Setul 1

1. Interdependenta termenilor unei serii de timp. Continut si indicatori de

masurare si interpetarea lor.
Interdependenta termenilor, inseamna ca fiecare termen a seriei depinde de unul sau mai
multi termeni anteriori. Xt=f(xt-1, xt-2,..xt-x), k>=1(k-ul este nr de termini din trecut care
influenteaza val. Prezenta a lui xt). Interdep. se manifesta prin autocorelatia termenilor care
explica tendinta obiectiva din evolutia termenilor care explica tendinta obiectiva din evolutia
fenomenului. Confirmarea/infirmarea existentei autocorelatiei se realizeaza prin calc.
coeficientului de autocorelatie.

2. Notiunea de serie de timp “zgomot alb”, continut si proprietati.

S.n zgomot alb daca este un process stationar cu medie nula iar coef. de
autocorelatie satisfac urmatoarele propr:k=1, k=0 SAU :k=0, k !=0
Zgomot alb (white noise). Un caz particular de proces stationar, este cel de tip
zgomot alb (denumire luata din tehnica), acesta fiind o succesiune de variabile
aleatoare independente si identic repartizate, cu medie zero. Astfel:
-
-
- .
Zgomotul alb mai ste denumit si proces pur alearoe. Dca elemtele lui xt sunt independente si
identic repartizate, atunci seria de timp este strict stationara.

3. Previziuni punctuale si prin interval de estimare. Continut si modalitati

de determinare.

Pentru un orizon de previziune h atasam momentul T+h (T=originea efectuarii previziunii)

variabilie. O previziune Y T+h este data de media varibilei Y T+h, aceasta medie fiind
conditionata de istoricul varibilei.

Previziunile punctuale se obtin pas cu pas, pentru calculul unei previziuni fiind necesare
valorile previzionate aferente perioadelor anterioare pentru termenii autoregresivi dar
si pentru erorile . Reguli de urmat:
- termenii autoregresivi pentru (adica se substituie cu
previziunile obtinute la pasii anteriori;
- termenii autoregresivi pentru se inlocuiesc cu valorile inregistate, aici
fiind cunoscuti termenii seriei ( , , );
- termenii eroare pentru (adica ) se inlocuiesc cu zero, (se
inlocuiesc cu media acestora , deoarece erorile sunt de tip zgomot alb, cu media
0; previziunile optime sunt date de media acestora).
- termenii eroare pentru (adica ) se inlocuiesc cu reziduurile

estimate din model (spre exemplu , pentru .

4. Defazajul in seriile de timp. Continut, modalitati de

identificare(depistare),
Valorile unei serii de timp sunt realizari ale unui complex de factori. Fiecare realizare este
influentate de nivelul caracteristicii din modelele trecute.
Considerand ca nivelul present al caracteristicii este influntat in mod direct de valorile
regresiei in ultimile k modele? xt = alfa0 + suma(j=1;k) bj*xt-j + epsilon t
Ar(1): Xt = alfa0+beta*xt-1 + epsilon t; Et= variabila de perturbatie;
Alfa0 si beta se recurge la MCMMP ajungand la sistemul de ecuatii:

N * Alfa0 + beta * suma xt-1 = suma xt

Alfa - * suma xt-1 + beta * suma xt-1 la a2a = suma xt – xt-1\
In conditiile respectarii caracteristicii cu lucru de la modelul de regresie se obtin estimatorii necesari
modelului precizat.

5. Modelul logistic si analiza seriilor de timp: functie, proprietati,

modalitati de estimare a param. Modelului.
Acest model se recomanda in analiza evolutiei in timp a unei variabile, atunci cand aceasta
prezinta o perioada de crestere accentuate urmata de o incetinire a cresterii. Evoltia in timp a
chelt de cercetare-dezvoltare si performantele unui process prezinta ce perioada de demaraj a
proesului; o perioada de crestere a procesului, o perioada de monetizare si una de
dezafectare.
EC: Xt = C / 1+ E^a-5 sau Xt = C/1+e ^-bt
Proprietati:
1. Prezinta un prag de semnificatie = c; t tinde catre infinit rezulta Xt tinde catre 0.
2. Modificarea variab x in raport cu timpul se caract prin functia parabolica (Xt)’ = -b/c
*xt^2 + b*xt
3. Derivand rel precedent cu timpul …. Constatam:
T apartine [0,c/2] viteza de schimbare in timp a lui X este crescatoare
Exista o crestere accentuata
T apartine [c/2, infinit] o incetinire a schimbarii variabilei x.

Estimarea parametrilor mod logistic se realizeaza prin mai multe strategii:

a) Estimarea pe baza ritmurilor: Daca se cunoaste seria ritmurilor modificarii cu baza
mobile pt variab x: R^x t/t-1 atunci se poate utiliza modelul de regresie:
R^2 t/t-1 = b*d*x+epsilont => se estimeaza parametrii b si d prin metoda celor mai
mici patrte
Parametrul ava fi estimat pe fiecare perioada sau pe intreaga serie: a = c- x mediu/x
mediu.

b) Metoda liniarizarii: Aceasta met de estimare se utilizeaza atunci cand se cunoaste

pragul de saturatie al variabilei x; Prin Transformari se obt un nucelu linear de
regresie iar prin met celor mai mici patrate se estimeaza cei 2 paratmerii.
c) Metoda punctelor alese; Se recomanda In cazul seriilor de lungime mare. Cei 3
estimatori se obt rezolvand urm sismt: Xti = RO(ti), i=1,2,3
Cele 3 puncte alese trebuie sa respecte urmatoarele ipoteze:
1. Sa fie echidistante : t2-t1=t3-t2
2. T2 corespunde valoii centrale din cadrul seriei de date
T3 se plaseaza spre inalul seriei de date
Xi cu i=1,2,3 este valoarea caracterstica xi ce corespunde celor 3 alori de pe axa
timpului

6. Metoda de netezire exponentiala simpla (petru serii

stationare):continut; aplicabilitae
Ca metoda de previziune, acest model este adecvat ptr previzionarea s.t ce fluctuează aleator
in jurul unei valori constante si nu au tendinta sau componenta sezoniera.
Yt=m+εt, m-ct pe interval successive de timp
M=constanta pe itnervalele succesve de timp
T= momentul prezent
Pt a previziona x t+1utilizam datele disponibile pana in acest moment:
Xt+1 = c* yt +(1-c)* yt c apartine [0,1] – coeficient de netezire
Relatiile de recurenta se aplica succesiv pt iecare observatie din seria de timp. Valoarea
previzionata este perioada care se detemrina cu o medie ponderata intre valoarea curenta yt
si previziunea precedenta yt efectuata la pasul anterior
C=1 => valoarea previzionata este ultima observatie
Cand utilizam scopul neteziri, se genereaza relatia: St = c*ft + (1-c) + St-1 pt ca previziunea
din urmatoarea perioada este valoarea curenta netzita
Xt(1) = yt+1 =St
Pentru perioada observata seria cu valoarea previzionata y1, y2, ...yt-1 este seria valorilor
netezite.
Valoarea previzionata se determina ca o medie aritmetica ponderata a tuturor observatiilor,
ponderea crescand exponential pe masura ce ne indepartm de preent. Astfel : yt->c, yt-1 =
c(1-c), yt-2 -> c(1-c)^2 ,...., y1-> c(1-c)^t-1.
Cea mai mare pondere o are obs curenta yt. Previziunea pt urmatoarea perioada este
valoarea curenta ajustata in unctie de ultima eroare de previziune. Utilizarea oricarea din
cele 3 forme necesita: o val initiala xt, o valoar adecvat ptc constant de utilizae c.Valoarea
optima a lui c se obtine prin simularea sau minimizarea mediei patratelor erorilor de
previziune. Cand se utilieaz a in scopul netezirii, produce alori mai netede.

