1.Notiunea de serie de timp stationara. Caracteristici.

Seria stationara – concept abstract/ideal, definit in sens restrans/larg.

O serie de timp este stationara in sens restrans, daca repartitia vector aleator )
cu i=1,n depinde numai de diferenta dintre momente. Daca pentru orice , vectorul
) are o repartitie identica cu vectorul + ).

Daca media valorilor E ) este constanta pentru orice valoare a lui t, in economie,
seriile de timp nu sunt stationare. Pentru a le stationariza este necesar sa se elimine
componenta trend, oscilatii sezoniere(ciclice).

O serie de timp este stationara in sens larg, daca sunt satisfacute conditiile:

 Media seriei ) este constanta.

 Matricea de corelatie a vectorului aleator + + ) nu depinde
de .
O serie de timp care prezinta o tendinta de evolutie este nestationara.

2.Notiunea de serie de timp nestationara(S.N) si caracteristicile ei, S.N.O, S.N.N:

2+16+17

Definitie:
 Un process este nestationar: dc nu verifica 1/m cerinte de definire a procesului
stationar(Media/Varianta nu sunt constante in timp)
 Serie nestationara in medie dc nu este cst in timp.
 Serie ce prezinta tendinta determinista(ce poate fi modelata prin fct elementara)
este nestationara.

Caracteristici:
S.N se regasesc in situatia:

a) Seria prezinta medie ce nu este const in timp sau o tendinta liniara =>S.N OMOGENA
 b) Seria prezinta variatii neconst ale termenilor de la o perioada la alta=>S.N
NEOMOGENA

a) S.N OMOGENA:
Pt a stabili dc seria este stationara se calc coef de autocorel/partial. Valorile calc
sunt testate pt a decide dc val fct de autocorel(ACF) difera semnificativ de 0 sau dc
exista valori successive sensibil egale.

 Se determina coef řh
 Se testeaza semnificatia acestuia cu testul STUDENT
 Se stabileste incepand de la ce ordin coef de autocorel != 0
 Dc se identifica ordin=cst => pt a obt S.S. se utilizeaza operator de
diferentiere de ordin d =>S.S cu termini:

b)S.N NEOMOGENA:

In acest caz : atat media cat si disperia sunt variabile in timp.

 Pentru stationalizare se aplica intr-o prima etapa o transformare a seriei prin

logaritmare.
 Seriei transformate I se aplica procedeele de la S.N.O.
 Transf seriei prin logaritmare este un caz particular al transf BOX-COX.
 Trans de tip B-C:
  Pentru alegerea optima a prametrului λ, se utilizeaza pt acele mai multe val, apoi se
alege acea val care conduce la cea mai mica suma a patratelor rezidurilor.
 In egala masura λ poate fi deter prin VEROSIMILITATE MAXIMA.
 Transf datelor prin log se aplica in cazul in care coef de var ai seriei sunt cst in timp(
media si abaterea medie patratica sunt proportionale in timp)

 Prin utilizarea modelelor autoregressive se urmareste stationaliz.

 Procesele nestat. pot fi clasif in:
 PROCESE NESTAT. DE TIP DETERMINIST (TS)
 PROCESE NESTAT DE TIP STOHASTIC(DS)

3. Notiunea de serie de timp “zgomot alb”: continut, proprietati

O serie de timp (xt)t=1,n se numeste zgomot alb daca este un proces stationar cu medie
nula, iar coeficientii de autocorelatie satisfac urmatoarea proprietate:

Proprietati:
1. E(ɛt)=0
2. var(ɛt)=σ2
3. cov(ɛt, ɛs)=0

4.Particularitatile unei serii de timp

Seriile de timp sunt de mai multe categorii:

a) Dupa momentul inregistrarii datelor (t)

i. De momente (de stoc) – nu sunt insumabile
 ii. De interval (de flux) – insumabile
b) Dupa modul de exprimare a indicatorilor prezentati intr-o serie de timp
i. In marimi absolute
ii. In marimi relative
iii. In marimi medii
5.Interdependenta termenilor unei serii de timp

In definirea unei serii de timp pentru un fenomen socio-economic trebuie sa se respecte

urmatoarele cerinte metodologice:

a) Omogenitatea termenilor
b) Interdependenta dintre termenii seriei
c) Comparabilitatea termenilor seriei
Fiecare termen al unei serii de date depinde intr-o anumita masura de unul sau mai multi
termini inregistrati intr-o perioada anterioara. Aceasta dependent inertiala cnduce la
tendita obiectiva.

Poate fi exprimata formal astfel: )

k= nr de termini din perioada trecuta care au influenta asupra val prezente xt .

In analiza unei serii de timp trebuie facuta distinctive intre 2 conexiuni:

corelatia(conexiuna), temporala si cea cauzala.

In cazul primelor serii cu conexiune temporala e necesara ordonarea valorilor unei

variabile dupa succesiunea lor in timp.

In cazul celorlalte avem urm situatie: daca un veniment A s-a produs dupa un eveniment B,
atunci eliminarea evenimentului B duce implicit la eleiminarea ev A.

Analiza unei serii de timp trebuie sa ia in considerare conexiunea cauzala, dar si

coneziunea temporala.

A = valoarea variabilei x la momentul t

B = valoarea variabilei x la momentul t-1

P(A), P(B) = probablitatea de producer a evenim A|B

P(A|B) = probabilitata conditionata a.i. evenimentul A sa fie precedat in timp conditionat de

ev B

Conexiunea cauzala probabilista o definim

P ( X = Xt / X = Xt-1 ) > P ( X = Xt )
Interdependenta termenilor se manifesta prin autocorelarea termenilor seriei. Existeta
unei autocorel puternice intre termini, creeaza dificultati in estimarea parametrilor funct
de ajustare(regresie).

