3.

1 Capitol teoretic
3.1.1 Literatură de specialitate

Realizarea prognozelor pentru diverse domenii este unul din interesele actuale ale
cercetătorilor din toată lumea care, prin intermediul modelelor autoregresive, reușesc să abordeze
probleme apărute atât în viața de zi cu zi, cât și în mediul economic. Acestea stau la baza
elaborării strategiilor pe termen scurt, sau chiar lung, ce reprezintă un fundament pentru soluțiile
oferite diverșilor agenți economici.
Literatura de specialitate este principalul pilon prin intermediul cărora tot mai multe lucrări
științifice sunt elaborate. Astfel, putem afirma că evaluarea pietei de obligațiuni prin
diversificarea riscului și determinarea relației de cointegrare, cauzalitate și corelare pe termen
lung, sunt tratate într-o gamă variată de cercetări științifice ce fac obiectul studiului actual.
Unul din articolele studiate pe această temă este “Examining asymmetries in the
transmission of monetary policy in the euro area: Evidence from a mixed cross-section ” în
cadrul căruia a fost estimată transmiterea unui șoc în zone individuale care folosesc moneda
euro, provenit dintr-o zonă comună care folosește aceeași monedă. Pentru realizarea studiului s-a
dezvoltat un model global VAR în cadrul căruia erau incluse toate zonele economice în mod
individual în timp ce, în același timp, politicile lor monare erau modelate ca o funcție a inflației
și a creșterii outputului agregatului euro zonal. În urma studiului, rezultatele obținute sugerau că
transmiterea politicii monetare în cadrul economiilor din zona euro prezintă asimetrii, și că, în
conformitate cu teoria economică, acestea sunt determinate de diferențele în caracteristicile
structurale ale economiilor.
Tot prin intermediul modelului VAR a fost studiată legătura dintre societate, economie și
subsistemele din mediul înconjurător în cadrul unui articol elaborat în anul 2015 “ Study on the
interaction and relation of society, economy and environment based on PCA-VAR model: As a
case study of the Bohay Bim region, China”. Plecând de la premiza că succesul în ceea ce
privește dezvoltarea regională este condiționat de menținerea funcționalității, calității și armoniei
în societate, economie și mediul înconjurător, au considerat că legătura dintre interacțiunea lor și
relațiile existente între acestea ar trebui să fie semnificativă. În urma studiului s-a demonstrat că
există o ciclicitate între creșterea economică și progrsul social, indiferent că aceasta este
considerată o variabilă endogenă pe parcursul studiului, dar totuși există un efect negativ asupra
mediului. Analiza bazată pe scenarii a demonstrat că în scopul de a atinge o dezvoltare
coordonată, rata anuală de creștere de 12%-16% din nivelul global al dezvoltării mediului ar
trebui să se realizeze odată cu creșterea cu 8% din îmbunătățirea nivelului economic și social.
Un alt articol studiat pe această temă a fost “Do we need a global VAR model to forecast
inflation and output in South Africa” în care s-a comparat eficiența modelului GVAR, care
presupune folosirea unui vector global autoregresiv, față de BVAR care folosesțte un vector
Bayesian autoregresiv în realizarea unei prognoze privind inflația și PIB-ul. Rezultatele au
demonstrat că performanța prognozei a modelului extins GVAR este mai mare decât cea a
modelului restrâns, iar ambele mai bune decât cea realizată prin VECM, mai ales pe termen lung
în ceea ce prievște PIB. Totuși, prognoza inflației a fost mai apropiată de adevăr în cazul
modelului BVAR.
O altă variantă a modelului VAR, și anume FCVAR, ce implică folosirea unui vector
autoregresiv cointegrat fracționar, a fost aplicată pentru a realiza o previziune privind susținerea
politică în cadrul unei campanii din Regatele Unite pentru perioada 2010- 2015. Într-o aplicare
empirică a rezultatelor obținute în urma studiului pentru predicția acțiunilor de vot pentru
alegerile din 2015 din Marea Britanie, previziunile generate de modelul FCVAR par să ofere o
evaluare informativă a stadiului actual al opiniei publice cu privire la sprijinul electoral decât
chestionarele realizate de către guvern, oferind o direcție corectă în privința împărțirii voturilor.
Un alt articol în cadrul căruia se utilizezază modelele pe care le vom utiliza și noi în cadrul
acestei aplicații și pe care dorim să îl analizăm poartă numele de “Analysis of the causal link
between wages and prices in UK”. Acesta utilizează aceleași modele și ne arată în ce mod le
putem utiliza și cum putem modela datele cu ele. În urma procesului de analiză a literaturii cu
privire la relația de cauzalitate dintre salarii și prețuri există două păreri opuse cu privire la fluxul
de cauzalitate. În afară de aceasta, este evident faptul că diferite studii au folosit diferite intervale
de eșantionare, diverse seturi de date, și, în consecință, s-au obținut diferite concluzii cu privire
la natura relaţiei dintre variabile. Dovezile furnizate de ambele modele VAR, log-nivele și
primele diferențe, sugerează că, în cazul Regatului Unit există o relație de cauzalitate unilaterală
de funcționare de la prețurile la salarii și nu invers. Indiferent de faptul că testele de diagnostic
nu indică nicio statistică procedura de modelare VAR este inadecvată în faptul că este dificil, în
mod explicit, estimarea relațiilor de cointegrare. În mod evident, testele cointegrare, Johansen
Trace precum și testul Saikkonen și Lütkepohl, au sugerat că există suficiente dovezi în favoarea
analiza relației salariale și prețul ce a fost inclus în modelul VECM. În schimb, este evident, pe
baza așteptărilor teoretice anterioare, că valoarea coeficientului cointegrare estimat al modelului
restricționat este aproape la fel cu valoarea așteptată.