7. Metoda Holt-Winters de netezire exponentiala(ptr serii cu tendinta si

sezonalitate); continut, aplicabilitate, utilizare
Metoda de netezire exponentiala simpla a fost extinsa de Holt pt serii ce prezinta tendinte de
evolutie si componenta aleatoare. Ajustarea seriei in vecinatatea originii previziunii se face cu o
dreapta, tendinta fiind presupusa liniara pe portiuni:

, unde nivelul seriei at,

respectiv panta dreptei bt se modifica dupa unele relatii de recurenta, asemanatoare cu cee din
cazul metodei de netezire exponentiala simpla:

Pt previziune panta bt se inmulteste cu orizontul de previziune si se aduna la nivelul

seriei at. Pt perioada observata, orizontul de previziune este 1, previziunile se fac pas cu pas, iar
valoarea previzionata: yt+1=at+bt.
Cand devine disponibila o noua observatie yt, iar originea previziunii debine t,
parametrii dreptei se ajusteaza conform relatiei de recurenta prezentate.
Nivelul seriei la momentul t este o medie ponderata intre nivelul sau previzionat
anterior si noua observatie disponibila. Panta dreptei bt este o medie ponderata intre panta
estimata prin diferenta dintre ultimele valori netezite ale nivelului seriei si panta estimata la
momentul precedent.
In practica, valorile initiale sunt: a1=y1; b1=0 sau a1=y1; b1=y2-y1 sau b1=(y4-y1)/3
8. Metoda Holt-Winters de netezire exp.(ptr serii cu tendinta si
sezonalitate); continut; algoritm de utilizare ptr modelul aditiv si ptr
modelul multiplicativ

Este un model de netezire exponential pt serii care prezinta tendinta si sezonalitate. Se

prezinta 3 relatii de recurenta corespunzatoare a 3 constante de netezire: nivelul
seriei, panta dreptei care exprima tendinta si coeficientul de sezon. Modelul de
descompunere a seriei se aplica in 2 variante:
a) Multiplicativ
Previziunile sunt generate pe baza:

P=perioada componentei sezoniere; at=niv seriei; bt si component sezoniera sunt generate de:

Componenta sezoniera este o medie ponderata a indicilor sezonalitatii estimate in

raport cu variabila curenta yt/at si ultima valoarea generata pt respectivul sezon, t-p. Valorile
necesare in relatia de recurenta sunt determinate pe baza:

- Media datelor ce acopera primul ciclu sezonier , in aceasta

medie se elimina sezonalitatea seriei astfel incat:

Fiecare termini din aceasta suma fiind o estimatie pt panta dreptei aferente unui sezon.
- Indicele de sezonalitate este estimate prin metoda rep. la media modala:

- Cele 3 constate alba, beta, delta € (0,1) si sunt determinate din conditiile de minimizare a
erorilor de previziune.
 Previziunile in afara perioadei observate, pt un orizont de timp h, sunt calculate utilizand
ultimele estimatii pt at, bt, St-p+h, calculate cu relatia de recurenta:

b) Aditiv

Avand in vedere component aditiva a componentei tendinta si comp sezoniera,

previziunile sunt generate in baza unei ecuatii:

Relatiile de recurenta sunt:

Pentru initializarea coeficientilor sezonalitatii se pot utiliza metode raportate la mediile

mobile sau diferentele S1=y1-ap,.. Sp=yp-ap. Previsziunile in afara perioadei pt un orizont de
timp h sunt determinate tinandu-se seama de forma aditiva a modelului:

9. Serii de timp stationare: definire; tipuri; proprietati; stationalizare

Consideram o serie de timp {y1,y2,….y2} unde fiecare valoare din cadrul seriei este o realzare a
unei variabile aleatoare yt. Ansamblul var. aleatoare, ordonate in timp defines un process
stationar se caracterizeaza prin medie, dispersie, Cov etc.
Yt, t€T, daca t€Z, seria este de tip discret, daca t€N, seria este de tip continua
Fiecare variabila aleatoare yt a procesului stochastic se caracterizeaza prin intermediul
unei fct de probabilitate care depinde ataat de x, cat si de t.
Fiecare valoare din serie este o realizzare a var aleatoare ym ceea ce ne determina sa
afirmam ca pt caracterizarea acestei variabile aleatoare se foloseste densitatea de probabilitate
fy(yt). In aceste conditii, media lui ytm poate fi considerata, la limita, ca fiind media ansamblului
de valori, generate de process la un moment dat.
 Un process este considerat strict stationar daca pt orice ti€T, t1<t2<….<tn si orice h€T ai
ti+h €T. Avem prin aceste conditii seria {yti+h} care are aceeasi repartitie cu seria {ti}. Aceasta
defineste o stationaritate stricta care este foartea restrictiva. Din aceasta cauza, definim
stationaritatea de ordinal m. Aceasta exista daca exista egalitatea

, cu m>0.
Un process {yt} este stationar de ordinal 2 daca sunt indeplinate urmatoarele 3
proprietati:
- E(yt)=miu, oricare t€T
- Var(yt)=sigma patrat, constant in timp; stationaritate in variant
- Cov(yt,yt+h) = gama h, stationaritatea in covarianta care depinde de lungimea intervalului
de timp care separa cele 2 covariante
Stationaritate
In cazul in care yt urmareste o repartitie normal de dimensiune m, daca nu este
introdusa proprietatea de stationaritate a procesului, atunci nr de parametric a acesteia va fi
npatrat+n. In urma aplicarii unor traansformari pt respectarea conditiei de stationaritate a
procesului, nr param se adduce la n+1, deoarece se estimeaza parametrii medie, dispersie
sin covarianta => daca seria nu este stationara, prin transformari ale datelor initiale se
obtine o serie de tip stationar.

