Universitatea Babes Bolyai

Facultatea de Stiinte Economice si Gestiunea Afacerilor

Cluj - Napoca

Proiect

Analiza seriilor cronologice și preveziune

Coordonator Realizat de Breabin Corina

Prof.univ. dr Lazar Dorina FB gr. II

anul universitar 2019 – 2020

Problema nr.1 Se consideră evoluția trimestrială a unei variabile.

Rezolvare Se consideră evoluția trimestrială a PIB-ului în România, care acoperă perioada dintre anii
1995- 2004, date descărcate de pe site-ul http://www.insse.ro/cms/ro/content/produsul-intern-brut.

a) Evoluția și componentele vizibile din cronogramă

Conform graficului 11 se observă o tendință de creștere de la un an la altul, cu excepția perioadei dintre

2009-2011 când poate fi remarcată tendința descrescătoare, componenta ciclică este acoperită de
tendință, sezonalitatea este pronunțată cu perioada împarțită în 4 trimestre, respectiv component
aleatoare.

b) Studiul sezonalității prin metoda raportării la mediile mobile

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

Etapele de obținere a coeficienților sezonalității presupune modelul de descompunere multiplicativ cu

formula de calcul Yij=Tij*SJ*Ɛij, unde i-indicele ciclului sezonier; j-indicele sezonului, deoarece
amplitudinea oscilațiilor crește în timp.
În EView urmăm pașii Proc- Sesonal Adjustment- Movind Average Methods- Ratio to moving average-
multiplicative
Date: 01/12/20 Time: 00:30
Sample: 2009Q1 2018Q4
Included observations: 40
Ratio to Moving Average
Original Series: CA
Adjusted Series: CASA

Scaling Factors:

1 0.804056
2 0.950527
3 1.103540
4 1.185662

În raport cu caracterul sezonier pentru această activitate economică, observăm că în trimestrul I și II

PIB-ul în România se află sub tendință, iar în trimestrul III și IV peste tendință.

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.

c) Previziuni pentru următoarele 4 perioade utilizând metoda Holt- Winters.

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

Parameters: Alpha 0.4000

Beta 0.5700
Gamma 0.0000
Sum of Squared Residuals 3.34E+08
Root Mean Squared Error 2890.291

End of Period Levels: Mean 246582.3

Trend 6314.043
Seasonals: 2018Q1 0.795607
2018Q2 0.942692
2018Q3 1.092709
2018Q4 1.168993

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.

Ca să testăm staționaritatea seriei de timp folosim aplicatia Eview și urmăm pașii

ViewUnit-Unit Root Test- Test Type (ADF)- Include in test equation (Trend and intercept)
Null Hypothesis: ITALY has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 4 (Automatic - based on SIC, maxlag=9)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.571312 0.2947

Test critical
values: 1% level -4.243644
5% level -3.544284
10% level -3.204699

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.*

Augmented Dickey-Fuller test statistic -1.112208  0.2364

Test critical values: 1% level -2.632688
5% level -1.950687
10% level -1.611059

Se acceptă ipoteza nulă, prin urmare trecem la 2st difference.

Null Hypothesis: D(ITALY,2) has a unit root
Exogenous: None
Lag Length: 2 (Automatic - based on SIC, maxlag=9)

t-Statistic   Prob.*

Augmented Dickey-Fuller test statistic -64.91127  0.0000

Test critical values: 1% level -2.632688
5% level -1.950687
10% level -1.611059

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

Variable Coefficient Std. Error t-Statistic Prob.

AR(4) 0.987444 0.007664 128.8346 0.0000

MA(4) -0.873810 0.066219 -13.19578 0.0000

R-squared 0.988526 Mean dependent var 2552.226

Adjusted R-squared 0.988178 S.D. dependent var 27416.75
S.E. of regression 2980.949 Akaike info criterion 18.89332
Sum squared resid 2.93E+08 Schwarz criterion 18.98219
Log likelihood -328.6330 Hannan-Quinn criter. 18.92400
Durbin-Watson stat 1.675839

Inverted AR Roots 1.00

Inverted MA Roots .97 .00-.97i .00+.97i -.97

problema 3
a)

Date: 01/13/20 Time: 17:19

Series: USD ROMANIAN_LEU
Sample: 2000 2019
Included observations: 20
Null hypothesis: Series are not cointegrated
Cointegrating equation deterministics: C
Automatic lags specification based on Schwarz criterion (maxlag=3)

Dependent tau-statistic Prob.* z-statistic Prob.*

USD -1.512677 0.7598 -4.733712 0.7234
ROMANIAN_LEU -1.943831 0.5676 -4.257196 0.7686

b)
Pairwise Granger Causality Tests
Date: 01/13/20 Time: 17:22
Sample: 2000 2019
Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

ROMANIAN_LEU does not Granger Cause USD 18 1.71833 0.2177

USD does not Granger Cause ROMANIAN_LEU 0.65178 0.5373
c)