12/20/2017

ANALIZA SERIILOR DE TIMP

Curs Statistica și Previziune Economică anul III

Curs 12
2016-2017

Modele AR. Identificarea ordinului modelului AR cu ajutorul pacf si acf.

Modele MA. Identificarea ordinului modelului AR cu ajutorul acf si pacf.
Modele ARMA. Identificarea ordinului modelului AR si MA cu ajutorul
pacf si acf.
Modele ARIMA
Metodologia Box & Jenkins

1
 12/20/2017

Modele AR
Modelul AR(p) fara ct.
Yt =φ1 Yt-1+ φ2Yt-2+ φ3Yt-3+…+ φpYt-p+εt φ(L)Yt=εt
unde:
- φ(L)=1-φ1L-φ2L2-φ3L3-…-φpLp
OBS: 1. Yt este un proces stationar daca pentru ecuatia caracteristica, φ(L)=0,
toate cele p solutii sunt in afara cercului unitate (|Li|>1, i=1,p).
2. Deoarece φ(L)=0, este un polinom finit el este inversabil, iar procesul
AR(p) este echivalent cu un proces infinit de tip MA(∞): Yt = φ(L)-1 εt . Pentu ca
acesta sa fie convergent trebuie sa aiba solutiile in afara cercului unitate (|L|>1)
- εt i.i.N.d. de medie zero => M(εt)= 0 si V(εt )=σε – ct.

OBS: Pentru modelul AR(p) cu constanta:

Yt =φ0+φ1Yt-1+φ2Yt-2+….+φpYt-p+εt => M(Yt)=φ0/(1-φ1-…-φp)
Pp. ca M(Yt)=0 in caz contrar efectuam transformarea
Yt-M(Yt)=Yt* si in continuare vom lucra cu variabila transformata M(Yt*)=0.

2
 12/20/2017

Identificarea ordinului modelului AR cu ajutorul

PACF si ACF
Functia pacf – Pentru un proces AR(p), coeficientii pacf sunt egali cu zero
(nu difera semnificativ de zero), pentru k>p. Valorile coeficientilor pacf sunt
reprezentate de coeficientii, φi, i=1,p, ai modelului AR(p).
Functia pacf este poate fi utilizata pentru identificarea ordinului unui
proces de tip AR.
Functia acf – Pentru un proces AR(p), coeficientii acf se amortizeaza
exponential sau armonic pe masura ce valorile lui k cresc. Aceasta face
imposibila diferentierea intre modele AR de ordine diferite.
Functia acf nu poate fi utilizata pentru identificarea ordinuluji unui proces
de tip AR.

Modele MA
MA(q) fara ct.
Yt = εt-θ1 εt-1- θ2 εt-2- θ3 εt-3-…-θq εt-q Yt = θ(L)εt
unde
- θ(L)=1-θ1L -θ2L2 -θ3L3-…-θqLq
OBS: 1. Yt este un proces stationar daca pentru ecuatia caracteristica, θ(L)=0,
toate cele p solutii sunt in afara cercului unitate (|Li|>1, i=1,p).
2. Deoarece θ(L)=0, este un polinom finit el este inversabil, iar procesul
MA(q) este echivalent cu un proces infinit de tip AR(∞): θ(L)-1Yt = εt . Pentu ca
acesta sa fie convergent trebuie sa aiba solutiile in afara cercului unitate (|Li|>1,
i=1,p)
- εt i.i.N.d. de medie zero => M(εt)= 0 si V(εt )=σε – ct.

3
 12/20/2017

OBS: Pentru modelul MA(q) cu constanta:

Yt =θ0- εt-θ1 εt-1-…-θq εt-q => M(Yt)=θ0-0-…-0

Identificarea ordinului modelului MA cu ajutorul ACF si PACF

Functia pacf (partial autocorelation function) – Pentru un proces MA(q),

coeficientii pacf se amortizeaza exponential sau armonic pe masura ce valorile lui
k cresc. Aceasta face imposibila diferentierea intre modele MA de ordine diferite.
Functia pacf nu poate fi utilizata pentru identificarea ordinului unui proces de
tip MA.
Functia acf (autocorelation function) – Pentru un proces MA(q), coeficientii acf
sunt egali cu zero, pentru k>q. Functia acf este poate fi utilizata pentru
identificarea ordinului unui proces de tip MA.

4
 12/20/2017

Modele ARMA
Modelul ARMA(p,q)
– p ordinul componentei AR si q ordinul componentei MA

Yt =φ1 Yt-1+…+ φpYt-p+ εt-θ1 εt-1- …-θq εt-q

φ(L)Yt= θ(L)εt  Yt= [θ(L)/φ(L)]εt

unde:
- φ(L)=1-φ1L-φ2L2-φ3L3-…-φpLp
- θ(L) =1-θ1L-θ2L2-θ3L3-…-θqLq
- εt i.i.N.d. de medie zero => M(εt)= 0 si V(εt )=σε – ct.

Identificarea ordinului modelului ARMA cu ajutorul ACF si PACF

Functia pacf (partial autocorelation function)

Pentru un proces ARMA(p,q), coeficientii pacf descresc brusc dupa
componenta de ordin p.
Functia pacf poate fi utilizata pentru identificarea ordinului procesului de
tip AR dintr-un model de tip ARMA(p,q).
Functia acf (autocorelation function)
Pentru un proces ARMA(p,q), coeficientii acf descresc brusc dupa
componenta de ordin q.
Functia acf este poate fi utilizata pentru identificarea ordinului unui proces
de tip MA dintr-un model de tip ARMA(p,q).

