil.
Observaie: Indiferent de metoda de estimare folosit, variana erorilor aleatoare ale modelului va fi
estimat doar dup estimarea coeficienilor i ai modelului.
Not: pentru n mare, va exista o mic diferen ntre estimatorii obinui prin LS, ML i prin metoda
momentelor.
5.4.4. Verificarea/Evaluarea corectitudinii modelului estimat.
Dup ce modelele ARMA selectate au fost estimate, dorim s ne asigurm c sunt potrivite. Pentru
aceasta se analizeaz att reziduurile ct i parametrii pentru fiecare model.
Presupunem c a fost estimat un model ARIMA i au fost obinute estimaiile pentru parametrii , ,
i . Trebuie s efectueze teste de evaluare bazate pe reziduuri.
n cazul n care modelul ARMA(p,q) estimat este o bun aproximare a procesului de serii de timp de
baz, atunci reziduurile vor fi o bun aproximare a unui proces de zgomot alb.
Testarea reziduurilor pentru a vedea dac reprezint un zgomot alb
- Studiem graficul reziduurilor obinute la estimarea modelului.
Deci, reziduurile obinute pentru modelul estimat sunt analizate pentru a stabili dac provin dintr-un
proces de zgomot alb. n caz afirmativ, tipul de model propus este o bun aproximaie pentru procesul
stochastic de baz. n caz contrar, procesul este reluat, metoda fiind una iterativ.
-Testarea autocorelrii reziduurilor. Studiem SACF i SPACF ale reziduurilor. ACF i PACF teoretice
ale procesului WN iau valoarea zero pentru lag-urile 0 k , aa c, dac modelul este potrivit, cei mai
muli din coeficienii funciilor SACF i SPACF ar trebui s fie apropiai de zero.
11
n practic, cerem ca 95% din aceti coeficieni s se afle n interiorul unor limite de nesemnificaie.
Statistica Ljung-Box ar trebui s aib valori mici, deoarece corespunde la variabile necorelate.
Un model care conduce la obinerea unor coeficieni de autocorelaie a reziduurilor semnificativi sau la
o statistic Q semnificativ la nivelul de semnificaie de 10%, trebuie eliminat.
Dac se observ c variana reziduurilor este cresctoare, rezult c este potrivit o transformare
logaritmic. Este foarte important ca reziduurile obinute prin estimarea unui model s fie serial
necorelate. Deci, orice model care nu produce reziduuri aleatoare ar trebui s nu fie luat n
considerare, ci eliminat.
Testarea normalitii reziduurilor (erorilor estimate). Testul Jarque-Bera (JB)
Testul Jarque-Bera este un test asimptotic, bazat pe reziduurile obinute n urma estimrii modelului
de regresie prin MCMMP. Acest test calculeaz mai nti coeficientul de asimetrie S i coeficientul de
boltire (aplatizare) K, pentru reziduurile obinute.
Distribuia Normal are S=0 i K=3. (K-3) este excesul de boltire.
Ipotezele de testat sunt:
H
0
: 0 = S i 3 = K (Reziduurile sunt distribuite normal)
H
1
: Reziduurile nu sunt distribuite normal
Statistica testului este
|
|
\
|
+ =
24
) 3 (
6
2 2
K S
n JB
Sub ipoteza nul, c reziduurile sunt normal distribuite, Jarque i Bera au artat c, pentru eantioane
mari, statistica JB urmeaz o distribuie Hi-ptrat cu dou grade de libertate (
2
2
).
Dac, ntr-o aplicaie, probabilitatea asociat statisticii calculate este suficient de mic ( < ) putem
respinge ipoteza nul, c reziduurile sunt normal distribuite.
Dac probabilitatea asociat statisticii calculate este mare ( > ), asimptotic, nu respingem ipoteza de
normalitate a reziduurilor.
Testarea parametrilor
Se pot aplica testele de semnificaie clasice t i F
Este important, de asemenea, s fie satisfcute condiiile de staionaritate i inversabilitate. Dac
factorizm polinoamele AR i MA i una din aceste rdcini este apropiat de 1, aceasta este un semn
de absen a staionaritii sau inversabilitii.
