Documente Academic
Documente Profesional
Documente Cultură
Curs 12 Modele MA Si Modele AR 18dec2013 PDF
Curs 12 Modele MA Si Modele AR 18dec2013 PDF
1
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:
1 2
0 = 1 ; 1 = = = ; k = 0 , k > 1 .
0 (1 + )
2 2
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
ntmpl deoarece valoarea 1 = rmne neschimbat dac se nlocuiete prin 1 / . n acest
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.
2
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 .
1 + 1 2 2
0 = 1 , 1 = , 2 = i k = 0 pentru k > 2 .
1 + 1 + 2
2 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:
1 + 2 > 1 , 2 1 > 1 i | 2 |< 1 .
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 1 L 2 L 3 L L) y t = t . Ponderile j se calculeaz din identitatea
2 3
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 i
2
< .
j =0 j =0
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 +11 + L + q q k
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 .
4
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
j 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
j |< , care nseamn c
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
2
Pentru k = 1 obinem 1 = 0 i nlocuim n penultima ecuaie. Rezult 0 = .
1 2
Avem k = k 1 , iar prin mpritea la 0 rezult
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.
6
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.
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:
7
| R ( p) |
kk = kk = , 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
PACF a procesului AR(2) este: 11 = 1 , 22 = 0 i kk = 0 pentru k > 2 .
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 .
8
E ( y t yt k ) E ( y t 1 y t k ) E ( yt 2 yt k ) E ( t yt k )
1 2 = .
0 0 0 0
Pentru k = 0 obinem: E ( t y t ) = . Avem 0 1 1 2 2 = 2 0 (1 1 1 2 2 ) = 2 .
2
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.