Serii Proj

Proiect Serii de Timp
Dugan Diana
Dumitru Razvan
Ene Andreea
Profesor Coordonator: Lect. Univ. Dr. Adriana Ana Maria Davidescu
2021
Cuprins
1. Aplicația 1 - Modelarea ratei creditelor ipotecare din SUA utilizând Box-Jenkins................................3
1.1. Capitol teoretic.................................................................................................................................3
1.1.1. Literatura de specialitate..........................................................................................................3
1.1.1.1. Evoluția creditelor ipotecare în lume................................................................................5
1.1.2. Metodologia cercetării.............................................................................................................7
1.1.2.1. Modele de tip autoregresiv medie mobila (ARMA, ARIMA)..............................................7
1.1.2.2. Metodologia Box+Jenkins.................................................................................................8
1.1.2.3. Principalele concepte pe care se fundamentează metodologia Box-Jenkins....................8
1.1.2.4. Etapele elaborării unui model ARIMA (autoregresiv integrat medie mobila).................10
1.2. Capitol aplicativ..............................................................................................................................12
1.2.1. Date utilizate..........................................................................................................................12
1.2.1.1. Sursa datelor...................................................................................................................12
1.2.2. Rezultatele empirice ale cercetării.........................................................................................20
1.2.2.1. Analiza seriei de date la nivelul SUA...................................................................................20
1.2.2.1.1. Testarea staţionarităţii seriilor de timp..............................................................................21
1.2.2.1.2. Staționarizarea seriei ratei creditului ipotecar....................................................................23
1.2.2.2. Procedura Box-Jenkins........................................................................................................25
1.3. Concluzii.....................................................................................................................................31
2. Modelarea seriei indicelui bursier S&P 500 prin metode ARCH/GARCH............................................32
2.1. Capitol teoretic...........................................................................................................................32
2.1.1. Literatura de specialitate........................................................................................................32
2.1.2. Metodologia cercetarii...........................................................................................................33
2.2. Capitol aplicativ..........................................................................................................................34
2.2.1. Date utilizate..........................................................................................................................34
2.2.2. Rezultatele empirice ale cercetarii.........................................................................................35
2.3. Concluzii.....................................................................................................................................49
3. Aplicaţia 3 – Modelarea seriei de date privind numărul de turiști din SUA prin utilizarea modelelor
SARIMA, H-W. Previziune...........................................................................................................................50
3.1. Introducere.................................................................................................................................50
1
3.2.1. Literatură de specialitate........................................................................................................50
3.2.2. Metodologia cercetării...........................................................................................................51
3.3.1. Datele utilizate și modul lor de obținere................................................................................54
3.3.2. Rezultatele empirice ale cercetării.........................................................................................55
3.3.2.1. Testarea validității modelelor estimate..........................................................................67
3.3.2.2. Testarea normalității erorilor..........................................................................................69
3.3.2.3. Metoda de netezire exponențială Holt Winters.............................................................70
3.3.2.4. Previziune.......................................................................................................................76
3.4. Concluzii.....................................................................................................................................78
4. Aplicaţia 4 – Analiza naturii relației dintre indicii bursieri S&P 500, Nikkei și KOSPY prin intermediul
cointegrării și modelelor VAR/VEC..............................................................................................................78
4.1.1. Literatura de specialitate........................................................................................................78
4.1.2. Metodologia...........................................................................................................................81
4.2.1. Date utilizate..........................................................................................................................85
4.2.2. Rezultatele empirice ale cercetarii.........................................................................................86
4.2.2.1. Verificarea sezonalității seriilor.......................................................................................86
4.2.2.2. Verificarea non-staționarității seriilor.............................................................................87
4.2.2.3. Determinarea gradului de integrare a seriilor studiate...................................................97
4.2.2.4. Confirmarea/infirmarea prezenței cointegrării.............................................................103
4.2.2.5. Estimarea modelului VEC..............................................................................................110
4.2.2.6. Cauzalitatea Granger....................................................................................................119
4.2.2.7. Funcția de răspuns la impuls și descompunerea varianței............................................123
4.2.2.8. Limitările modelului......................................................................................................125
4.3. Concluzie..................................................................................................................................126
5. Bibliografie.......................................................................................................................................127
2
Aplicația 1 - Modelarea ratei creditelor ipotecare din SUA utilizând Box-
Jenkins
Capitol teoretic
Literatura de specialitate
Stadiul cunoașterii în domeniu
Un credit ipotecar convențional este un tip de credit ipotecar, în care termenii și condițiile
de bază îndeplinesc criteriile de finanțare ale Fannie Mae și Freddie Mac. Aproximativ 35-50%
din creditele ipotecare, ce depind de condițiile de piață și de tendințele de consum, sunt ipoteci
convenționale. Rată fixă ipoteci convenționale pot fi sau reglabile pe rata ipoteci.
Lipsa creditelor (adică, incapacitatea de a ține pasul cu rambursările de credit) are

