PROIECT SERII DE

TIMP

NEACSU ELISABETA-MIRUNA
GRUPA 1088
 I. Testele de staționalitate

Scopul acestui proiect este analizarea cursului de schimb RON-EURO în România, într-o
perioadă de timp definită (2005-2017), cu observații lunare și 147 de iterații.
În ultima vreme, am observat cazuri de crize valutare la nivel mondial, în care moneda
națională a unei țări a trecut prin vârfuri semnificative, în timp ce prețul aurului este cel mai
sigur, mai puțin probabil să sufere fluctuații ale investițiilor.
Vom determina dacă seria de timp este staționară sau nonstationară, folosind niște pași, cum ar
fi analiza graficului, analiza evoluției de-a lungul timpului funcției de autocorelație (ACF) și a
funcției parțiale de autocorelație (PACF), precum și a unității de calcul rădăcină teste pentru
anumite cazuri.

Figura 1 - Graficul seriei

cursului de schimb RON / EURO

După analizarea graficului corespunzător seriei de timp de-a lungul iterațiilor date, se poate
observa că graficul are o tendință ascendentă, totuși, tendința nu pare a fi una constantă. De
asemenea, media, variația și covarianța seriei par să nu fie constante în timp. Tendința este o
tendință ascendentă în timp, având doar valori nule. Seria de timp pare nestationară.
Testarea staționalității seriei temporale

Următoarele teste sunt utilizate pentru a testa staționalitatea seriei de timp, pe baza
corelogramei.
Numim coreogramă graficul funcției în raport cu numărul de
laguri notat cu k.

Figura 2 - Corelația seriei

cursului de schimb RON / EURO

 Analizăm ACF (funcția de corelație automată) începând cu k = 1. Se poate observa că ACF (1)
are o valoare destul de ridicată - 0,977 - și este descendentă foarte lent, cu ACF (2) = 0,956, ACF
(3) = 0,933 și așa mai departe. Se poate observa, de asemenea, că nu există vârfuri în ACF și
valorile scad doar, nu alternează.
Putem observa că lag-ul k = 12 are, totuși, o valoare foarte mare, fiind ACF (12) =0.730.
Probabilitățile conțin doar mai puțin de 0,05 valori, ceea ce înseamnă că avem corelații seriale
între variabile.
Acest lucru ne orientează către seria de timp fiind nonstationară, deoarece știm că pentru seriile
de timp nestationare, coeficienții de autocorelație scad într-un mod foarte lent.
De asemenea, vedem că structura observațiilor de corelație (ACF și PACF) este mult peste
liniile punctate, ceea ce arată, de asemenea, că seria de timp este nonstationară.

Figura 3 - Test Dickey-Fuller (cu interceptare)

Formularea ipotezelor

H0 - seria nu este staționară

H1 - seria este staționară

Se poate observa că valoarea statistică t calculată este -1,27 care, în valoare absolută, este mai
mică decât valorile critice la nivel de semnificație 1% - 3,47, 5% - 2,88, 10% - 2,57. Prin urmare,
putem concluziona că seria este nonstationară, are o rădăcină unitară și acceptăm ipoteza H0.
Seria are o tendință stocastică și este diferențiată.

Pentru acest test Dickey-Fuller, am selectat tendințele și interceptele, iar criteriul de selecție
automată este Schwarz Info. Ipoteza nulă pentru testul ADF este aceea că seria are o rădăcină
unitară, deci fiind nestationară. Valorile au fost, de asemenea, comparate cu un tabel care conține
valorile critice ADF, pentru a vă asigura că nu au existat erori.

Figura 5 - Tabel cu valori critice ADF

Putem vedea că, deoarece avem aproximativ 150 de iterații, asta ne situează între valorile 100-
250, iar valorile noastre statistice t sunt foarte similare cu cele din tabel (-4.02, -3.44, -3.14).
Statistica t ADF în valoare absolută (1,64) este mai mică decât toate celelalte valori t-stat, chiar
și cea mai slabă la 10% (3,14). Valoarea probabilității este de 0,77, ceea ce o face mai puțin
semnificativă.

