Documente Academic
Documente Profesional
Documente Cultură
Proiect
Ordinul mediei mobile este egal cu perioada componentei sezoniere, care în cazul nostru este p=4.
Aceasta este cea mai simplă metodă de desezonalizare, în care estimarea componentei sezoniere se
îndeplinește cu ajutorul coeficienților sezonalității.
Trimestrul IV redă valorile maxime, în timp ce valorile de minim sunt atinse în trimestrul I.2
Scaling Factors:
1 0.804056
2 0.950527
3 1.103540
4 1.185662
În trimestrul I aceasta este în medie cu 20% sub tendință și cu 0.05% în trimestrul II, iar în trimestrul III
depășește tendința în medie cu 10% și cu 19% în trimestrul IV.
1
A se vedea graficul 1, Anexe
2
A se vedea graficul 2, Anexe
Date: 01/12/20 Time: 01:37
Sample: 2009Q1 2018Q4
Included observations: 40
Method: Holt-Winters Multiplicative Seasonal
Original Series: CA
Forecast Series: CASM
Pentru elaborarea previziunilor am folosit metoda Holt-Winters Multiplicative fiindcă datele conțin
sezonalitate . În Eviews: Graficul 1-Proc-Exponential Smoothing-HoltWinters-Multiplicative.
Problema nr.2 Modele de tip ARIMA, se consideră o serie de timp nestaționară ce redă evoluția PIB-
ului în Italia pentru perioada 2009-2018.
a) Rezolvare Testăm dacă seria este nestaționară, cu tendință stocastică, utilizând un test adecvat
de tip rădăcină unitate.
În graficul 33 este reprezentată evoluția PIB-ului în Italia pentru anii 2009-2018. Datele sunt analizate
trimestrial și nu au staționaritate. Datele sunt preluate de pe
https://appsso.eurostat.ec.europa.eu/nui/show.do?
dataset=naidq_10_gdp&lang=en&fbclid=IwAR2QVBgm7og4XEdq6ykSWKQTUJkZ2XFgT5-
kimJRR3vEyQjGBscdtl2Yyy8.
t-Statistic Prob.*
3
A se vedea graficul 3, Anexe
Ipoteza nulă se acceptă, valoarea calculate a testului ADF= T-Statistic= -2,57, fiind mai mare decât
orice valoare atribuită nivelelor de semnificație , astfel se demostreză că seria are rădăcină unitate, are
tendință stochastică și este o serie nestaționară. Aceasta se observă și în baza probabilității
prob.0.29>5%.
b) Specificare modelului ARIMA adecvat, dacă seria are sezonalitate se include termenii de forma
sar(p) unde p este perioada componentei sezoniere.
Pentru a determina dacă seria are sezonalitate, folosim aplicația Eview și urmăm pașii View- Unit
Root Test- 1st difference , cu varianta None.
Null Hypothesis: D(ITALY) has a unit root
Exogenous: None
Lag Length: 3 (Automatic - based on SIC, maxlag=9)
t-Statistic Prob.*
t-Statistic Prob.*
Valoarea calculată a testului, ADF=T-Statistic= -64.91, cu variant None este mult mai mica, decât
valorile nivelelor de semnificație, prin urmare ipoteza nulă se respinge. Se acceptă ipoteza alternative,
aceasta poate fi observant și datorită prob.= 0.00.
Identificarea valorilor p si q are loc pe pe baza modelului ARMA(p,q), deci analizăm funcția de
autocorelație și cea de autocorelație parțială din View- Correlogram- 2st difference.4
Coeficienții de autocorelare sunt puternic semnificativi, în timp ce ceilalți de corelare partial sunt
semnificativi doar c1, c3 pentru intervalul de acceptare [-0,3; 0,3]. Acești factori indică sezonalitatea
în date. Fapt ce recomandă desezonalizarea datelor, corelograma pentru coeficienții autocorelați și
parțial autocorelați este prezentată în graficul 5 din anexe.5
c)
4
A se vedea funcțiile AC și PAC
5
A se vedea graficul 5, anexe
Dependent Variable: D(ITALY)
Method: Least Squares
Date: 01/13/20 Time: 16:46
Sample (adjusted): 2010Q2 2018Q4
Included observations: 35 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 2009Q2 2010Q1
problema 3
a)
b)
Pairwise Granger Causality Tests
Date: 01/13/20 Time: 17:22
Sample: 2000 2019
Lags: 2