10. Autocorelarea termenilor unei serii de tim. Functia de autocorelatie(ACF):

continut; forma de exprimare; estimarea coeficientilor si testarea semnificativitatii
coeficientilor de autocorelatie
Consideram un process stationar. ACF este rh = gama h/gama 0 = E(Yt-miu)(yt-h – miu)/E(yt-
miu)^2 si masoara intensitatea corelatiei liniare dintre variabilele aleatoare yt si yt-h, separate
prin h unitati de timp.
Obs: Daca seria este stationara, fct de autocorelare este o functie para. Rh=r-h
Pt h=1 si h=2 coef de autocorelatie sunt
SISTEM
R1 = E[(yt-miu)(yt-1-miu)]/E(yt-miu)^2
R2 = E[(yt-miu)(yt-2-miu)]/E(yt-miu)^2
Rh apartine -1 1
Gama 0 = [E(yt-miu)^2] = Var(yt) = sigma^2

Estimarea coeficientilor
 In ipostaza stationaritatii, media miu si variant sigma patrat a procesului pot fi estimate
utilizand aceasta singura realizare prin media si dispersia de esantionare. Coeficientul de
autocorealtie rh se estimeaza:

Obs: Daca lungimea seriei este sufficient de mare, T nu difera semnificativ de T-h, atunci dispar
numitorii.(vezi sageataa)

Testarea semnificativitatii rh
Formularea ipostazei: H0: rh=0; H1: rh diferit 0

Testarea ip se realizeaza prin testarea Student t statistica care urm o

distributie normala N(0,1).
Pt variant rh, determinate de Bartlet, se utilizeaza relatia :

Decizia este urm : pt un nivel alfa, ipoteza Ho nu se respinge daca:

Uneori pt variant estimatorului se utilizeaza expresia : var(rh)=1/T, este adevarata cand seria
->zgomot alb.

11. Functia de autocorelatie partial; continut; coeficienti de autocorelatie

Deseori, corelatia dintre 2 variabile este determinate de faptul ca ambele sunt correlate cu a
treia. In aceasta situatie, o mare parte din corelatia dintre yt si yt-h poate sa apara ca un effect
indirect al corelarii ambelor variabile cu var. intermediare. Pt a evita acest fapt, se utilizeaza coef
de autocorelare partiala, care masoara efectul direct al lui yt-h supra var. yt. Functia acestuia
este asemanatoare cu cea a PACF din econometrie.

Coef de PACF dintre 2 var separate de h unitati de timp este coeficientul de regresie al variabilei
yt-h in modelul autoregresiv AR(h). Acesta masoara informatia aditionala aduse de variabila yt-h in
exploatarea comportamentului present al lui yt.
 Functia de autocorelatie PACF consta in setul de coeficienti ch cu h=1,2,3,… astfel pt
h=1 coef de autocorelatie si coef de autocorelatie partial coincid(r1=c1). Coef de
autocorelatie partial inregistreaza valori in (-1;1) si se interpreteaza la fel ca in econ : 0-leg
slaba, 1-leg puternica)
Estimarea coef de autocorelatie partial
O estimare directa a coef de autocorelatie partial consta in estimarea coef de regresie pt
mai multe regresii:
C1 se estimeaza cu coef de reg al variabilei yt-1 din AR(1) -> yt=a0+c1*yt-1+Et
C2 este coef de regresie al variabilei yt-2 din modelul AR(2) -> yt=a0+a1*yt-1+c2*yt-2+Et
C3 este coef de regresie al var yt-3 din AR(3)->yt=a0+a1*yt-1+a2*yt-2+c3*yt-3+Et
.
.
.
Ch este coef de regrestie al var yt-h din mod autoregresiei AR(h) (yt=a0+a1*yt-1+a2*yt-
2+…+ch*yt-h+Et)
In practica acesti coeficienti nu se calc dupa aceasta procedura ci pe baza rel Yule-
Walker, care exprima rel dintre coef de autocorelatie si coef de autocorelatie partiali .

Testarea seminificativitatii coef ch de regrestie

Ho: ch = 0, H1:ch diferit de 0. Pt testarea acestei ip se utilizeza

Pt variant estimatorului coef de corelatie se utilizeaza (in cond zgomot alb) dispersia
var(rh)=1/T.
Decizii pt un nivel alfa : Ho nu se respinge daca t calc apartine [-ttab;ttab] sau ch apartine [-
ttab*√ ; ttab*√ ].

Setul 2
1. Proces stationar. Definitie, particularitati; proprietati; exemple.
Seria stationara este un concept abstract ideal in plan indentic. Pt o serie de timp se
definesc diferite modele abstracte. O serie de timp stationara in sens restrans exista daca
repartitia vect. aleator (xti) i=1,n depinde numai de diferenta dintre momentele sau
intervalele de timp.Altfel spus, in sens restrans exista orice T real, vectorul al.(xti)i=1,n are
repartitie identica cu cea a vect (xti+T) i=1,n. Astfel, din definitie, se observa ca:
- O serie de timp este stationara in sens restrans daca : E(xt) – const. pt orice t
- Seriile pot avea aceeasi medie , dar caratc.diferite: defazaj, amplitudine.
- In ec, seriile de timp se intalnesc sub forma proceselor care nu prezinta tendinta de
evolutie. Aceasta situatie se poate intalni direct sau indirect dupa ce s-a eliminat
 component secventiala si/sau sezoniera. Amplitudinea unei serii stationare prezinta
interes pt vectorul comp. aleator al unei serii de timp.

O serie de timp este stationara in sens larg daca sunt satisfacute urm. 2 conditii:

-media seriei este constanta pt orice perioada de timp;

-matricea de corelatie a vector.aleator(xt1+T…..xtn_+T) nu depinde de T.

Proprietati+exemplu:

m=1=>m1=1=>E(yt)=E(ym+r)=µ=>process stationar de ord.I

Pt orice var.aleatoare yt(obs mom t) sunt satisfacute urm proprietati:

1) Media var. este constanta in timp : E(yt)=µ, pt orice t € T.

2) Variant este constanta in timp : var(yt)=ϐ2y, pt orice t€T.
3) Covarianta dintre 2 var. este dependent doar de lungimea intervalului de timo care
separa cele 2 variabile: Cov(yt,ys)-µ2= Ɣ (|t-delta|), pt orice t diferit de delta

Un proces stationar de ordinul doi daca verifica urmatoarele trei conditii:

(1) media este constanta in timp (stationalitate in medie)
(2) varianta este constanta in timp (stationalitate in varianta)
(3) unde covarianta dintre doua variabile este functie doar
de lungimea intervalului de timp ce separa cele 2 variabile. Pentru un proces
stationar, functia de autocovarianta devine: unde .
Un proces stationar se afla intr-o state de echilibru (are proprietatea de a reveni la medie ori
de cate ori se indeparteaza prea mult de la aceasta).
Zgomot alb (white noise). Un caz particular de proces stationar, este cel de tip zgomot alb
(denumire luata din tehnica), acesta fiind o succesiune de variabile
aleatoare independente si identic repartizate, cu medie zero. Astfel:
-
-
- .
Un proces este nestationar daca nu verifica una sau mai multe din cerintele de definire a
procesului stationar(adica media si/sau varianta nu sunt ct in timp)
-Procese nestationare de tip determinist notate cu TS
-Procese nestationare de tip stochastic notate cu DS
Fiecare dintre cele 2 procese are anumite caract, iar ptr eliminarea trendului si obtinerea unui
process stationar se aplica tehnici diferite. Utiliz.unor metode neadecvat de stationarizare
=va conduce la obt unui process ce nu are caracteristicile zg.alb.
2.

