3.

Aplicația 3

Cerință: Pentru seriile caracterizate de sezonalitate, se va modela seria utilizand modele

SARIMA si modele de netezire exponentiala(H-W, seasonal H-W).Se vor compara modelele si
pe baza modelul validat se vor face previzuni cu interpretarea economica a rezultatelor.

Introducere

Prin definiție, comerțul electronic sau comerțul electronic, este cumpărarea și vânzarea de
produse sau servicii prin internet. Pentru mulți americani, comerțul electronic este ceva la care
participăm zilnic, cum ar fi plata facturilor online sau achiziționarea de la un e-tailer.
În zilele noastre, gândul de a trăi fără comerț electronic pare de nerespectat, complicat și
un inconvenient pentru mulți. Abia acum câteva decenii a apărut chiar ideea comerțului
electronic.
Istoria comerțului electronic a început acum 40 de ani și, până în prezent, continuă să
crească cu noi tehnologii, inovații și mii de companii care intră pe piața online în fiecare an.
Intercambiile electronice de date și teleshopping-ul din anii '70 au deschis calea magazinului
online de comerț electronic. Istoria comerțului electronic este strâns legată de istoria internetului.
Cumpărăturile online au devenit posibile doar atunci când internetul a fost deschis publicului în
1991. Amazon.com a fost unul dintre primele site-uri de comerț electronic din SUA care a
început să vândă produse online și au urmat mii de companii de atunci. Comoditatea, siguranța și
experiența utilizatorului de comerț electronic s-au îmbunătățit exponențial de la înființare. Acest
articol va aborda unii dintre jucătorii-cheie și repere ale comerțului electronic.
Cumpărăturile online au fost inventate în 1979 de Michael Aldrich în Regatul Unit. El a
conectat o televiziune internă modificată prin intermediul unei linii telefonice la un computer de
procesare a tranzacțiilor în timp real cu mai mulți utilizatori. Sistemul a fost comercializat
începând cu 1980 și a oferit în principal sisteme business-to-business care au fost vândute în
Marea Britanie, Irlanda și Spania. Una dintre cele mai vechi experiențe de cumpărături pentru
consumatori a fost Book Stacks Unlimited, o librărie online creată de Charles M. Stack în 1992.
Magazinul lui Stack a început ca un panou publicitar dial-up cu doi ani înainte ca Amazon să fie
fondată de Jeff Bezos. În 1994, Book Stacks Unlimited s-a mutat pe Internet ca Books.com și a
fost în cele din urmă achiziționat de Barnes & Noble.
Prima tranzacție online a fost, după unele rapoarte, marijuana vândută de studenții
Stanford studenților MIT prin contul Arpanet la laboratorul lor de inteligență artificială din 1972.
Cu toate acestea, prima tranzacție de cumpărături online pe Internet a avut loc aproximativ 22 de
ani mai târziu. Cu titlul „Internetul este deschis”, numărul New York Times din 12 august 1994 a
cronicizat vânzarea dintre doi prieteni ai unui CD Sting. The Times a spus: „Echipa de tineri
antreprenori din spațiul ciberspațial a sărbătorit ceea ce aparent a fost prima tranzacție de vânzare
cu amănuntul pe Internet folosind o versiune ușor disponibilă a unui software puternic de criptare
a datelor conceput pentru a garanta confidențialitatea.”
3.1. Aspecte teoretice

A time series repeats itself after a regular period of time.

“Business cycle" plays an important role in economics. In time series analysis, business
cycle is typically represented by a seasonal (or periodic) model.
A smallest time period for this repetitive phenomenon is called a seasonal period, s.

3.1.1. Literatură de specialitate

O prezentare succintă a formularului model ARIMA este prezentată mai jos.Pentru o

discuție mai detaliată, cititorul este trimis la un com-text de analiză a seriei de timp prehensive,
cum ar fi Brockwell și Davis1996 sau Fuller 1996.
O serie de timp X teste un ARIMA sezonier ( p , d , q ) ( P , D , Q ) Sproces cu perioada S
dacă d și D sunt numere întregi non-negative și dacăseria diferențiată Y t(1 B ) d (1 B s ) D X t
este un staționar-Procesul ARMA mediu în mișcare neregresiv definit de expresia

