Aplicatia1:

Cerinta: Sa se modeleze o serie de timp utilizand metodologia Box-Jenkins, cu analize

descriptive preliminare asupra seriei(statistici elementare, grafice), sa se faca previziuni pe modelul
valid, sa se analizeze bonitatea previziunii si sa se interpreteze economic rezultatele.

Prezentarea seriilor de date:

In cadrul primei aplicatii dorim sa analizam pretul motorinei in SUA din 1994 pana in 2016
Valorile observate se afla in fisierul EMD_EPD2D_PTE_NUS_DPGm.xls
Periodicitate: lunara
Sursa de colectare: http://www.eia.gov/forecasts/steo/query/
Unitatea de masura:Dolar / gallon

Evolutia economica a variabilelor incluse in model

Un prim pas in analiza oricarei serii de timp este de a privi graficul valorilor observate in raport cu timpul:

Figura 1
Din graficul de mai sus putem observa o tendinta usor descrescatoare, desi trendul nu este
neted.
Testarea stationaritatii seriei de timp

Analiza stationaritatii seriei de date se realizeaza prin:

 Analiza corelogramei seriei de date

 Testul Bartlett
 Teste pentru depistarea prezentei radacinii unitate – Augumented Dickey Fuller
a.Analiza corelogramei seriei de date

Un test simplu al stationaritătii seriei este bazat pe functia de autocorelatie (ACF).

Graficul functiei de autocorelatie in raport cu decalajul k, se numeste corelograma.

Corelograma seriei:

Figura 2-Corelograma
 Un test simplu ar stationaritatii seriei este bazat pe functia de autocorelatie – ACF. Observam ca
incepe cu valori foarte mari – lag-ul 1 - > 0.991 si descreste lent. La lag-ul 6, coeficientul de
autocorelatie are o valoare mare, 0.901.
Analiza corelogramei ne releva faptul ca seria este nestationara, deoarece functia de autocorelatie
descreste lent.

b.Testul Bartlett

Barlett a aratat ca, daca o serie este pur aleatoare,coeficientii de autocorelatie de selectie sunt
aproximativ normal distribuiti, cu media 0 si varianta 1/n, unde n este volumul selectiei .

Putem determina un interval de încredere 95% în care se află ρk:

Daca toti coeficientii ρk apartin intervalului definit mai sus, adica nu sunt semnificativ diferiti de 0, seria
este stationara. In cazul in care exista coeficienti in afara intervalului definit, putem afirma ca seria este
nestationara.
In cazul nostru, n=256 => 1/√ n = 0.63. Intervalul calculat este (-0.63; 0.63)
Ipotezele testului Barlett :

H 0 : toti  (serie stationara)

H 1 :exista  (serie nestationara)

Deoarce primii patru coeficienti nu apartin intervalului (-0.63; 0.63) , respingem ipoteza H0 si acceptam
ipoteza H1, conform careia seria este nestationara.

c.Testul pentru depistarea prezentei radacinii unitate – Augumented Dickey Fuller

Mers la intamplare :    Daca , spunem ca variabila y t are o radacina
unitara.
    
Ipoteza de rădăcină unitară-Unit Root
H 0 : seria are rădăcină unitară şi este nestationara   
 H 1 : seria este stationara 

Testul Dickey-Fuller(Unit Root Test)

Dickey si Fuller au propus trei ecuatii diferite:
i)     -fara constanta si fara trend;

ii)     - cu constanta si fara trend;

iii)      -cu constanta si cu trend;

Testul Dickey-Fuller este testul de baza pentru o radacina egala cu 1. Dacă  sau  , atunci
seria nu este stationara. Dacă  , atunci seria este stationara.

Statistica 

 

Daca respingem ipoteza nula ca  sau , rezulta ca seria este stationara si putem folosi testul t :

Daca | calc | < |  crt | , acceptam ipoteza H0 – seria este nestationara.

Daca | calc | > |  crt | , acceptam ipoteza H1 – seria este stationara.

