Sunteți pe pagina 1din 14

1

5. Modelele pentru analiza seriilor de timp nestaionare



5.1. Serii nestaionare. Trenduri.
Modelele ARMA sunt bazate pe presupunerea de staionaritate, adic media i variana procesului de
baz sunt constante i autocovarianele depind numai de decalajul de timp. Un proces este nestaionar
dac nu verific una sau mai multe din cerinele din definiia procesului staionar. De regul, seriile de
timp din economie i afaceri sunt nestaionare. Ele prezint niveluri care se schimb n timp. 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.
n economie majoritatea seriilor sunt nestaionare, media respectiv variana acestora nefiind constant
n timp.
5.2. Nestaionaritatea n varian
Cnd o serie de timp este nestaionar n varian este necesar o transformare pentru stabilizarea
varianei. Este uzual ca variana unui proces nestaionar s se schimbe atunci cnd se schimb
nivelurile sale. Presupunem c variana procesului este:
) ( ) (
t t
kf y V = ,
pentru o anumit constant pozitiv k i o anumit funcie cunoscut f. Obiectivul este de a gsi o
funcie h, astfel nct seria transformat ) (
t
y h s aib o varian constant. Dezvoltnd ) (
t
y h n serie
Taylor n jurul lui
t
:
) ( ) ( ) ( ) (
t t t t t
h y h y h + , unde ) (
t
h este derivata lui ) (
t
y h evaluat n
t
.
Variana lui ) (
t
y h poate fi aproximat ca:
)] ( ) ( ) ( [ )] ( [
t t t t t
h y h V y h V + ) ( )] ( [ ) ( )] ( [
2 2
t t t t
kf h y V h =
Transformarea ) (
t
y h trebuie aleas astfel nct ) ( / 1 ) (
t t
f h = .
De exemplu, dac abaterea standard a seriei
t
y este proporional cu nivelul su, atunci
2
) (
t t
f = i
transformarea ) (
t
h trebuie s satisfac
t t
h / 1 ) ( = . Aceasta implic ) ln( ) (
t t
h = . Deci,
transformarea logaritmic a seriei va conduce la obinerea unei variane constante.
Dac variana seriei
t
y este proporional cu nivelul su, astfel nct
t t
f = ) ( , atunci transformarea
t
y va da o varian constant.
O transformare mai general, folosit atunci cnd dispersia datelor variaz cu timpul este tansformarea
putere introdus de Box i Cox: 0 , / ) 1 ( ) ( =

t t
y y i 0 , log ) ( = =
t t
y y .
n mod frecvent, tansformarea Box-Cox nu numai c stabilizeaz variana dar mbuntete
aproximarea distribuiei printr-o distribuie normal.
n caz c este necesar o transformare pentru stabilizarea varianei, aceata trebuie realizat naintea
altei analize, precum diferenierea.

5.3. Nestaionaritatea n medie
Pentru o serie de timp staionar media este constant, abaterile de la medie n orice direcie sunt egal
probabile i seria revine la medie n mod frecvent.
2

O caracteristic dominant a multor serii de timp din economie este trendul. Trendul este evoluia pe
termen lung a variabilei. O serie de timp cu trend nu arat o tendin de revenire la media sa.
Exist diferite tipuri de modele foarte utile n modelarea seriilor de timp nestaionare n medie, n
funcie de tipul de trend.

Cauze posibile ale nestaionaritii unei serii de timp:
Trendul determinist (de ex. creterea liniar sau exponenial)
Ciclul determinist (de ex. efectele sezoniere)
Seria de timp este integrat (ca opusul unei serii difereniate)
Seriile cronologice economice prezint diferite caracteristici. Pentru a le analiza ncepem prin
reprezentarea grafic a valorilor observate n funcie de timp. Graficul ne permite s observm
dependena dintre observaii, trendul (tendina seriei pe termen lung), sezonalitile, ciclurile pe
perioade mai mari de un an, heteroscedasticitatea condiionat sau schimbrile structurale.


Seria prezint Trend Model de sezonalitate


Exist Trend + Sezonalitate

5.3.1. Modelarea Trendului determinist
Schimbarea n medie a unui proces nestaionar sau trendul, poate fi reprezentat ca o funcie
determinist de timp. Modelele pentru determinarea trendului liniar implic faptul c seria tinde s
evolueze ntr-un mod predictibil. Din acest motiv sunt numite i modele de trend determinist.