3.
4. Functia de autocorelatie ACF: definire, relatie de calcul, particularitati,
estimare.
Estimarea ACF este o etapa imp in identificarea unui model de tip ARIMA. Estimarea fct
revina la det unor coef de autocorelatie(corelaite liniara) pt fiecare cuplu Yt,Yt-h
Consideram un proces stationar. Functia de autocorelatie se defineste prin:

,
si masoara corelatia liniara dintre doua variabile Yt si Yt-k separate de k unitati de timp.
Pentru k=1 respectiv k=2 coeficientul de autocorelatie devine
Observatii:

1. → regasim coeficientul de corelatie liniara dintre Yt si Yt-k

2.

3.
4. functia de autocorelatie este o functie para.
Pentru un proces de tip zgomot alb, functia de autocorelatie devine:

.
variabille fiind necorelate.
Estimarea functiei de autocorelatie este o etapa importanta in faza de identificare a unui
model de tip ARIMA modelului. Graficul functiei de autocorelatie se
numeste corelograma si ofera informatii importane privind comportamentul seriei.
Estimarea functiei revine la calculul unor coeficienti de autocorelatie (corelatie liniara)
pentru fiecare cuplu (Yt, Yt-k):
Estimarea coeficientilor de autocorelatie
In practica dispun de o serie cronologica Y1, ., YT (esantion finit in timp, si o singura
observatie pentru fiecare variabila aleatoare ). In ipoteza stationalitatii, media si
varianta procesului pot fi estimate utilizand aceasta singura realizare, prin media
respectiv varianta de esantionare:

.
Coeficientul de autocorelatie se estimeaza prin:

respectiv
daca lungimea seriei este suficient de mare (si astfel T-k nu difera foarte mult de T).
Testarea semnificativitatii rh:
 Formularea ipotezei : Ho: rh=0, H1: rh diferit de 0.

Testarea ip se realizeaza prin testarea Student t statistica care urm o

distributie normala N(0,1).
Pt variant rh, determinate de Bartlet, se utilizeaza relatia :

Decizia este urm : pt un nivel alfa, ipoteza Ho nu se respinge daca:

Uneori pt variant estimatorului se utilizeaza expresia : var(rh)=1/T, este adevarata cand seria
->zgomot alb.

5. Coeficienti de autocorelatie: continut, relatii de calcul; testarea

semnificatiei
Testarea semnificativitatii coeficientului de autocorelatie :
H0 : (nu difera semnificativ de zero)
H1 :
se realizeaza utilizand un statistica Student

converge asimtotic (cand ) la legea normala

Decizia: pentru un nivel de semnificatie , ipoteza nula H0 nu se respinge

daca sau echivalent .

Observatie. Uneori pentru varianta estimatorului se utilizeaza

expresia (expresie adecvata de fapt doar atunci cand seria este de tip zgomt
alb).
Consideram un proecs stationar ACF este rh = gama h/gama 0 = E(Yt-miu)(yt-h –
miu)/E(yt-miu)^2 si masoara corelatiile liniare dintre variab aleatoare Yt si yt-h, separate
prin h unitati de timp.
Obs: Daca seria este stationara, fct de autocorelare este o functie para. Rh=r-h
Pt h=1 si h=2 coef de autocorelatie sunt
SISTEM
R1 = E[(yt-miu)(yt-1-miu)]/E(yt-miu)^2
R2 = E[(yt-miu)(yt-2-miu)]/E(yt-miu)^2
Rh apartine -1 1
Gama 0 = [E(yt-miu)^2] = Var(yt) = sigma^2

6. Functia de autocorelatie partial PACF: continut, coeficientul de

autocorelatie partial si modelul autoregresiv AR, definire, estimare si tastarea
semnificatiei acestora.
Deseori corelatia dintre 2 variabile este determinate de faptul ca ambele sunt corelate cu a
3-a. In aceasta situatie o mare parte din corelatia dintre 2 var yt, si yr-h poate sa apara ca
un efect indirect al corelării ambelor variante cu varinte intermediara Yt-1, Yt-2…Yt-h-1
pt a evita acest fapt se utilizeaza coef de autocorelatie partial care masoara efectul direct
al lui Yt-h cu al var yt.
Coef de PACF dintre 2 var separate de H unit de timp (notat cu ch) este coef de regresie
al variabilei Yt-h in modelul autoregresiv AR(h).
O estimare directa a coef de autocorelare partial consta in estimarea coef de regresie pt
mai multe regresii.
C1 se estimeaza cu coef de regresie al variabilei Yt-1 sau AR(1) -> Yt = ao+c1*Yt-1 +
epsilon t
C2 este coef de supr al variab Yt-2 din modelul AR(2) -> Yt = a0+a1Yt+c2*Yt-2+epsilon
t
Ch este coef de regresie alvariabilei Yt-h din mode autoregesiv AR(h)
Yt= a0+a1Yt-1+a2Yt-2+…+chYt-h+epsilot t.
Testarea semnificativitatii coef ch de regresie
H0 ch=0; H1 ch!=0
Pt testarea acestei ipoteze se utilizeata t= Rcaciula h/radical var(epsilon)
Pt variant estimatorului coef de corelatie se utilizeaza (in cond de zgomot alb) diseprsia
var(rh) = 1/T; Decizii pt un nivel alfa . H0 nu se respinde daca tcalc apartine [-ttab;t tab]
sau ch apartine [-t tav*radical T; t tab * radical T];

7. Operatorii de intarziere si avans:definire, relatii de calcul,

particularitati.
Operatorul de intarziere de ordin H se defineste L^hYt = Yt-h
Op de avans de ordin k se defineste F^kYt = Yt+k
Op neutru I se defineste de egalitatea I*Yt = Yt;
Obs: daca k =h=i=> operator de intarziere si de avans de ordin 1. Frecvent utilizati pentru
reprezentarea seriilor de timp prin modele autoregressive si medii mobile.
Definim op prin intermediul relatiilor :
Daca d=1=>diferenta de ordin 1 :
Daca d=2=>diferenta de ordin 2:

=delta2yt=(I-2F+F2)yt

8. Serii nestationare:continut, tipologie, particularitati

In economie, de regula, seriile de timp sunt nestationare. Un process, o serie este
nestationara, daca nu se verifica una sau mai multe din cerintele de definire a proceselor
stationare(media si/sau variant nu sunt constante in timp)..
Determinarea nestationaritatii se realizeaza prin intermediul cronogramei si
respectiv a corelogramei (repr gf a coef de autocorelatie) sau prin utilizarea unor teste de
stationaritate, numite teste de radacina unitate din cronograma. Seria este nestationara in
medie, daca media nu este constanta in timp, adica seria prezinta o tendinta determinist ace
poate fi modelata prin functii elementare.
Seria este nestationara in variant, daca variant nu este constanta in timp. In principiu, seriile
nestationare se regasesc de multe ori in urm situatii:
a) seria prezinta o medie care nu este constanta in timp, aceasta urmand o
traiectorie/tendinta liniara. In acest caz, spuncam ca seria esre nestationara
omogena.Seriile de timp din aceasta categorie prezinta variatii constant de la o perioada
la alta.
b) Exista serii de timp care prezinta var neconstanta a termenilor de la o perioada la alta. In
aceasta situatie, spunem ca seriile sunt nestationare, neomogene, deoarece variant ca si
media nu sunt variabile in timp.

9. Serii nestationare omogene:continut, caracteristici, coeficient de

autocorelatie continut, relatie de calcul si testarea semnificatiei;
procedeu de stationalizare.
Ptr a id daca seria este stat se calc si se interpreteaza coef de autoc. Val estimate ale
acestor coef pe baza datelor din s.t sunt testate ptr a decide daca val fct de autoc.difera
semnificativ de 0 sau daca exista valori successive din cadrul acesteia sensibil egale. Dc
se cun s.t, coef de autoc sunt estimate prin rel: ^r(h)= sum(yi-ybar)(yi-h-ybar)/sum (ti-y
bar)^2
 Dc in cadrul seriei coef de autoc exista o secv de val ce difera semnif de 0 sau valorile
sunt sensibil egale, at seria este nest. Acestei serii i se aplica op de dif de ord 1,
obtinandu-se o serie stat.Ptr a testa semnif coef de autoc se considera estim variantei coef
autocorel definit prin:σ^2=(r(h))=(1/T) [1+2sum ^ri].
Dc val ecoef de autocor. Difera semnif de 0 se aploca un test Student.
Ex. Se considera s.t definite prin yt=a+bt+εt; a , b sunt param , iar ε teste realizarea unui
zg alb cu dispersia (σε)^2. Caract seriei sunt E(yt) =a+bt si var(yt)= (σε)^2=>este cazul
unei serii de timp nest. dar omogene. Se aplica op de diferentiere de ord 1, obtinandu-se
seria xt=yt-yt-1=b+(εt-εt-1), care are urm caract E(xt)=b, iar var(yt)=2 σε^2=>obt.serie st

10.

11.Serii nestationare si neomogene:Continut, procedee de stationarizare

In cazul seriilor nest&neom, atat media cat si varianta sunt var. in timp. Ptr aceste serii
aplicarea op de dif nu mai conduc la obt unor serii stat. Ptr asemenea serii se aplica de
regula, intr-o prima etapa, o transf a seriei prin logaritmare(caz particular al transf Box-
Cox).
Transformata Box-Cox pentru seria {yt, t=1,T} este
definite prin :

Pentru a alege valoarea optimala a parametrului de transformare se recurge la utilizarea mai

multor valori pentru acest parametru, apoi se alege cel care asigura cea mai mica valoare a
sumei patratelor rezidurilor. Pentru seria astfel obt se aplica procedeul de stat ptr o serie
nestat omogena. (*)
(*)T‫(ג‬yt) = (yt )^ ‫ג‬-1/‫ג‬
ggggggggggg=gty gol

In egala masura, pentru masurarea parametrilor se poate folosi ca si pt estimarea celorlalti

parametrii, metoda verosimilitatii maxime.
Transformarea datelor prin logaritmare se aplica in cadrul in care coef de var ai seriei initiale
sunt const in timp(deci, in situatia in care media si abaterea medie patratica sunt marimi
proportionale in timp)

12.
 13. Procese de tip TS(nestationarea de tip determinist); continut, forma
de reprezentare, paricularizare, procedura de stationalizare.
Forma: yt=pt+εt; pt-polin.in raport cu variabila timp; εt-proces stationar ce poate fi repr
printr-un process autorgr de tip ARIMA(p,q)
Dacc pt=α+βt+ εt, iar εt-un zgomot alb, at proc.se repr astfel:yt= α+βt+ εt
Caracteristici:
-media proc.este dependent de timp;
E(yt)= α+βt
-variana proc.este ct.in timp, aceasta fiind stabilita in raport cu varianta zgomotului alb; cov
este :
Var(yt)=var(α+βt+ εt)=E[yt-E(yt)]2=T2 ε
-covarianta acestui proces este:
cov(yt,yt’)=0;
Pentru acest process trendul este natura determinista, variant fiind constanta in
timp.Pentru acest process efectul produs de un soc aleator este unul tranzitoriu.Din acest
motiv variant seriei este marginita.
Ptr stationalizarea seriei se parcurg urm etape:
a) se estimeaza param pol –pt- prin MCMMP;
b) se obt seria stationara εt-yt-^yt=yt-( ^α+^βt). Aceasta serie se poate repr printr-un proces
autoregr.de tip ARIMA(p,q)

14. Procese de tip DS(nestationare de tip stochastic), continut, forma de

reprezentare; tipuri(cu deriva si fara deriva), si caracteristicile acestora,
procedura de stationarizare
Sunt repr prin urm rel: yt=yt-1+β+εt=>yt-yt-1= εt; εt-proc.stationar, β-o constanta
In raport cu valorile avestei constant(beta), procesele nesationare de tip DS sunt : 1)procese
fara deriva; 2)procese cu deriva
Proces cu DERIVA: β diferit de 0. Procesul DS se exprima sub forma:
yt=yt-1+β+εt=yt-2+β+ εt -1+β+εt=yt-1+2 β+( εt- εt-1)=y0+t β+sum εj, j=1,t
 Caract:-media proc.este variabila in timp;-varianta proc.este nestationar; cov este
nenula
Proces FARA DERIVA: β=0. Acest process se repr prin egalitatea (1-L)yt= εt;Pt
a det caract, scriem relatia sub forma:
yt=yt-1+εt= (yt-2+εt-1)+εt=…=y0(ε1+ε2+…+εt)
Caract:-media procesului este ct in timp;-var procesului este nemarginita, fiind
dep de variabila timp; -cov procesului este nenula;

Ptr stationarizare DS-se aplica operatorul de dif de ordin 1. In general, dc proc.DS este repr
prin rel (1-L)^D *yt= β +εt, ptr obt. unui proces stat. se aplica op de diferentiere de ord D.

