S8 – Simulări la nivel macroeconomic utilizând Crystal Ball

8.1 Previziunea seriilor de timp cu Crystal Ball (opțiunea Predictor)

Metodele de previziune implementate în cadrul opțiunii Predictor a Crystal Ball sunt următoarele:

1. Modelele ARIMA și SARIMA

Metodele autoregresive integrate și de medie mobilă (ARIMA 1) au fost popularizate de Box și Jenkins în anii
1970 și sunt utilizate într-o varietate de situații, în special atunci când există seturi mari de date istorice cu foarte
puțini outlieri în date. Valorile actuale ale unei serii de date sunt corelate cu valorile anterioare din aceeași serie
pentru a produce componenta autoregresivă AR, cunoscută și sub notația p. Valorile actuale ale unui termen de
eroare aleatorie sunt corelate cu valorile trecute pentru a produce componenta mediei mobile MA, q. Valorile
medii și de variație ale datelor curente și anterioare sunt presupuse a fi staționare, neschimbate în timp. Dacă este
necesar, se adaugă și o componentă I (simbolizată prin d) pentru a corecta lipsa de staționare prin diferențiere.
Forma generală a unui model ARIMA este următoarea:

Într-un model non-sezonal ARIMA (p, d, q), p reprezintă numărul sau ordinea termenilor AR, d - numărul sau
ordinea diferențelor și q - numărul sau ordinea termenilor MA. Parametrii p, d și q sunt numere întregi egale sau
mai mari decât 0.
Un model ARIMA cu sezonalitate se scrie de forma SARIMA (p, d, q) (P, D, Q) (t), unde al doilea grup de
parametri din paranteze reprezintă valorile sezoniere.
Aceste modele de prognoză pot reprezenta, în multe situații, o soluție potrivită de prognoză pe termen mediu și
scurt a evoluției unor serii de date, care prezintă componentă autoregresivă sau de tip medie mobilă în date.

2. Metodele de extrapolare clasice

Principalele tipuri de modele de previziune implementate în Crystal Ball, pot fi încadrate în următoarele
categorii:
 Metode non-sezoniere - lucrează cel mai bine la date care nu prezintă un model care se repetă periodic pe
un anumit număr de perioade de timp, dar poate prezenta o tendință de scădere sau de creștere în timp
 Metode sezoniere - lucrează cel mai bine pe date care arată un model care se repetă periodic pe un anumit
număr de perioade de timp și poate, de asemenea, să arate o tendință de scădere sau creștere în timp.
Există două tipuri de metode sezoniere, și anume: de tip aditiv sau de tip multiplicativ. Aditivitatea
sezonului are o amplitudine constantă a modelului, iar sezonalitatea multiplicativă are o amplitudine sau o
descreștere a amplitudinii modelului în timp. Metodele de nivelare a tendinței pot fi non-sezoniere sau
sezoniere și pot să apară în decursul timpului.

Pe de o parte, metodele bazate pe medie mobilă presupun previzionarea seriilor de date pe baza calculului
mediei aritmetice a ultimelor j valori cunoscute. Acestea ajută la atenuarea fluctuațiilor pe termen scurt și
evidențiază tendințele sau ciclurile pe termen lung. Metodele bazate pe medie mobilă sunt, în general, utilizate
atunci când seria de timp nu are tendință. Când seria de date înregistrează însă o tendință, se utilizează metoda
mediei mobile duble, ce calculează o a doua medie mobilă față de media mobilă inițială pentru a urmări mai bine
tendința.
1
Autoregressive integrated moving average
1
Pe de altă parte, metodele de netezire exponențială permit previziunea seriei de date pe baza unei sume
ponderate dintre ultima valoarea reală cunoscută și previziunea efectuată asupra perioadei anterioare. Mai mult,
atunci când o serie de timp înregistrează tendință, este necesară o netezire exponențială dublă și se calculează
prin netezirea seriei de două ori.
În cazul în care seria înregistrează fluctuațiile sezoniere, se recomandă aplicarea metodei de netezire
exponențială Holt-Winters. În această situație se ține cont atât de componenta sezonieră, de variație pe termen
lung (trend-ciclu), precum și componenta aleatoare (reziduală).
Întrucât studiile empirice au indicat faptul că modelele de netezire exponențială tind să supra-estimeze valorile
seriei previzionate pentru orizonturi prognozate mai lungi, Gardner și McKenzie (1985) au introdus un
parametru de "nivelare” a tendinței (de aplatizare). Aceste metode s-au dovedit a fi foarte reușite și sunt,
probabil, printre cele mai populare metode de extrapolare, atunci când prognozele sunt necesare automat pentru
multe serii.