- Modelarea Trendului liniar. Eliminarea trendului folosind MCMMP
Funcia de medie a unui proces nestaionar ar putea fi reprezentat ca un trend determinist de timp. n
acest caz putem folosi un model de regresie standard.
Dac funcia de medie
t
urmeaz un trend liniar, bt a
t
+ = , se poate folosi modelul liniar
t t
bt a y + + =
Parametrul a este valoarea trendului la momentul 0 = t i b este panta. Dac panta b este pozitiv,
trendul este cresctor iar dac este negativ trendul este descresctor. Cu ct este mai mare valoarea lui
b , cu att panta este mai abrupt.
Ca exemplu, acest model de regresie liniar simpl este capabil s reprezinte comportamentul cresctor
al seriei PIB.
n Eviews, comanda time=@trend(K) creaz un trend de timp egal cu 0 n observaia K.

3

- Modelarea Trendurilor polinomiale
Uneori trendul apare neliniar sau curbat, ca n cazul unei variabile ce prezint o rat de cretere sau
descretere. n fapt, nu se cere ca trendurile s fie liniare ci s fie netede. Pentru o funcie de medie
ptratic,
2
2 1
t b t b a
t
+ + = , se poate folosi modelul
t t
t b t b a y + + + =
2
2 1

Mai general, dac trendul determinist poate fi descris ca un polinom de ordin k n raport cu timpul,
putem folosi modelul
t
k
k t
t b t b t b a y + + + + + = L
2
2 1
.
Putem aproxima multe serii de date cu ajutorul polinoamelor, dar nu ne vom atepta la prognoze bune.


Fig.1a. Exemplu de trend liniar Fig.1b. Exemplu de trend exponenial

- Modelarea Trendului reprezentat prin alte funcii de timp
Funciile Cosinus i Sinus reprezint cicluri fixate
Uneori trendul determinist poate fi descris ca printr-o sum finit de funcii sinus i cosinus.
(Dac se observ oscilaii periodice, exist probabilitatea unei dependene sezoniere n date,
manifestat ca un efect ciclic. Componenta de sezonalitate ar trebui eliminat din date nainte de a
specifica un model pentru acestea.)
- Modelarea Trendului exponenial (neliniar n niveluri dar liniar n logs)
Dac trendul este caracterizat printr-o cretere constant de rat b , scriem modelele:
) exp(
t t
bt a y + + =
t t
bt a y + + = ) ln(
Aceast situaie, n care trendul apare neliniar n niveluri dar liniar n logs este numit trend exponenial
sau log-liniar i este des ntlnit deoarece multe variabile din economie prezint rate de cretere
aproximativ constante.
-Modelarea prin Funcia Logistic (curbe n form de S) Pentru vnzrile de produse noi
)} exp( 1 /{
t t
bt a L y + + + =
t t t
bt a y y L + + = ) / ) ln((
L reprezint limita superioar (asimptota) pentru vnzri. Se pot face mai multe ncercri pentru
diferite valori pentru a vedea care este cea mai bun aproximare.

-Alte tipuri de transformri care induc staionaritate n date
---valoare per capita (mprim prin populaie (dac este cresctoare))
---valoare real (mprim prin indicele preurilor (de ex.IPC))
---cota de pia (mprim prin vnzrile din industrie)

4


Fig.2a. Exemplu de trend polinomial Fig.2b. Exemplu de curb n form de S

5.3.2. Modelarea Trendului stochastic
Nestaionaritatea n medie poate fi tratat folosind clasa de modele ARMA(p,q).
Un model ARMA este nestaionar dac polinomul su AR nu satisface condiia de staionaritate, adic
rdcinile lui nu sunt toate mai mari dect 1 n valoare absolut.
Multe serii din economie au un comportament asemntor, cu excepia diferenei din nivelurile medii.
Dac dorim s modelm evoluia unei serii independent de nivelul su, folosind clasa de modele
ARMA, polinomul AR ar trebui s satisfac relaia:
t t
L y L ) ( ) )( ( = , adic 0 ) ( = L 0 ) 1 ( = , astfel nct polinomul ) (L poate fi
factorizat ca ) 1 )( ( ) ( L L L =

.
Aplicm aceast descompunere modelului ARMA general i obinem
t t
L y L L ) ( ) 1 )( ( =

sau
t t
L y L ) ( ) ( =

, unde ) (L

este un polinom de ordin 1 p i ) 1 ( L = .