Departajarea ntre mai multe modele
Presupunnd c sunt estimai parametrii pentru mai multe modele identificate ca fiind ARIMA(p
i
,d,q
i
),
se pot utiliza dou tipuri de indicatori: ai calitii reziduurilor sau ai teoriei informaiei.
a) Indicatori ai calitii reziduurilor
Dintre modele estimate se alege modelul cu cea mai mic varian a reziduurilor, cu cea mai mare
valoare a lui
2
R i cu cea mai mare valoare a statisticii F.
b) Indicatori ai teoriei informaiei
Pentru fiecare din modelele estimate se calculeaz indicatorii AIC(criteriul Akaike) i BIC (criteriul
Schwarz): AIC
n
q p +
+ = 2 log
2
, BIC
n
n
q p
log
) ( log
2
+ + =
.
Se alege modelul cu cea mai mic valoare a indicatorului.
5.4.5. Efectuarea de prognoze cu ajutorul modelelor ARIMA.
Obiectivul principal urmrit prin construirea unui model ARMA este de a predicta sau prognoza
evoluia viitoare a unei variabile economice. Modelul selectat, pentru care s-a verificat corectitudinea,
poate fi utilizat pentru prognoz. Modelele ARIMA sunt destul de apreciate pentru succesul n a face
predicii. Prognozele obinute prin aceste modele sunt considerate mai bune, mai ales pe termen scurt,
dect cele obinute prin modelarea econometric tradiional, aplicat n cazul seriilor cronologice.
12
Prognozarea unei serii de timp const n ncercarea de a previziona valori viitoare ale seriei, innd
seama de valorile din trecut ale seriei i de valorile din trecut ale unui termen eroare. Se pot efectua
prognoze punctuale (se previzionaz o singur valoare a variabilei) sau prognoze pe interval (se
determin un domeniu de valori n care anticipm c se va afla valoarea viitoare a variabilei, pentru un
nivel de semnificaie dat).
Ipoteza cheie: Stationaritatea seriei
- regula de baz care guverneaz nu se schimb
- comportamentul viitor poate fi dedus pe baza trecutului
- avem suficiente observaii din trecut pentru a nelege procesul de baz.
Considerm c
t
y este un proces stochastic staionar cu media zero. Putem presupune c suntem la
momentul t i suntem interesai de a prognoza sau previziona valorile acestui proces pentru cteva
perioade din viitor, pe baza observaiilor din trecut. Istoria acestui proces este coninut ntr-o mulime
a informaiilor iar predicia va fi bazat pe aceast mulime de informaii. n practic, aceast mulime
este o mulime finit } ,..., , {
1 p t t t
y y y
, reprezentnd trecutul recent. Totui, n dezvoltarea teoriei
prediciei, este util a se considera o mulime a informaiilor infinit ,...} ,..., , {
1 p t t t t
y y y I
= ,
reprezentnd ntregul trecut. Vom nota predicia lui
h t
y
+
, care este fcut la momentul t, prin ) (h y
t
sau
h t
y
+
. Vom spune c t este originea, h este orizontul de timp iar ) (h y
t
este valoarea previzionat
pentru
h t
y
+
cu h perioade nainte. n general, predictorul ) (h y
t
( predictorul lui
h t
y
+
, construit la
timpul t), este o funcie de variabilele din mulimea
t
I .
Definim eroarea de previziune (de prognoz) a lui
h t
y
+
, diferena dintre valoarea real i cea
previzionat:
h t h t t h t
y y h y y
+ + +
= ) ( . Ne ateptm ca valoarea medie a acestei erori s fie:
0 ) ( ) | ) (( = = =
+ + + + + + h t h t h t h t t h t h t
y y y y E I y y E .
Variana erorii de prognoz este ) | ) ((
2
t h t h t
I y y E
+ +
. Acesta este necesar pentru previziunile pe
interval de ncredere, care sunt mai utile dect o estimare punctual.
Criteriul folosit n mod obinuit pentru a aprecia performana unui estimator sau predictor al unei
variabile aleatoare este minimizarea ptratului erorii medii condiionate, de prognoz, adic:
( )
t t h t
I h y y E | )) ( ( min
2
+
.
Vom folosi i una din notaiile: ) ( ) | ( ) (
h t t t h t t
y E I y E h y
+ +
= = .