15. Notiunea de”mers aleator” in studiul seriei de timp:continut,

caracteristici, exemple
Mersul aleator repr un prototip ptr o cls de procese nestationare numite procese integrate;
importanta practica a acestui model este intalnita mai ales in cazul seriilor din dom
financiar.
Observam ca si in acest caz dupa o singura diferentiere seria devine stationara:
respectiv .
Polinomul in L asociat partii autoregresive din modelulul AR(p):

are o singura radacina pe cercul unitate (in modul egala cu 1). Seria este stationara prin
diferentiere sau este integrata de ordinul 1 (sau are o radacina unitate, "unit root"), si se
noteaza prin I(1). Radacinile unitate, adica radacinile polinomului autoregresiv ce se afla pe
cercul unitate se refera doar la comonenta stochastica a seriei. Majoritatea seriilor din
economie sunt nestationare in medie dar diferenta de ordin
intai devine stationara. Daca sunt necesare doua diferentieri
succesive pentru ca seria sa devina stationara:

spunem ca seria este integrata de ordin doi I(2).

In general, un proces (serie) este integrat de ordin d, notat prin I(d), daca este necesar a
fi diferentiat de d ori pana devine stationara; este stationara.
16. Modelul autoregresiv AR. Fct. de autocorelatie ACF, continut,
caracteristici, proprietati.
Se considera un model AR(1) sau ARIMA(1,0,0):yt=a0+a1yt-1+εt, unde |a1|<1, εt-zgom
alb cu E(εt)= si var VAR(εt)=(σε)^2
Dc. | a1|<1-proces de tip zg alb; |a1|>1-proces nestationar, are o ev exploziva, este rar
intalnit in parcitc;| a1|=1 regasim mersul aleator
Propr: -cand| a1|<1-atunci AR(1) este stationar. Fct de autocor.a unui proces AR(1) are
expr:rk=(a1)^k. Cov(yt,yt-k) este indep de “t” Var(yt)=γ0=(σε)^2/(1-a1^2), in cazul in
care |a1|=1 regasim var unui process stat, de tip mers aleator=>fct de autoc, este id de “t”
si are expr: rk=γk/ γ0=a1^k
-cand a1>0=>fct de autoc rk descreste exp, iar ptr a1<0 descreste sinusoidal
Un proces AR(1) in care apare sic t:yt=a0+a1yt-1+εt, are media egala cu E(yt)=a0/1-a1,
Var(yt)= =(σε)^2/1-a1^2
Un model AR(p): θ(L)yt= εt, este stat. atunci cand rad pol θ(L)=1-a1L-a2L^2-…-apL^p
sunt in modul mai mari decat 1.

17. Modelul autoregresiv AR. Fct. de autocorelatie partiala PACF,

continut, caracteristici, proprietati.
Din def fct de autoc.partiala rezulta(coef. de autoc partiala a unui modelAR(p)fiind egali
cu 0) ptr k>p(ordinul modelului: ): yt=a0+a1yt-1+a2yt-2+…+apyt-p+εt. Spre ex., Cp+1
este coed de regr a variabilei yt-p-1 in modelul autoregresiv AR(p+1): yt=a0+a1yt-
1+a2yt-2+…+apyt-p+ap+1yt-p+1+εt, dar acesta este nul deoarece otr un model AR(p)
coef ap+1=0

18. Modelul autoregr. media mobila MA:continut, functiile de

autocorelatie si autocorelatie-partiala, reprezentare; proprietati
Intr un model de medie mob sunt utilize er inregistrate in trecut precum si variaile
explicative: yt=a0-b1εt-1-b2 εt-2-…- bq εt-q+ εt
a.Fct de autoc: Se considera un medel de medie mob MA(1) sau ARIMA(0,0,1) cu medie
0: yt= εt-b1 εt-1.
P1:Un model de tip MA(1)este stat iar fct sa de autocorel se anuleaza dupa k>=2;
Dem: Media procesului este nula; varianta procesului =(σε)^2(1+b1^2), cov(yt, yt-k)=0,
k=0 si -b1*(σε)^2, ptr k=1.
Deci fct de autocorel ester k=0 ptr k>=2 si –b1/1+b1^2, ptr k=1;
P2:Fct de autocorel a unui model de tip MA(q) se anuleaza ptr k>=q+1;
Dem:media este 0, var=(σε)^2(1+b1^2…+bq^2), cov=0 ptr k>=q+1 si (σε)^2(-
bk+b1Bk+1..+bq-kbq) k=1, q
b. Fact de autoc partial a unui model MA(1) se comporta in mod similar cu fct de
autocorel a modelelor autoregr. Daca procesul are medie nenula, at modelul include si un
termen liber, iar aceste este egal cu media:yt=n+εt-b1 εt-1-….-bq εt-2 deoarece
E9yt)=n+0+..+0=n;
19.
20.
Setul 3
1. Etapele metodologiei de elaborare a unui model
ARIMA(p,d,q)
1. Identificarea modelului, precizarea valorilor adecvate ptr p,d,q;
2. Estimarea param. Modelului, estimarea coeficientilor ai,bi,σε^2;
3. Testarea valid. modelului si specificarea acestuia. Daca modelul nu este valid atunci
se specifica pentru model alte valori plauzibilie pentru p,d si q si se reiau etapele
anterioare.
4. Utilizarea modelului in generarea de previziuni (dupa ce s-au trecut testele de
validare)

In esenta, modelarea ARIMA presupune urmatoarele:

- Verificarea stationaritatii. Daca se constata ca seria este nestationara atunci ea se
diferentiaza pana cand devine stationara, rezultand ordinul de diferentiere d. (de
regula d=1, 2).
- Tinand seama de forma functiei de autocorelatie (ACF) si de autocorelatie
partiala(PACF), estimarea rk si ck pentru seria diferentiata se stabiliesc valori
plauzibile adecvate pentru p, respectiv pentru q/
- Se estimeaza modelul selectat
- Se testeaza validitatea modellui. Aici se utilizeaza 2 grupe de teste:
 Et este de tip zgomot alb? – in acest caz se utilizeaza teste cu privire la
comportamentul reziduurilor
 Teste referitoare la semnificatia coeficientilor ai si bi
- Se genereaza in fata modelului estimat, previziuni

2. Identificarea (specificarea) modelului ARIMA

Aceasta este cea mai importanta (mai ales ca este implicata si in strategia
BOX_JENKINS) dar si ccea mai dificila. In acest sens sunt utile functiile de
autocorelatie si de autocorelatie partiala estimate deoarce faciliteaza obtinerea valorilor
plauzibile(adecvate) pentru p,d si q.
In general, pentru validarea rezultatelor se folosescȘ
- Teste statistice
- Analizarea prop rezidului estimat pentru fiecare model autoregresiv explicitat- varianta
rezidului estimat, raportul de corelatie, statistica F etc.
- Indicatorii ce au la baza teoria informatiei determinati in functie de parametrii si
dimensiunea seriei de date

Pentru identificarea(specificarea) modelului ARIMA in esenta se estimeaza functiile

estimate cu cele teoretice specifice fiecarul model si se vor alege unul sau mai multe
modele teoretice ce par a fi adecvate.