 I. Fara constanta si fara trend

Figura 3- Augmented dickey-Fuller fara constanta si fara trend

Diesel = -0.0013DIESELt-1 – 0.48 DIESELt-1



Pentru modelul nostru, valorile critice ale lui t sunt : (-2.57), (-1.94) si (-1.61), corespunzatoare
nivelurilor de semnificatie 1%, 5% si 10 %.
Valoarea pentru statistica este (-0.48).
 |-0.48| <|-2.57|
  |-0.48| < |-1.94|
 |-0.48| < |-1.61|

Valoarea pentru statistica , in valoare absoluta este mai mica decat toate cele trei valori critice.
Asadar, vom respinge ipoteza H1 si
vom accepta ipoteza Ho , conform careia seria DIESEL este nestationara.
II. Avem constanta, dar nu avem trend

Figura 4-ADF Constant

 DIESEL = 0.02 -0.011 DIESEL t-1 – 0.49  DIESEL t-1

t= (1.77) (-1.81) ( 9.1)

R2 = 0.244
 Pentru modelul nostrum, valorile critice ale lui t sunt : (-3.45), (-2.87) si (-2.57), corespunzatoare
nivelurilor de semnificatie 1%, 5% si 10 %.

Valoarea pentru statistica este (-1.81).

 |-1.81| <|-3.45|
 |-1.81| < |-2.87|
 |-1.81| < |-2.57|

Valoarea pentru statistica , in valoare absoluta este mai mica decat toate cele trei valori critice. Asadar,
vom respinge ipoteza H1 si
vom accepta ipoteza Ho , conform careia seria Diesel este nestationara.

III. Cu constanta si cu trend

 Figura 5 ADF Cu constanta si cu trend

 DIESEL = 0.02+0.0003t -0.0321 DIESEL t-1 +0.51  DIESEL t-1

t= (1.88) (1.88) (-2.54) (9.28
R2 = 0.25
Pentru modelul nostru, valorile critice ale lui t sunt : (-3.99), (-3.42) si (-3.14), corespunzatoare
nivelurilor de semnificatie 1%, 5% si 10 %.
Valoarea pentru statisticaeste (-2.54).
 |-2.54| <|-3.99|
 |-2.54| < |-3.42|
  |-2.54| < |-3.14|

Valoarea pentru statistica  in valoare absoluta este mai mica decat toate cele trei valori critice. Asadar, vom
respinge ipoteza H1
vom accepta ipoteza Ho , conform careia seria DIESEL este nestationara.

Conform celor trei ecuatii ale testului Dickey-Fuller putem concluziona ca seria Diesel este
nestationara de tip DS(Difference-Stationarity).

Stationarizarea seriei
In continuare, vom incerca sa stationarizam seria, prin aplicarea operatorului de diferentiere.
Pentru aceasta, folosim urmatoarea comanda in EViews: Ddiesel = D(diesel).

Graficul valorilor observate in raport cu timpul:

Figura 6-Grafic stationarizat

Pentru a ne asigura ca seria de date a devenit stationara, reanalizam stationaritatea seriei

de date utilizand testul Augumented Dickey Fuller
1. Avem constanta, dar nu avem trend
 Figura 7- ADF Cosntant

 DIESEL = -0.52* DIESEL t-1 +0.002*  DIESEL t-1

t= (-9.52) (0.31)

R2 = 0.26

Pentru modelul nostru, valorile critice ale lui t sunt : (-3.45), (-2.87) si (-2.57), corespunzatoare
nivelurilor de semnificatie 1%, 5% si 10 %.

Valoarea pentru statisticaeste (-9.52).

 |-9.52| > |-3.45|

 |-9.52| > |-2.87|
 |-9.52| > |-2.57|
 Valoarea pentru statistica , in valoare absoluta este mai mare decat toate cele trei valori
critice.Asadar, vom respinge ipoteza H0
Vom accepta ipoteza H1 , conform careia seria Diesel este stationara.

