Unitatea de învățare 4

MODELAREA ŞI PREDICŢIA SERIILOR DE TIMP

Cuprinsul capitolului:
4.1. Modelarea seriilor de timp
4.2. Metode de ajustare a trendului
4.3. Estimarea simultană a trendului şi componentei sezoniere prin
metoda regresiei liniare multiple

Obiectivele temei:
Š înţelegerea conceptelor specifice modelării şi predicţiei seriilor de timp;
Š înţelegerea obiectivelor modelării și însușirea diferitelor tipuri de
modele;
Š fixarea metodelor de ajustare a trendului;
Š însușirea noţiunilor şi formulelor referitoare la estimarea simultană a
trendului şi componentei sezoniere prin metoda regresiei liniare
multiple.

Timpul alocat temei: 6 ore

Bibliografie recomandată:
• Andrei T., Statistică şi econometrie, Editura Economică, Bucureşti, 2003
• Bourbonnais R.(1993) - Économétrie. Cours et exercices corrigés, Dunod, Paris
• Chow G.(1989) - Econometrics, Mc.Graw-Hill
• Georgescu V.(2006) – Statistica descriptivă şi inferenţială, Ed. Universitaria
• Georgescu V.(2004) – Metode şi modele econometrice, Ed. Reprograph
• Georgescu V.(2002) - Econometrie. Teorie şi aplicaţii, Ed. Reprograph, Craiova
• Georgescu V., Radu C.(1999) - Statistică, Ed.Reprograph, Craiova
• Goldberger A.(1991) - A Course in Econometrics, Harvard University Press
• Griliches Z., Intriligator M.,eds.(1986) - Handbook of Econometrics (3 volumes),
North-Holland
• Johnston J.(1984) - Econometric Methods, McGraw-Hill
• Maddala G.S.(1977) - Econometrics, McGraw-Hill
• Malinvaud E.(1981) - Méthodes statistiques de l'économétrie, Dunod, Paris
• Mihoc G., Craiu V.(1981) - Tratat de statistică matematică. Vol.IV: Corelaţie şi
regresie liniară, Ed. Academiei
• Ronatgi V.S.(1984) - Statistical inference, J. Wiley, New York
• Saporta G.(1978) - Théories et méthodes de la statistique, Technip, Paris
• Theil H.(1971) - Principles of Econometrics, Wiley, New York
• Tövissi L., Vodă V.(1982) - Metode statistice: aplicaţii în producţie, Editura
Ştiinţifică şi Enciclopedică, Bucureşti
• Wonnacott R., Wonnacott T.(1979) - Econometrics, Wiley, New York

INTRODUCERE ÎN ECONOMETRIE 53
 Modelarea şi predicţia seriilor de timp

4.1. Modelarea seriilor de timp

4.1.1. Obiectivele modelării

A. Determinarea tendinţei generale (trendului)
Trendul, dacă există, desemnează o caracteristică esenţială a unui sistem
evolutiv, care arată direcţia de dezvoltare a fenomenului sau procesului studiat
şi ritmul acestei dezvoltări. Prezenţa trendului indică o corelaţie în cadrul
valorilor seriei, corelaţie responsabilă pentru dinamica liberă a sistemului în
timp.
B. Corectarea variaţiilor sezoniere
Prin eliminarea efectelor sezoniere din cadrul seriei brute este posibil să se
identifice în ce grad variaţiile variabilei sunt datorate altor factori cu caracter
sistematic sau întâmplător.
Se va numi serie desezonalizată, notată YDS, seria pentru care, prin procedee
specifice, s-a realizat corecţia valorilor, în sensul eliminării influenţelor
sezoniere.
C. Cauzalitate şi decalaj temporal
Observarea simultană în timp a mai multor variabile poate oferi un răspuns
la întrebările legate de cauzalitate. Existenţa sa este pusă în evidenţă de
modificările pe care variaţia valorilor unei variabile le induce asupra valorilor
altei variabile. „Unda” propagării dinspre fenomenul cauză spre cel efect, nu
are în general caracter instantaneu, ci indică un decalaj temporal care trebuie
determinat.
D. Persistenţa efectelor induse de dependenţa variabilelor
În economie este important să fie separate efectele persistente, numite
efecte pe termen lung, de cele pe termen mediu, sau scurt. Numai astfel se
poate evalua corect impactul în timp al unor decizii luate în prezent.
E. Predicţia (previziunea) constă în a evalua valorile viitoare Yn+h, h≥1,
ale unei variabile plecând de la observarea valorilor sale trecute Y1, ..., Yn.
Valoarea prezisă, notată Yˆn + h , va fi în general diferită de valoarea pe care o va
lua variabila la momentul n+h; din acest motiv este mai natural ca în locul
[ ]
unei valori să se propună un interval de predicţie Yˆn1+ h , Yˆn2+ h , susceptibil să
conţină valoarea Yn+h. Calitatea predicţiei depinde de:
- modul cum evoluează seria: cvasi-determinist sau stocastic, liniar sau
neliniar, etc.
- mărimea orizontului h, precizia diminuându-se odată cu creşterea lui h.
F. Detectarea unei rupturi (fracturi) în evoluţia sistemului
Ca urmare a schimbărilor de politică economică sau a modificării profunde
a relaţiilor structurale între variabile, seriile pot în anumite cazuri să prezinte
rupturi fie de nivel, fie de pantă („fracturi” în rata de schimb leu-dolar, în rata
dobânzii bancare, în nivelul preţurilor, etc.). Schimbându-se însăşi legitatea
după care are loc evoluţia, predicţia prin extrapolarea tendinţei trecute devine
inoperantă.
G. Specificitatea metodelor de prelucrare
Metodele utilizate depind deopotrivă de scopul prelucrării (desezonalizare,
previziune, etc.) şi de caracteristicile seriei de timp.

4.1.2. Tipuri de modele

Se pot distinge trei clase principale de modele:
- modele de ajustare;
- modele autoproiective;
INTRODUCERE ÎN ECONOMETRIE 54
 Modelarea şi predicţia seriilor de timp
- modele explicative.

A. Modele de ajustare

• Principiul
În general, formalizarea unei serii cronologice se poate face prin modele de
tip aditiv:
Yt = Tt + St + Ct + ut
sau de tip multiplicativ:
Yt = Tt ⋅ St ⋅ Ct ⋅ ut
unde:
- Tt este o funcţie liniară sau neliniară de timp, reprezentând tendinţa
generală, sau trendul;
- St - o funcţie periodică de timp (de exemplu sinusoidală), de perioadă 12
pentru date lunare, sau 4 pentru date trimestriale, nulă în medie, pe care o vom
numi fluctuaţie sezonieră;
- Ct - o funcţie de timp cu perioadă amplă, numită ciclu, reprezentând
variaţii pe termen mediu sau lung;
- ut - o parte neregulată numită perturbaţie, cu statut de variabilă aleatoare
centrată (de medie nulă), a cărei pondere în ansamblul modelului poate fi
uneori însemnată.
Pentru un model aditiv se optează atunci când forma oscilaţiilor periodice
este invariantă în timp. Modelele multiplicative corespund, dimpotrivă,
situaţiei când oscilaţiile se amplifică sau se amortizează în timp. Ambele
situaţii definesc de fapt clasa modelelor de ajustare şi pot fi reprezentate
sintetic prin relaţia:
yt = f (t , ut )
unde f este o funcţie indexată printr-un număr finit de parametri necunoscuţi,
iar ut este o variabilă aleatoare centrată, asupra căreia se pot face diverse
ipoteze adiţionale.
• Ajustare globală şi ajustare locală
Ipotezele făcute asupra variabilelor aleatoare ut induc metode de estimare a
funcţiei f , ce au anumite proprietăţi de optimalitate. Astfel, metoda celor mai
mici pătrate ordinare constituie o metodă de estimare pentru cazul când ut au
aceeaşi dispersie şi nu sunt corelate. Există totodată metode speciale de
estimare pentru cazul când ut au aceeaşi dispersie dar sunt corelate. În general,
metodele ce se disting prin faptul că toate observaţiile joacă acelaşi rol,
definesc clasa metodelor de ajustare globală. Rezultatele estimaţiilor obţinute
pot fi utilizate în particular pentru desezonalizare şi previziune.
În anumite cazuri este de dorit ca modelele şi metodele de estimare să se
bazeze pe criterii care permit diverselor observaţii să joace roluri diferite. Ele
desemnează clasa metodelor de ajustare locală. Astfel, metoda mediilor
mobile presupune ajustarea locală a termenilor seriei ca valori medii ale unui
număr limitat de termeni consecutivi. Pe această bază se introduce un tip
important de metode de desezonalizare.
Metodele de previziune prin netezire (nivelare) intertemporală se justifică
tot în sensul ajustării locale cu ajutorul unor funcţii exponenţiale, astfel încât
observaţiile recente să aibă contribuţia cea mai mare, iar contribuţia
variabilelor trecute să descrească exponenţial.
B. Modele autoproiective
Într-un model autoproiectiv, se presupune că Yt este o funcţie de valorile
sale trecute şi de o perturbaţie aleatoare ut :
Yt = f (Yt −1 , Yt − 2 ,..., ut )