3. Estimarea param. Modelului ARIMA

Un procedeu simplu folosit pentru estimarea parametrilor p si q are la baza estimarea
succesiva a parametrilor AR(p) pentru diverse valori ale lui p, Pentru fiecare caz in parte
se studiaza caracteristicile rezidului. Daca la etapa p se obserca ca rezidul are
proprietatile unui proces MA(q), atunci seria stationarizata se reprezinta ptirntr-un proces
ARMA(p,q). Dacă seria datelor inițiale a fost stationarizata prin aplicarea unei diferente
de ordin „d”, atunci seria inițiala este reprezentata printr-un proces ARIMA(p,d,q).
Procedura estimarii:
Pornim de la forma restransa a unui model ARMA(p,1) cu medie 0:
Φ(L) Yt = ϴ(L)Et
Respective a unui model ARIMA(pd,q):
Φ (L) * (1-L) * Xt = ϴ (L) Et
Considerma un model AR(p):
Yt = a1 * y t-1 + … + ap * yt-p + Et
MCMMP suma de Et la puterea a 2a -> conduce la estimatori pentru parametrii a1, a2…,ap.
Sau prin ecuatiiile (Yule-Walker) care precizeaza relatii dintre coeficientii de autocorelatie si
parametrii modeluui
Procedam prin inductie:
Fie unmodel AR(2) cu medie zero:
Yt = a1 * yt-1 + a2 * yt-2 |* yt-1 =>
E(yt * yt-1) = a1 E(yt-1 * yt-1) + a2 E(yt-1 * yt-2)
Raportand aceasta relatie la variant procesului var(yt) obtinem: r1 = a1 + a2 * r1
Analog pt r2 = a1*r1 + a2
Deci, daca in prelabil s-au determinat estimatii pt coeficientii de autocorelatie, din sistemul de
ecuatii : r1 = a1 + a2 * r1
r2 = a1*r1 + a2 se obtin estimatii pentru coeficientii modelului a1 si a2.
In mod similar, pt un model AR(p) rezulta sisemul de ecuatii ce fac leatura dintre coeficientii de
autocorelatie si coeficientii modelului, umite ecuatiile Yule-Walker.

4. Teste de validitate si de specificarea modelelor

 Pentru a vedea daca modelul estimat surprinde adecvat modul de generare a datelor
(caracterul inertial respectiv cel de asimilare a socurilor) este utila in prealabil o analiza
comparativa a functiei de autocorelatie respectiv de autocorelatie partiala estimate,
pentru seria initiala Yt respectiv pentru seria generata de model . O asemanare intre
corelogramele acestora indica faptul ca model surprinde adecvat mecanismul de generare
a datelor. Deasemenea se pot analiza radacinile unitate ale polinoamelor autoregresive
respectiv medie mobila.
Se parcurg aici doua grupe de teste: teste de semnificativitate a coeficientilor modelului
respectiv teste referitoare la reziduuri (pentru a vedea daca sunt de tip zgomot alb).
a) Teste privind semnificativitatea coeficientilor
Consideram un model stationar ARMA(p,q) cu medie diferita de zero:

Pornind de la matricea de varianta-covarianta a estimatorilor obtinuti prin metoda

verosimilitatii maxime (estimatori ce sunt convergenti) se pot construi statistici de tip
Student, pentru a testa semnificativitatea coeficientilor respectiv . Distributia
asimtotica a acestor statistici este data de legea normala.
Se testeaza daca (sau ) difera semnificativ de zero:

utilizand statistica ce urmeaza asimtotic legea normala N(0,1).

Pentru un nivel de semnificatie , daca atunci ipoteza nula
H0 nu se respinge. Prin urmare variabila corespunzatoare se eliminina din model, si se
respecifica respectiv reestimeaza modelul.
Pentru teste asupra coeficientilor se pot utiliza aici si alte teste precum testul Wald,
sau teste de tip LM (Multiplicatorul lui Lagrange) pentru omisiunea unor variabile, teste
de stabilitate a coeficientilor.
b) Teste privind reziduurile
Daca modelul este bine specificat, atunci reziduurile din modelul estimat sunt generate
de un proces de tip zgomot alb (succesiune de variabile aleatoare independente, identic
repartizate), cu medie zero si normal distribuit.
Autocorelarea reziduurilor. Pentru detectarea unor dependente in seria reziduurilor se
examineaza functia de autocorelatie si de autocorelatie partiala a reziduurilor.
Daca reziduurile sunt necorelate, atunci acesti coeficienti nu trebuie sa fie semnificativ
diferiti de zero.
 Se utilizeaza statistica student ce converge asimtotic la legea
normala , cu varianta estimatorului coeficientului de autocorelatie estimat

prin . Pentru un nivel de semnificatie , ipoteza necorelarii

reziduurilor nu se respinge daca sau

echivalent . Identic decurge si testarea semnificativitatii

autocorelatiilor partiale ale reziduurilor.
In acelasi scop se utilizeaza si teste mai puternice de autocorelatie. Acestea sunt teste
globale de semnificativitate a coeficientilor de autocorelatie a rezidurilor. Pentru
formularea deciziei staitistie se poate utiliza testul Ljung-Box sau statistica Q.:
Q= T(T+2) suma j=1 la M din rj la a2a / T-j -> Xla a2a (M-p-q)
In cazul in care Qcal>X la a2a tabelar atunci se respinge ipoteza nula si in aceasta
situatie este necesara respecificarea modelului.
In cazul in care Q nu difera semnificativ de zero, primele M autocorelatii sunt
nesemnificative. In practia M se considera arbitrar, luand valori intre 10 si 20.
5. Elaborarea previziunilor cu ajutorul modelelor ARIMA
Odata elaborat si validat, modelul ARIMA este utilizat pentru generarea de previziuni. Se
elaboreaza:
a) previziuni punctuale
b) intervale de previziune.
a) Previziuni punctuale
Pentru un orizont de previziune h, atasam momentului T+h, unde T este originea efectuarii
previziunii, variabila aleatoare . O previziune punctuala, notata este data de media (sau
speranta matematica) variabilei , aceasta medie fiind conditionata de istoricul variabilei. In
general

Previziunile se obtin in baza informatiilor disponibile pana la momentul T. Previziunile

punctuale se obtin pas cu pas, pentru calculul unei previziuni fiind necesare valorile previzionate
aferente perioadelor anterioare pentru termenii autoregresivi dar si pentru erorile .
Reguli de urmat:
- termenii autoregresivi pentru (adica se substituie cu
previziunile obtinute la pasii anteriori;
- termenii autoregresivi pentru se inlocuiesc cu valorile inregistate, aici
fiind cunoscuti termenii seriei ( , , );
- termenii eroare pentru (adica ) se inlocuiesc cu zero, (se
inlocuiesc cu media acestora , deoarece erorile sunt de tip zgomot alb, cu media 0;
previziunile optime sunt date de media acestora).
- termenii eroare pentru (adica ) se inlocuiesc cu reziduurile
estimate din model (spre exemplu , pentru .