Dac ) (L

este un polinom AR staionar spunem c


t
y are o rdcin autoregresiv unitar.
Atunci cnd polinomul AR nestaionar prezint mai mult dect o rdcin unitar, spre exemplu d
rdcini, acesta poate fi descompus ca:
d
L L L ) 1 )( ( ) ( =

.
Aplicnd acum aceast descompunere modelului ARMA general obinem
t t
d
L y L ) ( ) ( =

, pentru 0 > d . Aici ) (L

este un polinom AR de ordin d p .


Pe scurt, dac folosim modele ARMA pentru serii nestaionare, nestaionaritatea determin prezena
unor rdcini unitare n polinomul AR. Cu alte cuvinte, seria
t
y este nestaionar dar seria diferenelor
t
d
y L) 1 ( , pentru 1 d , urmeaz un model ARMA(p-d,q) staionar i inversabil. Un proces
t
y cu
aceste caracteristici este numit proces integrat de ordin d i este notat ) ( ~ d I y
t
. n practic, cele mai
multe serii din economie sunt procese I(0) i I(1).
Box i Jenkins au numit staionaritate omogen acest mod de comportament, care este independent de
nivelul seriei.
n general, dac seria
t
y este I(d), ea poate fi reprezentat prin urmtorul model:
t q t
d
p
L y L L ) ( ) 1 )( ( + = unde operatorul staionar ) (L
p
i operatorul inversabil ) (L
q
nu
au factori comuni.
Pentru a aprofunda acest comportament de nestaionaritate ntlnit n procesele integrate, putem studia
n detaliu dou din cele mai simple modele ARIMA: mersul aleator i mersul aleator cu tendin.
a) Relaia de Difereniere i eliminarea trendului
Folosim diferenierea dac SACF descrete lent.
Dac exist un trend liniar, de exemplu
t t
bt a y + + = , atunci obinem:
5

1 1 1
] ) 1 ( [ ] [

+ = + + + + =
t t t t t t
b t b a bt a y y
Not: Diferenierea realizeaz 2 lucruri:
1) Pune coeficientul AR s fie =1, deci nu mai trebuie s-l estimm.
2) Constanta din modelul cu diferene este echivalent cu coeficientul de trend din modelul cu niveluri.
Dac seria
t
y este I(d), difereniind
t
y de d ori, vom obine o serie staionar.
Mersul aleator cu tendin (Random Walk cu drift):
Seria de timp
t
y este un proces RW cu drift dac:
t t t
b y y + + =
1

t t t
b y y + + =
1
= = + + + =

K
t t t
b y
1 2
2
t t
bt y + + + + + +
1 2 1 0
L
Procesul este suma dintre valoarea iniial
0
y , bt i suma tuturor ocurilor de la momentul 1 pn la
momentul t . Astfel, valoarea iniial
0
y joac rolul constantei a din modelul de trend, dar erorile
aleatoare urmeaz un proces RW.
b) Selectarea lui d
Presupunem c am eliminat trendurile i ciclurile din date. Dac graficul acestei serii i SACF indic
nestaionaritate, deducem c seria este o realizare a unui proces integrat i trebuie difereniat pn se
obine o serie staionar. Se tie c SACF scade rapid la zero pentru un model ARMA staionar. Dac
SACF scade lent la zero, seria trebuie difereniat.