5
 12/20/2017

Modele ARIMA
Modelele de tip ARIMA(p,d,q) sunt modele ARMA cu variabila Yt
diferentiata de ordin d.
ΔdYt =φ1 Yt-1+…+ φpYt-p+ εt+θ1 εt-1+ …+ θq εt-q
φ(L) ΔdYt= θ(L)εt  ΔdYt= [θ(L)/φ(L)]εt
unde:
- φ(L)=1-φ1L-φ2L2-φ3L3-…- φpLp
- θ(L)=1-θ1L-θ2L2-θ3L3-…-θqLq
- εt i.i.N.d. de medie zero => M(εt)= 0 si V(εt )=σε – ct.
- Δd=(1-Ld)
Odata integrat modelul devine un model de tip ARMA(p,q).

OBS: 1. Modelul ARIMA prezentat este un model nestationar omogen de

ordin d si el prezinta numai componenta trend stohastic .
Daca dorim ca modelul sa prezinte simultan si o componenta de tip trend
determinist polinomial de ordin d atunci la modelul ARIMA prezentat
anterior se va mai adauga o constanta θ0:
ΔdYt =φ1 Yt-1+…+ φpYt-q+ θ0+εt-θ1εt-1- …-θqεt-q
φd(L) ΔdYt= θ0+θ(L)εt
2.Ordinul integrarii modeluluiARIMA este fixat pe baza unui test
radacina unitate specific.

6
 12/20/2017

Metodologia BOX & JENKINS

1. Identificarea clasei de modele corespunzatoare ST analizate
(AR, MA, ARMA, ARIMA):
A. Analiza stationaritatii ST (testarea radacinii unitate):
-identificarea existentei unui trend determnist
-identificarea existentei trendului sohastic =>ordinul de integrare (d)
B. Identificarea ordinului componentelor AR si MA:
-analiza pacf -> ordinul p al componentei AR;
-analiza acf -> ordinul q al componentei MA.

Obs: Fixarea ordinului AR si MA este un ‘compromis’ rezultat in urma analizei

simultane a pacf si acf pentru o familie de modele aflata in imediata vecinatate
a modelului ARMA sugerat de analiza individuala a functiilor pacf si acf.

2. Estimarea si testarea parametrilor pentru familia de modele selectata la

pasul 2.
3. Diagnosticarea si validarea modelului optim din familia de modele
estimate la pasul 2:
A. Testarea ipotezelor cu privire la eroarea de modelare (iiNd de medie zero);
B. Alegerea celui mai bun/ celor mai bune modele pe baza indicatorilor acuratetei
modelelor:
-adjusted R square (max.), AIC (min) , SIC (min.), HQIC (min)
4. Realizarea de prognoze pe baza modelelor selectate la pasul anterior si
alegerea modelului/ modelelor care dau cele mai bune prognoze.

7
 12/20/2017

Sfaturi practice privind alegerea celui mai bun model ARIMA

Vezi
TURTUREAN C. I., Introducere in analiza seriilor de timp cu SPSS
- Ghid Aplicativ, 2008, pp.124-127

Modele ARCH-GARCH
GARCH = Generalized Autoregressive Conditional Heteroskedasticity
Modele ARCH specifice erorilor de modelare au fost propuse de
ENGLE (1982) si sunt aplicate cu succes pentru modelarea volatilitatii
pietelor financiare.
Modelul asa cum a fost prezentat de Engle este descris de relatia:

 2   0   1  t2 1  ...   p  t2 p

t

sau aceeasi relatie exprimata de data aceasta cu ajutorul operatorilor

mediei si variantei in ipoteza ca M(εt)=0 este satisfacuta:
 2  V ( t |  t 1 ,  t  2 ,....,  t  p )  E( t2 |  t 1 ,  t  2 ,....,  t  p )
t

8
 12/20/2017

In descrierea unui proces de tip ARCH este necesara descrierea a doua

relatii:
1. una pentru a descrie relatia de tip medie conditionata (modelelor ARMA
sau orice alt model de regresie liniara multipla) care au generat seria
reziduurilor εt:
ARMA(p,q): φ(L)Yt= θ(L) εt
2. cea de-a doua pentru a descrie modelul de tip ARCH(p):
t  t  2
t

p
unde  2   0   1  t2 1   2  t2 2  ...   p  t2 p   0 
t 
i 1
i  t2 i

este ecuatia variantei conditionate ARCH(p) si δt~i.i.d. δt~N(0,1) si εt~N(0, σ2εt).

Varianta mai poate fi exprimata ca un proces de tip ARCH(p) la care se mai

adauga si influenta variantelor anterioare pana la momentul t-q. In acest caz
modelul va purta denumirea de model de tip GARCH(p,q) si va fi descris de
relatia: p q
2
  0 
t 
2

i 1
i  ti 
2

i 1
 i  ti

Determinarea ordinelor modelului de tip GARCH se realizeaza prin

corelograma erorilor la patrat asemanator cu identificarea ordinelor modelului
de tip ARMA.
Pot fi utilizate de asemenea teste specifice cum ar fi testul LM ARCH
prezentat intr-un curs anterior.