INTRODUCERE ÎN ECONOMETRIE 55
 Modelarea şi predicţia seriilor de timp
O clasă de astfel de modele utilizate în previziune sunt modelele de tip
ARMA, respectiv ARIMA (Box şi Jenkins). Aceluiaşi scop îi corespund şi
metodele de netezire exponenţială.
Avantajul esenţial al metodei de identificare-estimare-previziune bazată pe
modelele de tip Box şi Jenkins este acela că permite selecţionarea metodei de
previzionare optimală dintr-o gamă largă de posibilităţi, în timp ce metodele
clasice (ajustarea globală sau netezirea) presupun un grad mai mare de arbitrar
în alegerea funcţiei utilizate pentru ajustare. În plus, aceste modele permit să se
dea un răspuns adecvat problemelor legate de cauzalitate, să se distingă între
orizonturile de previziune (termen lung şi termen scurt) etc.
C. Modele explicative
În această ultimă categorie de modele variabila endogenă Yt este exprimată
în funcţie de un vector de variabile exogene observabile X t şi o perturbaţie
aleatoare ut :
Yt = f ( X t , ut )
X t sunt fie deterministe, fie aleatoare; în acest ultim caz, relativ la
variabilele exogene X t şi perturbaţia aleatoare ut se fac anumite ipoteze de
independenţă şi necorelare.
Aceste modele sunt modelele de bază ale econometriei.
• Modelul explicativ static
În modelul explicativ static variabilele Yt şi X t se definesc ca observaţii
sincrone (efectuate la acelaşi moment t), Yt nefiind funcţie de valorile sale
trecute ( Yt −1 , Yt − 2 , ...), iar secvenţele ut sunt independente între ele. De
exemplu, un model de acest tip va fi:
Yt = a + bX t + ut ; t = 1, ..., n
unde variabilele X t sunt independente în raport cu ut , iar ut sunt centrate
şi de asemenea independente între ele.
• Modelul explicativ dinamic
Un model explicativ se consideră dinamic fie pentru că ut sunt
autocorelate, fie pentru că vectorul X t include şi valori trecute ale lui Yt , adică
variabile numite „endogene retardate”.
- Perturbaţii autocorelate
Un mod uzual de a lua în considerare autocorelaţia perturbaţiilor este de a
presupune că seria ut corespunzătoare acestora satisface un model
autoproiectiv. Această abordare permite deci introducerea unei clase de modele
pentru perturbaţii, adică pentru componenta reprezentând ignoranţa noastră şi
este complementară formalizării ce leagă Y de X , care este de regulă fondată
pe cunoaşterea mecanismelor economice.
- Variabile endogene retardate
Teoria economică furnizează adesea indicaţii cu privire la identitatea
variabilelor ce intervin într-un model. În schimb, rareori ea permite să se
precizeze decalajele temporale necesare propagării influenţelor de la intrări
(cauze) către ieşiri (efecte). În studiul acestei probleme dificile, abordarea
autoproiectivă este esenţială.

Reţinem:
Obiectivele principale ale modelării sunt următoarele:
a) determinarea tendinţei generale (trendului);
b) corectarea variaţiilor sezoniere;

INTRODUCERE ÎN ECONOMETRIE 56
 Modelarea şi predicţia seriilor de timp
c) cauzalitate şi decalaj temporal;
d) persistenţa efectelor induse de dependenţa variabilelor;
e) predicţia (previziunea);
f) detectarea unei rupturi (fracturi) în evoluţia sistemului;
g) specificitatea metodelor de prelucrare.
Principalele tipuri de modele sunt următoarele:
a) modele de ajustare;
b) modele autoproiective;
c) modele explicative.

TEST DE EVALUARE
1. Ca obiectiv al modelării, la ce se referă ”determinarea tendinţei
generale (trendului)”?
Răspuns:
Trendul, dacă există, desemnează o caracteristică esenţială a unui sistem
evolutiv, care arată direcţia de dezvoltare a fenomenului sau procesului studiat
şi ritmul acestei dezvoltări. Prezenţa trendului indică o corelaţie în cadrul
valorilor seriei, corelaţie responsabilă pentru dinamica liberă a sistemului în
timp.
2. În ce constă principiul modelelor de ajustare?
Răspuns:

EXERCIŢII
Exemplu rezolvat:
În modelul de ajustare Yt = Tt + St + Ct + ut , St reprezintă:
a) perturbaţia;
b) tendinţa generală (trendul);
c) fluctuaţia sezonieră;
d) ciclul;
e) salariul.
Rezolvare: {{z{{
Exemplu de rezolvat:
În modelul de ajustare Yt = Tt ⋅ St ⋅ Ct ⋅ ut , Ct reprezintă:
a) ciclul;
b) perturbaţia;
c) tendinţa generală (trendul);
d) fluctuaţia sezonieră;
e) salariul.
Rezolvare: {{{{{

4.2. Metode de ajustare a trendului

Vom presupune că seria de timp combină aditiv, sau multiplicativ, o
componentă deterministă (trendul Tt ), cu o componentă aleatoare (perturbaţia
ut ):
Yt = Tt + ut , sau Yt = Tt ⋅ ut , t = 1, 2,..., n (3.1)

INTRODUCERE ÎN ECONOMETRIE 57
 Modelarea şi predicţia seriilor de timp
Despre componenta deterministă Tt se face în plus ipoteza că reprezintă o
funcţie analitică de timp (t). Tipul funcţiei analitice depinde de modul în care
evoluează fenomenul. Astfel, Tt poate fi explicitat printr-o funcţie liniară,
parabolică, hiperbolică, exponenţială, logistică, etc.
A. Funcţia analitică liniară
Se utilizează pentru ajustarea trendului unui fenomen sau proces a cărui
evoluţie în timp se poate reprezenta aproximativ printr-o dreaptă:
Tt = a + b ⋅ t , deci Yt = Tt + ut = a + b ⋅ t + ut , t = 1, n (3.2)
Aplicarea metodei celor mai mici pătrate ordinare (CMMPO) acestui
model, revine la a minimiza criteriul:
n n
arg min F (a, b) =
a ,b
∑t =1
ut2 = ∑(y
t =1
t − a − b ⋅ t )2

ceea ce conduce la sistemul de ecuaţii normale:

⎧ ∂F (a, b ) n
⎧ n n

⎪
⎪ ∂a
= −2 ⋅ ∑ ( yt − a − b ⋅ t ) = 0
t =1
⎪
⎪
n ⋅ a + b ⋅
t =1
t =
t =1
yt ∑ ∑
⎨ ⇔ ⎨ n
⎪ ∂F (a, b ) = −2 ⋅
n n n
⎪a ⋅ t + b ⋅ t 2 =
⎪ ∂b
⎩
∑
t =1
( yi − a − b ⋅ t ) ⋅ t = 0 ⎪
⎩ t =1 t =1
∑t =1
t ⋅yt∑ ∑
Estimaţiile a şi b (corespunzătoare metodei CMMPO) se exprimă atunci ca
soluţii ale sistemului precedent, prin relaţiile:
⎧
⎪⎪b =
∑ (t − t )( yt − y )
⎨
⎪
∑ (t − t )2
⎩⎪a = y − b ⋅ t
B. Funcţia exponenţială (log-liniară)
Se utilizează pentru ajustarea trendului unui fenomen sau proces care
evoluează în timp după un ritm aproximativ constant:
Tt = a ⋅ bt , deci Yt = Tt ⋅ ut = a ⋅ bt ⋅ ut , t = 1, n (3.3)
Modelul poate fi liniarizat, mai întâi, prin logaritmare:
log Yt = log a + t ⋅ log b + log ut ⇔ Z t = A + B ⋅ t + vt
după care se aplică metoda celor mai mici pătrate ordinare modelului liniarizat.
În final, se determină estimaţiile a şi b prin antilogaritmare.
C. Funcţia hiperbolică
Se utilizează pentru ajustarea trendului unui fenomen sau proces a cărui
evoluţie în timp se poate reprezenta aproximativ printr-o hiperbolă:
b b
Tt = a + , deci Yt = a + + ut , t = 1, n (3.4)
t t
Aplicarea metodei celor mai mici pătrate ordinare (CMMPO) acestui
model, revine la a minimiza criteriul:
n n 2
⎛ b⎞
arg min F (a, b) =
a,b
∑
t =1
ut2 = ∑ ⎜ yt − a − ⎟
t =1 ⎝ t⎠
ceea ce conduce la sistemul de ecuaţii normale:
⎧ ∂F (a, b ) n
⎛ b⎞ ⎧ n
1 n
⎪
⎪ ∂a
= −2 ⋅ ∑ ⎜⎝ y
t =1
t −a− ⎟=0
t⎠
⎪n ⋅ a + b ⋅
⎪ t =1 t
=
t =1
yt ∑ ∑
⎨ ⇔ ⎨ n
⎪ ∂F (a, b ) = −2 ⋅
n n n
⎛ b ⎞1 ⎪a ⋅ 1 + b ⋅ 1 1
⎪ ∂b
⎩
∑ ⎜ t
t =1 ⎝
y − a −
t
⎟
⎠ t
= 0 ⎪
⎩ t =1 t t =1 t
2
= ∑
t =1 t
⋅y t ∑ ∑
Estimaţiile a şi b se deduc ca soluţii ale sistemului precedent.
D. Funcţia logistică
Ajustarea trendului printr-o funcţie logistică se utilizează atunci când, într-o
primă perioadă, fenomenul înregistrează o creştere accentuată, urmată de o

INTRODUCERE ÎN ECONOMETRIE 58
 Modelarea şi predicţia seriilor de timp
perioadă de încetinire a creşterii, până la atingerea unui prag de saturaţie.
Modelul se scrie:
c c
Tt = − b ⋅t
, deci Yt = + ut (3.5)
1+ a ⋅e 1 + a ⋅ e − b ⋅t
unde a, b, c ∈ ℜ, b, c > 0, t = 1, n .
Prezentăm, în continuare, câteva proprietăţi ale funcţiei logistice:
 lim Tt = c , ceea ce arată că funcţia logistică are un prag de saturaţie.
t →∞

 Pentru a , b, c > 0 , funcţia logistică este crescătoare, adică derivata sa de

ordinul întâi în raport cu timpul este pozitivă:
0<
dTt
dt
=
abc
−b⋅t 2
(1 + a ⋅ e )
⋅ e −b⋅t =
c
−b⋅t 2
(1 + a ⋅ e )
[( ) ]
⋅ ae −b⋅t + 1 − 1 ⋅ b =
2
⎛ c ⎞ b c 2 b
= −⎜ − b ⋅t ⎟ ⋅ + − b ⋅t
⋅ b = −(Tt ) ⋅ + Tt ⋅ b =
⎝1+ a ⋅ e ⎠ c 1+ a ⋅ e c
⎛ T ⎞
= Tt ⋅ b ⎜1 − t ⎟, deoarece Tt < c
⎝ c⎠
 Dinamica procesele logistice este însă accelerată pe intervalul
⎡ ln a ⎞
t ∈ ⎢0, ⎟ , unde derivata a doua este pozitivă (deci funcţia este convexă),
⎣ b ⎠
⎛ ln a ⎞
respectiv decelerată (încetinită) pe intervalul t ∈ ⎜ , ∞ ⎟ , unde derivata a doua
⎝ b ⎠
⎛ ln a c⎞
este negativă (deci funcţia este concavă); punctul I = ⎜ t = , Tt = ⎟ este
⎝ b 2⎠
punct de inflexiune. Într-adevăr:
d 2Tt d ⎡ 2 b ⎤ b
2
= ⎢− (Tt ) ⋅ + Tt ⋅ b⎥ = −2 ⋅ ⋅ Tt + b = 0 ⇒ Tt = c / 2
dt dt ⎣ c ⎦ c
de unde:
c c ln a
− b ⋅t
= ⇒ t=
1+ a ⋅e 2 b

Tt
c

c
2

c
1+ a
t
ln a
b
Fig. 4.1. Funcţia logistică

Pentru estimarea parametrilor funcţiei logistice se pot utiliza mai multe

metode. În continuare, prezentăm două dintre acestea:
¾ Metoda celor 3 puncte. Constă în alegerea a 3 momente t1 < t 2 < t 3 ,
situate la începutul, la mijlocul, repectiv la sfârşitul seriei. Acestor momente le
vor corespunde valorile: y1 , y 2 , y 3 . Prin înlocuirea celor 3 perechi de puncte în

INTRODUCERE ÎN ECONOMETRIE 59
 Modelarea şi predicţia seriilor de timp
expresia funcţiei logistice se obţine un sistem în necunoscutele a, b şi c, care
prin rezolvare dă:
y1 y2 y3 − y22 ( y1 + y3 ) c − y1 1 y (c − y 2 )
c= ; a = log ; b = − log 1
y1 y3 − y2 2
y1 n y2 (c − y1 )
¾ Metoda liniarizării, când se cunoaşte pragul de saturaţie c.
În acest caz, pentru estimarea parametrilor se parcurg etapele:
c c
1. Din Tt = − b ⋅t
, rezultă −1 = a ⋅ e − b⋅t
1+ a ⋅e Tt
2. Se liniarizează ultima relaţie prin logaritmare:
⎛c ⎞
log⎜⎜ − 1⎟⎟ = ln a − bt ⇔ zt = A − b ⋅ t
⎝ Tt ⎠
⎛c ⎞
unde: zt = log⎜⎜ − 1⎟⎟, A = ln a
⎝ Tt ⎠
3. Se aplică metoda CMMPO funcţiei liniare zt = A − b ⋅ t şi se estimează
parametrii A, respectiv b. Prin antilogaritmare, se obţine apoi a = e A .
Observaţie: În general, când nu se cunoaşte pragul de saturaţie c, se poate
recurge la liniarizare prin dezvoltare în serie Taylor, în jurul unui punct iniţial
(a0 , b0 , c0 ) , ales arbitrar. Estimarea parametrilor se poate face atunci printr-o
procedură iterativă.

Reţinem:
Principalele metode teoretice de ajustare a trendului sunt următoarele:
a) funcţia analitică liniară;
b) funcţia exponenţială (log-liniară);
c) funcţia hiperbolică;
d) funcţia logistică.