O modalitate empirica de detectare a autocor este reprez grafica. Confirmare/infirmare

autocor se asigura prin calculul coef de autocorel de forma:

∑ ̅̅̅) ̅̅̅) )

√∑ ̅̅̅) ∑ ̅̅̅)

k= nr de perioade prin care se separa perchi de valori

(∑ ) (∑ )
̅̅̅ ̅̅̅

Pentru o serie stationala(x1 mediu – x2 mediu) coef de autocorelare:

∑ ̅̅̅̅) ̅̅̅̅)
∑ ̅̅̅̅)

∑ ) )
Daca x mediu = 0 valoarea
∑

6. Modele liniare de regresie cu variabila timp. Previziuni punctuale si pe intervale.

Dupa determinarea modelului de ajustare, a valorii ajustate, modelul liniar se

utilizeaza pentru previziune pe orizont de timp. Valorile prognozate pot fi punctuale
sau cuprinse in intervale de previziune.

Prognoza punctuala pe un orizont de timp - se realizeaza prim metoda extrapolarii,

ce are la baza ipoteza: Conditiile de manifestare a fenomenului pe o perioada de timp se
pastreaza si pe orizont de prognoza.

In cazul estimarii punctuale a unei valori viitoare, prelungim valorile variabilei timp
pe orizont de prognoza si introducem valorile variabilei in model de regresie.

)
 OBS: Pentru estimare punctuala calitativa este necesar ca lungimea seriei de timp
sa fie mare, iar orizontul de prognoza mic.

Prognoza pe interval – intervalele de estimare a valorii din viitor se construiesc

tinand seama de eroarea de previziune, data de relatia
Aceasta are caracter de variabila aleatoare, cu proprietatile:

 Medie nula: E( )
)
 Sub ipoteza∑ , varianta lui este: Var( ) )
∑

 Sub ipoteza ca var reziduala ( ) este normal distribuita iar este

estimatorul variantei var. reziduale (MCMMP – estimatori) atunci

)
-repartitie Student

!!!Fixand pragul de semnificatie al inetrvalului de estimare al valorilor unor

variabile pe orizont de timp:

Etapele prezentate la modelul liniar raman valabile si la modelul neliniar.

OBS: Lungimea intervalului de previziune este influentata direct de:

 Marimea pragului de semnificatie

 Marimea orizontului de prognoza (h)
7.Modele liniare de regresie cu decalaj

 Valorile unei serii de timp sunt realizari ale unui complex de factori de influenta.
 Fiecare valoare Xt este influentata de niv caract X din per anterioara.
 Considerand ca niv present al var X este influentat direct de val inreg. in ultimile k
per, atunci MODELUL LINIAR DE REGRESIE are forma:

 Model autoregresiv de ordin k: AR[K]

Ex: AR[1]=> Xt=α0 +β1*Xt-1 +ξt

Variabila reziduala care indeplineste

 Pt estimarea param modelului anterioripotezele
se apeleaza
mod.laclassic
MCMMP =>
de regresie

 In conditiile respect ipoteze ce stau la baza modelului de regresie, isi pastreaza

valab prop pe care le au estimatorii param liniari de regresie.

8.Modelul logistic in analiza seriilor de timp. Utilizare, functii, proprietati, modalitati

de estimare a paramatrilor

Se utilizeaza cand seria de timp are o lungime mai mare (>10).

Se vor determina 3 estimatori pe baza sistemului de ecuatii:

Xti = f(ti) ; i={1, 2, 3}

Cele 3 puncte alese trebuie sa respecte ipotezele:

1. Cele 3 momente de timp sa fie echidistante intre ele: t2-t1 = t3-t2

2. t2 sa corespunsa valorii centrae din cadrul seriei
3. t3 este des la finalul seriei de timp
Notam cu xi (i=1,2,3) valorille var x ce corespund acelor valori de pe axa timpului.

Rezolvand sistemul ec de obtin 3 stimatori ai modelului logic:

) ̂
̂ ̂

̂ )
̂
̂ )

8. Modelul logistic in analiza seriilor de timp. Utilizare, functii,

proprietati, modalitati de estimare a paramatrilor
Se utilizeaza cand seria de timp are o lungime mai mare (>10).

Se vor determina 3 estimatori pe baza sistemului de ecuatii:

Xti = f(ti) ; i={1, 2, 3}

Cele 3 puncte alese trebuie sa respecte ipotezele:

1. Cele 3 momente de timp sa fie echidistante intre ele: t2-t1 = t3-t2

2. t2 sa corespunsa valorii centrae din cadrul seriei
3. t3 este des la finalul seriei de timp
Notam cu xi (i=1,2,3) valorille var x ce corespund acelor valori de pe axa timpului.

Rezolvand sistemul ec de obtin 3 stimatori ai modelului logic:

)
̂

̂
̂

̂ )
̂
̂ )
9.Modele de analiza sezonalitatii din seriile de timp. Utilizarea testului Fisher de
analiza a sezonalitatii

Pentru masurarea componentei sezoniere se poate utiliza si testul Fisher. Utilizat pentru a
testa semnificatia influentei factorilor sezonieri in modificarea termenilor seriei de la o
perioada la alta.

Y = ( Y ij ) ; i=1,n, j=1,p

Pentru aplicare test se parcurg urmatoarele etape:

1. Se inreg valori seriei de date sub forma matrice

linii = date din fiecare an
coloanele = date pe toate perioadele

Trim An

1 2 3 …. J …. P ̅̅̅̅

II

II Y31 Y32 Y33 … Y3J … Y3P

̅̅̅̅

Y ij = S ij + A ij

Observatie: Seria are o forma matriceala

βj = component prin care se cuantifica actiunea factorilor sezonieri ce au influenta la

nivelul fiecarei perioade
αj = modificarea sistematice de la an la an
Aij = valori reziduale cu ~N(0,σ^2) independente intre ele

Seria de timp se poate reprezenta prin tabel:

Yij = σi + βj + Aij
σi = modificarea anuala
βj = modificarea sezoniera
1. Se aplica analiza variantei seriei de date de forma matriceala (ANOVA). Se vor det
mediile si sumele patrate alea abaterilor termenilor de la medii

 La nivel fiecarui an se det pt fiecare linie: media, suma patratelor abterilor

̅̅̅̅ ∑

∑ ̅̅̅)
{

 Pe ansamblul seriei, media, suma abaterilor:

̅̅̅ ∑∑

∑∑ ̅)
{

2. Se testeaza ipoteza:
H0 : βj = 0 (nu influenteaza)
H1 : βj != 0 (influenteaza)

H0 corespunde cazului in care factorii sezonieri nu au influenta semnificativa

Pentru definirea statisticii testului pornim de la egalitatea:

̿ ̿) ( ̿) ̿ ̿)

∑ ̿) ∑ ̿) ∑∑ ̿ ̿)

̿ ̿)

Sa = variant nivel an
Ss = efectul factorilor sezonieri
Sr = reziduala
 Pe baza marimi calc -> tabel sinteza

Factor SS Grade de lib Variante Statistica

Sezonier Ss p-1 F1 = Ss/Sr * (n-1)(p-1)/(p-1)

Annual Sa n-1 F2 = Sa/Sr * (n-1)(p-1)/(n-1)

Rezidual Sr (p-1)(n-1) ) )

Total S n*p-1

Luand in considerare tabelul decidem: Masura in care factorii sezonieri au influenta

semnificativa in variatie de la trimestru la altul:
F1 > Fα ; p-1;n-1,(n-1)(p-1) => accept H1
10.Metoda de netezire exponentiala simpla

Utilizate pt atenuarea fluctuatiilor aleatoare (ε) din datele seriei de timp.

 Valoarea netezita coresp unei valori observate sn St(Yt -> St)

Valoarea ajustata -> previziune var Y la momentul t pentru orizont h ( ̂ t (h))
 Previziunea pt urm per o consideram eala cu val netezita curenta ̂ t(1) = St
 Daca ST este generate de process stationar(process aflat in echilibru in jurul unei const)
atunci media ultimilor t termini ai ST , utilizata pt a genera previziunea: ̂ t (1) = ̅ = (Yt
+ Yt-1 + …+ Y1) / t
 Daca seria contine doar tendinte si componente aleatoare, atunci o medie mobile poate
fi considerate previz pentru urm perioada :
̂ t (1) = St = (Yt + Yt-1 + …+ Yt-k-1) / k
 Gradul de netezire al unei ST este mai mare pe masura de K creste. Termenii seriei
netezite sunt generate de o relatie de recurenta:
St = St-1 + (Yt – Yt-k) / k

Pt primii k termini din serie nu se pot det valori netezite in mod coresp. In acest caz, nr
termenilor din medie ramane const, o extensie naturala a acestei abordari(previz cu
medii mobile) o constitue previz elaborate pe baza medii mobile ponderate:

̂ )
 ∑

De regula ponderile allocate obs recente sunt mai mari. Vom aborda o clasa de metode
ce apeleaza la ponderi descres exponential, pe nasura ce obs sunt mai indepartate in
timp.

Aceste metode, in previz prezinta avantaje:

-reduce interventia celui care efectueaza previz, putand fi applicate sic and lungimea
seriei de timp este mai scurta
-nu necesita explicit separare comp deterministe : sezonalitate
Metodele din aceasta clasa implica folosirea unor coef de netezire care apartin
intervalului (0,1), prin intermediul carora sunt allocate ponderi inegale termenilor ST

10. Metode de netezire exponentiala simpla

Utilizate pt atenuarea fluctuatiilor aleatoare(ε) din datele seriei de timp. Valoarea netezita
corespunzatoare unei valori observate se noteaza

Valoarea ajustata: previziune a var. y la momentul t pentru orizontul de timp h-> (h).

Previziunea pentru urmatoarea perioada o consideram egala cu valoarea netezita curenta

)

Daca ST e generata de un proces stationar(proces aflat in echilibru in jurul unei constante)

atunci media ultimilor t termeni ai ST, utilizata pt a genera previziunea:

)= ̅ = ( )

Daca seria contine doar tendinte si componente aleatoare atunci o medie mobila poate fi
considerata previz. pentru urmatoarea perioada:

)= = ( )

Gradul de netezire al unei ST e mai mare pe masura ce k creste. Termenii seriei netezite
sunt generati de o relatie de recurenta:

= )

Pentru primii k termeni din serie nu se pot determina valori netezite in mod
corespunzator. In acest caz, nr de termeni din medie ramane constant, o extensie naturala a
acestei abordari (previz cu medii mobile) o constituie previziunea elaborata pe baza mediei
mobile ponderate:

De regula ponderile alocate observatiilor recente sunt mai mari. Vom aborda o clasa de
metode ce apeleaza la ponderi descresc. exponential, pe masura ce observatiile sunt mai
indepartate in timp (metoda de netezire exponentiala)

Aceste metode, in previziune prezinta avantaje:

- reduce interventia celui care efectueaza previziunea, putand fi aplicate si cand lungimea
ST e mai scurta

-nu necesita explicit separarea componentelor deterministe (tendinta, sezonalitate)

11. Metoda de netezire exponentiala simpla pentru serii de timp stationare.

Metoda este adecvata pentru previzionarea seriilor de timp ai caror termeni
fluctueaza aleator in jurul unei constante (stationari in medie), nu au componenta
sezoniera.

Consideram t=moment curent, pt a previziona utilizam date pana la momentul

t{ }

c ) c c = constanta de netezire;

Relatia de recurenta se aplica succesiv pentru fiecare observatie din seria de timp.

Valoarea previzionata se determina ca o medie ponderata intre valoarea

curenta si previzunea precedenta .

C=1 => Valoarea previzionata =

 Atunci cand se utilizeaza in scopul netezirii, valoarea netezita este asociata valorii
, se genereaza relatia de recurenta:

Pentru perioada observata, seria de timp cu val. Previz. { }=

{ reprezinta seria de valori netezite.

Implicatiile metodei devin mai evidente daca utilizam succesiv relatia anterioara de
recurenta pentru { }

medie aritmetica ponderata a tuturor observatiilor;

ponderea fiecarei observatii creste exponential pe masura ce ne indepartamm de

perioada prezenta:

poncere c )

pondere c c-1)

pondere ) – cea mai mare pondere

O alta forma a relatiei: )

= e (eroarea de previz. la momentul de timp t)

Se observa ca previziunea pentru urmatoarea perioada este egala cu valoarea

curenta ajustata in functie de ultima eroare de previziune.

