Documente Academic
Documente Profesional
Documente Cultură
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:
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:
Proprietati:
1. E(ɛt)=0
2. var(ɛt)=σ2
3. cov(ɛt, ɛs)=0
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.
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.
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).
∑ ̅̅̅) ̅̅̅) )
√∑ ̅̅̅) ∑ ̅̅̅)
(∑ ) (∑ )
̅̅̅ ̅̅̅
∑ ̅̅̅̅) ̅̅̅̅)
∑ ̅̅̅̅)
∑ ) )
Daca x mediu = 0 valoarea
∑
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.
Medie nula: E( )
)
Sub ipoteza∑ , varianta lui este: Var( ) )
∑
)
-repartitie Student
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:
̂ )
̂
̂ )
)
̂
̂
̂
̂ )
̂
̂ )
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
Trim An
1 2 3 …. J …. P ̅̅̅̅
II
̅̅̅̅
Y ij = S ij + A ij
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
̅̅̅̅ ∑
∑ ̅̅̅)
{
̅̅̅ ∑∑
∑∑ ̅)
{
2. Se testeaza ipoteza:
H0 : βj = 0 (nu influenteaza)
H1 : βj != 0 (influenteaza)
̿ ̿) ( ̿) ̿ ̿)
∑ ̿) ∑ ̿) ∑∑ ̿ ̿)
̿ ̿)
Sa = variant nivel an
Ss = efectul factorilor sezonieri
Sr = reziduala
Pe baza marimi calc -> tabel sinteza
Rezidual Sr (p-1)(n-1) ) )
Total S n*p-1
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.
-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
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).
)= ̅ = ( )
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)
- reduce interventia celui care efectueaza previziunea, putand fi aplicate si cand lungimea
ST e mai scurta
c ) c c = constanta de netezire;
Relatia de recurenta se aplica succesiv pentru fiecare observatie din seria de timp.
Implicatiile metodei devin mai evidente daca utilizam succesiv relatia anterioara de
recurenta pentru { }
poncere c )
pondere c c-1)
∑ ) ∑
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:
a) Pt model multiplicativ
previziunile sunt elaborate pe baza unei ecuatii de forma:
at = nivelul seriei
bt= panta dreptei de tendinta
St=componenta sezoniera
OBS:
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 ( , )
1.
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.
yt = a0 + a1yt-1+ c2yt-2 + Ƹt
C3 se estimeaza prin intermediul coeficientului de regresie din modelul
autoregresiv AR(3) de forma:
Fixam: H0 : Ch = 0
H1 : Ch ≠ 0
Statistica test: t =
)
Spunem ca convergem asim
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
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
Un alt tip de proces nestaționar este generat de o ecuație de tipul AR(1) cu coef. variabilei 1
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.
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
(1-a1 L )Yt = Ƹt
|a1|<1 Φ L) – L a1 radadina polinom
X=
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)
E(yt)= µ
Var(yt)=σ2
Cov(yt,ys)=ϒh
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).
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
)
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
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
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).
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.
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.
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)
H0: ai=0
H1:ai!=0
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.
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.
H0:r1=r2=...=rμ=0
H0: ø=0;
H1: ø≠0;
In cazul in care Q calculat > tab atunci se respinge ipoteza nula si in aceasta situatie este
necesara respecificarea modelului.
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 .
Eroarea de previziune ̂
̂ √ ))
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).