TEST DE EVALUARE
1. În ce condiții se folosește, pentru ajustarea trendului, funcţia
analitică liniară?
Răspuns:
Funcţia analitică liniară se utilizează pentru ajustarea trendului unui
fenomen sau proces a cărui evoluţie în timp se poate reprezenta aproximativ
printr-o dreaptă.
2. Care este criteriul urmărit la aplicarea metodei celor mai mici
pătrate ordinare (CMMPO)?
Răspuns:

EXERCIŢII
Exemplu rezolvat:
Sistemul următor
⎧ n n

⎪
⎪
n ⋅ a + b ⋅ ∑ ∑
t =1
t =
t =1
yt
⎨ n n n
⎪a ⋅ t + b ⋅ t 2 =
⎪
⎩ t =1
∑ ∑
t =1
∑
t =1
t ⋅y t

reprezintă sistemul de ecuaţii normale specific funcției:

a) liniare;
b) exponenţiale;
INTRODUCERE ÎN ECONOMETRIE 60
 Modelarea şi predicţia seriilor de timp
c) hiperbolice;
d) logistice;
e) parabolice.
Rezolvare: z{{{{
Exemplu de rezolvat:
Sistemul următor
⎧ n
1 n
⎪
⎪
n ⋅ a + b ⋅ ∑ ∑
t =1 t
=
t =1
yt
⎨ n n n
⎪a ⋅ 1 + b ⋅ 1 1
⎪ ∑
⎩ t =1 t
∑
t =1 t
2
= ∑
t =1 t
⋅y t

reprezintă sistemul de ecuaţii normale specific funcției:

a) liniare;
b) exponenţiale;
c) hiperbolice;
d) logistice;
e) parabolice.
Rezolvare: {{{{{

4.3. Estimarea simultană a trendului şi

componentei sezoniere prin metoda regresiei
liniare multiple

4.3.1. Definirea modelului

Se presupune că seria de timp combină aditiv două componente
deterministe (tendinţa Tt şi sezonalitatea St ), cu o componentă aleatoare
(perturbaţia ut ):
Yt = Tt + St + ut , t = 1, 2,..., n (3.6)
Pentru a completa descrierea modelului, mai trebuie explicitate formele
funcţionale ale componentelor deterministe şi avansate anumite ipoteze asupra
legii de distribuţie a perturbaţiilor ut , t = 1, K, n . Fiecare dintre componentelor
deterministe se scrie ca o combinaţie liniară de funcţii de timp cu formă
precizată:
k
Tt = Tt1b1 + Tt 2b2 + K + Tt k bk = ∑ T b , t = 1,K, n
i =1
t
i
i (3.7)
l
St = St1c1 + St2 c2 + K + Stl cl = ∑S c ,
i =1
i
t j t = 1, K , n (3.8)

unde b1, ..., bk , c1, ..., cl sunt constante necunoscute ce vor trebui estimate
plecând de la observaţii.
Alegerea funcţiilor Tti şi St j depinde de modul în care variabilele Yt variază
în timp.
Astfel, atunci când evoluţia pe termen scurt este aproximativ liniară, este
natural să aproximăm tendinţa printr-o dreaptă:
Tt = b1 + b2t , deci Tt1 = 1; Tt 2 = t ; t = 1,K, n (3.9)
Cât priveşte componenta sezonieră S t , în ipoteza că datele observate sunt
trimestriale, ea poate fi considerată sub forma unei funcţii periodice, de
perioadă 4, exprimată prin relaţia:
St = St1c1 + St2 c2 + St3c3 + St4 c4 , t = 1, K , n (3.10)

INTRODUCERE ÎN ECONOMETRIE 61
 Modelarea şi predicţia seriilor de timp
unde S t j este funcţia indicatoare a trimestrului j şi ia valoarea 1 dacă perioada t
corespunde trimestrului j, respectiv 0 dacă nu corespunde, iar c j reprezintă
coeficienţii de sezonalitate.
Perturbaţiile ut sunt considerate de medie nulă ( E[ut ] = 0 , ∀t ), de
dispersie invariantă în timp ( Var[ut ] = σ 2 , ∀t) şi necorelate între ele
( Cov[ut , uτ ] = 0 , ∀t ≠ τ ).
În concluzie, modelul liniar general este:
k l
Yt = ∑
i =1
Tt i bi + ∑S
j =1
t
j
c j + ut , t = 1,K, n (3.11)

cu:
E[ut ] = 0 , Var[ut ] = σ 2 , Cov[ut , uτ ] = 0 , ∀t ≠ τ (3.12)
Partea deterministă apare ca o funcţie liniară de cei k+l parametri bi şi c j .
Revenind la exemplul dat, unde am presupus existenţa unui trend liniar şi a
unei sezonalităţi trimestriale, modelul ia forma particulară:
Yt = b1 + b2t + St1c1 + St2 c2 + St3c3 + St4 c4 + ut (3.13)
Pentru a rescrie modelul general în formă vectorială, vom nota cu Y , T 1 ,
..., T k , S 1 ,..., S l , u , vectorii din ℜn ale căror componente sunt respectiv Yt ,
Tt1 , ..., Tt k , St1 ,..., Stl , ut . Atunci, vectorul aleator Y admite descompunerea:
k l
Y= ∑
i =1
T i bi + ∑S j =1
j
c j + u , cu: E [u ] = 0, Cov [u ] = σ 2 ⋅ I

(3.14)
Tendinţa ∑t =1 T bi este un element al sub-spaţiului vectorial T, generat de
k i

vectorii T 1 , ..., T k . Atunci când cei k vectori sunt independenţi, sub-spaţiul

este de dimensiune k.
De asemenea, sezonalitatea ∑ j =1 S j c j este un element al sub-spaţiului
l

vectorial S, generat de S1, ..,Sl. Dacă S1, ..., Sl sunt independenţi, subspaţiul S
este de dimensiune l .
În cazul modelului cu trend liniar din exemplul de mai sus, subspaţiul T de
dimensiune 2 este generat de vectorii:
⎛1 1⎞
⎜ ⎟
⎜ ... ... ⎟
T = T1 T 2 ( ) =⎜1
⎜
t⎟
⎟
(3.15)
⎜ ... ... ⎟
⎜ ⎟
⎝1 n⎠
iar sistemul de patru vectori care generează sub-spaţiul S este:
⎛ 1 0 0 0 ⎞
⎜ ⎟
⎜ 0 1 0 0 ⎟
⎜ 0 0 1 0 ⎟
(
S = S1 S 2 S 3 S 4 ) =⎜
⎜ 0 0 0 1⎟
⎟ (3.16)
⎜ ⎟
⎜ 1 0 0 0 ⎟
⎜L L L L⎟⎠
⎝
Prin urmare, modelul de regresie liniară multiplă ce permite estimarea
simultană a trendului şi sezonalităţii se scrie sub formă matriceală astfel:
Y = X β + u; E [u ] = 0, Cov [u ] = σ 2 ⋅ I (3.17)
unde

INTRODUCERE ÎN ECONOMETRIE 62
 Modelarea şi predicţia seriilor de timp
⎛b⎞
X = (T S ); β = ⎜⎜ ⎟⎟
⎝c⎠

Exemplul 4.1: Se consideră seria trimestrială a volumului vânzărilor la un

magazin de jucării şi bijuterii (de remarcat că trimestrul al II-lea corespunde
sărbătorilor pascale, iar trimestrul al IV-lea sărbătorilor de Crăciun):
Tabelul 3.1.
Anul Trim. I Trim. II Trim. III Trim. IV
1 84 96 87 92
2 88 99 89 95
3 91 94 90 95
4 91 103 94 97
5 94 108 96 102
6 91 107 95 102
7 99 105 92 101
8 99 105 93 98

Pentru perioada considerată, creşterea pe termen scurt este aproximativ

liniară (figura 4.2), deci putem să optăm pentru modelul cu trend liniar,
conform relaţiei (3.9).
108.00
105.60
103.20
100.80
98.40
96.00
93.60
91.30
88.80
86.40
84.00
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32

Fig. 4.2. Valorile observate Yt ale seriei şi trendul Tt .

După eliminarea tendinţei, curba obţinută (figura 4.3) apare ca fiind cvasi-
periodică, cu perioada de un an (4 trimestre). De remarcat că vânzările
marchează creşteri sistematice în trimestrele II şi IV, urmate de un recul în
trimestrele I şi III. Aşadar, componenta sezonieră St poate fi considerată sub
forma unei funcţii periodice, de perioadă 4, exprimată prin relaţia (3.10).
Modelul ce combină aditiv trendul şi sezonalitatea este dat de relaţia (3.13).
Mai general, se poate alege pentru tendinţă o funcţie exprimată printr-un
polinom de grad mic.
Sezonalitatea poate fi simplu modelată, considerând un efect fix pentru
fiecare sezon (ca în exemplul precedent). Totuşi, sunt disponibile şi alte
alternative: o variaţie lentă a fiecărui coeficient sezonier este posibil să fie
descrisă cu ajutorul unor funcţii polinomiale de timp; coeficienţii polinoamelor
sunt atunci presupuşi diferiţi pentru fiecare sezon.