implicații asupra costurilor pentru creditori în ceea ce privește pierderile sau profiturile
neîncasate, precum și altor debitori, în ceea ce privește prețuri mai mari (adică, ratele dobânzilor)
și posibila raționalizarea a creditului. Ipotecile rezidențiale sunt una dintre principalele tipuri de
creditare și, prin urmare, o potențială sursă majoră de risc de credit pentru bănci. riscul de credit
și modele de notare de credit pentru a prezice implicit lipsa creditelor ipotecare sunt utilizate de
către instituțiile financiare și autoritățile de reglementare pentru a măsura, evalua și informa
deciziile de a atenua diverse aspecte ale riscului de credit ipotecar.
Având în vedere că piața imobiliară din SUA a început să scadă în al doilea trimestru al
anului 2010, rata implicită pentru rată ajustabilă a produselor ipotecare a crescut în mod constant
față de rată fixă ipoteci. Această diferență poate fi atribuită cel puțin două factori. În primul rând,
o teorie sugerează că rata ajustabilă a produselor ipotecare pot fi preferate în rândul debitorilor cu
risc ridicat1. Faptul că rata ajustabilă a produselor ipotecare tinde să fie mai populare în rândul
debitorilor este în concordanță cu această sugestie2. În al doilea rând, rata ajustabilă a produselor
ipotecare poate crește, de asemenea, riscul de nerambursare prin intermediul unui șoc de plată în
cazul în care ratele dobânzii cresc suficient pentru a omite constrângere lichidității împrumutate,
având în vedere venitul său. Din aceste motive, popularitatea rata ajustabilă a produselor
ipotecare înainte de 2009, a fost implicat ca un factor care contribuie la recenta criza creditelor
ipotecare3.
Dincolo de contribuția directă a ratei ajustabilă a produselor ipotecare la rata implicită,

unii cercetători au sugerat, de asemenea, că apropierea geografică a produselor ipotecare
alternative, cum ar fi ratele ajustabile a produselor ipotecare hibride, pot crea externalizări care
conduc la mai mare implicit în rândul proprietarilor în apropiere 4și, prin urmare, a potențialului,
pentru debitori cu alte tipuri de produse ipotecare. Deși condițiile economice generale, cum ar fi
ratele ridicate ale șomajului, probabil au contribuit de asemenea la recentele creșteri ale ratelor de
nerambursare din produsele ipotecare5, faptul că rata fixă ipoteci a crescut, de asemenea, în
ultimii ani, apare în concordanță cu ideea că externalizarea prețurilor locuințelor ar putea exista.
Mai mult decât atât, o varietate de dovezi empirice sugerează că declinul prețurilor locuințelor și
implicite bazate pe capital sunt contagioase, din motive de prețurilor locuințelor și normelor /
rețele sociale6 și că echitatea negativă joacă un rol mai mare decât rata șomajului în valori
implicite de conducere7. Astfel, există o conductă implicită de funcționare din distribuirea
produselor de împrumut la nivelul prețurilor.
În majoritatea toate țărilor supuse analizei creditul ipotecar au înregistrat un trend

ascendent, cu creșteri semnificative în termeni reali de la an la an, iar în cazul Cehiei și al
Poloniei ponderea creditelor ipotecare în total credit intern a crescut de circa 5 ori în anul 2001
comparativ cu începutul perioadei analizate, în timp ce ponderea acestora în PIB s-a dublat.
1
(Posey și Yavas, 2001)
2
(Pennington-Cross și Ho, 2010)
3
(Scanlon et al, 2008;. Pennington-Cross și Ho, 2010)
4
(Agarwal et al., 2012)
5
De exemplu, Makarov și Plantin (2009) arată că șocurile corelate cu venituri poate cauza valori implicite
sistemice.
6
(Immergluck și Smith, 2006; Schuetz et al, 2008;.. Harding și colab, 2009, Lin și colab, 2009;. Goodstein
et al, 2011;.. Guiso et al, 2011;. Campbell și colab, 2011),
7
(Goodman et al. , 2010).
Nivelurile net superioare ale acestor indicatori față de cele înregistrate în România reflectă faptul
că țara noastră se află pe unul dintre ultimele locuri între țările din centrul și estul Europei, în
ceea ce privește dezvoltarea pieței creditului ipotecar.
În SUA, reticența băncilor de a oferi împrumuturi îi nemulțumește pe clienți, chiar dacă

ratele la credite sunt pe minimele istorice. Cei mai afectați de majorare sunt tinerii, care sunt
principalii aplicanți pentru creditele ipotecare și sunt susținătorii pieței imobiliare, limitându-se
astfel contribuția lor la creșterea economică.
La nivelul SUA, media dobânzilor fixe la creditele ipotecare pe 30 de ani este de 5,33%,
extremele întâlnindu-se în statele Maine (5,19%) și New Mexico (5,59%). Creșterea
spectaculoasă a acestui tip de dobândă este cauzată de uriașul deficit federal, care va determina
Trezoreria SUA să lanseze noi emisiuni de titluri de stat, ceea ce va pune presiune pe mărirea
dobânzii. Această conjunctură a determinat micșorarea numărului de solicitări pentru credite
ipotecare noi şi refinanțări față de luna aprilie 2008, când rata medie a dobânzii era sub 5%.
În ciuda acestei creșteri, rata dobânzilor fixe la creditele ipotecare pe 30 de ani este mai
mică decât cea înregistrată pe piața americană în urmă cu an, când era de 6,08%.
În luna martie 2014, Bank of America a plătit 6,3 miliarde de dolari către autoritățile din
SUA pentru acordarea unor credite ipotecare care nu au respectat condițiile legale. Câteva luni
mai târziu, în august, banca achitat o amenda de 16,65 de miliarde de dolari într-o altă
investigație care a vizat tot acordarea de credite ipotecare.
Evoluția creditelor ipotecare în lume
Cererea pentru credite ipotecare în SUA a scăzut până la un nivel cât mic în ultimii, arata
datele publicate de Reuters.
Noile date, precum și alți indicatori ai economiei europene și asiatice, arata ca economia
va reîncepe sa crească dar cu un ritm temperat, în contextul în care activitate din industria
manufacturiera a scăzut în iunie, iar încrederea în mediul de afaceri japonez este dezamăgitoare.
Asociația bancherilor ipotecari a anunțat ca indicele care măsoară cererile pentru credite
ipotecare a scăzut cu 18,9% în 26 iunie 2009, la cel mai mic nivel din noiembrie, în ciuda
costului scăzut al creditării.
Creșterea ratei şomajului, îngrijorările privind siguranța locului de munca și neputința