) (h y
t
(sau
h t
y
+
) va fi calculat din ecuaia modelului, scris pentru
h t
y
+
, n felul urmtor:
-nlocuim toi parametrii necunoscui prin valorile lor estimate.
-nlocuim variabilele aleatoare
t
y y y ,..., ,
2 1
prin valorile lor observate.
-nlocuim variabilele aleatoare
1 2 1
,..., ,
+ + + h t t t
y y y prin valorile lor predictate:
1 2 1
,..., ,
+ + + h t t t
y y y
-nlocuim variabilele eroare
t
,..., ,
2 1
prin reziduuri
-nlocuim variabilele eroare
1 2 1
,..., ,
+ + + h t t t
prin 0 , adic media lor ateptat.
Notm cu
h t
f
,
o prognoz pentru o serie y, prognoz realizat folosind un model ARMA(p,q), la
momentul t, pentru h perioade n viitor.
Predicia cu ajutorul modelului MA(q)
Un proces MA(q) are o memorie doar de lungime q i aceasta limiteaz orizontul de prognoz.
De exemplu, presupunem c am estimat un model MA(3):
3 3 2 2 1 1
+ + + + =
t t t t t
y
13
Deoarece se presupune c parametrii sunt constani n timp, dac relaia anterioar are loc la timpul t,
ea va avea loc i la momentele ,... 2 , 1 + + t t . Vom putea scrie relaiile:
2 3 1 2 1 1 1 + +
+ + + + =
t t t t t
y
1 3 2 1 1 2 2 + + +
+ + + + =
t t t t t
y
t t t t t
y
3 1 2 2 1 3 3
+ + + + =
+ + + +
inem cont c toate informaiile pn la timpul t, inclusiv cele de la timpul t, sunt cunoscute i
disponibile. Realizarea de prognoze nseamn a considera mediile condiionate de informaiile
disponibile. Perturbaiile ,... ,
2 1 + + t t
nu sunt cunoscute la timpul t. Cea mai bun prognoz pentru
media condiionat a lui
1 + t
este zero, adic 0 ) | ( ) (
1 1
= =
+ + t t t t
I E E , datorit ipotezelor procesului
de zgomot alb. Vom obine:
2 3 1 2 1 2 3 1 2 1 1 1 1 ,
) ( ) (
+ +
+ + + = + + + + = =
t t t t t t t t t t
E y E f
1 3 2 1 3 2 1 1 2 2 2 ,
) ( ) (
+ + +
+ + = + + + + = =
t t t t t t t t t
E y E f
t t t t t t t t
E y E f
3 3 1 2 2 1 3 3 3 ,
) ( ) ( + = + + + + = =
+ + + +
= + + + + = =
+ + + + +
) ( ) (
1 3 2 2 3 1 4 4 4 , t t t t t t t
E y E f
4 ) ( , ) (
,
= =
+
h y E f
h t t h t
.
Deoarece procesul MA(3) are o memorie de numai 3 perioade, toate prediciile pentru 4 sau mai multe
perioade n viitor, se reduc la parametrul de interceptare din model. Dac n model nu exist constant,
aceste prognoze vor fi 0.
Am folosit faptul c:
>
= =
+
+ +
0 , 0
0 ,
) | ( ) (
j
j
I E E
j t
t j t j t t
Pentru 0 j avem valori cunoscute iar pentru 0 > j avem valori viitoare care au media 0.
Predicia cu ajutorul modelului AR(p)
Un proces AR are memorie infinit, spre deosebire de un proces MA(q) care are memorie de numai q
perioade. Considerm c a fost estimat un model AR(2):
t t t t
y y y + + + =
2 2 1 1
Vom apela, din nou, la presupunerea de stabilitate a parametrilor i vom putea scrie relaiile:
1 1 2 1 1 + +
+ + + =
t t t t
y y y
2 2 1 1 2 + + +
+ + + =
t t t t
y y y
3 1 2 2 1 3 + + + +
+ + + =
t t t t
y y y .
Obinerea prognozei pentru o perioad n viitor este simpl deoarece toate informaiile despre y sunt
cunoscute la timpul t. Aplicm operatorul de medie i considerm 0 ) | ( ) (
1 1
= =
+ + t t t t
I E E .