INTRODUCERE ÎN ECONOMETRIE 63
 Modelarea şi predicţia seriilor de timp
11.47
9.51
7.56
5.60
3.25
1.69
-0.27
-2.22
-4.18
-6.13
-8.09

0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32

Fig. 4.3. Influenţa combinată a sezonalităţii şi perturbaţiei

Descompunerea sezonalităţii poate, pe de altă parte, să includă variabile ce

iau valori nenule nu doar pentru unul, ci pentru mai multe sezoane. De
exemplu, una dintre aceste variabile ar putea fi numărul de zile de lucru în
sezonul considerat. Efectul concediilor, al grevelor, al week-end-urilor ar putea
să fie astfel mai bine surprins.

4.3.2. Unicitatea descompunerii (problema coliniarităţii)

Formele reţinute pentru componentele deterministe trebuie să conducă la o
descompunere unică a seriei iniţiale în tendinţă şi sezonalitate. Nu trebuie să
existe două cupluri distincte [T, S] şi [T*, S*] astfel încât:
∀ t =1, ..., n Tt + St = Tt* + S t* ; Tt - St = Tt* − S t*
Pentru ca această condiţie să se realizeze, trebuie ca vectorii sistemului T 1 ,
..., T k , S 1 , ..., S l să fie liniar independenţi. Abordând modelul din această
perspectivă, observăm că:
- subspaţiul T corespunzător tendinţei este generat de:
T 1 = [1, 1, K, 1]′ respectiv T 2 = [1, 2, K , n]′ (3.18)
- subspaţiul S al sezonalităţilor este generat de:
S1 = [1, 0, 0, 0, 1, 0, 0, 0, 1, 0, K] ′
S 2 = [0, 1, 0, 0, 0, 1, 0, 0, 0, 1, K] ′
(3.19)
S 3 = [0, 0, 1, 0, 0, 0, 1, 0, 0, 0, K] ′
S 4 = [0, 0, 0, 1, 0, 0, 0, 1, 0, 0, K] ′
Unicitatea descompunerii nu este satisfăcută. Vectorii T 1 , T 2 , S 1 , S 2 , S 3 ,
S 4 sunt de fapt legaţi între ei printr-o relaţie ce exprimă existenţa coliniarităţii
(dependenţei liniare):
T =S +S +S +S ! (3.20)
1 1 2 3 4

Pentru a restabili unicitatea descompunerii, este raţional să impunem

efectelor sezoniere să se compenseze pe perioada unui an, ceea ce determină
introducerea restricţiei:
c1 + c2 + c3 + c4 = 0 (3.21)
Subspaţiul S * al sezonalităţilor va conţine atunci funcţiile S t j , astfel încât:
St = St1c1 + St2 c2 + St3c3 + St4 c4 cu: c1 + c2 + c3 + c4 = 0
(3.22)

INTRODUCERE ÎN ECONOMETRIE 64
 Modelarea şi predicţia seriilor de timp
Substituind c4 = −c1 − c2 − c3 în (3.22), se obţine:
St = ( St1 − St4 )c1 − ( St2 − St4 )c2 − ( St3 − St4 )c3 (3.23)
*
Aşadar, subspaţiul S , de dimensiune 3, va fi generat de:
S 1* = S 1 − S 4 , S 2* = S 2 − S 4 , S 3* = S 3 − S 4
(3.24)
Modelul compus (3.13), (3.18), (3.19), (3.22) este numit modelul
trimestrial Buys-Ballot.

4.3.3. Modele liniarizate

Interesul principal al unei descrieri liniare a seriei rezidă în simplitatea
modelului, permiţând studierea mai riguroasă a proprietăţilor sale. De multe ori
este posibil să ajungem la un model liniar aplicând seriei brute transformări
corespunzătoare. Aceste modele transformate prin liniarizare sunt de forma:
k l
f(Yt , Yt −1 ,K, Yt − p ) = ∑ i =1
Tt i bi + ∑S ci =1
i
t j + ut (3.25)

cu condiţia să definim noua variabilă endogenă Y * prin:

(
Yt* = f Yt , Yt −1 ,K, Yt − p ) (3.26)
Exemplul 4.2: Modelul multiplicativ
log Y t = b1 + b2t + St1c1 + St2c2 + St3c3 + St4c4 + ut ; Yt > 0
(3.27)
unde St este funcţia indicatoare a trimestrului, iar coeficienţii sezonieri satisfac
condiţia c1 + c2 + c3 + c4 = 0.
Seria transformată a seriei brute este Yt* = log Yt.
Modelul este de tip multiplicativ deoarece seria iniţială se poate scrie:
Y t = T t ⋅ S t ⋅ ut (3.28)
* * *

unde:
1 2 3 4
Tt* = eb1 + b2 t ; St* = e S t c1 + S t c 2 + S t c3 + S t c 4 ; ut* = eu t (3.29)

Evoluţia pe termen mediu are o formă exponenţială crescătoare dacă b2 >0,

respectiv descrescătoare dacă b2 <0. Când b2 >0, efectele sezoniere cresc în
valoare absolută odată cu t :

Yt

Fig. 4.4. Modelul multiplicativ. Cazul b2 > 0

INTRODUCERE ÎN ECONOMETRIE 65
 Modelarea şi predicţia seriilor de timp
Exemplul 4.3: Modelul logistic
Să considerăm modelul dat de:
4
1 − Yt
log
Yt
= b1 + b2t + ∑S c
j =1
t
j
j + ut (3.30)

Pentru ca modelul să aibă sens trebuie ca (1 - Yt ) / Yt > 0, deci ca Yt ∈(0,

1), ∀ t.
Variabila Yt se scrie atunci:
1
Yt= 4 (3.31)
b1 + b2 t + ∑ S t j c j + u t
1+ e j =1

iar evoluţia sa, când b2 <0, se reprezintă grafic astfel:

Yt

t
Fig. 3.5. Modelul logistic

Modelul logistic este bine adaptat, între altele, pentru a modela

consumul bunurilor de folosinţă îndelungată. Yt reprezintă atunci proporţia
consumatorilor ce posedă acest bun la momentul t.

4.3.4. Estimatorul celor mai mici pătrate ordinare

(CMMPO)
Considerăm modelul liniar:
k l
Y= ∑
i =1
T i bi + ∑S c
j =1
j
j + ut , t = 1,K, n (3.32)

Metoda celor mai mici pătrate aplicată acestui model constă în a determina
estimaţiile b̂i , ĉ j ale parametrilor bi , c j astfel încât să minimizeze suma
pătratelor abaterilor între valorile seriei brute Yt şi partea sa deterministă:
2
n ⎡ n k l ⎤
∑ ut2
= ∑ i
⎢Yt − Tt bi −
t =1 ⎢
∑ ∑
S t j c j ⎥ = minim
⎥
(3.33)
t =1 ⎣ i =1 j = 1 ⎦
[ ′ ] ′
Notăm cu bˆ = bˆ1 ,K, bˆk şi cˆ = [cˆ1 ,K, cˆl ] estimaţiile vectorilor parametrilor
b şi c, iar cu T , S matricele de dimensiuni (n, k ) şi (n, l) ale căror coloane
sunt respectiv T 1 , ..., T k şi S 1 , ..., S l .
Dacă rescriem modelul liniar (3.32) sub formă matriceală:
Y = Xβ + u (3.34)
cu:

INTRODUCERE ÎN ECONOMETRIE 66
 Modelarea şi predicţia seriilor de timp
⎛b⎞
X = (T
β = ⎜⎜ ⎟⎟ S ),
⎝c⎠
atunci soluţiile b̂ şi ĉ ale problemei de minimizare satisfac sistemul de k + l
ecuaţii normale:
⎛ T ′T T ′S ⎞ ⎛ bˆ ⎞ ⎛ T ′Y ⎞
X ′ X ⋅ β = X ′Y ⇔ ⎜⎜ ⎟⋅⎜ ⎟ = ⎜ ⎟ (3.35)
⎝ S ′T S ′S ⎟⎠ ⎜⎝ cˆ ⎟⎠ ⎜⎝ S ′Y ⎟⎠
Atunci când vectorii T 1 , ..., T k , S 1 , ..., S l sunt liniar independenţi,
matricea din membrul întâi este inversabilă; prin urmare, sistemul admite
soluţia unică:
−1
⎛ bˆ ⎞ ⎛ T ′T T ′S ⎞ ⎛ T ′Y ⎞
β = ( X ′ X )−1 ⋅ X ′ Y ⇔ ⎜ ⎟=⎜
⎜ cˆ ⎟ ⎜ S ′T
⎟ ⎜⎜ ⎟⎟ (3.36)
⎝ ⎠ ⎝ S ′S ⎟⎠ ⎝ S ′Y ⎠
În absenţa sezonalităţii ( l = 0 ), sistemul conduce la soluţia:
bˆ = (T ′T ) T ′Y
−1
(3.37)
ce corespunde modelului uzual de estimare a trendului.
De remarcat că metoda descrisă presupune independenţa liniară a
sistemului de vectori T 1 , ..., T k , S 1 , ..., S l . Prin urmare, pentru a se aplica
modelului Buys-Ballot, ea trebuie să fie adaptată în mod corespunzător. Astfel,
este necesar să impunem coeficienţilor sezonieri din modelul trimestrial Buys-
Ballot (3.13):
Yt = b1 + b2t + St1c1 + St2c2 + St3c3 + St4 c4 + ut , t = 1,K, n
condiţia să verifice în plus restricţia: c1 + c2 + c3 + c4 = 0 .
[ ]
Estimatorii bˆ = bˆ1 , bˆ2 ′ şi cˆ = [cˆ1 , cˆ2 , cˆ3 , cˆ4 ] ′ obţinuţi prin metoda celor mai
mici pătrate supusă la restricţia de mai sus, sunt soluţii ale problemei de
optimizare:
2
⎡ 4 ⎤
min ∑ ⎢Yt − b1 − b2t − ∑ j
St c j ⎥ , cu restricţia c1 + c2 + c3 + c4 = 0 (3.38′)
⎣⎢ ⎦⎥
b, c
j =1

4
Deoarece ∑S
j =1
t
j
= 1 , avem:

4 4 4
Yt = b1 ⋅ ∑
j =1
St j + b2 ⋅ t + ∑
j =1
St j c j + ut = b2 ⋅ t + ∑S
j =1
t
j
(b1 + c j ) + ut

şi problema de optimizare se mai poate scrie:

2
n ⎡ 4 ⎤
∑
min ⎢ yt − b2t −
b2 , δ j
t =1 ⎢
∑ St δ j ⎥
j

⎥⎦
(3.38′′)
⎣ j =1

∑
4
Ţinând cont că δ j = b1 + cj , iar j =1
c j = 0 , rezultă:
4 4

∑ δ j = 4 ⋅ b1 + ∑ c j = 4 ⋅ b1
j =1 j =1

de unde deducem expresiile parametrilor iniţiali:

4 4
1 1
b1 =
4
∑ δ j ; c j = δ j − b1 = δ j −
j =1 4
∑δj =1
j , ∀j = 1,4 (3.39)

[ ]
Aşadar, estimatorii bˆ = bˆ1 , bˆ2 ′ şi cˆ = [cˆ1 , cˆ2 , cˆ3 , cˆ4 ] ′ pot fi calculaţi în două
etape:
- în prima etapă se estimează b̂2 , respectiv {δˆ j } j =1, 4 minimizând:

INTRODUCERE ÎN ECONOMETRIE 67
 Modelarea şi predicţia seriilor de timp
2
n⎡ 4 ⎤
Φ(b2 , δ1 , δ 2 , δ 3 , δ 4 ) = ∑ ⎢Yt − b2t −
t =1 ⎢
∑ St δ j ⎥
⎥⎦
j
(3.40)
⎣ j =1

conform criteriului CMMPO. Se obţine:

−1
⎛ bˆ ⎞ ⎛ T ′T T ′S ⎞ ⎛ T ′Y ⎞
⎜ ⎟=⎜ ⎟ ⎜⎜ ⎟⎟ (3.41)
⎜ δˆ ⎟ ⎜ S ′T S ′S ⎟⎠
⎝ ⎠ ⎝ ⎝ S ′Y ⎠
unde:
⎛1 0 0 0⎞
⎜ ⎟
⎜0 1 0 0⎟
⎛1⎞ ⎜0 0 1 0⎟
⎜ ⎟ dim T = n × 1
T = T = ⎜ L⎟ , S = ⎜
2 ⎟ , cu (3.42)
⎜n⎟ ⎜0 0 0 1⎟ dim S = n × 4
⎝ ⎠ ⎜ ⎟
⎜1 0 0 0⎟
⎜ L L L L⎟
⎝ ⎠
- în a doua etapă, se obţin b̂1 şi ĉ j , j=1,...,4, utilizând egalităţile:
4
1
bˆ1 =
4 ∑ δˆ
j=1
j (3.43)

4
1
cˆ j = δˆ j −
4
∑ δˆ
j =1
j = δˆ j − bˆ1 , j = 1,...,4 (3.44)

În ipoteza E[u ] = 0 , estimatorii CMMPO b̂ şi ĉ sunt nedeplasaţi:

[]
E bˆ = b ; E [cˆ] = c .
În ipotezele E[u ] = 0 , Var[u ] = σ 2 ⋅ I , matricea de covarianţă a vectorului
estimaţiilor prin CMMPO este:
-1
⎡ bˆ ⎤ ′ ′
2 ⎡ T T T S⎤
Cov ⎢ ⎥ = σ ⋅ ⎢ ⎥ (3.45′)
⎢⎣ cˆ ⎥⎦ ⎣ S ′ T S ′S ⎦
Întrucât σ 2 este un parametru necunoscut, el poate fi estimat pe baza
reziduurilor ût , adică:
n

∑ uˆ t
2

s2 = t =1
(3.46)
n−k −l
ceea ce permite totodată determinarea unei estimaţii a matricei de covarianţă de
mai sus:
-1
⎡ bˆ ⎤ ′ ′
2 ⎡ T T T S⎤
ˆ
V ⎢ ⎥ = s ⋅⎢ (3.45′′)
⎥
⎢⎣ cˆ ⎥⎦ ⎣ S ′ T S ′S ⎦
Să notăm acum partea deteministă a modelului liniar general prin:
k l
~
Yt = ∑ i =1
Tt i bi + ∑S c
i =1
t
j
j

~
O estimaţie nedeplasată a lui Yt va fi dată de:
k l
~
Yˆt = ∑
i =1
Tt i bˆi + ∑ S cˆ ,
i =1
t
j
j cu E[Yˆt ] = Yt

Dispersia lui Yˆt se poate estima atunci prin:

[] ⎡bˆ⎤ ⎡T ⎤
Vˆ Yˆt = [Tt′ St′ ]⋅ Vˆ ⎢ ⎥ ⋅ ⎢ t ⎥ (3.47)
⎢⎣ cˆ ⎥⎦ ⎣ St ⎦
În cazul modelului trimestrial cu trend liniar Buys-Ballot, avem:

INTRODUCERE ÎN ECONOMETRIE 68
 Modelarea şi predicţia seriilor de timp
−1 ⎛1⎞
⎡bˆ ⎤ ⎡ 2′ 2
Cov ⎢ 2 ⎥ = σ 2 ⎢ T T ( ) (T )′ S ⎤⎥ 2 ⎜ ⎟
, unde : T = ⎜L⎟ 2
(3.45′′′)
ˆ
⎣⎢ δ ⎦⎥ ⎢⎣ S ′T 2 S ′S ⎥⎦ ⎜n⎟
⎝ ⎠
Din formula inversei unei matrici partiţionate deducem că:
−1

[] ⎡ ′ ⎤
−1
ˆ ⎛ 2 ′ 2⎞
Var δ = σ ⎢ S ′S − S ′T ⎜ T T ⎟ T 2 S ⎥
2
( ) ( ) (3.48)
⎢⎣ ⎝ ⎠ ⎥⎦
Cum cˆ j = δˆ j − bˆl , deci ĉ j diferă printr-o constantă de δˆ j , rezultă că
matricea de covarianţă a vectorului ĉ este aceeaşi cu cea a vectorului δˆ .

