Seminarul 6 - Săptămâna a 7-a

Serii de timp. Verificarea staţionarităţii

a) Generarea unor serii de timp de tip „mers la întâmplare”
Considerăm relaţiile
yt   yt 1  et pentru orice t  1
unde e1, e2 ,..., et ,..., eT este o serie de timp „zgomot alb”, y1 este o valoare iniţial fixată
iar  este un parametru. Relaţiile de mai sus exprimă o formă de auto-regresivitate a
valorilor yt . În studierea seriilor de timp generate cu relaţiile de mai sus este important să
punem în evidenţă cele trei situaţii posibile pentru valorile parametrului  şi anume:
a)   1 (valorile parametrului, în modul, sunt subunitare), b)   1 , c)   1 (valorile
parametrului, în modul, sunt supraunitare). Fie cazul particular în care   1 . Prezentăm
în figura 4 graficul celor 1000 de valori consecutive yt obţinute folosind relaţiile
yt  yt 1  et , plecând de la valoarea iniţială y1  1 , în care e1, e2 ,..., et ,..., eT sunt valori
generate Monte Carlo. Se obţine o serie de timp care este un exemplu tipic de „mers la
întâmplare” (random walk), serie foarte utilizată în modelarea econometrică a seriilor de
timp oarecare.

Figura 4. Serie de timp „random walk”

Corelograma pentru aceleaşi date, obţinută prin secvenţa View→ Correlogram… din
EViews, este prezentată în Figura 5. Observăm că coeficienţii de autocorelaţie estimaţi au
valori foarte mari (aproape de 1), iar descreşterea lor este lentă.
Explicaţie: Pentru generarea în EViews a unei serii de timp „mers la întâmplare” sau
random walk putem folosi următoarea secvenţă de comenzi: (cu valoarea de start 1)
series za=nrnd
smpl 1 1
genr y=1
smpl 2 1000
series y=y(-1)+za

Figura 5. Corelograma unei serii de timp „random walk”

b) Testarea staţionarităţii seriei – testul corelogramei

a) Serie de timp “zgomot alb” (WN) b) Serie de timp cu trend liniar

c) Serie de timp cu trend şi sezonalitate d) Serie de timp “mers la întâmplare” (RW)

Obţinerea funcţiei de autocorelaţie în EViews (pentru o serie de timp)

Pentru seria „mersul la întâmplare” (RW)

Corelograma unei serii de timp „random walk”

 1) Coeficienţii de autocorelaţie estimaţi (coloana AC) sunt - pentru primele 5
întârzieri: 0.995; 0.991; 0.986; 0.981 şi 0.976.
Caracteristici: a) Sunt foarte mari, apropiaţi de 1 indicând autocorelaţii pozitive mari;
b) Descresc lent, cu rate de descreştere foarte mici.
2) Coeficienţii de autocorelaţie parţială estimaţi (coloana PAC) sunt: 0.995; –
0.032; – 0.033; 0.014; 0.039
Caracteristici: Primul coeficient (pentru lag-ul 1) este mare, identic cu cel de
autocorelaţie apoi coeficienţii de autocorelaţie parţială sunt mici, negativi sau pozitivi dar
apropiaţi de 0.
Pentru seria „zgomot alb” (WN)

Corelograma zgomotului alb

 1) Coeficienţii de autocorelaţie estimaţi (coloana AC) sunt - pentru primele 5
întârzieri: 0.044; – 0.037; – 0.050; – 0.009 şi 0.012.
Caracteristici: Sunt mici apropiaţi de 0 indicând autocorelaţii slabe (aproape inexistente)
pentru toate întârzierile;
2) Coeficienţii de autocorelaţie parţială estimaţi (coloana PAC) sunt: 0.044; –
0.039; – 0.047; – 0.007; 0.010
Caracteristici: Primul coeficient (pentru lag-ul 1) este mic, identic cu cel de
autocorelaţie; în continuare coeficienţii de autocorelaţie parţială sunt mici şi foarte mici,
apropiaţi de 0.
Ţinând seama de faptul că T = 1000 (numărul de valori ale seriei de timp), un
interval de încredere 95% este (1.96 1 ,1.96 1 ) adică (0.06198, 0.06198) .
T T

Alte funcţii de autocorelaţii

 Corelograma seriei cu sezonalitate Corelograma seriei cu trend şi sezonalitate

Un interval de încredere 95% pentru coeficientul de autocorelaţie  j este de

forma (1.96 1 ,1.96 1 ) folosind expresia s j  1 pentru abaterea standard.
T T T
Rezultatul teoretic important exprimat de propoziţia anterioară ne ajută să verificăm dacă,
statistic, coeficienţii de autocorelaţie calculaţi pentru diverse lag-uri sunt sau nu egali cu
zero. Putem fundamenta testul de semnificaţie cu ipotezele nulă şi alternativă următoare:
H0 :  j  0
.
H1 :  j  0
Decizia este următoarea:
 dacă coeficientul de autocorelaţie estimat ˆ j nu aparţine intervalului
 1.96 1 ,1.96 1  , adică ˆ  ( 1.96 1 ,1.96 1 ) , unde T este
 
 
j
T T T T
volumul eşantionului, atunci ipoteza nulă este respinsă, şi decidem că seria de
timp nu provine dintr-un zgomot alb Gaussian.
În forma de mai sus, intervalele de încredere 95% nu depind de lag. Acest aspect
nu este natural, în special pentru lag-uri apropiate de „momentul final” T. O corecţie
Tj
adecvată este obţinută prin înlocuirea varianţei s 2j  1 prin valoarea s 2j  în
T T (T  2)
descrierea intervalelor de încredere. De exemplu, intervalul de încredere 95% pentru
coeficientul de autocorelaţie  j poate fi luat