3.1.2 Metodologia cercetării

Seria de timp staționară este o serie de timp ale cărei proprietăți statistice precum media,
varianță, autocorelație sunt constante în timp. Cele mai multe metode de estimare statistică se
bazează pe presupunerea că seriile de timp sunt redate aproximativ staționare, adică
”standardizate”, prin utilizarea unor transformări matematice. O serie standardizată este relativ
ușor de previzionat: pur și simplu se prezice că proprietățile sale statistice vor fi aceleași în viitor
ca în trecut. Predicțiile pentru seria standardizată pot fi apoi ”detransformate”, prin inversarea
oricăror transformări matematice folosite anterior, pentru a obține previziuni pentru seria
originală. Astfel, găsirea succesiunii transformărilor necesare staționarizării unei serii de timp
oferă adesea indicii importante în căutarea unui model de prognoză corespunzătoare.
Un alt motiv pentru a staționariza o serie de timp este pentru a obține statistici
semnificative prin sondaj, cum ar fi medii, varianțe și corelații cu alte variabile. Astfel de
statistici sunt utile ca descriptori ai comportamentului viitor numai în cazul în care seria este
staționară. De exemplu, dacă seria crește în mod constant în timp, media și varianța vor crește
odată cu mărimea eșantionului și vor subestima întotdeauna media și varianța pentru perioadele
viitoare. Iar dacă media și varianța unei serii nu sunt bine-definite, atunci nu sunt nici corelațiile
cu alte variabile. Din acest motiv trebuie multă atenție în încercarea exploatării modelelor de
regresie montate pe serii de date nestaționare.