Aplicație 1: Previziunea indicatorilor macroeconomici din România utilizând CB Predictor

Pași în utilizarea CB Predictor:

1. Se utilizează setul de date din S8_CB_Predictor_macro.xlsx. Setul de date istorice trebuie să fie
structurat pe coloane, prima coloană să conțină datele calendaristice, iar variabilele să fie în ordinea
corectă, având fiecare eticheta definită (numele variabilei).

2. Selectați o celulă din tabelul cu seriile de date istorice.

3. Porniți CB Predictor, care va selecta automat tot tabelul cu setul de date disponibile.

4. Precizați periodicitatea datelor (lunară, trimestrală, anuală etc.)

2
5. Bifați toate tipurile de metode de previziune pentru a fi utilizate.

6. Dacă selecați și modelul Multiple Linear Regression, atunci trebuie specificate variabilele independente
și cea dependentă a modelului, alături de numărul maxim de lag-uri permise.

În cazul nostru variabila dependentă este

câștigul salarial real (CS real), iar ca
variabile explicative au fost selectate:
Salariul minim real, rata de ocupare (%),
creșterea economică și productivitatea
muncii (lei/pers.).

Numărul de lag-uri maxim admise este 4,

iar previziunea se va efectua pentru 8
perioade (Trim. I 2019- Trim. IV 2020).

7. Precizați numărul de perioade pentru care se face previziunea, indicatorul erorii de previziune în baza
căruia se va selecta cel mai bun model de previziune, precum și metoda de prognoză (cea Standard este
implicită)

3
 8. Rulați (Run)

CB Predictor va estima mai întâi regresia dintre variabila dependentă și cele explicative. Apoi va utiliza tehnicile
de previziune a seriilor de timp pentru a previziona evoluția variabilelor explicative, iar apoi va utiliza acele
previziuni în modelul de regresie pentru a previziona evoluția variabilei dependente. Celulele previzionate
pentru variabilele explicative vor conține valorile numerice rezultate din cel mai bun model de previziune
identificat, în timp ce pentru variabila dependentă se va prelua formula rezultată din modelul de regresie estimat
și valorile variabilelor explicative.

Rezultatele previziunilor
În cazul variabilei CS real, cel mai bun model obținut este cel de Regresie multiplă, pentru care eroarea standard
a fost cea mai mică, de 175,26. Previziunea indică o menținere a tendinței de creștere a câștigului salarial pe
întreg orizontul de previziune.

Rezultatele estimării econometrice se obțin generând Raportul previziunilor:

4
În cazul variabilei Creșterea economică, cel mai bun model obținut este cel de tip SARIMA(1,0,1)(1,0,1), pentru
care eroarea standard a fost cea mai mică de 0,07. Previziunea indică o evoluție oscilanță a ritmului de creștere a
PIB-ului real pe întreg orizontul de previziune. Din fereastra de rezultate ale previziunii, se pot selecta metodele
de previziune investigate, pentru o analiză comparativă a rezultatelor.

5
Evoluția salariului minim a fost cel mai bine previzionată prin intermediul unui model de tip Double
Exponential Smoothing, înregistrând o eroare standard de 61,76. Se menține tendința de creștere pe orizontul de
previziune.

În cazul variabilei Rata de ocupare(%), cel mai bun model obținut este cel de tip SARIMA(1,1,1)(1,0,1), pentru
care eroarea standard a fost cea mai mică, de 1,1. Previziunea indică o tendință de creștere pe întreg orizontul de
previziune.

Evoluția productivității muncii (lei/pers.) a fost cel mai bine previzionată prin intermediul unui model de tip
Holt Winters Multiplicativ, înregistrând o eroare standard de 0,47. Previziunea indică o evoluție oscilantă a
productivității muncii pe întreg orizontul de previziune.