2. Fara constanta si fara trend

Figura 8 ADF fara constanta si fara trend

 DIESEL = -0.52  DIESELt -1

t= (-9.53)

R2 = 0.26

Pentru modelul nostru, valorile critice ale lui t sunt : (-2.57), (-1.94) si (-1.61), corespunzatoare
nivelurilor de semnificatie 1%, 5% si 10 %.
 Valoarea pentru statistica este (-9.53).

 |-9.53| > |-2.57|

 |-9.53| > |-1.94|
 |-9.53| > |-1.61|

Valoarea pentru statistica , in valoare absoluta este mai mare decat toate cele trei valori critice.
Asadar, vom respinge ipoteza H0 si
Vom accepta ipoteza H1 , conform careia seria Diesel este stationara.

3. Cu constanta si cu trend

Figura 9 ADF cu constanta si cu trend

 DIESEL =0.009-5.72t -0.52D DIESEL t-1

 t= (-9.53)

R2 = 0.26

Pentru modelul nostru, valorile critice ale lui t sunt : (-3.99), (-3.42) si (-3.14), corespunzatoare
nivelurilor de semnificatie 1%, 5% si 10 %.
Valoarea pentru statistica este (-9.53).
 |-9.53| > |-3.99|
 |-9.53| > |-3.42|
 |-9.53| > |-3.14|

Valoarea pentru statistica , in valoare absoluta este mai mare decat toate cele trei valori critice. Asadar, vom
respinge ipoteza H0 si

vom accepta ipoteza H1 , conform careia seria Diesel este stationara.

Concluzie: Conform celor trei ecuatii ale testului Dickey-Fuller, putem concluziona ca seria
Ddiesel a devenit stationara dupa aplicarea operatorului de diferentiere.
Tipologia modelelor stohastice

Corelograma datelor stationarizate

Figura 10 corelograma datelor stationarizate

Pe baza corelogramei de mai sus, putem estima mai multe modele:

AR(1), MA(1), AR(2), MA(2), ARMA(1,1) si ARMA(2,2)
Dintre aceste modele, il vom alege pe cel care indeplineste urmatoarele conditii:
 Parametrii modelului sunt semnificativ diferiti de zero;
 R2 este sufficient de mare, dar nu are o valoare aberanta;
 Criteriile informationale Akaike si Schwarz au valori minime.
1.Modelul autoregresiv AR(1)

Comanda Eviews: ddiesel c ar(1)

Figura 11 AR(1)
2.AR(2)

Comanda Eviews: ddiesel c ar(1) ar(2)

Figura 12 AR(2)
3.ARMA(1,1)

Comanda Eviews: ddiesel c ar(1) ma(1)

Figura 13 ARMA(1,1)
4.ARMA(2,2)

Comanda Eviews: ddiesel c ar(1) ar(2 ) ma(1) ma(2)

Figura 14-ARMA(2,2)
 5.ARMA(2,1)

Comanda Eviews: ddiesel c ar(1) ar(2) ma(1)

Figura 15-ARMA(2,1)
Concluzie: Din cele 5 modele estimate mai sus, cel mai concludent model este reprezentat de
modelul mixt ARMA(2,1) deoarece indeplineste criteriile mentionate mai sus, respectiv:
 Parametrii modelului sunt semnificativ diferiti de zero;
 R2 este suficient de mare, dar nu are o valoare aberanta, respectiv 24%.
 Criteriile informationale Akaike si Schwarz au cele mai mici valori dintre modele
estimate: Akaike – 1.53 si Schwarz – 1.46.
Testarea validitatii modelului estimat
Testarea autocorelarii reziduurilor se realizeaza cu corelograma reziduurilor Q-statistics

FIGURA 16- corelograma reziduurilor Q-statistics

Valorile reziduurilor Q-statistics sunt in cea mai mare parte nesemnificative. Acest lucru
indica inexistenta unei corelatii a reziduurilor.
Previziuni pe modelul valid ARMA:

Fig 17-previziune
Fig17.1 Previziune

Evaluarea bonitatii previziunii:

 Mean Abs. Percent Error – acesta trebuie să aibă o valoare cât mai mică, in cazul nostru
– 0.08;
 Coeficientul Theil cu valori in intervalul (0,1): valorile apropiate de 0 indică o ajustare
bună; in cazul de fata, valoarea acestui coeficient este de 0.97, ceea ce indica o ajustare
proasta;
 Grupul de indicatori:

• Bias Proportion trebuie sa fie cât mai mic – 0.00;

 • Variance Proportion trebuie sa fie cât mai mic – valoare de 0.99 este o
valoare mare;
• Covariance Proportion trebuie sa fie cât mai mare – in cazul noastru are
valoarea 0.00059.