Utilizarea oricarei metode ale relatiei de recurenta necesita:

 - O valoare initiala (de regula consideram prima valoare observata)
- O valoare necesara pentru c( daca c->1, se acorda pondere mare observatiilor
recente)

In previzionare, functia obiectiv este min. patrate

∑ ) ∑

12.Metoda Halt de netezire exponentiala pt serii cu tendinta si sezonalitate

 Metodele de netezire exponentiala simple au fost extinse de Halt pt serii cu tendinte

si comportament aleatoriu.
 Ajustarea seriei in vecinatatea originii prev. se face cu o dreapta, tendinta fiind
presupusa liniara pe portiuni.

Ŷt+h = at +h*bt
Ecuatia dreptei
 Conform unor relatii de recurenta =>
PANTA DR.

TERMENUL
LIBER

 At cand devine disponibila o noua obs, parametrii fct se ajusteaza conform rel de
recurenta prezentate.
 Cst de netezire α si β sunt de regula determ din cond de maximizare a patratelor
erorilor de previziune.
  Previzionarea in afara perioadei obs se studiaza pe dr cu param ultimei estimatii:

13. Metode Holt-Winters de netezire exponentiala pentru serii cu tendinta si

sezonalitate.
Aceasta metoda presupune utilizazrea a trei ecuatii de recurenta si prin urmare, a 3
constante de netezire, una pt. nivelul seriei, una pt. panta dreptei de tendinta si una pentru
coeficientii de sezonalitate.
Notam cu p = perioada componentei sezoniere. Tendinta modelata printr-o dreapta se face
in mod similar cu metoda Holt. Modelul de descompunere al seriei (aditiv/multiplicativ) ->
modelul Holt-Winters are doua variante de aplcare.

a) Pt model multiplicativ
previziunile sunt elaborate pe baza unei ecuatii de forma:

at = nivelul seriei
bt= panta dreptei de tendinta
St=componenta sezoniera

Acesti parametri (valorile lor) sunt generate de:

-> poate fi reprezentata prin indicii de sezonalitate.
Cele 3 constante, alfa, beta si delta sunt determinate din conditia de minimizare a erorilor e
previziune. Au valori in intervalul (0,1).

b) pentru modelul aditiv

Avand in vedere compunerea aditiva a componentelor seriei, previziunea se genereaza pe

baza ecuatiei:

14. Autocorelarea termenilor unei serii de timp. Functia de autocorelatie

(ACF).
Datorita importantei pe care o are -> calculul utilizeaza si interpretarea ACF si a
ACF partiala. (PACF)

Consideram un proces stationar, ACF se defineste prin:

OBS:

 Pentru o serie stationara, ACF este para ) (trecut)

 Pentru h={1,2}, coeficientii de autocorelatie sunt:
 Coef de corelatie liniara intre si

 Pentru un proces sto astic “zgomot alb” ACF

-> variabilele nu sunt corelate

Estimarea ACF
 Este importanta pentru identificarea unui model ARIMA
 Estimarea ACF presupune calculul coeficientilor de auto-cor(liniara) pentru fiecare
cuplu ( , )
h=1 ( , )
h=2 ( , )

h=M ( , )

 Serie cronologica ( ) – esantion in timp

poate fi considerat valoare aleatoare
 In ipoteza stationaritatii, media/varianta pot fi estimate utilizand
media/varianta de esantioane.

1.

2. Testarea semnificatiei coeficientuui autocor ( )

Se utilizeaza testul Student
 In afara de testul Student, se poate utiliza testul Bartlet:

3. Decizia – pentru un nivel de semnificatie , nu se respinge daca:

15. Functia de autocoelatie partiala(PACF): continut, coeficienti de

autocorelatie partiala, estimarea coeficientilor, testarea semnificatiei
acestora.
Deseori, corelatia dintre 2 variabile este determinata de faptul ca ambele sunt
corelate cu o a 3-a variabila. In aceasta situatie, o mare parte din corelatia yt si yt-h poate
aparea ca urmare a unui efect indirect de corelare a ambelor variabile cu variabilele
intermediare yt-1, yt-2, ..... yt-h-1.

Pentru a urmari acest subiect se utilizeaza coef de autocorelatie partial care

masoara efectul direct al lui yt-h asupra lui yt izoland termenii anteriori.

Definitia este asemanatoare cu cea a coef de autocorelatie partiala de la

econometrie. Si anume: Coeficientul de autocorelatie partiala dintre 2 variabile separate
prin h unitati de timp ( Ch ) este coeficientul de regresie al variabilei yt-h in modelul
autoregresiv de ordin h.

Acest coeficient masoara informatia aditionala adusa de var yt-h in explicarea

comportamentului prezent yt (cu cate unitati se modifica yt, daca yt-h se modifica cu o
unitate, iar celelalte variabile yt-1, yt-2, ..... yt-h-1 se mentin nemodificate.

Coeficientul de autocorelatie partiala intre yt si yt-2, adica C2, este egal cu coef de
autcorelatie r2  yt si yt-2 nu sunt corelate cu yt-1.

Functia de autocorelatie partiala consta practic in setul coeficientilor de

autocorelatie Ch. Pt h = 1, coef de autocorelatie r1 este egal cu C1(r1=C1).

Coef de autocorelatie partala Ch ε [-1,1].

 Estimarea PACF
O estimare directa a coef de autocorelatie partiala consta practic in estimarea coef
de regresii pt mai multe regresii.

 C1 se estimeaza prin intermediul coeficientului de regresie al variabilei yt-1 in

modelul autoregresiv AR(1) de forma:
yt = a0 + c1yt-1 + Ƹt
 C2 se estimeaza prin intermediul coeficientului de regresie din modelul
autoregresiv AR(2) al var yt-2 de forma:

yt = a0 + a1yt-1+ c2yt-2 + Ƹt
 C3 se estimeaza prin intermediul coeficientului de regresie din modelul
autoregresiv AR(3) de forma:

yt = a0 + a1yt-1+ a2yt-2 + c3yt-3 + Ƹt

 Ch se estimeaza prin intermediul coeficientului de regresie al variabilei yt-h din
modelul autoregresiv AR(h):

yt = a0 + a1yt-1+ a2yt-2 + ... + chyt-h + Ƹt

Testarea semnificatiei coef de autocorel partiala Ch

Acest lucru se realizeaza cu testul Student.