1 2 1 1 1 2 1 1 1 ,
) ( ) (
+ +
+ + = + + + = =
t t t t t t t t t
y y y y E y E f
Aplicm acelai raionament pentru a obine prognoza pentru dou perioade nainte:
t t t t t t t t t t t t t
y f y E y E y y E y E f
2 1 , 1 2 1 1 2 2 1 1 2 2 ,
) ( ) ( ) ( ) ( + + = + + = + + + = =
+ + + +
1 , 2 2 , 1 1 2 2 1 3 1 2 2 1 3 3 ,
) ( ) ( ) ( ) (
t t t t t t t t t t t t t
f f y E y E y y E y E f + + = + + = + + + = =
+ + + + + +
2 , 2 3 , 1 4 4 ,
) (
t t t t t
f f y E f + + = =
+
2 , 2 1 , 1 ,
) (
+
+ + = =
h t h t h t t h t
f f y E f
Predicia cu ajutorul unui model ARMA(2,2)
Considerm un model ARMA(2,2):
2 2 1 1 2 2 1 1
+ + + + =
t t t t t t
y y y
Dorim o predicie la momentul t, peste 2 perioade n viitor, deci pentru h=2.
14
La momentul 1 + t avem ecuaia:
1 2 1 1 1 2 1 1 + +
+ + + + =
t t t t t t
y y y
La momentul 2 + t avem ecuaia:
t t t t t t
y y y
2 1 1 2 2 1 1 2
+ + + + =
+ + + +
t t t t t t t
y y I y E y y
) | ( ) 2 (
2 2 1 1 2 2
+ + = = =
+ + +
Predicia cu ajutorul modelului ARMA(p,q)
Prognozele pot fi generate prin aa numita funcie de prognoz:
=
+
=
+ =
q
j
j h t j
p
i
i h t i h t
f f
1 1
, ,
,unde 0 ,
,
=
+
h y f
h t h t
, 0 , =
+ +
h
h t h t
i 0 , 0 > =
+
h
h t
.
Predicia folosind modele ARIMA(p,d,q)
Presupunem c seria
n
y y y , , ,
2 1
K urmeaz un model general ARIMA(p,d,q), model ce poate fi rescris
n funcie de valoarea curent i de valorile anterioare ale lui
t
:
t t t
d
t
L L L
L
L
y ) 1 ( ) (
) (
) (
2 2
2 1
L + + + = =
=
Valoarea viitoare
h n
y
+
este generat prin model astfel:
L + + + =
+ + + + 2 2 1 1 h n h n h n h n
y
Prognoza optimal a lui
h n
y
+
este media condiionat
h n n h n n
f I y E h y
,
) | ( ) ( = =
+
. Termenul de
prognoz optimal este folosit n sensul c minimizeaz eroarea ptratic medie (MSE). Dei media
condiionat poate s nu fie funcie liniar de valorile lui y, vom considera prognozele liniare pentru c
este mai simplu de lucrat cu acestea. n plus, dac procesul este normal, prognoza MSE minim
(MMSE) este liniar.
Prognoza optimal peste h perioade n viitor este:
= + + + = = =
+ + + +
) ( ) | ( ) (
2 2 1 1 ,
L
h n h n h n n n h n n h n
E I y E h y f L + + + =
+ + 2 2 1 1 n h n h n h
Eroarea de prognoz corespunztoare funciei de prognoz
h n
f
,
la originea n este o combinaie liniar
de ocuri viitoare care intr n sistem dup timpul de origine n:
1 1 2 2 1 1
) ( ) (
+ + + + +
+ + + + = =
n h h n h n h n n h n n
h y y h e L .
Deoarece 0 ] | ) ( [ =
n n
I h e E , prognoza ) (h y
n
este nedeplasat cu MSE:
) 1 ( )) ( ( )] ( [
2 2
1
2
h n n
h e Var h y MSE
+ + + = = L .
Dac procesul este normal, un interval de ncredere ) 1 ( va fi ] )) ( ( ) ( [
2 /
h e Var z h y
n n
. Pentru
1 = h avem
1 1
) 1 ( ) 1 (
+ +
= =
n n n n
y y e , deci
2