 Tj Tj 
 1.96 ,1.96 .
 T (T  2) T (T  2) 
Uneori este necesar să testăm ipoteza conform căreia mai mulţi coeficienţi de
autocorelaţie sunt concomitent nuli. Să presupunem că vom considera m asemenea
coeficienţi. Avem perechea de ipoteze:
H 0 : 1   2  ...   m  0
H1 :  j  0, pentru un j dintre cei m
Evident, ipoteza nulă afirmă faptul că seria de timp ar proveni dintr-un „zgomot alb” iar
ipoteza alternativă neagă acest lucru.
Pentru acest test se foloseşte fie statistica Q introdusă de Box şi Pierce (1970)
m
Q  T  ˆ 2j
j 1

fie statistica introdusă de Ljung şi Box (1978)

m ˆ 2j
Q  T (T  2)
*
,
j 1 T  j

(T este volumul selecţiei, ˆ j sunt coeficienţii de autocorelaţie estimaţi pe baza selecţiei.)

Cum ambele statistici urmează o repartiţie  2 cu m grade de libertate, decizia este
următoarea:
 dacă valoarea Q̂ a statisticii este mai mică decât valoarea critică  2 (m)
(aici  este eroarea acceptată, fie ea 5%), nu putem respinge ipoteza nulă,
prin urmare acceptăm că reziduurile provin dintr-un „zgomot alb”
 dacă valoarea Q̂ a statisticii este mai mare decât valoarea critică  2 (m) ,
atunci suntem în zona de respingere a ipotezei nule, prin urmare despre
reziduuri putem afirma că nu provin din „zgomotul alb”.
Explicaţie privind funcţia de autocorelaţie parţială (PACF)
Să reamintim câteva aspecte legate de coeficienţii de autocorelaţie parţială. Se
observă faptul că coeficienţii de autocorelaţie sunt de fapt coeficienţii din modelele de
regresie corespunzătoare. Astfel, pentru un indice lag j oarecare,  j este de fapt
coeficientul din modelul de regresie
Yt   jYt  j  et .
Pornind de la această observaţie, în modelarea seriilor de timp, alături de ACF, se mai
foloseşte aşa-numita funcţie de autocorelaţie parţială (PACF = Partial AutoCorrelation
Function). Să notăm cu  jj coeficientul de autocorelaţie parţială corespunzător lag-ului j.
El se obţine din modelul de regresie
Yt  1 jYt 1  2 jYt 2  ...   jjYt  j  et
şi exprimă intensitatea influenţei variabilei întârziate Yt  j asupra variabilei Yt atunci când
în modelul de regresie sunt considerate variabilele Yt 1 , Yt 2 ,..., Yt  j 1 .
Evident, pentru lag-ul j = 1 coeficientul de autocorelaţie parţială 11 este tocmai 1 , acest
fapt fiind dedus din modelul
Yt  11Yt 1  et (identic cu Yt  1Yt 1  et )
  2  12
Pentru lag-ul j = 2 avem: 22  ,
1  12
ceilalţi coeficienţi de autocorelaţie parţială având expresii mai complicate.
Consecinţe ale nestaţionarităţii
a) Regresia falsă
Seriile de timp nestaţionare – aşa cum sunt de exemplu cele de tip mers la
întâmplare – pot determina concluzii statistice neconforme cu realitatea.
Fie două serii de timp „mers la întâmplare” { y} şi {z} , descrise prin următoarele
relaţii auto-regresive
yt  yt 1  et pentru orice t  1 , respectiv
zt  2  zt 1   t pentru orice t  1
în care {et } şi { t } sunt ambele serii de tip „zgomot alb”. Despre valorile et presupunem
că sunt „realizări” ale variabilelor aleatoare N (0,1) , independente între ele. Despre
valorile  t presupunem că sunt „realizări” ale variabilelor aleatoare N (0, 12 ) ,
independente între ele şi independente de cele anterioare. Se observă că prima serie este
un mers la întâmplare fără drift, în timp ce a doua serie este un mers la întâmplare cu drift.
Generăm aceste serii prin tehnica Monte Carlo, plecând de la valorile iniţiale total
diferite y1  10 , respectiv z1  0 . Oare valorile celor două serii se vor păstra „diferite
între ele”?
Să testăm existenţa unei legături liniare între seturile primelor 500 de valori ale
acestor serii. Rezultatul regresiei este prezentat grafic în figura următoare.
 Se observă că valoarea coeficientului de determinaţie R 2 este peste 0.91, o
valoare suficient de ridicată pentru a ne îndemna să acceptăm ca „bună” dreapta de
regresie, de ecuaţie
z  21.263 y  189.87
Testele t asupra coeficienţilor ecuaţiei dau valori p foarte mici, ceea ce confirmă ipoteza
că sunt nenuli. Ar trebui să tragem concluzia că valorile seriei {z} depind liniar de
valorile seriei { y} . Însă ele au fost generate independent! Această „regresie falsă” este
datorată de fapt nestaţionarităţii ambelor serii.

b) Comportamentul legat de apariţia unui „şoc”

1) O serie RW (nestaţionară) – şocul nu este absorbit

2) O serie WN (staţionară) – şocul este absorbit