cumpărătorilor potențiali de a-si vinde propriile case afectează cererea de pe piața de profil.
Activitatea din sectorul manufacturii al zonei euro a scăzut sub așteptări în iunie, indicele urcând
la 42,6 puncte de la 40,7 puncte în mai 2009, cel mai mare nivel din septembrie 2008. Totuși,
indicele este departe față de nivelul de 50 de puncte care delimitează creșterea economică de o
comprimare.
În Japonia, încrederea în mediul de afaceri a urcat sub așteptări în iunie, din cauza
îndoielilor privind economia globala, în timp ce încrederea consumatorilor americani în
economie a scăzut peste așteptări, indicând ca recesiunea care durează de 18 luni nu da semne de
temperare.
În Germania, comenzile din industria ingineriei au scăzut în mai cu 48% fata de aceeași
perioada a anului trecut, potrivit unor date publicate miercuri de asociația din sector, VDMA. în
perioada martie-mai, comenzile au scăzut cu un ritm anual 47%.
Angajatorii din sectorul privat american au concediat în iunie 473.000 de salariați, mai
mult decât estimaseră analiștii, însă în scădere fata de cele 485.000 de disponibilizări din mai,
conform datelor publicate miercuri de compania privată ADP Employer Services, conform
Reuters.
În luna mai 2010, în Statele Unite s-au pierdut 345.000 locuri de munca, cel mai mic
declin din ultimele opt luni ale anului 2011, după un număr de 504.000 disponibilizări în aprilie
2010, a anunțat vineri Ministerul Muncii. Rata şomajului a avansat la 9,4%, cel mai înalt nivel
din 1983.
Scăderea numărului de disponibilizări, combinată cu stabilizarea producției și a sectorului

ipotecar, indică o atenuare a recesiunii. Cu toate acestea, americanii continua sa cheltuiască puțin
și sa economisească mult, în contextul în care valoarea locuințelor scade și companiile își reduc
forța de munca.
Statele Unite au pierdut de la începutul recesiunii, în decembrie 2007, șase milioane locuri
de munca, cel mai mare declin înregistrat de la cel de-al doilea Război Mondial.
Metodologia cercetării
Modele de tip autoregresiv medie mobila (ARMA, ARIMA)
Box & Jenkins (1970) au propus o metodologie de previziune a unei variabile, utilizând
ca și baza de date doar trecutul și prezentul acesteia. Aceste modele se bucura de o larga
popularitate datorita:
- calității previziunilor generate;

- flexibilității modelelor;
- rigurozității privind fundamentarea matematica a modelului;
- este o metoda adecvata și pentru previziunea unor variabile cu o evoluție
neregulată.
Observație: s-au introdus într-o perioada în care modelele econometrice clasice, în

principal cele macroeconomice cu mai multe ecuații au condus frecvent la previziuni mai slabe
decât metodele simple uni variante.
Un model de tip autoregresiv-medie mobilă ARMA(p,q) are o componenta de tip

autoregresiv respectiv o componenta de tip medie mobilă:
,unde p este ordinul parții autoregresive, q ordinul mediei mobile iar este un proces de
tip zgomot alb (acesta fiind o succesiune de variabile aleatoare independente și identic
repartizate, cu medie zero)
8
Davidescu Adriana, „Modele autoregresive liniare”
Atunci când q=0 se obține modelul autoregresiv de
ordin p, notat AR(p): ,iar pentru p=0,
se obține modelul medie mobilă de ordin q:.
Metodologia Box+Jenkins
Procedura Box-Jenkins constă în parcurgerea mai multor etape pentru identificarea celui
mai potrivit model autoregresiv pentru analiza unei serii de timp:
1) Se calculează ACF și PACF pentru a stabili dacă seria este staționară. Dacă este
staționară se trece la etapa a treia, dacă nu se parcurg cerințele etapei următoare.
2) Se staţionarizează seria de date prin diverse transformări. De exemplu se
logaritmează valorile seriei sau se aplică o transformare Box-Cox, apoi se poate
diferenția seria de date astfel obținută.
3) Folosind caracteristicile funcțiilor ACF și PACF se determină modelele
autoregresive de start pentru analiza seriei de date.
4) Se estimează parametrii modelelor autoregresive.
5) Se testează caracteristicilor modelelor autoregresive ce au fost estimate în etapa
anterioară
6) Se alege cel mai potrivit model folosind diverse criterii de performanță.
7) Pe baza modelului selectat se fac diverse analize și prognoze.
Principalele concepte pe care se fundamentează metodologia Box- Jenkins
Considerăm în continuare o clasă particulară de procese aleatoare, numite procese
staționare. Fie un proces aleator unde . Pentru observația aferentă momentului t,
variabila aleatoare , se definesc:

- media variabilei
- varianța
- covarianța dintre doua variabile si , prin
Deoarece dispunem de o singură observație pentru fiecare variabila este imposibil de

estimat aceste elemente. Estimarea devine posibilă pentru o clasa particulară de procese
aleatoare, numite procese staționare.
Definiție. Un proces staționar de ordinul doi dacă verifică următoarele trei condiții:
(1) media este constantă în timp (staționaritate în medie)
(2) varianța este constantă în timp (staționaritate în varianta)
(3) unde covarianța dintre două variabile este funcții doar

de lungimea intervalului de timp ce separă cele 2 variabile. Pentru un proces
staționar, funcția de autocovarianța devine: , unde .
Un proces staționar se află într-o stare de echilibru (are proprietatea de a reveni la medie
ori de câte ori se îndepărtează prea mult de la aceasta).
În cronogramă, o serie staționară se manifesta sub forma unor fluctuații cu amplitudine

relativ constantă (varianță constantă) în jurul unei medii constante, independente de timp
(staționaritate în medie). Nestaționalitatea în medie este specifică seriilor cu tendința, iar
nestaționalitatea în varianță se observă prin modificarea în timp a amplitudinii fluctuațiilor.
Zgomot alb (White noise). Un caz particular de proces staționar, este cel de tip zgomot alb
(denumire luata din tehnica), acesta fiind o succesiune de variabile
aleatoare independente și identic repartizate, cu medie zero. Astfel:
-
- .
Un proces este nestaționar dacă nu verifică una sau mai multe din cerințele din definiția
procesului staționar. în economie majoritatea seriilor sunt nestaționare, media respectiv varianța
acestora nefiind constantă în timp.
Detectarea nestaționarității:
- din cronograma și corelograma respectiv

- utilizarea unor teste de staționaritate (numite și teste de rădăcina unitate); acestea
vor fi discutate în capitolul următor.
Din cronograma:
- seria este nestaționară în medie dacă media nu este constantă în timp. O serie ce
prezintă spre exemplu o tendința deterministă (ce poate fi modelată prin funcții
elementare) este nestaționară;
- seria este nestaționară în varianta dacă varianța nu este constantă în timp.
Din corelograma (graficul funcției de autocorelaţie): auto corelațiile unei serii

staționare se apropie rapid de zero, odată ce k crește (tind exponențial spre zero). Pentru o serie
nestaționară autocorelațiile sunt mari și pozitive pentru un număr mare de valori ale lui k.
Modelele ARMA sunt adecvate seriilor staționare. Acestea au fost generalizate pentru
serii nestaționare ce devin staționare prin diferențiere, modelele rezultate fiind denumite modele
autoregresive-integrate-medie mobilă ARIMA(p, d, q) unde d este ordinul de diferențiere necesar
pentru staționarizarea seriei.
Etapele elaborării unui model ARIMA (autoregresiv integrat medie mobila)
Etapele (metodologia) de elaborare a unui model ARIMA (p,d,q)

- Identificarea modelului → se precizează valorile adecvate pentru p, d respectiv
- Estimarea parametrilor modelului → estimarea coeficienților ai, bi,

- Testarea validității modelului și respecificarea acestuia. Dacă modelul nu este
valid atunci se respecifică modelul (alte valori plauzibile pentru p,d,q) și se reiau
etapele anterioare.
- Utilizarea modelului în generarea de previziuni (odată ce a trecut testele de
validare).
Modelarea ARIMA presupune în esența următoarele:
- verificarea staţionarităţii. Daca se constata ca seria este nestaționară atunci se

diferențiază pana când devine staționară, rezultând ordinul de diferențiere (de
regula d = 1, 2);
- ținând seama de forma funcției de autorelație și de autocorelaţie parțială
(estimate) și pentru seria diferențiată se stabilesc valori plauzibile pentru p

respectiv q adecvate;
- se estimează modelul selectat;
- se testează validitatea modelului. Aici avem doua grupe de teste:
- este de tip zgomot alb? → teste privind comportamentul reziduurilor
- teste privind semnificația coeficienților ai, bi;
- generarea previziunilor, în baza modelului estimat.

Capitol aplicativ
Date utilizate
Sursa datelor
Seria de timp considerată este rata creditelor ipotecare din SUA pentru perioada Ianuarie
2000 – martie 2021. Prognozele se vor realiza pentru anul 2017. Aceasta este exprimata
procentual(%). Datele au fost preluate de pe website-ul FRED Economic Data
(https://research.stlouisfed.org/).
Sursa datelor
Introducerea seriei de date în Eviews
Datele sunt preluate în format Excel(.xls) și importate în EViews, pentru asta trebuie să
creăm un nou fișier de tip EViews prin selectarea comenzii New->Workfile.
În Eviews pentru crearea unei noi serii de date pe baza unor transformări se realizează
prin comanda Quick->Generate series…. În urma aplicării acestei comenzi se deschide o
fereastră de dialog în care se definește relația de calcul a noii serii.
De exemplu, dacă seria rci este identificată prin rata creditului ipotecar, iar noua serie se
obține prin aplicarea primei diferențe, atunci în fereastra de dialog care se deschide se inserează
ecuația de calcul: d_rci=rci-rci(-1).
Se creează o nouă serie sub numele care poate fi prelucrată ulterior.

Analiza caracteristicilor seriei de date
Analiza descriptivă a seriei de date

Analiza descriptivă a seriei de timp ne oferă informații despre următorii indicatori: media
de selecție, dispersia seriei de timp și valoarea statisticii Jarque-Berra(caracterizarea normalității
serie de date). Astfel, în funcție de natura serie de date se calculează indicatori precum: media,
mediana, valorile minime și maxime din cadrul seriei, deviația standard, coeficientul de asimetrie
(Skewness) şi excesul (Kurtosis), etc.
Cu ajutorul comenzii, date pe fișierul importat, View->Descriptive statistics & Tests->

