4.

Identificarea modelului ARIMA și predicție

Din vizualizarea corelogramei și a rezultatelor obținute pentru Unit Root Test s-a determinat
că seria nu este staționară.

Figura 4.1: Corelograma seriei

Se poate observa că funcția de autocorelație scade foarte puțin la fieacare lag până să ajungă
la 0. De asemenea, la funcția de autocorelație parțială doar lag-ul 1 este foarte semnificativ. Așadar,
aceste rezultate indică o serie nestaționară.

Figura 4.2: Rezultatele testului Unit Root pentru seria nestaționară

Conform rezultatelor obținute (Prob.=09754), putem spune că seria nu este staționară. După
logaritmarea seriei și aplicarea diferențelor de ordin 2, seria a devenit staționară.
 Figura 4.3: Corelograma și Unit Root Test pentru seria logaritmată cu diferențe de ordin 2

Din corelogramă și rezultatele obținute pentru testul Unit Root, putem spune că seria
obținută este staționară. Dacă analizăm funcția de autocorelație, putem observa un maxim la lag-ul
1, deci putem avea MA(1). Funcția de autocorelație parțială, indică un AR(1) sau AR(2). S-a
încercat estimarea unui model ARMA cu AR(1) AR(2) și MA(1).

Figura 4.4: Model ARMA cu AR(1) AR(2) și MA(1)

Putem observa astfel că MA(1) nu este semnificativ.

 Figura 4.5: Model ARMA cu AR(1) și AR(2)

Așadar modelul potrivit obținut este ARMA cu AR(1) și AR(2).

Figura 4.6: Corelograma reziduurilor

Reziduuile sunt zgomot alb după cum se poate observa (un singur coeficient depășește
limitele intervalului), ceea ce ne confirmă faptul că modelul estimat cu AR(1) și AR(2) este potrivit.

Pentru a face o predicție, vom utiliza funcția forecast care determină următoarele rezultate:
 Figura 4.7: Grafic predicție

Figura 4.7: Rezultate predicție

Așadar, conform predicției făcute pe baza modelului estimat, în data de 29/5/2020, numărul
total al cazurilor de infectări în SUA ar fi 1.789.378. Această predicție a fost făcută pentru o singură
zi. Pentru o face o predicție până la sfârșitul perioadei din serie, este necesară scrierea unui program
în EViews. Înainte de scrierea programului, vom scrie modelul estimat pe baza rezultatelor obținute
anterior:

X t −numărul de cazuri

(1−B)2 X t=seria staționară

(1−∅ 1 B−∅ 2 B2 ) ( 1−B )2 X t=ε t

(1−∅ 1 B−∅ 2 B2 ) ( X t −2 X t −1 + X t−2 )=ε t

X t −2 X t −1+ X t−2−∅1 X t −1+ 2 ∅1 X t −2 −∅ 1 X t−3−∅2 X t −2 +2 ∅ 2 X t−3−∅ 2 X t −4 =ε t

X t =2 X t −1−X t −2+ ∅1 X t −1−2 ∅ 1 X t −2+ ∅ 1 X t−3 +∅ 2 X t−2−2 ∅ 2 X t−3 + ∅2 X t −4

Așadar, pe baza modelului a fost scris programul în Eviews și s-au obținut următoarele
rezultate:

Figura 4.8: Grafic predicție

 Figura 4.8: Rezultate predicție

Conform worldometers.info pe 29 mai 2020 numărul total al cazurilor de infectări cu

COVID19 în SUA a fost 1.793.530, fiind foarte apropiat de rezultatele din predicții. Se poate
observa din graficul obținut pentru predicția până la sfârșitul perioadei că numărul de infectări în
SUA va continua să crească, iar la sfârșitul lunii iunie vor fi 2.810.320 de cazuri.