De asemenea, observăm că variabila C este cea mai semnificativă, în timp ce tendința și

interceptarea nu sunt atât de importante.
Figura 6 - Test Dickey-Fuller (fără tendință sau interceptare)
Formularea ipotezelor

H0 – seria nu este staționară

H1 - seria este staționară

Se poate observa că valoarea calculată a statisticii t 0,94 (pozitivă de această dată) este mai
mică decât valorile absolute absolute la nivelul semnificației 1% - 2,58, 5% - 1,94, 10% - 1,64.
Prin urmare, putem concluziona că seria este nonstationară, are o rădăcină unitară și acceptăm
ipoteza H0. Seria are o tendință stocastică și este diferențiată.

Conectăm seria de timp pentru următorul pas și verificăm din nou staționalitatea.

Creăm un nou obiect ca o serie, apoi folosim logxau = log (xau).

Figura 7 - Correlogramă pentru

seria cu LOG
Figura 8 - Test ADF pentru serii cu LOG
 Încă o dată, putem analiza testul și vom vedea că seria este încă una nestatică, valorile absolute
fiind mai mici decât valorile critice pentru nivelurile de semnificație, așa că trecem la următorul
pas.

În continuare, calculăm testul Correlogramă și ADF pentru prima diferență și putem observa
că seria devine staționară la prima diferență.

Creăm un obiect nou ca serie, apoi folosim dxau = d (xau).

Graficul pentru seria DXAU diferențiată arată semne că seria de timp a devenit staționară, nu
mai are o tendință și media fiind destul de constantă.

Figura 9 - Grafic după aplicarea primei diferențe

Cu toate acestea, vom calcula în continuare toate testele necesare pentru a demonstra faptul că,
după diferenție, seria devine staționară.
Figura 10 - Prima corelogramă de diferență
 Figura 11 - Primul test de diferență ADF

Drept urmare, valoarea absolută 13,40 este mult mai mare decât orice altă valoare la nivel de
1%, 5% și 10% (4,02, 3,44, 3,14). Probabilitatea este foarte mică (0,0000) ceea ce înseamnă că
valoarea este semnificativă.

Respingem H0 și acceptăm H1 ca ipoteză, rezultând că seria este staționară și nu are o rădăcină

unitară.
 II. Modele ARIMA (metodologia Box-Jenkins)

Pentru a construi modelele ARIMA (p, d, q), trebuie să urmăm 4 pași:

1. Identificarea

2. Estimare (selecție)

3. Verificarea diagnosticului

4. Utilizarea modelului (prognoză)

I. Identificare - găsirea valorilor p, d și q, pentru a surprinde caracteristicile dinamice ale datelor.

Seria lron_xau=log(ron_xau)
 III. Estimare - folosind pasul 1 estimăm parametrii diferitelor modele.

Următoarea coreogramă a seriei lron_xau, putem observa că autocorelația este în scădere și

semnificativ diferită de 0, prima valoare fiind 0,977. PAC (corelația parțială auto) este
semnificativ diferită de 0 în primul decalaj, apoi devine mai aproape de 0. Probabilitatea este
constantă 0 și mai mică decât 0.05, de aceea există o corelație serială între variabile.
Ipoteza pentru testul unitar de rădăcină

H0: seria de timp are o rădăcină unitară și este staționară

H1: seria de timp este staționară

Putem observa din testul unității (Augmented Dickey Fuller) că probabilitatea are o valoare de
0,3848> 0,05. Prin urmare, acceptăm ipoteza nulă (H0).