5.4. Modelele ARIMA i construirea lor prin metodologia Box-Jenkins

5.4.1. Prezentare de ansamblu
Box i Jenkins(1970) au propus o metodologie pentru previzionarea unei variabile doar pe baza valorii
prezente i a valorilor din trecul ale acelei variabilei ) ,..., , (
2 1 n
y y y .
1. Cum modelm o serie nestaionar, i ce fel de model putem folosi pentru a descrie
comportamentul unei serii staionare? Cum gsim un model ARIMA(p,d,q) potrivit pentru
datele observate? Vom presupune c trendurile i abaterile sezoniere au fost eliminate din date.
2. Cum folosim modelul ajustat/estimat pentru a realiza prognoze?
Modelele de tip ARMA pot s aproximeze cele mai multe procese staionare. Pentru c n economie
sunt puine serii de timp staionare, sunt necesare modele care s fie capabile s reproduc
comportamentul nestaionar. Modelele ARMA au fost generalizate pentru serii nestationare care devin
staionare prin difereniere. Modelele rezultate au fost numite modele autoregresive de medie mobil
integrate ARIMA(p,d,q) unde d este ordinul de difereniere necesar pentru staionarizarea seriei.
Astfel de modele (modele ARMA integrate), se obin prin presupunerea c o serie cronologic poate fi
reprezentat, dup difereniere, printr-un model de tip ARMA.
La baza elaborrii unor astfel de modele stau urmatoarele considerente:
- Componenta AR surprinde mecanismele interne de generare ale procesului. Evoluia fenomenelor
economice se afl sub impulsul resurselor existente, a capacitilor deja create, a experienei acumulate,
a tradiiei i obinuinei (spre exemplu n consum). Variabilele economice au caracter inerial, n
principal n evoluia indicatorilor macroeconomici.
- Componenta MA este efectul unor evenimente nepredictibile asupra variabilei, efecte asimilate treptat
n timp. Componenta MA surprinde interventia unor schimbri brute, neateptate n rndul factorilor
exteriori corelai cu variabila (ex.greve, diverse tiri, schimbarea brusc a vremii-pentru variabile din
agricultur). De exemplu, efectul unei stiri neateptate, privind activitatea unei societi, va influena
cursul aciunilor sale la burs n urmtoarele sptmni. Termenul MA modeleaz asimilarea treptat a
ocurilor (abaterilor accidentale) din afara sistemului.
Aceste modele au fost introduse ntr-o perioad n care modelele econometrice clasice, n principal cele
macroeconomice cu mai multe ecuaii au condus frecvent la previziuni mai slabe decat metodele
6

simple univariante. Noile modele s-au bucurat de o larg popularitate datorit: flexibilitii modelelor,
fundamentrii matematice a modelelor i a calitii previziunilor generate. S-au obinut bune rezultate
i n previzionarea unor variabile cu o evoluie neregulat.

O serie de timp
t
y este un proces ARIMA(p,1,q) dac seria
t t t t
y L y y z ) 1 (
1
= =

, obinut prin
aplicarea operatorului de diferen urmeaz un model ARMA(p,q) staionar i inversabil.
Modele ARIMA(p,d,q) sunt folosite pentru a analiza dinamica seriilor de timp unidimensionale. Se tie
c p indic numrul de termeni autoregresivi, q indic numrul de termeni de medie mobil, iar d arat
de cte ori a fost difereniat seria pentru a deveni staionar. Valoarea 1 = d arat c modelul este
specificat pentru prima diferen a seriei originale. Valoarea 2 = d corespunde diferenelor de ordin
doi ale seriei originale.
Modelele ARIMA sunt utile pentru a reprezenta perturbaii n sisteme cu grad mare de inerie. Aceste
modele sunt foarte performante n a reprezenta serii de timp nestaionare omogene.
Multe serii de timp din economie sunt nestaionare, dar sunt integrate. Dac o serie de timp este ) (d I ,
dup diferenierea seriei de d ori se obine o serie staionar, adic ) 0 ( I . Aplicnd un model ARMA
acestei serii ) 0 ( I , spunem c seria de timp iniial este un proces ARIMA(p,d,q).
Metodologia Box-Jenkins are ca obiectiv identificarea i estimarea unui model statistic care poate fi
considerat c a generat datele de selecie. Acest model estimat va fi utilizat pentru prognoze i este
necesar presupunerea c are caracteristici constante n timp. Selectarea modelului ARIMA potrivit
pentru datele observate se realizeaz printr-o procedur iterativ (metodologia Box-Jenkins).
Metodologia dezvoltat de Box i Jenkins const n mai multe etape distincte:
Identificarea unui model ARIMA potrivit pentru datele observate. Se precizeaz valorile adecvate
pentru p, d i q.
Estimarea parametrilor modelului identificat (estimarea coeficientilor , , i ).
Evaluarea (testarea) validitii modelului. Dac modelul nu este valid atunci se respecific modelul
(alte valori plauzibile pentru p,d,q) i se reiau etapele anterioare.
Dac modelul identificat i estimat trece de etapa de evaluare (testare), el poate fi folosit pentru
previzionarea valorilor din viitorul apropiat al seriei.
n caz contrar, testele din etapa de evaluare ar trebui s indice cum ar trebui modificat modelul i ar
trebui repetate etapele anterioare.
Utilizarea modelului n generarea de peviziuni (dup ce a trecut testele de validare).