Fixam: H0 : Ch = 0
H1 : Ch ≠ 0

Statistica test: t =
)
Spunem ca convergem asim

19. Procese nestationare de tip TS

Forma generala: YT = Pt + Ƹt
Pt = polinom in raport cu variabila timp
Ƹt = proces stationar ce poate fi reprezentat printr-un proces ARIMA(p, q)
Ex: Yt = α + β t + Ƹt , Ƹt - zgomot alb

Are urmatoarele caracteristici:

 E(Yt) = α + β t dependeta in timp

  Var(Yt) = Var(α + β t + Ƹt ) = E[Yt – E(Yt)]2 = σε2 ( Ƹ 2)
 Cov( Yt , Yt’ ) = 0

Pentru proces, trendul e de natura determinista, iar varianta e constanta in timp.

Efectul produs al procesului s-a observat ca e un soc aleator de natura tranzitorie.

Pentru stationaritatea acestei serii se parcurg urmatoarele etape:

a) Se estimeaza parametrul polinomului Pt prin MCMMP
b) ̂ = yt - ̂ = yt – ( ̂ + ̂ t)

̂ process autoregresiv de tip ARIMA(p, q)

20. Procese nestationare de tip DS fara deriva

Procesele nestationare de tip DS sunt reprezentate printr-o relatie de forma:
Yt = Yt-1 + β + εt => Yt - Yt-1 = β + εt ; εt zgomot alb, β constanta

In raport cu β, procesele nestationare DS sunt: - fara deriva

- cu deriva

Caracteristicile proceselor DS fara deriva

 Constanta β este nula;

 Se reprezinta prin egalitatea: (1 - ) Yt = εt

Pentru a determina caracteristicile acestui proces, relatia de mai sus devine

Yt = Yt-1 + εt = (Yt-2 + εt-1 ) + εt

Yt = Y0 + (ε1 + ε2 + .....+ εt), Y0 o reaizare initiala a variabilei Yt
Procesul are urmatoarele caracterictici:

o E(Yt) = ct in timp
E(Yt) = E[Y0 + ∑ ]=0
o Var(Yt) = nemarginita, fiind dependenta de variabila timp
Var(Yt) = Var(Y0 + ∑ ) = t σε2
o Cov( Yt , Yt’ ) = Cov( Y0 + ∑ , Y0 + ∑ ) = min(t, t’)* σε2
Pentru stat. unui proces de tip DS se aplica,in general, operatia de diferentiere de ordin I.
21. Procese nestationare de tip DS cu deriva
Procesele nestationare de tip DS sunt reprezentate printr-o relatie de forma:
Yt = Yt-1 + β + εt => Yt - Yt-1 = β + εt ; εt zgomot alb, β constanta

In raport cu β, procesele nestationare DS sunt: - fara deriva

- cu deriva

Caracteristicile proceselor DS cu deriva

 Constanta β este diferita de 0;

 Forma generala: Yt = Yt-1 + β + εt => Yt = Yt-2 + β + εt -1 + εt = ... => Yt =
Y0 + t*β + ∑

Procesul are urmatoarele caracterictici:

o E(Yt) = Y0 + tβ variabila in timp

o Var(Yt) = Var(Y0 + tβ + ∑ ) =t σε2 variabila in timp
o Cov( Yt , Yt’ ) = min(t, t’)* σε2 nenula
Pentru stat. unui proces de tip DS se aplica,in general, operatia de diferentiere de ordin I.

22. Noțiunea de mers aleator în studiul seriei de timp

Un alt tip de proces nestaționar este generat de o ecuație de tipul AR(1) cu coef. variabilei 1

Yt=a0+Yt-1+εt sau Yt=Yt-1+εt

Acesta se numește mers aleator și în evoluția acestuia se observă perioade cu aparente

tendințe de creștere sau descreștere care apoi își schimbă brusc direcția. Spunem că un
astfel de proces are tendință stohastică , fiind rezultatul acumulării unor șocuri aleatoare ce
nu au o bază sistematică. Aceste evoluții sunt specifice variabilelor financiare și seriilor
care redau evoluția cursului unor acțiuni.

Varianța unui proces de tip mers aleator fără termen liber nu este constantă și crește odată
cu t, iar pentru forma cu termen liber atât media cât și varianța variază în timp.
Mersul aleator constituie un prototip pentru o clasă de procese nestaționare numite
procese integrate. În acest caz, după o singură diferențieire, seria devine staționară.

23. Modelul autoregresiv (AR): functia de autocorelatie ACF, continut

caracteristici, proprietati.

Functia de autocorelatie ACF

Condiseram un proces stationar, ACF se defineste prin:

Observatii:
 Pentru o serie stationara, ACF este para(rh = rh-1)
 Pt. h=1 si h=2, coef de autocorelatie sunt
 Pt. rh
Coef de corelatie
liniara intre Yt si
Yt-1.
Rh -1, 1]

 Pt h= 0

Pentru un proces stohastic de tip zgomot alb ACF devine

 Variabilele nu sunt corelate intre ele.

A. Condiseram model AR ordin I: AR(1) sau ARIMA(1, 0 ,0)

Yt = a0 + a1 Yt-1 Ƹt ; |a1| < E Ƹt) Var Ƹt) =
 Proces stationar daca coef |a1| < 1 -> proces de tip zgomot alb
|a1| > 1 -> proces nestationar, evolutie exponentiala
|a1| =1 -> proces cu evolutie, mers aleator
Fara a restrange generalizarea A ) cu medie daca μ se realizeaza
substitutie xt = yt – μ)
Yt = a1 Yt-1 Ƹt ; |a1| < 1

ACF a unui proces AR(1) are expresia

 |a1| < 1 -> covarianta foarte mare, atunci γk =

 Var(Yt) = γ0 = =>
o |a1| =1 -> proces stationar, mers aleator

o |a1| >1 -> rk descreste expon

o |a1| <1 -> rk descreste sinus

Proces AR(1) cu termen liber:

Utilizand scrierea cu L, model AR(1):

(1-a1 L )Yt = Ƹt
|a1|<1  Φ L) – L a1 radadina polinom

X=

Operator L, scrie filtru cu nr infinir de termeni. Exemplu:

(1-a1 L )Yt = * Ƹt = (1 + a1L + L2 + .....) Ƹt

Conditia de stabilitate proces revine la conditie convergenta serie formata cu coeficientul

filtru: ∑ a ;

Conditie convergenta cand |a1|<1;

Conditia care trebuie indeplinita si verificata pt coeficientul AR(p) pt ca acesta sa fie

stationar: Φ L)*Yt Ƹ este ca radacinile polinomului Φ L), in modul, da fie < 1.