De asemenea, avem următoarele valori critice:

- -3.475184 pentru un nivel de semnificație de 1%

- -2.881123 pentru un nivel de semnificație de 5%

- -2.577291 pentru un nivel de semnificație de 10%

Valoarea t-statistică este -1.789015, care are valoarea absolută mai mică decât valorile critice, ->
acceptăm ipoteza nulă -> seria de timp ron / xau nestacionară.

Obținem diferența de prim ordin de ron / xay folosind comanda seria dron_xau=d(ron_xau).

Putem observa că seria este staționară.

Probabilitățile pentru lag 1 (0.173) și lag 2 (0.354) sunt mai mari decât 0.05 ceea ce înseamnă că
nu există o corelație serială. Prin urmare, selectăm pmax = 1 și qmax = 1.
 Probabilitatea testului unitar este 0 <0.05, de aceea respingem ipoteza nulă (H0) și acceptăm
H1, ceea ce înseamnă că seria este staționară.

În practică, identificarea p și q folosind metodele ACF și PACF, implică un proces și abordarea

erorilor.

Regula practică este:

- Pentru a alege o limită superioară pentru p spune pmax, și q, spuneți qmax;

- Estimați toate modelele cu 0 <= p <= pmax și 0 <= q <= qmax;

- Utilizați criterii de informare pentru a discrimina modelele concurente

Estimarea parametrilor modelelor identificate s-a făcut folosind metoda cu cel puțin pătrate.
(non-liniare pătrate minime și ARMA).

ARMA(0,0)

ARMA(1,0)
ARMA(0,1)

ARMA(1,1)

Pentru a alege cel mai bun model, trebuie să luăm probabilitatea jurnalului cu cea mai mare
valoare, criteriul de informare (Akaike) cu cea mai mică și Durbin-Watson mai aproape de 2.

Arma (0,0) are log -491.6317, Akaike 6.702472 și Durbin-Watson 2.221242

Arma (1,0) are log -487.8453, Akaike 6.710209 și Durbin-Watson 1.993523

Arma (0,1) are log -490.7635, Akaike 6.704265 și Durbin-Watson 2.004599

Arma (1,1) are log -487.4006, Akaike 6.717817 și Durbin-Watson 2.063008

 Prin urmare, alegem Arma (1,0).

Prognoză bazată pe Arma (1,0).

III. Cointegrarea

Scopul acestei aplicații este de a demonstra cointegrarea dintre seria de timp a cursului de
schimb și seria medie de câștig mediu netă, din 2005 până în 2017, distribuită lunar.

Pentru a demonstra existența cointegrării, vom urma următorii pași:

Primul pas ->Verificând dacă cele două serii de timp sunt integrate de ordinul 1, folosind testele
de rădăcină unitară, în acest exemplu avem testul rădăcină unitate unită Dickey-Fuller. Cele două
serii de timp trebuie să fie integrate de aceeași ordine.
 Din cele două teste, putem observa că valorile statistice t sunt negative și probabilitățile sunt
mai mari decât 0.05, ceea ce înseamnă că respingem ipoteza seriei staționare și acceptăm ipoteza
nulă, deci cele două serii de timp sunt non-staționare.
 În testul de mai sus, am verificat dacă prima diferență de ordine a fiecărei serii de timp este
staționară. În testul câștigului mediu, probabilitatea este mai mare de 0,05, deci diferența de
ordinul întâi este non-staționară, în timp ce prima diferență de ordine pentru seria de schimb este
staționară.

Pasul 2:

- Estimați un model de regresie al cursului de schimb pe câștigul mediu: ER = β0 + β1 *

avg_earn

Modelul de regresie estimat este ER = β0 + β1 * avg_earn unde beta0 = 251.3636 și beta1=

-0.093798.

Pasul 3:
Am aplicat un test de rădăcină unitară pe reziduurile din ecuația anterioară. Probabilitatea este
0,799, care este mai mare decât 0,05, ceea ce înseamnă că seria de timp reziduală nu este
staționară.

Din această cauză, seria temporală a cursului de schimb și a câștigului mediu nu sunt
cointegrate.