ARMA, COINTEGRARE(PIB, ISD)

Modelare ARMA PIB

Pentru a analiza seria de timp a variabilei PIB, am ales perioada de timp 1990-2016, iar in
ceea ce urmeaza vom analiza si modela modelele ARMA pentru a putea studia cointegrarea
dintre seriile de timp PIB, ISD, urmarind influenta acestor doua variabile, una asupra celeilalte.
 Putem observa ca autocorelatia simpla, ACF, incepe cu o valoare de 0.938 si descreste
lent, ceea ce insemna ca seria PIB logaritmata este nestationara.

Autocorelatia partial incepe cu o valoare de 0.938 si scade brusc incepand cu lag.ul

al doilea.
Se poate observa ca seria este nestationara si prin faptul ca Prob=0.9427 >0.05

Pentru a stationariza seria noastra si sa putem continua analiza, vom diferentia seria.

Rezultatul diferentierii:
 H0: Seria este stationara

H1: Seria este nestationara

Prob=0.0048 < 0.05 ceea ce inseamna ca se accepta ipoteza nula, H0, si se respinge ipoteza
alternativa H1, conform careia seria noastra este stationara.

Cu ajutorul testului Kwiatkowski-Phillips-Schmidt-Shin, vom determina daca seria noastra este

nestationara in medie sau in dispersie.
Ipoteze: H0: Seria are un trend determinist
H1: Seria are un strend stochastic
 Valoarea testului este 0,166397 < 0,739000 ceea ce inseamna ca se accepta ipoteza nula
conform careia seria noastra are un trend determinist.

In urma testelor aplicate putem spune ca seria noastra este integrata de ordinul 1, log_PIB
~ I(1), deoarece log_PIB nu a fost stationara, dar in urma diferentierii de ordinul 1 aceasta serie a
devenit stationara.
dlog_PIB ~ ARIMA(p, d=1, q)

In urmatorul pas dorim sa modelam seria de timp stationara dlog_pib folosind un

model ARMA(p,q), AR(p), MA(q):

 Pmax=max{k|PACF diferit de 0}=0

 Qmax=max{k|ACF diferit de 0}=1

Pentru seria noastra stationara dl_gdp1 trebuie sa estimam toate modelele ARMA(p,q)
unde:

p=0 si 0<=q<=1.

Vom aplica modelele: ARMA(0,0), ARMA(0,1).

 ARMA(0,1)

ARMA(0,0)

ARMA(0,0) ARMA(0,1)
AIC -0.781306 -0.829831
BIC -0.732917 -0.732303
HQIC -0.767372 -0.802768
Log likehood 11.15697 12,37267
Adjusted R Square 0.000000 0.120276
Este modelul semnificativ la un nivel de DA NU
incredere de 5%?
Sunt parametrii c DA DA
modelului AR() DA
semnificativi statistic? MA() DA
Seria reziduurilor este sunet alb? DA DA

Pentru alegerea modelului cel mai bun trebuie sa avem in vedere urmatoarele
criterii:

 AIC, HQIC cele mai mici valori

 Log likehood, Adjusted R Squared cele mai mare valori
 Model semnificativ statistic
 Parametrii modelului semnificativ diferiti de 0
 Seria reziduurilor sa fie zgomot alb

In urma compararii valorilor, modelul ARMA(0,0) este cel mai bun.