Aplicatia 2
Cerinta: Pentru o serie de date, sa se analizeze prezenta ARCH in date si modelarea
variantei(a volatilitatii) prin modele GARCH sau EGARCH, cu realizarea de previziuni pe
modelul validat, analiza bonitatii previziunii si interpretarea economica a rezultatelor.

Pentru realizarea acestei aplicatii vom folosi acelasi set de date de la aplicatia 1

Graficul:

Fig 1 Grafic

Din graficul de mai sus putem observa o tendinta usor descrescatoare, desi trendul nu este
neted.
Corelograma seriei” Diesel”

Fig 2 corelograma
 Seria este nestationara.

 Testul Dickey-Fuller din aplicatia 1 confirma faptul ca seria este nestationara.

In continuare, vom incerca sa stationarizam seria, prin aplicarea logaritmului.

Astfel, in Eviews vom folosi urmatoarea comanda: Logdiesel= log(diesel)-log(diesel(-1))

Graficul seriei dupa logaritmare:

Fig 3- Graficul seriei dupa logaritmare

Testul Dickey-Fuller

Fig 4-ADF

Concluzie: Valoarea pentru statistica  in valoare absoluta este mai mare decat toate cele
trei valori critice. Asadar, vom respinge ipoteza H0 si vom accepta ipoteza H1, conform careia
seria logdiesel este stationara.

Testarea prezentei heteroschedasticitatii in date – Testul ARCH – LM

Algoritm
Pasul 1. Se estimeaza parametrii din modelul linear de regresie multipla:
si salvam reziduurile
Pasul 2. Folosim modelul de regresie

unde este termenul eroare(presupus normal de medie 0).

Pasul 3. Testam ipoteza nula:

cu alternative H1 : macar unul dintre coeficienti este diferit de 0.

In Eviews, generam o ecuatie folosind formula: diesel c t

t = variabila de influenta (timpul);
diesel = seria de date;

Fig 5.
 Testarea semnificaţiei parametrilor

Constantele α si β sunt statistic diferit de zero in ecuatia de regresie (a se vedea

p-value=0.0000).

Verificarea prezentei heteroschedasticitatii se face considerand ipotezele asupra parametrilor din

ecuatia auxiliara:

Fig 6- Testul ARCH

Am testat modelul de forma:

Interpretare:
  Coeficientii din regresia auxiliara sunt semnificativi din punct de vedere statistic – p-
value este mai mic decat 0.05;
 Testul F ne confirma cele spuse mai sus;

Concluzie: Vom respingem ipoteza nula si acceptam ipoteza H1, care ne spune ca macar un
coeficient este diferit de 0. Astfel, putem afirma existenta heteroschedasticitatii in date.

Modelarea datelor prin modelele GARCH si EGARCH

1.Modelul GARCH(1,1)

Fig 7-Modelul GARCH

Ecuatia mediei este yi= -287.63 - 0.0003*t

 2.Modelul EGARCH(1,1)

Fig 8-Modelul EGARCH

Ecuatia mediei este yi=-283.99-0.0004*t
 Realizarea previziunii

Fig 9-Previziune
Evaluarea bonităţii previziunii este dată de indicatorii:
-Mean Abs. Percent Error – acesta trebuie să aibă o valoare cât mai mică :20.11006
-Coeficientul Theil cu valori în intervalul (0,1); valorile apropiate de 0 indică o ajustare bună; in
cazul de fata, valoarea acestui coeficient este de 0.11, ceea ce indica o ajustare bună;
-Grupul de indicatori:
 Bias Proportion (trebuie să fie cât mai mic) – valoarea de 0.003 este bună;
 Variance Proportion (trebuie sa fie cât mai mic) – valoarea de 0.09 este bună;
 Covariance Proportion ( trebuie sa fie cât mai mare) – valoarea de 0.9 este bună;

In concluzie există o legătură bună între valori şi previziuni.