24. Modelul autoregresiv (AR). Funcția de corelație parțială (PACF).

Conținut, Caracteristici, Proporietăți

A. Modelul autoregresiv

Considerăm o serie de timp cu termenii {y1 … yT} de lungime T, unde fiecare valoare poate
fi considerată ca o variabilă aleatoare(yt). Ansamblul de valori aleatoare ordonate în timp
definește un proces stohastic.
  {yt; t∈ T} - t∈Z (Serie de timp discretă)
- t∈R (Serie de timp continuă)

Fiecare variabilă yt a procesului stohastic se caracterizează prin funcția de probabilitate

care depinde de factorul cazual (x), dar și de moment/interval t : {yt(1),…,yt(m)}. Fiecare
valoare din aceast[ serie este o realizare a variabilei aleatoare yt căreia i se poate asocia o
densitate de probabilitate. În acest caz, media variabilei yt poate fi considerată la limită ca
media ansamblului de valori generat la un moment dat.
E(yt)= limm->oo1/m*∑yt(i)
Un process stohastic {yt} este considerat strict staționar dacă pentru orice t1<….<tn și orice
h∈T astfel încât ti+h ∈T, avem {yti+h} care are aceeași repartiție ca mulțimea {yti}.

Staționalitatea strictă este foarte restrictivă, se recurge la definirea staționalității de ordin

m:
 Un process staționar {yt}t∈Z este de ordin m dacă pentru {yti} și {yti+h} avem egalitate
E[(yt1)(m1),…., (ytn)mn] = E[(yt1+h)m1,…,(ytn+h)mn]
 Pentru m1=1 (Proces staționar de ordin 1) E(yt)=E(yt+h)=µ

Pentru fiecare variabilă a unui proces staționar sunt satisfăcute proprietățile:

 Staționalitate în medie – E(yt)= µ constantă în timp

 Staționalitatea dispersiei – Var(yt)=σ2y Varianța constantă în timp
 Covarianța dintre două variabile depinde doar de lungimea intervalului de timp ce
separă cele 2 valori: Cov(yt,ys) = E[(yt,ys)- µ2]

Deoarece se dispune de o singură observație pentru fiecare variabilă este imposibilă

verificare proprietăți. Verificarea și estimarea devin posibile pentru o clasă particulară de
procese aleatoare (procese staționare).

Proces stohastic este staționar de ordin 2 dacă:

 E(yt)= µ
 Var(yt)=σ2
 Cov(yt,ys)=ϒh

B. Funcția de autocorelație parțială

Corelația dintre două variabile este determinate de faptul că ambele sunt corelate cu a3a. O
mare parte a corelației (yt,yt-h) poate apărea ca urmare a effect indirect de corelare a
ambelor variabile cu variabile intermediare(yt-1,…,yt-h-1)

Coeficientul de autocorelație parțial măsoară efectul indirect al lui yt-h asupra lui yt,
izolând termenii anteriori.
Coeficient de autocorelație partial dintre 2 variabile separate de h unități de timp (ch)este
coefficient de regresie al variabilei yt-h în model autoregresiv AR(h).

Coeficientul de regresie măsoară informația adițională adusă de variabila yt-h în explicarea

comportamentului prezent al lui yt (cu câte unit. se modifică yt).
 Dacă c2 = r2 atunci {yt,yt-2} nu sunt corelate cu altă variablă
PACF contă în set de coeficienți ch ∈ [-1,1]

Estimarea coeficienților de autocorelație parțiali – direct prin estimare coeficienți de

regresie pentru mai multe regresii: C1 cu AR(1)…. Ch cu AR(h)
Testare semnificație coeficienți cu test Student: H0: Ch=0 și H1: Ch !=0
t= ; T->oo atunci ) = 1/T
)

Coeficineții de regresie pentru model AR(p)=0, pentru k>p

yt=a0+a1*yt-1+….+ap*yt-p+εt
Cp+1 – coefficient de regresie al variabilei yt-p-1, AR(p+1)
Trebuie să se determine coeficienți de regresie a ultimului termen.

25. Modelul autoregresiv de medie mobile AM: conținut, ACF, PACF

ACF
Considerăm model MA(1) sau ARIMA(0,0,1) cu µ=0 și yt=ɛt-b1* ɛt-1

MA(1) este staționar iar ACF se anulează pentru k >=2, dacă:

 E(yt)=0
 Var(yt)=σ2ɛ(1+b12)
 Cov(yt ,yt-k) = -b1 * σ2ɛ ;k=1
0; k!=1

ACF=rk = 0, k>=2
, k=1
)

ACF ca model MA(q) se anulează pentru k>=q+1, dacă:

 E(yt)=0
 Var(yt)=σ2ɛ(1+b12 +...+bq2)
 Cov(yt ,yt-k) = σ2ɛ(-bk+b1bk+1+...+bq-kbq)
 0, k>=q+1

b b b bq bq
rk = , k ∈{1,q}
b bq

0, k>=q+1

PACF similar ca la AR

26. Etapele elaborarii unui model ARIMA. (p, d, q).

Metodologiile de elaborare ARIMA. (p, d, q) se desfasoara parcurgang etapele:

1. Identificarea modelului – precizarea valorii adecvate pentru parametrii p, d, q

2. Estimarea parametrilor/coeficientilor
3. Testarea validitatii modelului, specificarea acestuia – daca model nu este valid se
specifica alte valori pentru p, d, q si se reiau etapele.
4. Utilizarea modelului in generarea de previziuni.