Histogram and Stats se obține un table în care sunt trecute valorile indicatorilor descriptivi de
mai sus și o histograma pe intervale a seriei de date.
Histograma și statistici descriptive
După cum se poate observa seria are o medie de 5,05 cu o valoare maxima de 8,54% și
implicit o cu valoare minimă de 2,65% ce indică o abatere standard de 1,35 procente. Skewness
cu o valoare ușor mai mare decât 0 are o distribuție ce tinde spre stânga, având mai multe valori
extreme spre dreapta, iar Kurtosis cu o valoarea de 2,29 indică faptul că avem o distribuție
platikurtică, mai plată decât o distribuție normal având valori dispersate pe un interval mai mare
în jurul mediei. Probabilitatea pentru valori extreme este mai mică decât în cazul unei distribuții
normale.
Analiza sezonalităţii serie de date
Corelația dintre seriile nestaționare este de obicei foarte ridicată (de obicei, în astfel de
cazuri, coeficienții R2 și R2 ajustat sunt foarte ridicați), dar aceasta nu este concludentă, deoarece
ea se poate datora unor trenduri comune (stohastice) existente în seriile respective. În esență,
seriile staționare sunt cele care nu își schimbă proprietățile în timp: au media, varianța și
autocovarianța pentru fiecare lag constante.
În această etapă vom verifica măsura în care procesul stohastic este staționar (medie și
dispersie constante), inclusiv eliminarea componentei sezoniere, în cazul în care se remarcă
prezența fluctuațiilor. În cazul în care seria nu este staționară, prin diferențiere, se obține o serie
staționară. Ordinul de integrare a seriei reprezintă numărul de diferențieri succesive necesare
pentru obținerea unei serii staționare (adică numărul de rădăcini unitare ale seriei).
Pentru analiza sezonalităţii se recurge la o reprezentare grafică adecvată selectând calea
View->Graph->Seasonal Graph.
Analiza sezonalităţii seriei
Din punct de vedere al posibilităților de măsurare, sezonalitatea se manifestă sub forma

unor abateri de la medie care revin sistematic. De-a lungul perioadei analizate, se observă că
seriile de timp nu sunt afectate de sezonalitate.
Analiza staţionarităţii serie de date
Staționaritatea unui proces stochastic se definește în sens strict și în sens larg. În

continuitate vom face referiri la procese stochastice staționare în sens larg.
Un proces stochastic este staționar în sens larg daca satisface condițiile:
- Media este constantă și independentă de timp;

- Variația este constantă în timp;
- Covarianța depinde doar de decalajul temporal dintre variabile.
Analiza staţionarităţii unei serii de timp, considerată realizare a unui proces stochastic,
presupune următoarea succesiune de operații:
- Se studiază dispersia seriei și, dacă e cazul, se aplică transformările Box-Cocs adecvate
pentru a obține o dispersie constantă în timp;
- Se testează și se elimină variațiile sezoniere
- Se studiază existența și natura tendinței de evoluție a observațiilor și se alege metoda
potrivită pentru staționarizarea ei.
Analiza staţionarităţii seriei de date se realizează în EViews prin:
- analiza corelogramei seriei de date

- teste pentru depistarea prezentei rădăcinii unitate – Augmented Dickey Fuller(ADF), ,
Phillips-Perron, KPSS ș.a.
Test pentru depistarea prezentei rădăcinii unitate

Augmented Dickey Fuller
Pentru a aplică unul din testele pentru depistarea prezentei rădăcinii unitare în EViews se
deschide seria pe care se aplică testul și se selectează din meniul View – Unit root test. Iar pentru
selectarea testului avem test type de unde putem selecta ce test dorim să aplicăm.
Analiza corelogramei
Funcția de autocorelaţie, cea a autocorelaţiei parțiale şi testele aferente sunt surse

importante pentru a stabili dacă o serie este nestaționară. Pentru întocmirea acestora se
procedează astfel: se deschide fișierul cu seria de date, iar din meniul seriei de date se selectează
comanda View->Correlogram, se deschide o fereastră de dialog (vezi figura de mai jos) în care
se selectează: tipul serie de date pe baza căreia se întocmește corelograma - pentru seria de date
în nivel (level), în prima diferență (1st difference) sau în a doua diferență (2nd difference) și
numărul de lag-uri ce vor fi incluse în analiză.
Estimarea parametrilor modelelor selectate
Valoarea lui d care asigură staționaritatea seriei, precum şi valorile inițiale ale lui p și q
determinate în cadrul etapei anterioare permit identificarea unei forme analitice a modelului
ARIMA, precum și a componentelor sale. În continuare se estimează prin metoda celor mai mici
pătrate (OLS) parametrii modelului analitic astfel specificat. În acest sens se selectează din
meniul principal comanda Quick – Estimate equation.
Ecuația modelului trebuie să conțină: o variabila dependentă, o constantă (notată cu c) și

un set de variabilele independente ca fiind un număr de p lag-uri ale variabilei analizate (dacă
modelul cuprinde o componentă AR) – notate prin ar(1), ar(2),...,ar(p) și un număr de q lag-uri
ale termenului de eroare (dacă modelul cuprinde componenta MA) – notate prin m(1),...,m(q).
Method se utilizează opțiunea Least Squares (NLS and ARIMA) sau prin selectarea lui
Options se pot alege diferite metode de corectare a prezenței autocorelaţiei sau
heteroscedasticităţii termenului de eroare (Metodele Newey-West şi White).
Testarea validității modelelor estimate
Testarea autocorelării erorilor - Testarea autocorelării reziduurilor se poate realiza prin:

prin analiza corelogramei reziduurilor. Se folosește comanda View-Residual tests- Correlogram
Q-statistics prin testul LM. Se activează comanda View-Residual tests- Serial Correlation LM
test.
Testarea homoscedasticităţii/heteroscedasticităţii seriei de reziduuri se poate realiza prin:

Corelograma pătratelor reziduurilor ce se folosește prin comanda View-Residual tests-
Correlogram squared residuals. Pentru testul ARCH-LM se activează comanda View-Residual
tests-ARCH LM test.
Testarea normalității repartizării reziduului: Testarea distribuției normale a seriei de

reziduuri se activează comanda View-Residual tests-Histogram-Normality test
Rezultatele empirice ale cercetării
Analiza seriei de date la nivelul SUA
În cadrul analizei empirice se va testa staționaritatea și prezenta rupturilor structurale în

cadrul seriei de date. Specificația ARIMA(p,d,q) am determinat-o prin procedura Box-Jenkins
analizând corelograma seriei de date şi luând în considerare criteriile informaționale Akaike și
Schwartz.
Analiza empirică necesită în prealabil identificarea prezenței unor caracteristici

observabile din graficul seriei:
Se identifică parametri caracteristici procesului ARIMA generator de date („data
generating proces”), aplicând procedura Box-Jenkins asupra seriei de timp în nivel. Corelograma
seriei „rci” (rata creditelor ipotecare din SUA) va permite alegerea parametrii p, d şi q potriviți.
Se estimează mai multe modele care vor fi comparate pe baza criteriilor informaționale (căutând
minimizarea valorii acestor statistici). Performanta modelelor va fi evidențiată şi de capacitatea
acestora de a genera previziuni în afara eșantionului
Testarea staţionarităţii seriilor de timp
Corelograma seriei prezentată în figura 12, sugerează necesitatea introducerii în estimarea

procesului atât a lag-urilor variabilei analizate cât şi a lag-urilor termenului de eroare. Analizând
valorile funcției de autocorelaţie se constată că seria de date poate fi considerată staționară
Un test simplu al staţionarităţii seriei este bazat pe funcția de autocorelație (ACF).
Graficul funcției de autocorelație în raport cu decalajul k, se numește corelogramă.
În corelograma din figura 12 coeficienții de autocorelație pentru seria de timp a ratei
creditelor scad foarte rapid. Astfel, deși pentru primul lag funcția de autocorelație are o valoare
foarte mare (0.979), pentru lag-ul 10 funcția primește o valoare mai mică, de numai 0.755 și
continuă să scadă de la lag la lag.. Pe baza acestui tip de corelogramă putem deduce faptul că
seria este staționară, deci poate fi folosită fără probleme în modelul de regresie. Dacă seria
analizată prezinta clar caracteristica de nestaţionaritate atunci valorile funcției de autocorelaţie s-
ar fi menținut aproape de valoarea unitară un număr mare de lag-uri9.
9
Se poate analiza staţionaritatea seriei de date şi prin intermediul testului ADF (Augmented Dickey-Fuller Test).
Rezultatul testului, pentru seria în nivel luând în considerare și o constantă, a indicat staţionaritatea în nivel, ceea ce înseamnă
că parametrul d din specificaţia ARIMA(p,d,q) este nul.
În continuare, vom verifica staționaritatea seriei de timp a ratei creditului ipotecar și prin
aplicarea testului ADF (Augmented Dickey Fuller) pentru depistarea prezenței rădăcinii unitate.
Pe baza rezultatelor testului ADF ilustrat în Figura 4 am obținut următoarele rezultate:
Pentru modelul nostru, valorile critice sunt –3,456302, -2,872857 și -2,5728, corespunzătoare
nivelurilor de semnificație de 1%, 5% și 10%. Valoarea calculată pentru statistica t este -
1,728655, care în valoare absolută este mai mică decât valorile critice. Nu putem respinge ipoteza
nulă conform căreia seria are o rădăcină unitară (probabilitatea de a greși în respingerea ipotezei
nule este foarte mare deoarece Prob.*=0.2236), deci seria ratei creditelor ipotecare este într-
adevăr nestaționară. În acest caz, parametrul d din specificația ARIMA(p,q,d) este nul.
Test pentru depistarea rădăcinii unitare(ADF)
O consecință a nestaționarității este regresia falsă, dată de faptul că seriile de timp

nestaționare pot determina concluzii statistice neconforme cu realitatea. În concluzie, pentru
realizarea de prognoze privind rata creditelor ipotecare, va trebui să transformăm seria într-una
staționară.
Staționarizarea seriei ratei creditului ipotecar
Seria de timp RCI devine serie staționară după aplicarea operatorului de diferențiere, care
se realizează în EViews astfel: series DRCI=D(RCI). Pentru seria transformată realizăm graficul
și comparăm graficul seriei RCI cu cel al seriei DRCI. Se observă că seria diferențiată DRCI nu
mai prezintă trend. Drept urmare, vom aplica procedura Box-Jenkins asupra seriei de date
staționarizată prin deferente de ordin1(seria fiind integrata de ordin 1) și vom determina procesul
ARMA(p,q) corespunzător.
Seria RCI staționarizată (DRCI)

Corelograma seriei ne va permite sa alegem p și q potrivite seriei de date.
Corelograma seriei staționarizată (DRCI)
Am aplicat testul ADF seriei diferențiate și am obținut următoarele:

ADF pentru seria staționară
Pentru modelul nostru, valoarea calculată pentru statistica t este -14,91513, care în valoare
absolută este mai mare decât valorile critice. Probabilitatea de a greși în respingerea ipotezei nule
este foarte mică, astfel că respingem ipoteza nulă potrivit căreia există o rădăcină unitară, deci
seria diferențiată DRCI este o serie staționară (adică a fost eliminate unitatea rădăcină) și
poate fi folosită în realizarea de prognoze.
Procedura Box-Jenkins
Vom aplica procedura Box-Jenkins asupra seriei de date staționarizată prin diferențe de
ordin 1 (seria fiind integrata de ordin 1) și vom determina procesul ARMA(p,q) corespunzător.
Procedura urmează 3 etape: identificarea, testarea modelului și previziunea.
Identificarea modelului de previziune