6
Putem opta să ne afișeze în fereasta de dialog fie graficul de evoluție al seriei, fie tabelul cu valorile previzonate.
În plus, putem solicita completarea seriilor de date istorice cu valorile previzionate direct în tabelul inițial .

7
 Pentru previziunea
câștigului salarial real
(CS real) se aplică
formula rezultată din
estimarea econometrică
și se replică pe întreg
orizontul de prognoză,
ținând cont de lagg-
urile variabilelor
explicative.

Aplicație 2: Analize de scenarii privind evoluția unor indicatori macroeconomici din România
utilizând Crystal Ball

8
Se utilizează setul de date din fișierul S8_CB_Predictor_macro.xlsx și rezultatele estimărilor realizate cu
ajutorul software-ului EViews privind evoluția câștigului salarial din România, în raport cu următorii
factori explicativi: salariul minim real, rata de ocupare (%), productivitatea muncii și creșterea
economică. S-au utilizat date trimestriale pentru perioada Trim.I 2000 – Trim.4 2018 și s-a urmărit
previzunea indicatorilor pe perioada Trim. I 2019 – Trim.I 2020.

Pentru început analizăm setul de date istorice, aplicăm logaritmul natural pentru seriile exprimate în
unități monetare (Câștig salarial real, salariul minim real și productivitatea muncii) și importăm datele
în EViews.

În urma verificării staționarității seriilor de date, seriilor de date logaritmate privind câștigul salarial,
salariul minim și productivitatea muncii le-a fost aplicată prima diferență. A rezultat următorul model
econometric:

dlncsr= -0,253 + 0,2049*dlncsr(-2) + 0,1792*dlnsmr + 0,0423*creșterea_ec + 0,126*dlnw(-2) +

+0,005*rata_ocupare(-1)

Vom utiliza acești coeficienți estimați pentru a previziona evoluția câștigului salarial real pe orizontul
de timp Trim.I 2019 –Trim.I 2020, pe baza a 3 scenarii distincte.

Ipotezele de simulare privind variabilele explicative

Scenarii Salariul minim real Rata de Creșterea Productivitatea

ocupare economică

9
Scenariul În 2019 salariul minim brut a fost de distribuție distribuție distribuție
moderat 2080 lei, iar inflația 3,8%. uniformă: uniformă: uniformă:
În 2020 salariul minim brut este 2230 [-16%,+8%] [-50%, +60%] [ -60%, +20%]
lei, iar inflația este estimată la 4%.
Scenariul În 2019 salariul minim brut a fost de distribuție distribuție distribuție
optimist 2080 lei, iar inflația 3,8%. uniformă: uniformă: uniformă:
În 2020 salariul minim brut este 2230 [-10%,+10%] [ -40%, +60%] [-50%, +25%]
lei, iar inflația este estimată la 3%.
Scenariul În 2019 salariul minim brut a fost de distribuție distribuție distribuție
pesimist 2080 lei, iar inflația 3,8%. uniformă: uniformă: uniformă:
În 2020 lei salariul minim brut este [-20%, +5%] [-55%, +40%] [-65%, +15%]
2230, iar inflația este estimată la 5%.

Utilizăm Crystal Ball pentru a defini ipotezele asociate variabilelor explicative:

Reprezentarea grafică a prognozelor obținute după 500 de iterații pentru fiecare din cele 3 scenarii
analizate se prezintă astfel:

10
 6000

5000

4000

3000

2000

1000

0
CS real CS real (scenariu pesimist)
CS real (scenariu moderat) CS real (scenariu optimist)

În cazul în care in locul ipotezelor de simulare am fi selectat opțiunea Fit, Crystal Ball ar fi căutat să
identifice distribuția de probabilitate care descrie cel mai bine setul de date istorice.

Pentru rata ocupării distribuția identificată de CB ca fiind cea mai potrivită este Lognormală de medie
52,4 și Std. dev. 2,84.

Pentru creșterea economică, CB nu a putut identifica o distribuție ca fiind cea mai potrivită.

11
Pentru productivitatea muncii distribuția identificată de CB ca fiind cea mai potrivită este Beta de
parametru alpha 1,7625. Similar și pentru CS real.

12
8.2 Simulări și prognoze macroeconomice în Excel

 Data Analysis- Random number generation

13