27. Identificare(Specificarea) modelului ARIMA(p,d,q). Stabilirea ordinului de

diferentiere

 Aceasta este cea mai importanta etapa, mai ales ca este implicata in strategia de
Box-Yankins, dar si cea mai dificila
 Sunt utile fct de autocorel si autocorel partiala estimate deoarece faciliteaza ordinea
val plauzibile pt p,d,q
 Pt identific modelului ARIMA, in esenta, se estimeaza fct estimate cu cele teoretice
specifice fiecarui model si se vor allege unul sau mai multe modele ce par adevarate

Stabilirea ordinului de diferentiere:

 Pt S.N in medie(media nu e ct in timp) : se vor calc dif de ordin I si ordin II pt stab

ordinului de dif (d)
  Pt S.N si in varianta: se recomanda inainte de modelare, logaritmarea datelor
initiale, reducandu-se astfel amplitudinea fluctuatiilor seriei, se va lucra in
continuare cu datele logaritmate

28. Identificarea modelului ARIMA(p,d,q). Stabilirea valorilor plauzibile

pentru p, q
După aplicarea eventualelor diferențieri se trece la stabilirea unui model adecvat de tip
autoregresiv de medie nulă ARIMA(p,q). Model AR(p) sau MA(q) cu un număr mic de
parametri p și q. Atunci se va realiza un model mixt ARMA ce combină ambele părți și se au
în vedere proprietățile funcției de autocorelație(ACF) și autocorelație parțială(PACF).

În practică se dispune doar de estimații pentru ACF și PACF. Prin urmare vom căuta cea mai
mică valoare a lui k începând de la care PACF nu diferă semnificativ de 0( Se acceptă H0:
Ch=0). Se obține valaore plauzibilă a lui p pentru AR(p).
Sau se va căuta cea mai mică valoare a lui k pentru care ACF nu diferă semnificativ de 0
(Începând de la care H0:AR(k)=0 se acceptă). Se obțin valori plauzibile pentru q în cazul
model MA(q).

În caz model ARMA, procesul de determinare a parametrilor p și q este mult mai incert,
deci se apelează la funcția de verosimilitate, la crtiteriul AKAIKE(AIC) sau criteriul
SHWARTZ(SC).

AR(p) este adecvat variabilelor dependente exclusiv de trecutul lor cu un proeminent

caracter inerțial.
MA(q) este adecvat variabilelor sensibile la modificările variabilelor exogene, determinând
abateri accidentale de la evoluția mediei.

Se reține model pentru care există cel mai mic număr de coeficienți, dacă sunt modele
similare.
29. Metode de estimare a parametrilor modelului ARIMA
Un procedeu simplu pentru estimarea parametrilor p și q se bazează pe estimarea
succesivă a a parametrilor AR(p) pentru diverse valori ale lui p. Pentru fiecare caz în parte
se studiază caracterul rezidului. Dacă la etapa p se determină că rezidul are proprietățile
unui proces MA(q) atunci seria staționalizată se reprezintă prin proces ARMA(p,q).
Dacă seria datelor inițiale a fost staționalizată prin aplicarea unei diferențieri de ordin 1
atunci deria se reprezintă prin model ARIMA(p,d,q). Pentru estimarea parametrilor
pornind de la forma restrânsă a model ARMA cu media 0.

∮(L) yt=Ө(b) *ɛt -> ARMA(p,q)

∮(1-L)d yt = ∮(L) *ɛt ->ARIMA(p,d,q)

Consider model yt=a1*yt-1+...+ap*yt-p

Se aplică MCMMP cu min ∑ ɛt2 . Se obțin estimatori a1,..,ap . Aceștia pot fi determinați și prin
ecuația lui Iule-Walker care prezintă relația între coeficienții modelului și coeficienții de
autocorelație.
R1=a1+a2*r2
R2=a1* r1+a2
După ce s-au obținut coef. De autocorelație, din sistemul următor se obțin coef. De regresie

Rˆ1=a1+a2*rˆ2
Rˆ2=a1* rˆ1+a2
În mod similar pentru model AR(p) -> rezultă sistemul care face legătura între coef. De
autocorelație și coef. modelului.

Instrumente utile pentru estimare rezultă din analiza ACF, PACF

M1- Dacă există o valoare h=q, începînd de la care valoarea funcției de autocorelație
parțială(PACF) scade către 0, atunci pentru prelucrarea seriei se folosește un model MA(q)

Pentru a testa semnificația valorii coef. de autocorelație se utilizează test Student: Se

definește statistica testului, iar pentru aceasta se determină Var[r(h)] astfel:

Var[r(h)]= (1+2*∑ )) , h>q

Se fixează un prag de semnificație din tabel ty-2,α/2

Se consideră că valoarea coef. de autocorelație diferă semnificativ de 0 dacă se află în afara

interval
M2 – În cazul în care valoarea funcției de autocorelație scade instantaneu către 0, începând
cu o valoare a decalajului =p, atunci seria de timp este prelucrată prin proces AR(p).

Se va considera că realizarea PACF diferă semnificativ de 0 pentru un prag de semnificație,

dacă se poziționează în afara interval

31. Teste de validitate a semnificației coeficienților din model ARIMA

Considerăm un model staționar ARMA(p,q) cu medie diferită de 0

Pornind de la amtricea varianță-covarianță a estimatorilor obținuți prin metoda

verosimilității maxime se pot construi statistici de tip Student, pentru a testa
semnificativitatea coef. ai și bi

H0: ai=0
H1:ai!=0

Se utilizează statistica t ce urmează legea normală N(0,1):

Pentru un nivel de semnificație α<=5%, dacă tcalc ∈ [-ttab, ttab] atunci se acceptă H0. Prin
urmare variabila corespunzătoare se elimină din model și se reestimează modelul.
Pentru teste asupra coeficienților se pot utiliza și teste precum Wald sau teste de tip
Multiplicatorul lui Lagrange pentru omisiunea unor variabile.