Parametrii p și P reprezintă nespețial și mareordinea polinomială sonoră, respectiv, și pa-

rameterele q și Q reprezintă mișcarea nesecțională și sezonierăordinea polinomială medie,
respectiv. După cum am discutat mai sus,parametrul d reprezintă ordinea diferențierii normale
șiparametrul D reprezintă ordinea diferențierii sezoniere.Din perspectivă practică, au montat
modele ARIMA sezoniereoferă ecuații de tranziție liniară de stare care pot fi aplicate în mod
repetatpentru a produce prognoze unice și cu intervale multiple. Mai departe-mai mult, modelele
ARIMA sezoniere pot fi ușor exprimate în stareformă spațială, permițând astfel tehnologia de
filtrare Kalman adaptivănișe care urmează să fie angajate pentru a oferi un model de prognoză de
auto-reglare.
Justificare teoretică pentru ARIMA sezonieră
 Justificarea teoretică a modelării seriei de timp univariate din datele fluxului de trafic ca
procese ARIMA sezoniere sunt fondate în programulteorema seriei de timp cunoscută sub
numele de descompunerea Wold, carese aplică seriilor de date cu timp discret, care sunt
staționate în legătură cu acesteamedie și variație. Prin urmare, este necesar, de asemenea, să
susțineți unafirmația că o diferență sezonieră adecvată va induce sta-tionarity.1

3.1.3. Metodologia cercetării

Schița modelării sezoniere ARIMA:

Partea sezonieră a unui model ARIMA are aceeași structură ca partea non-sezonieră:
poate avea un factor AR, un factor MA și / sau o ordine de diferențiere. În partea sezonieră a
modelului, toți acești factori funcționează de-a lungul mai multor lag-uri (numărul de perioade
dintr-un sezon).
Un model ARIMA sezonier este clasificat ca model ARIMA (p, d, q) x (P, D, Q), unde P
= numărul de termeni autoregresivi sezonieri (SAR), D = numărul diferențelor sezoniere, Q =
numărul sezonului termeni medii mobili (SMA)
În identificarea unui model sezonier, primul pas constă în a determina dacă este necesară
sau nu o diferență sezonieră, pe lângă sau poate în locul unei diferențe non-sezoniere. Ar trebui să
analizați parcelele din seriile de timp și loturile ACF și PACF pentru toate combinațiile posibile
de 0 sau 1 diferență non-sezonieră și 0 sau 1 diferență sezonieră. Atenție: NU folosiți
NICIODATĂ mai mult de O DIFERENȚĂ sezonieră și nici mai mult de DOUĂ diferențe totale
(combinate sezoniere și non-sezon).
Dacă modelul sezonier este puternic și stabil în timp (de exemplu, mare vara și scăzut în
timpul iernii, sau invers), atunci ar trebui să utilizați o diferență sezonieră indiferent dacă folosiți
o diferență non-sezonieră, deoarece aceasta va împiedica modelul sezonier să „moară” în
prognozele pe termen lung. Să adăugăm acest lucru la lista noastră de reguli pentru identificarea
modelelor.

1
Modeling and Forecasting Vehicular Traffic Flo as a Seasonal ARIMA Process: Theoretical Basiand Empirical Results
Billy M. Williams, M.ASCE1 and Lester A. Hoel, F.ASCE2
3.2. Studiu de caz

3.2.1. Date utilizate

Data: E-Commerce Retail Sales

Units: Millions of Dollars, Not Seasonally Adjusted
Frequency: Quarterly, 1999-10-01 to 2020-01-01
Sursa datelor: U.S. Census Bureau, E-Commerce Retail Sales [ECOMNSA], retrieved
from FRED, Federal Reserve Bank of St. Louis; https://fred.stlouisfed.org/series/ECOMNSA,
May 23, 2020.

În

graficul alăturat putem observa cum au evoluat vânzările de-a lungul anilor. Observăm că
vânzările din mediul online au avut o tendință ascendentă. De asemenea, putem intui și
sezonalitatea acestora, evoluția lor păstrând un anumit tipar cu o tendință de creștere în
aproprierea ultimului trimestru din fiecare an.
3.2.2. Determinarea sezonalitatii

Seasonal Graph ne dovedește faptul că setul nostru de date are o sezonalitate puternică,
deci că vânzările variază în funcție de trimestru. Mai departe vom vedea dacă și corelograma
susține acest lucru.
 Corelograma susține și ea ideea de sezonalitate, deși această sezonalitate nu pare a fi
foarte puternică. Observăm însă că la fiecare al 4-lea lag, segmentul pentru autocorelatie este mai
mare. Se păstrează acest trend până în punctul în care observațiile nu mai pot fi considerate
semnificative. Totodată, acest lucru poate însemna faptul că datele sunt nonstaționare, lucru pe
care îl vom verifica în continuare cu Unit Root Test.