În prima fază, cea de identificare a modelului, corelograma seriei sugerează necesitatea
introducerii în estimarea procesului, atât a lag-urilor analizate (AR), cât și a lag-urilor termenului
eroare (MA). Am identificat 4 de modele ARMA(p,q) care pot explica dinamica seriei, folosind
codul de mai jos. Rezultatele sunt prezentate în tabelul1:
equation ar1.ls drci c ar(1)

equation ar2.ls drci c ar(1) ar(2)
equation ma1.ls drci c ma(1)
equation ma2.ls drci c ma(1)
ma(2)
equation ar1ma1.ls drci c ar(1) ma(1)
equation ar1ma2.ls drci c ar(1) ma(1)
ma(2) equation ar2ma1.ls drci c ar(1) ar(2)
ma(1)
equation ar2ma2.ls drci c ar(1) ar(2) ma(1) ma(2)
Vom estima succesiv mai multe modele autoregresive și în final vom alege cel mai bun
model pe baza criteriilor informaționale Akaike şi Schwarz (Modelul pentru care aceste criterii au
valori minime).
Model Criteriul Akaike Criteriul Schwartz R-Squared

AR(1) -0,4335 -0,391968 0,00039
AR(2) -0,439505 -0384112 0,017705
MA(1) -0,082143 -0,393177 0,00515
MA(2) -0,439624 -0,384231 0,017820
ARMA(1,1) -0,434074 -0,378681 0,0123
ARMA(1,2) -0,431814 -0,362572 0,017821
ARMA(2,1) -0,432786 -0, 363544 0,018789
ARMA(2,2) -0,430814 -0,347724 0,0,024624
TABEL 1
Parametrii modelului sunt semnificativ diferiți de zero, pentru modelul ARMA(1,1) estimat
se obțin cele mai bune valori ale celor două criterii informaționale şi, de asemenea, o valoare pentru
R-squared (0.0123 -> 1,23%). Criteriile informaționale Akaike și Schwarz au valori minime.
Testarea validității modelului
Testarea autocorelării reziduurilor se realizează cu corelograma reziduurilor Q-statistics:
Rezultat corelograma reziduurilor Q-statistics
Coeficienții de corelație și de autocorelație sunt nesemnificativi la toate lag-urile, ceea ce

ne indică absența autocorelației erorilor.
Testul Multiplicatorului lui Lagrange(Breuch-Godfrey) ne relevă același lucru:
Testul Breusch-Godfrey LM
Întrucât probabilitatea este mai mare de 0.05, se va accepta ipoteza nulă conform căreia
erorile nu sunt autocorelate.
Testarea homoscedasticităţii/heteroscedasticităţii seriei de reziduuri
Erorile sunt hemoscedastice, deoarece prob. aferente coeficienților Q-stat sunt mai mari
de 5%.
Testarea distribuției normale a seriei de reziduuri
Testarea distribuției normale a seriei de reziduuri
Erorile sunt nu normal distribuite, deoarece valoarea testului JB este mult mai mare decât
valoarea tabelata și în plus prob. tinde către zero.
Analize și previziuni folosind modelul ales la etapa anterioară
Procesele ARIMA estimate într-o etapă anterioară pot fi utilizate în realizarea de

previziuni. Din fereastra corespunzătoare estimării modelului se lansează comanda Forecast. Se
deschide fereastra de mai jos în care se specifică numele seriei pentru care se realizează
previziunea (Forecast name), eșantionul utilizat în realizarea previziunilor (Forecast sample),
tipului de previziune care se va genera (statică sau dinamică),. forma de prezentare a rezultatelor
(grafic şi/sau tabel).
Dorim să facem o prognoză privind evoluția ratei creditului ipotecar din SUA în perioada
mai 2022:
Creare Forecast
Previzionarea seriei
Generarea unei previziuni bazate pe modelul ARMA(1,2) folosește coeficienții deja