32. Teste privind rezidurile in modelul ARIMA

In ipoteza in care modelul este bine specificat,atunci rezidurile rezultate din modelul
estimat sunt generate de un proces de tip zgomot alb(succesiune de variabile aleatoare
independente identic repartizate),au medie 0 si normal distribuit.Pentru verificare(testare)
trebuie sa se analizeze statistic autocorelarea rezidurilor,normalitatea lor si
heteroscedasticitatea lor.
Autocorelarea rezidurilor: Pentru detectarea unor dependente in seria rezidurilor se
examineaza functia de autocorelatie rk si de autocorelatia partiala ck a rezidurilor.

Daca rezidurile nu sunt corelate ,atunci coeficientii de autocorelatie nu trebuie sa fie

̂
semnificativi de zero. t= converge asimtotic la legea normala,N(0,1),iar variatia
√̂ ̂ )

coeficientul de autocorelatie estimat este prin : ̂ ( ̂ ) . Pentru α=5% ipoteza

necorelarii rezidurilor nu se respinge daca t calculat € [-1,96,1,96] sau echivalent ̂ €
[ , ].

In mod identic se procedeaza si in cazul testarii semnificatiei autocorelatiilor partiale ale

rezidurilor.

In acelasi scop(a testarii autocorelarii rezidurilor) se utilizeaza si teste mai puternice de

autocorelatie.Aceste teste sunt teste globale de semnificativitate a coeficientilor de
autocorelatie a rezidurilor.Se testateaza deci,o ipoteza de forma :

H0:r1=r2=...=rμ=0

H1: (E) k € [1, μ] pt care rk≠0

Pentru formularea deciziei statistice se poate utiliza statistica Q:

H0: ø=0;

H1: ø≠0;

Q=T(T+2)∑ -> (μ-p-q)

In cazul in care Q calculat > tab atunci se respinge ipoteza nula si in aceasta situatie este
necesara respecificarea modelului.

Observatii:In cazul in care Q nu difera semnificativ de zero primele μ autocorelatii sunt

nesemnificative,in practica μ se considera arbitrar cu valori intre 10 si 20.

Investigarea normalitatii rezidurilor: Coeficientul de asimetrie respectiv coeficientul de

boltire si analiza histogramei ofera o prima impagine asupra formei distributiei
erorilor.Coeficientii de asimetrie,respectiv boltire sunt determinat pe baza momentelor
centrate:
̂ ̂
̂ = ̂ ̂ = ̂ (sigma semn de jos)
Pentru testarea normalitatii erorilor in literatura de specialitate se recomanda testul
Jacque-Bera,bazat pe coeficientii de asimetrie si boltire.

Daca un esantion de T observatiprovine dintr-o distributie normala atunci coef de

asimetrie calculat in baza observatiilor urmeaaza asimtotic o lege normala iar coef de
boltire urmeaaza o lege N(3, ). Jacque si Bera obtin prin intermediul celor 2 variabile
normale independente statistica :

Jb=1/6*T * +1/ *T(̂ -3) -> 2.

Valorea critica corespunzatoare nivelului de semnificatie alpha se determina din tabelul de

distributii al legii ,nr graelor de libertate fiind 2. Zona critica este : P(Jb> )=alpha.

Ivestigarea heteroscedasticitatii rezodurilor :

Testul multiplicitatii al lui Lagrange pentru heteroscedasticitate de tip ARCH(p) presupune:

-estimarea rezidurilor = ɛt(Cu caciulIta ) din ecuatia ce def modelul
-estimarea regresiei auxiliare (ce fundamenteaza testul)
-testarea ipotezei nule in ec de regresie auxiliara
H0: =...= =0;(nu exista efect arch)

33. Elaborarea previziunilor cu ajutorul modelului ARIMA

Modelul ARIMA, odata elaborate si validat este utilizat pentru generarea de previziuni. In acest sens
se elaboreaza :
a) Previziuni punctuale
b) Intervalle de previziune

Previziuni Punctuale

Pentru un orizont de planificare h atasam momentul T+R (unde T= originea efectuarii previziunii
variabilei . O previziune este data de media (sau speranta matematica) variabilei ,
aceasta medie fiind conditionata de istoricul variabilei.

In general :

̂ | ]

̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂
Previziunile se detin in baza informatiilor disponibile pana la momentul T. Previziunile punctuale
se obtin pas cu pas. Pentru calculul unei previziuni sunt necesare valorile aferente perioadelor
anterioare pentru termeni autoregresivi , dar si pentru erorile .

Regulile pasilor de urmat sunt :

- Termenii autoregresivi , pentru (adica se substituie cu valorile

prognozate in pasii anteriori)
- Termenii autoregresivi < se inlocuiesc cu valorile inregistrate (fiind
cunoscuti termenii
- Termenii eroare pentru adica se inlocuiescu cu 0 (se
inlocuiesc cu media acestora (E(T+S)=0) deoarece erorile sunt de tip zgomot alb cu media 0.
Previziuni optime sunt date de media acestora.
- Termenii eroare pt h-i <0 (adica ) se inlocuiesc cu reziduurile din model
Daca seria a fost diferentiata/ logaritmata in prealabil, atunci se va tine seama de acest aspect in
elaborarea previziunii (de regula se aplica operatie inversa transformarii). In general este utila
scrierea concentrate a modelului utilizand operatorul de diferentiere 1.

Determinarea intervalului de previziune

Eroarea de previziune ̂

Presupunem ca erorile modelului sunt normal distribuite. Eroarea de previziune urmeaza, de

asemenea legea normal.

̂ √ ))
Rezulta ca ̂ /√ ) )

Din distributia legii normale de probabilitate pentru o probabilitate P fixata se determina k, astfel
incat
< ̂ /√ ) ) < ) =P

Observatie: Calitatea modelului de a genera previziuni adecvate poate fi verificata pe baza unor
previziuni “de proba “, utilizand informatii disponibile ca si secventa « martor »de observatii. In
etapa elaborarii modelului se are in vedere seria cronologica ce nu contine aceasta secventa martor
si se masoara acuratetea previziunii printr-un indicator sintetic de tip MSE, MAPE ( ce trebuie sa fie
minim).