3.2.3. Unit Root Analysis

Pentru a analiza staționalitatea seriei noastre în prezența sezonalității, am aplicat teste de

rădăcină unitară sezonieră, făcând distincția între anotimpul determinist - care poate fi înlăturat
prin ajustare sezonieră - și sezonalitate stocastică - care se referă la rădăcinile unității la
frecvențele sezoniere -. Prin urmare, prima etapă constă în efectuarea de teste de rădăcină unitară
sezonieră (HEGY) pentru a evalua dacă anotimpul este sau nu determinist .
Al doilea pas constă în aplicarea ajustării sezoniere (adică diferențe sezoniere) dacă seria
este caracterizată de anotimpul determinist. Pentru a verifica prin teste standard de rădăcină
unitară (de exemplu ADF, PP și KPSS) dacă aceste serii ajustate sezonier au rădăcină unitară.
Atât în testele ADF, cât și în cele PP, testele de rădăcină unitară au fost efectuate de la cel mai
general la cel mai puțin model specific, prin eliminarea tendinței și interceptării între modele
(Enders, 1995). Testul KPSS diferă de celelalte prin faptul că se presupune că seria (trend-)
staționară, conform ipotezei nule. Dacă valorile estimate depășesc valorile critice respective,
staționarea trebuie respinsă. (vezi Tabelul A2 pentru CDA; Tabelul A5 pentru MIMIC).
A treia etapă constă în testarea dacă testele de rădăcină ale unității convenționale sunt
părtinitoare către o rădăcină falsă a unității false, datorită prezenței unei rupturi structurale
(Perron 1989). Prin urmare, non-staționalitatea seriei noastre a fost evaluată și prin aplicarea
testelor care permit pauze structurale în serie. Acest test utilizează procedura de detecție
inovatoare (IO) inovatoare pentru a identifica întreruperea structurală. IO presupune că pauza are
loc treptat, pauzele urmând aceeași cale dinamică ca și inovațiile.
Următoarea etapă a analizei constă în excluderea corelațiilor spuroase dintre seriile de
timp integrate, verificând co-integrarea. În acest caz, două opțiuni sunt viabile:
a) dacă seria nu este cointegrată, seria va fi transformată luând primele diferențe;
b) dacă seria este cointegrată, atunci se vor aplica metodele corespunzătoare.

Toate testele statistice pentru unit root, indiferent dacă includem Intercept, Trend and
Intercept sau None, ne indică faptul că t stat este mai mare, asadar vom respinge ipotezele, deci
seria este nestaționară.
3.2.4. Diferențierea seriei

Aproape prin definiție, poate fi necesar să examinăm datele diferențiate atunci când avem
sezoane. Sezonalitatea provoacă, de obicei, seria să nu fie staționară, deoarece valorile medii, în
anumite momente, din intervalul sezonier (trimestre, de exemplu) pot fi diferite decât valorile
medii în alte momente. De exemplu, vânzările noastre de ventilatoare de răcire vor fi întotdeauna
mai mari în lunile de vară.
Având în vedere ca seria este nestationara, vom incerca sa facem o diferentiere pentru
sezonalitate în speranța că aceasta va deveni și nonstationară. Putem observa în corelograma
alăturată că încercarea de desonalizare nu a schimbat nonstaționaritatea seriei, prin urmare va
trebui să aplicăm o tehnică combinată de diferențiere. Mai jos atașez formulele folosite pentre
creearea noilor serii.
 Observăm că prin diferențierea combinată am reușit să transformăm seria noastră într-o
serie staționară.
Ceea ce ne interesează este dacă coeficienții de corelație de la lagul 4( deoarece avem 4
perioade/an) sunt pozitivi sau negativi. În cazul nostru, coeficienții sunt pozitivi, ceea ce ne face
sa adăugăm un termen de tip SAR în model pentru prognoză.

3.2.5. Exponential Smoothing

3.2.6. Estimarea modelului

Modelul preferat este cel determinat folosind tehnici SARIMA, nu exponential smoothing.

Vom estima modelul definind ecuatia de mai jos, deci modelul nostru va urma un proces
SARI(3,5).
Modelul poate fi considerat valid din punct de vedere statistic.
3.2.7. Analiza reziduurilor
 Erorile nu sunt distribuite uniform, nu exista normalitate.

Am aplicat ARCH pentru primele 4 laguri. Erorile sunt heteroskedastice. Acest lucru ne
demonstreaza faptul ca modelul nu este chiar potrivit pentru prognoza si ca acesta trebuie
corectat.
3.2.8. Forecast

Vom face un forecast static pentru datele originale deoarece acestea ne intereseaza, nu cele
diferentiate.

Următorul este outputul forecastului:

 Atât Theil Inequality Coef, cât și Theil U2 Coef sunt apropiate de 0.

Observăm că forecastul ne-a mai adăugat o valoare pentru Trimestrul 2 2020. Datele
noastre se opreau la trimestrul 1.

Am facut un grup cu datele previzionate si cu datele originale si am reprezentat grafic.