5.4.2. Selectarea unui model potrivit
a). Identificarea unui zgomot alb
Reamintim c ntr-un model de regresie liniar noi folosim graficul reziduurilor pentru a testa calitatea
potrivirii modelului, adic ipoteza ) , 0 ( ~
2
N
t
este ndeplinit.
Erorile aleatoare formeaz un proces zgomot alb cu media zero; erorile sunt necorelate i au variana
comun
2
. Pentru un proces zgomot alb, ACF(
k
) are 1 =
k
pentru 0 = k i 0 =
k
pentru
,... 2 , 1 = k , iar PACF(
kk
) are 0 =
kk
pentru ,... 2 , 1 = k .
ntrebare. Cum putem testa dac reziduurile de la un model de serie de timp arat ca o realizare a unui
proces de zgomot alb?
Ne vom uita la funciile SACF i SPACF ale reziduurilor. Din studierea SACF i SPACF, ne dm
seama c, chiar dac procesul de origine a fost zgomot alb, nu ne vom atepta c 0 =
k
r pentru
,... 2 , 1 = k i 0

=
kk
pentru ,... 2 , 1 = k deoarece
k
r este doar o estimare a lui
k
iar
kk

este doar o estimare a lui


kk
.
7

ntrebare. Ct de aproape de 0 ar trebui s fie
k
r i
kk

?
Dac modelul original este zgomot alb, atunci estimatorii
k
r i
kk

urmeaz o distribuie normal cu


media 0 i variana n / 1 , pentru orice numr ntreg pozitiv fixat, k. Rezult c SACF i SPACF satisfac:
) / 1 , 0 ( ~ n N r
k
i ) / 1 , 0 ( ~

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

se afl n afara intervalului ) / 2 ; / 2 ( n n + sau ) / 96 . 1 ; / 96 , 1 ( n n + ,


coeficienii pot fi interpretai ca fiind semnificativ diferii de 0, deci reziduurile nu provin dintr-un
proces zgomot alb (n general, se folosete 2 n loc de 1,96).
Dac 0 =
k
, putem spune, cu o probabilitate de ncredere de 95%, c
k
r se afl n acest interval.
Aceasta nseamn c o valoare din 20 se va afla n afara acestor limite, chiar dac modelul de zgomot
alb este corect. Rezult c, dac exist o singur valoare n afara acestor limite, nu trebuie considerat
semnificativ ( 0 ), dar dac exist 3 astfel de valoari n afara acestor limite, acestea ar putea fi
semnificative.
Observaie: Pentru etapa de identificare ne intereseaz mrimea coeficienilor de autocorelaie i nu
semnul acestora.
Testarea ipotezei c mai muli coeficieni de autocorelaie sunt zero
Pentru a testa ipoteza c mai muli coeficieni de autocorelaie sunt simultan nuli, se poate folosi
statistica
BP
Q (construit de Box i Pierce). Sub ipoteza nul, c toate valorile coeficienilor sunt 0,
statistica Box-Pierce are o distribuie
2
cu m grade de libertate, m fiind lungimea decalajului.
2
1
2
~ ) (
m
m
k
k BP
n m Q

=
= .
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

scad brusc astfel nct


0


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 intervalului


) / 96 , 1 ( n
Dac SPACF se anuleaz dup lag-ul p, este indicat un model AR(p).
Pentru a testa dac este potrivit un model AR(p), vom vedea dac estimarea
kk

are o valoare apropiat


de 0 pentru orice p k > . Dac datele provin dintr-un model AR(p), atunci pentru p k > ,
( ) n N
kk
/ 1 , 0 ~

i 95% din coeficienii


kk

ar trebui s fie n intervalul ) / 2 ; / 2 ( n n + .


Limitele de ncredere de pe corelograma SPACF se bazeaz pe acest lucru. Dac estimarea
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

poate fi interpretat ca variana erorii de prognoz pentru


o perioad n viitor.