6. Se considera modelul ARMA(1,1):

lungimea seriei fiind T=70 iar iar reziduul aferent ultimei observatii
este . Previziuni punctuale:
h = 1;

h=2; .

7. Modele de tip autoregresiv, medie mobile ptr evolutii

sezoniere ARIMA
S-perioada comp. sezoniere
Daca seria este nestationara relativ la component sezoniera(amplitudinea oscilatiilor
creste sau scade), at se det diferenta de ordin 1:xt=yt-yt-1;
D=nr de dif sezoniere necesare
Ptr id se parcurg urm. etape:
a)se id.o combinatie de val.plauzibile ptr d si D care stationeaza seria
b)din graficele fct.de autocorelatie rspectiv autocorelatie partial a seriei stationalizate
prin dif, se id.val.plauzibile ptr gradele polinomului autoregresiv(p), a pol.medie mobile
(q), respectiv a gradelor polin.autoregresive sezoniere(P) si a pol.medie mobile(Q).
Q(L^s)=1-a1L^s - a2L^2s-…-apL^ps;
θ (L^s)=1-b1L^s - b2L^2s-…-bqL^qs;
Sp ca avem un model SARIMA(p,d,q)(P,D,Q)
Ordinele pol P,Q sunt id.in mod similar ca p si q pe baza fct de autocorelatie rk
respective autocorelatie partial ck, k=s,2s…

8. Modele de tip ARCH

 Engle(1982)a introdus ptr prima data acest tip de model considerand ca varianta er
depinde de termenul yt-i si (εt-i)^2, iar in aceasta situatie avem:-ext.medie conditionata
ce poate include si variabile exogene; -ect. variantei condit.
Modelele ARCH sunt utilizare in domeniul financiar(ev.ratei inflatiei, ratei dobanzii)
Volatilitatea ridicata a acestora apare deseori in perioada cu tulburente politice sau
economice sau ca rasp.la anumite ev.punctuale.
Engle a propus un model de tip ARCH specificat prin intermediul primelor 2 momente
conditionate:E(rt/(Rt-1)^P)=gt(rt-1, rt-2,…rt-p); var (rt/(Rt-1)^P)=ht(rt-1, rt-2,…rt-p);
(Rt-1)^P={ rt-1, rt-2,..,rt-p }.
Initial variant vonditionata a fost repr.ca o medie ponderata a patratului er. εt=rt-
E(rt/(Rt-1)^P), adica in fct de socurile trecute, acesta fiind de forma ARCH(p).
Var(rt/(Rt-1)^P)=w+sum αi(εt-1)^2.
Modelele Garh st applicate in mod frecv in dom financiar. Forma generala:
(σt)^2=w+sum αi(εt-i)^2+sum βj (εt-j)^2.

9. Modele de tip VAR si de tip VECM

1. Metodologia VAR
Presupunem că procesul care a generat seriile de timp Yt = (y1t, y2t, ..., ynt )’ este o sumă
dintre un trend deterministic şi o parte pur stohastică: Yt = µt + xt. Unde µt este partea
deterministică şi xt este un proces stohastic de medie zero. Componenta deterministică poate fi
zero (µt = 0) poate fi o constantă (µt =µ0) sau poate avea o tendinţă liniară (µt = µ0 + µ1 t).
Partea stohastică Xt = (y1t, y2t, ..., ynt )’ este generată de un proces VAR de ordinul p,
(VAR(p)) conform formulei:
Yt = C + A1 Yt-1 + A2 Yt-2 + ...+ Ap Yt-p + ut,
unde t= 1, ..., T; este lungimea seriei de timp;
n este numărul de variabile endogene;
C= (c1, c2, ..., cn)’ este un vector de constante;
A1, A2, ..., Ap sunt matricile coeficienţilor variabilelor lag şi au dimensiunea (nxn);
ut are dimensiunea (nx1) şi este un vector de erori necorelate şi cu media zero (zgomot alb).
Estimarea ecuaţiilor VAR
Se consideră modelul VAR (p) discutat anterior: Yt = C+ A1 Yt-1 + A2 Yt-2 + ...+ Ap Yt-p
+ ut Cea mai simplă metodă de estimare a ecuaţiilor este metoda celor mai mici pătrate. În cazul
în care procesul este stabil (I(0)) estimatorul metoda celor mai mici pătrate produce estimatori
care tind asimptotic către distribuţia normală.
Se începe cu specificarea modelului, prin alegerea variabilelor dependente care vor fi
modelate.
Numărul de variabile endogene care pot fi modelate simultan este limitat de numărul de
observaţii disponibile.
Alegerea numărului de lag-uri se face cu ajutorul criteriilor informaţionale.
 2.Metodologia VEC
Dacă variabilele Yt ~ I(1) iar anumite variabile sunt cointegrate atunci modelul Var, nu este
cea mai bună reprezentare a procesului, deoarece nu conţine relaţia de cointegrare în mod
explicit. În acest caz, modelul poate fi re-parametrizat prin scăderea lui Xt-1 din ambele părţi ale
ecuaţiei şi se obţine ecuaţia:
∆Xt = Π Xt-1 + Γ1 ∆Xt-1 + ...+ Γp-1 ∆Xt-p+1 + ut
unde Π = - (In- A1 - ...- Ap) şi Γj = - (Aj+1 + ...+ Ap) pentru j=1, ..., p-1.
Această formă funcţională este cunoscută sub numele de forma de model de corecţie a
erorilor (VEC) a VAR-ului de ordin p.
Estimarea ecuaţiilor VEC
Considerăm un model VE fără termen deterministic: ∆Yt = α β’Yt-1 + Γ ∆Yt-1 + ... + Γp-1
∆Yt-p+1 + ut
Modelul poate fi rescris în forma matriceală compactă astfel: ∆Y = α β’ Y-1 + Γ∆ X + U
Pentru rezolvarea modelelor de tip VEC se foloseşte metoda verosimilităţii maxime şi
metoda celor mai mici pătrate generalizate. Estimatorul metodei celei mai mici pătrate pentru Γ
are forma următoare:
Γ(α β’) = (∆Y – α β’Y-1) ∆X’ (∆X ∆X’)-1