4.3.5. Desezonalizarea seriei iniţiale

Seria desezonalizată (seria corectată în raport cu variaţiile sezoniere) Yt DS =

Yt − St poate fi estimată prin:
l
Yˆt DS = Yt − Sˆt = Yt − ∑S
j =1
t
j
cˆ j (3.49)

Eroarea pătratică medie datorată aproximării lui Yt DS prin Yˆt DS poate fi

estimată prin:

( ) (⎡ l ⎤
Eˆ ⎡ Yt DS − Yˆt DS ⎤ = Eˆ ⎡ Sˆt − St ⎤ = Vˆ Sˆt = Vˆ ⎢ St j c j ⎥
⎢⎣
2
⎥⎦ ⎢⎣
2

⎥⎦
) [ ] ∑
⎣⎢ j =1 ⎦⎥
⎡ St1 ⎤
[ ] ⎢ ⎥
= St1 , K , Stl ⋅ Vˆ [cˆ] ⋅ ⎢ L ⎥
⎢S l ⎥
⎣ t⎦
(3.50)
unde cu Ê şi V̂ s-au notat estimaţiile de eşantion ale mediei şi dispersiei,
respectiv matricei de covarianţă, după caz.

4.3.6. Previziune

Estimatorii b̂i , ĉ j pot servi la predicţia unei valori a lui Y , neobservată

încă: Yn + h , h ≥ 1 .
În ipoteza că extrapolarea pe baza modelului este validă la momentul n+h,
avem:
k l
Yn+h = ∑
i =1
Tni+ k bi + ∑S
j =1
j
n+ h c j + u n+ h (3.51)

cu:
E [un + h ] = 0 , Var [un + h ] = σ 2 , Cov[un + h , un ] = 0, t = 1, n
(3.52)

Valoarea Yn+h poate fi estimată prin:

k l
Yˆn+h = ∑ i =1
Tni+ h bˆi + ∑S
j =1
j
ˆj
n+ h c (3.53)

INTRODUCERE ÎN ECONOMETRIE 69
 Modelarea şi predicţia seriilor de timp
Se poate arăta că Yˆn+ h este, în sensul erorii medii pătratice, cea mai bună
previziune definită ca funcţie liniară de valorile observate Y1,...,Yn ale
variabilei Y şi care satisface în plus condiţia de a fi nedeplasată:
[
E Yˆn + h − Yn + h = 0 ] (3.54)
Estimaţia dispersiei erorii de predicţie este:

[ ] ⎡ k ⎤
[]
l

∑ ∑S + Vˆ [un + h ] = Vˆ Yˆ + s 2
2
σ u2ˆh = Eˆ Yˆn + h − Yn + h = Vˆ ⎢ Tni+ hbˆi + j
ˆj ⎥
n + hc (3.55′)
⎢⎣ i =1 j =1 ⎥⎦
unde cu Yˆ am notat estimatorul părţii deterministe a modelului:
k l
d= ∑T
i =1
i
n+ h bi + ∑S
j =1
j
n+ h c j (3.56)

iar s 2 estimează dispersia reziduală (a părţii nedeterministe).

Dacă fixăm vectorul [ Tn′+ h , S n′ + h ] corespunzător momentului n + h , atunci
dispersia părţii deterministe se poate scrie matriceal astfel:
−1

[]
Vˆ Yˆ = s 2 [Tn′+ h
⎡T ′T
S n′ + h ]⋅ ⎢
T ′S ⎤ ⎡Tn + h ⎤ 2 ˆ
⋅
S ′S ⎥⎦ ⎢⎣ S n + h ⎥⎦
=s D (3.57)
⎣ S ′T
iar estimaţia dispersiei erorii de predicţie este:
(
σ u2ˆh = s 2 1 + Dˆ ) (3.55′′)
Când perturbaţiile urmează o distribuţie normală, se obţine un interval de
previziune pentru Yn+h, garantat cu o probabilitate de 0.95, astfel:
Y n+h ∈ [Yˆ n+h − t ⋅ σ uˆ h , Yˆ n+ h + t ⋅ σ uˆ h ] (3.58)
unde t este valoarea critică din tabelul distribuţiei Student, având
probabilitatea de a fi depăşită de 0.05 şi corespunzând la n − k − l grade de
libertate. Dacă n este mare, t este aproximativ egal cu 2 (distribuţia t tinde
asimptotic către distribuţia normală când n→∞, iar Φ(1.96) =1-0.05=0.95).

Exemplul 4.4
Considerând datele de la exemplul 3.1, se cere:
a. Să se estimeze parametrii modelului:
Yt = b1 + b2t + St1c1 + St2 c2 + St3c3 + St4 c4 + ut
b. Să se descompună Yt în cele 3 componente ale sale: trendul Tt = b1 + b2 ⋅ t ,
componenta sezonieră St = St1c1 + St2c2 + St3c3 + St4 c4 , respectiv perturbaţia ut .
SOLUŢIE:
a. Estimarea parametrilor modelului se realizează în două etape.
În prima etapă se estimează b̂2 şi δˆ j , j = 1, 2, 3, 4, care minimizează
criteriul (3.40). Rezutatele calculelor, efectuate cu un program care
implementează o metodă standard de regresie liniară multiplă, se prezintă
astfel:

Coeficienţi de regresie Erorile standard ale lui b2 şi δj t27 calculat

b2= 0.3512 0.0532 6.5962
δ1= 86.8571 1.2610 68.8773
δ2= 96.5060 1.2954 74.4981
δ3= 86.0298 1.3310 64.6339
δ4= 91.4286 1.3678 66.8439

Coeficient de determinaţie = 0.8147

R2 corectat = 0.7803

INTRODUCERE ÎN ECONOMETRIE 70
 Modelarea şi predicţia seriilor de timp
Coeficient de corelaţie multiplă = 0.9026
Eroarea standard a estimaţiei = 2.7603
Valoarea calculată a testului F = 23.7358
ANALIZA VARIAŢIEI
Suma Grade de
Sursa variaţiei Pătratul mediu
pătratelor libertate
Explicată de
904.274 5 180.855
regresie
Reziduală 205.726 27 7.619
Totală 1110.000 32 34.688

În etapa a doua, pe baza estimaţiilor δˆi , i = 1, 2, 3, 4 , se calculează, conform

relaţiilor (3.43) şi (3.44):
bˆ1 = 90,2054 cˆ1 = −3,3482 cˆ2 = 6,3006 cˆ3 = −4,1756 cˆ4 = 1,2232
Prezentarea datelor de observaţie Yt, t, S t1 , S t2 , S t3 , S t4 şi a valorilor estimate
pentru perturbaţie ( û t ), trend ( T̂t ), sezonalitate ( Ŝ t ), respectiv pentru seria
deszonalizată ( Yˆt DS ), sunt ilustrate în tabelul următor:

Yt Yˆt uˆ t = Yˆt DS =
Tˆt Ŝ t t St1 S t3
obs. estim. = Yt − Yˆt = Y − Sˆ
t t
S t2 S t4