Un alt motiv pentru a staționariza o serie de timp este pentru a obține statistici
semnificative prin sondaj, cum ar fi medii, varianțe și corelații cu alte variabile. Astfel de
statistici sunt utile ca descriptori ai comportamentului viitor numai în cazul în care seria este
staționară. De exemplu, dacă seria crește în mod constant în timp, media și varianța vor crește
 odată cu mărimea eșantionului și vor subestima întotdeauna media și varianța pentru
perioadele viitoare. Iar dacă media și varianța unei serii nu sunt bine-definite, atunci nu sunt nici
corelațiile cu alte variabile. Din acest motiv trebuie multă atenție în încercarea exploatării
modelelor de regresie montate pe serii de date nestaționare.
Cele mai multe dintre afaceri și seriile de timp economice sunt departe de staționaritate
atunci când sunt exprimate în unitățile lor inițale de măsură, și chiar după deflaționare sau
ajustare sezionieră încă prezintă trenuri, cicluri, sau alte comportamente non-staționare. O astfel
de serie este numită serie trend-staționară. Cu toate acestea, uneori ”de-trenduirea” nu este
suficientă pentru a face seria staționară, caz în care s-ar putea să fie necesară transformarea seriei
în serii de la perioadă la perioadă și/sau diferențe de la sezon la sezon. Dacă media, varianța și
autocorelațiile seriei originale nu sunt constate în timp, chiar și după ”de-trenduire”, probabil
statisticile schimbărilor în serii între perioade sau între sezoane vor fi constante.
Prima diferențială a unei serii de timp reprezintă seria de schimbări de la o perioadă la alta.
Dacă Yt denotă valoarea seriei cronologice în perioada t, atunci prima diferențială a lui Y la
sfârșitul perioadei t este egală cu Yt-Yt-1. Dacă prima diferențială de Y este staționară, adică
dacă valorile sale în perioada t sunt corelate cu valorile din perioada anterioară, atunci este
recomandat un model de previziune mai sofisticat de netezire exponențială, sau utilizarea
metodei ARIMA.
Cointegrarea este o proprietate statistică a unei colecții (X1,X2,..,Xk) a variabilelor unei
serii de timp. În primul rând, toate seriile trebuie să fie integrate de ordinul 1. În cazul în care o
combinație liniară a acestei colecții este integrată de ordin zero, atunci colecția se numește
cointegrată. Formal, în cazul în care (X,Y,Z) sunt fiecare integrate de ordinul 1 și există
coeficienții a,b,c astfel încât aX+bY+cZ este integrată de ordin zero, atunci X,Y și Z sunt
cointegrate. Cointegrarea a devenit o proprietate importantă în analiza seriilor de timp
contemporane. Seriile de timp au în general tendințe – fie deterministe, fie stocastice.
Cointegrarea este cea mai consistentă dintre ipotezele lui Wagner, care încearcă să identifice
existenţa unei conexiuni pe termen lung între variabile, care nu poate fi evidenţiată prin metoda
regresiei multiple.
Pentru a putea depista existenţa unei eventuale cauzalităţi de tip Granger între cele două
variabile analizate, trebuie să verificăm înainte de toate existenţa cointegrării între seriile de
timp. Practic, cele două serii de timp sunt cointegrate dacă au acelaşi ordin de integrare, dar o
combinaţie liniară a lor are un ordin de integrare mai mic.
De exemplu, putem avea două serii integrate de ordinul unu, astfel încât diferenţele de
ordinul unu sunt staţionare, dar poate exista o combinaţie liniară a celor două serii care să fie
staţionară, adică integrată de ordinul 0.
Testarea staţionarităţii a fost realizată folosind procedura generală Augmented Dickey-
Fuller unde yt este variabila care se verifică staţionaritatea, iar p este numărul optim de lag-uri
utilizat pentru a verifica posibile autocorelaţii de ordin superior, prin estimarea următorului
model de regresie:

H0: ρ=1
H1: ρ<1, respingerea ipotezei nule echivalând cu acceptarea staţionarităţii.
Fie Yt=(ln yt ln xt) vectorul seriilor de timp astfel încât ln ytϵ I(1 ) și ln xt ϵ I(1). Atunci ln
yt şi ln xt sunt cointegrate dacă există o matrice β astfel încât β’Yt ϵ I(0).
Astfel, fie un model VAR de ordinul p: Yt= AtYt-1 + ... + ApYt-p + εt, unde Yt = (ln yt ln
xt)’ este vectorul celor două variabile studiate, integrate de ordinul 1, iar εt este vectorul
inovațiilor.
Modelul VAR de mai sus poate fi rescris:

În abordarea Granger (1969), X este o cauză a lui Y dacă este util în previzionarea lui Y,
luând în considerare doar valorile trecute ale lui Y. Există trei tipuri diferite de situații în care un
test de cauzalitate Granger poate fi aplicat:

 test de cauzalitate simplă Granger pentru nu mai mult de două variabile și lagurile lor,
 test de cauzalitate multivariată Granger pentru mai mult de două variabile sau
 într-o accepțiune VAR pentru testarea simultaneității tuturor variabilelor luate în
considerare. Pentru a testa dacă X cauzează Granger Y și invers, putem proceda la estimarea
următoarele regresii OLS:.
 Pe baza coeficienților OLS estimați pentru cele două ecuații, putem afirma că între cele
două variabile:
 se manifestă o cauzalitate unidirecțională Granger dinspre X spre Y sau dinspre Y spre X;
 se manifestă o cauzalitate bidirecțională sau un feedback – în aceast caz X determină Y și
invers;
 nu este evidentă o cauzalitate Granger în nicio direcție.