84 87.21 -3.21 90.56 -3.35 87.35 1 1 0 0 0

96 97.21 -1.21 90.91 6.30 89.70 2 0 1 0 0
87 87.08 -0.08 91.26 -4.18 91.18 3 0 0 1 0
92 92.83 -0.83 91.61 1.22 90.78 4 0 0 0 1
88 88.61 -0.61 91.96 -3.35 91.35 5 1 0 0 0
99 98.61 0.39 92.31 6.30 92.70 6 0 1 0 0
89 88.49 0.51 92.66 -4.18 93.18 7 0 0 1 0
95 94.24 0.76 93.01 1.22 93.78 8 0 0 0 1
91 90.02 0.98 93.37 -3.35 94.35 9 1 0 0 0
94 100.02 -6.02 93.72 6.30 87.70 10 0 1 0 0
90 89.89 0.11 94.07 -4.18 94.18 11 0 0 1 0
95 95.64 -0.64 94.42 1.22 93.78 12 0 0 0 1
91 91.42 -0.42 94.77 -3.35 94.35 13 1 0 0 0
103 101.42 1.58 95.12 6.30 96.70 14 0 1 0 0
94 91.30 2.70 95.47 -4.18 98.18 15 0 0 1 0
97 97.05 -0.05 95.82 1.22 95.78 16 0 0 0 1
94 92.83 1.17 96.18 -3.35 97.35 17 1 0 0 0
108 102.83 5.17 96.53 6.30 101.70 18 0 1 0 0
96 92.70 3.30 96.88 -4.18 100.18 19 0 0 1 0
102 98.45 3.55 97.23 1.22 100.78 20 0 0 0 1
91 94.23 -3.23 97.58 -3.35 94.35 21 1 0 0 0
107 104.23 2.77 97.93 6.30 100.70 22 0 1 0 0
95 94.11 0.89 98.28 -4.18 99.18 23 0 0 1 0
102 99.86 2.14 98.63 1.22 100.78 24 0 0 0 1
99 95.64 3.36 98.99 -3.35 102.35 25 1 0 0 0
105 105.64 -0.64 99.34 6.30 98.70 26 0 1 0 0
92 95.51 -3.51 99.69 -4.18 96.18 27 0 0 1 0
101 101.26 -0.26 100.04 1.22 99.78 28 0 0 0 1
99 97.04 1.96 100.39 -3.35 102.35 29 1 0 0 0
105 107.04 -2.04 100.74 6.30 98.70 30 0 1 0 0
93 96.92 -3.92 101.09 -4.18 97.18 31 0 0 1 0
98 102.67 -4.67 101.44 1.22 96.78 32 0 0 0 1

INTRODUCERE ÎN ECONOMETRIE 71
 Modelarea şi predicţia seriilor de timp
Exemplul 4.5
Considerând datele de la exemplul 3.1, să se estimeze parametrii
modelului log-liniar:
log Yt = b1 + b2t + St1c1 + St2 c2 + St3c3 + St4 c4 + ut ; Yt > 0

SOLUŢIE:
Rezultatele calculelor pentru prima etapă sunt:

Coeficienţi de regresie Erorile standard ale lui b2 şi δ j t27 calculat

b2= 0.0037 0.0006 6.6997
δ1= 4.4665 0.0130 342.4762
δ2= 4.5660 0.0134 340.8203
δ3= 4.4586 0.0138 323.8948
δ4= 4.5154 0.0141 319.2076

Coeficient de determinaţie = 0.8162

R2 corectat = 0.7821
Coeficient de corelaţie multiplă = 0.9034
Eroarea standard a estimaţiei = 0.0285
Valoarea calculată a testului F = 23.9778

ANALIZA VARIAŢIEI
Suma Grade de Pătratul
Sursa variaţiei
pătratelor libertate mediu
Explicată de regresie 0.098 5 0.020
Reziduală 0.022 27 0.001
Totală 0.120 32 0.004

În etapa a doua, pe baza estimaţiilor δˆi , i=1,2,3,4, se calculează, conform

relaţiilor (3.43) şi (3.44):
bˆ1 = 4,50161 cˆ1 = −0,03515 cˆ 2 = 0,06441
cˆ3 = −0,04304 cˆ 4 = 0,01379
Determinarea trendului Tt = b1 + b2 ⋅ t , a componentei
sezoniere
St =St1c1+ St2 c2
+ St3c3 4
+ St c4 , respectiv a perturbaţiei ut , presupune calcule
similare celor de la exemplul precedent şi o lăsăm pe seama cititorului.

Reţinem:
Estimarea simultană a trendului şi componentei sezoniere prin metoda
regresiei liniare multiple presupune următoarele:
a) definirea modelului;
b) modele liniarizate;
c) estimatorul celor mai mici pătrate ordinare (CMMPO);
d) desezonalizarea seriei iniţiale;
e) previziune.

TEST DE EVALUARE
1. Cum poate fi definit modelul necesar pentru estimarea simultană a
trendului şi componentei sezoniere prin metoda regresiei liniare multiple?
Răspuns:

INTRODUCERE ÎN ECONOMETRIE 72
 Modelarea şi predicţia seriilor de timp
Se presupune că seria de timp combină aditiv două componente
deterministe (tendinţa Tt şi sezonalitatea St ), cu o componentă aleatoare
(perturbaţia ut ): Yt = Tt + St + ut , t = 1, 2,..., n
2. Care este forma detaliată a modelului liniar general?
Răspuns:

EXERCIŢII
Exemplu rezolvat:
Intervalul de previziune se determină cu ajutorul relației:
a) Y t = T *t ⋅ S*t ⋅ u*t
b) bˆ = (T ′T )−1T ′Y
k l
c) Yˆn+h = ∑ Tni+hbˆi + ∑ S nj+h cˆ j
i =1 j =1
k l
d) d = ∑ Tni+hbi + ∑ S nj+h c j
i =1 j =1

e) Y n+h ∈ [Yˆ n+h − t ⋅ σ uˆ h , Yˆ n+h + t ⋅ σ uˆ h ]

Rezolvare: {{{{z
Exemplu de rezolvat:
Estimaţia dispersiei erorii de predicţie se determină cu ajutorul relației:
a) Y t = T *t ⋅ S*t ⋅ u*t
b) bˆ = (T ′T )−1T ′Y
c) σ u2ˆh = s 2 1 + Dˆ ( )
k l
d) d = ∑ Tni+hbi + ∑ S nj+h c j
i =1 j =1

[
e) E Yˆn + h − Yn + h = 0 ]
Rezolvare: {{{{{

REZUMATUL TEMEI

Obiectivele principale ale modelării sunt reprezentate de: determinarea

tendinţei generale (trendului); corectarea variaţiilor sezoniere; cauzalitate şi
decalaj temporal; persistenţa efectelor induse de dependenţa variabilelor;
predicţia (previziunea); detectarea unei rupturi (fracturi) în evoluţia sistemului;
specificitatea metodelor de prelucrare. Principalele tipuri de modele sunt
modelele de ajustare, modelele autoproiective, și modelele explicative.
Principalele metode teoretice de ajustare a trendului sunt funcţia
analitică liniară, funcţia exponenţială (log-liniară), funcţia hiperbolică, și
funcţia logistică.
Pentru estimarea simultană a trendului şi componentei sezoniere prin
metoda regresiei liniare multiple trebuie să avem în vedere definirea modelului,
modelele liniarizate, estimatorul celor mai mici pătrate ordinare (CMMPO),
desezonalizarea seriei iniţiale, și previziune.

INTRODUCERE ÎN ECONOMETRIE 73
 Modelarea şi predicţia seriilor de timp
Întrebări recapitulative

1. Cum puteți descrie procesul de modelare şi predicţie a seriilor de

timp?
2. Care sunt obiectivele modelării?
3. Care sunt principalele tipuri de modele utilizate în modelarea seriilor
de timp?
4. Care sunt principalele metode de ajustare a trendului?
5. Pentru ajustarea trendului unei serii de timp, care este metoda
generală la care se face apel?
6. Pentru estimarea simultană a trendului şi componentei sezoniere prin
metoda regresiei liniare multiple, cum poate fi definit modelul?
7. La ce se referă unicitatea descompunerii (problema coliniarităţii)?
8. Cum se obține estimatorul celor mai mici pătrate ordinare
(CMMPO)?
9. Cum se realizează desezonalizarea seriei iniţiale?
10. Cum se realizează previziunea?

INTRODUCERE ÎN ECONOMETRIE 74