estimați și valorile înregistrate pentru rata creditului ipotecar, ținând cont că în model au fost
incluse lag-uri de ordinul 2. Funcția de pierdere root mean squared error este apropiată de 0, ea
reprezentând deviația previziunilor de la valorile înregistrate în realitate, prin urmare modelul de
previziune este bun.
Concluzii
În cadrul acestei aplicații a fost propusă modelarea seriei de timp a ratei creditelor
ipotecare din SUA utilizând metodologia Box-Jenkins, cu analize descriptive preliminare asupra
seriei, astfel încât să facă previziuni pe modelul valid, sa se analizeze bonitatea previziunii și sa
se interpreteze economic rezultatele.
În urma unui efort de sinteză a concluziilor din capitolul aplicativ s-a constat că datele din
punct de vedere al posibilităților de măsurare, sezonalitatea se manifestă sub forma unor abateri
de la medie care revin sistematic fapt pentru care seriile de timp nu este afectată de sezonalitate.
Însă datele sunt staționare și pentru a verifica asta se aplică testarea testului ADF pentru
depistarea rădăcinii unitare, din care s-a constat că valoarea absolută calculată pentru statistica t
este mai mică decât valorile critice, dovedind că seria este nestaționară. Drept urmare, aplicarea
procedurii Box-Jenkins asupra seriei de date staționarizată prin deferențe de ordin1(seria fiind
integrata de ordin 1) și vom determina procesul ARMA(p,q) corespunzător..
Procedura Box-Jenkins urmat 3 etape: identificarea, testarea modelului și previziunea
seriei de timp. În prima parte s-au estimat succesiv mai multe modele autoregresive și în final am
ales cel mai bun model pe baza criteriilor informaționale Akaike şi Schwarz și anume modelul
ARMA(1,1). Pentru a valida modelul am aplicat Testarea autocorelării reziduurilor din care a
rezultat că erorile nu sunt autocorelate ceea ce înseamnă că seria de timp indică cu tărie prezența
corelații seriale în reziduuri. Iar din urma testării homoscedasticităţii/heteroscedasticităţii seriei
de reziduurilor și a distribuției normale a seriei de reziduuri s-a observat că erorile sunt mai mari
decât 5% și că sunt normal distribuite fapt pentru care modelul nu este valid. În urma generării
previziunilor s-a observat că funcția de pierdere root mean squared error este apropiată de 0, ea
reprezentând deviația previziunilor de la valorile înregistrate în realitate, prin urmare modelul de
previziune este bun.
????
3. Aplicaţia 2– Modelarea seriei de date privind numărul de turiști din
SUA prin utilizarea modelelor SARIMA, H-W. Previziune
3.1. Introducere
În zilele noastre, progresul tehnologic a făcut posibilă deplasarea populației dintr-un loc în
altul într-un timp foarte scurt, mai ales când se are în vedere faptul că persoanele respective
călătoresc. Tocmai din acest motiv cunoașterea și previziunea numărului de turiști dintr-o
anumită regiune sau țară este de o importanță majoră întrucât, pe baza acestora, se pot lua diverse
decizii la nivel social sau economic. Impactul pe care turismul îl are asupra investițiilor și asupra
dezvoltării infrastructurii aduce cu sine necesitatea planificării în avans întrucât deciziile de
investiție trebuie să fie eficiente nu numai pentru acest sector, turistic, ci pentru toate sectoarele
unei economii. Întrucât creșterea economică este o probroblemă tot mai mare pentru fiecare
dintre țări, prognozarea cererii turistice este cu atât mai importantă. În această lucrare am ales să
previzionăm numărul de vizitatori (după cu sunt prezentate datele în sursa de extragere a
acestora) din fiecare lună a ultimilor 17 ani din Statele Unite ale Americii. Întrucât acestea au
înregistrat fluctuații de-a lungul timpului, datele vor fi preluate lunar.
3.2. Capitol teoretic
3.2.1. Literatură de specialitate

În literatura de specialitate existentă numeroase studii în ceea ce privește numărul de
vizitatori în SUA, realizate prin utilizarea mai multor tehnici diferite. În lucrarea intitulată “ Goh
and law”, Chan și Lim subliniază importanța previziunilor pentru investiții și planificarea
dezvoltării în domeniul turismului. Această idee este susținută și de către alți autori, cum ar fi
Gounopoulos, Petmezas, care precizează că aceste previziuni sunt, de asemenea importante, ca
urmare a vulnerabilității turismului la fluctuații mari ale cererii (Gounopouls, 2012). Álvarez-
Díaz și Rosselló-Nadal previzionează sosirile turistice din Marea Britanie în insulele Baleare,
folosind variabile meteorologice. Aceștia au comparat performanța unui model ARIMA cu cea a
unei rețelele neuronale autoregresive non-cauzale, și au contatat că acesta din urmă realizează
predicții mai bune (Alvarez Diaz, 2010). În anul 2011, Assaf a examinat persistența și caracterul
sezonier în al datelor referitoare la sosirile turistice în Australia. A comparat performanța a trei
modele de prognoză diferite: două metode standard folosind staionaritate de gradeul 0 și 1 și un
model cu grade fracționare de integrare. Athanasopoulos și de Silva (2012), într-un studiu efetuat
pe numărul de turiști care au sosit în Australia și Noua Zeelandă propune un model care surprinde
variația numărului de turiști într-un vector de inovare de tip serii de timp, dovezndu-se că acest
model oferă o precizie mai mare când se are în vedere prognozrea, cmparat cu alte alternative.
Unii autori susțin că este indicat să se combine două sau mai multe modele de prognoză într-unul
singur de tip hibrid. Pentru a testa dacă această propunere are ca rezultat o mai mare precizie a
prognozei, Andrawis R, în anul 2011a aplicat acest model în cadrul unor previziuni efectuate pe
numărul de turiști din Egipt, constatând faptul că prognozele pe termen scurt și pe termen lung
îmbunătățesc precizia modelului în comparație cu previziunile individuale (Andrawis, 2011).
Așadar, studiile care examinează factorii determinanți ai cererii în domeniul turismului nu fac
parte din analiza modelelor de prognoză, dar totuși sunt strâns legate de acestea și ar trebui luate
în considerare. (Chan F., 2011) analizează caracterul sezonier prin referire la cererea turismului
în Noua Zeelandă folosind analiza spectrală. Ei găsesc diferite categorii de aspecte (imbounds)
ale turismului care dau un comportament ciclic comun. În anul 2013 în lucrarea “Forecasting
U.S. Tourist arrivals using optimal Singular Spectrum Analysis” Hossein Hassani și alți autori au
comparat rezultatele obținute de la ARIMA (Automatic-ARIMA), exponențil Smoothing (ETS) și
rețelele neuronale (nnetar) în realizarea unei previziuni pe numărul de vizitatori în SUA, prin
analiza fiecărei regiuni de provenienșă a acestora.
Metodologia cercetării
În cadrul acestei apicații se va modela seria de timp referitoare la numărul de vizitatori ai
SUA în perioada Ianularie 1999 - Iunie 2015, utilizând modele SARIMA și modele de netezire
exponențială (H-W, seasonal H-W). Apoi, aceste modele vor fi comparate și, pe baza modelului
validat, se vor face previzuni și se va realiza interpretarea economică a rezultatelor. Astfel, după
ce datele vor fi prelucrate în vederea va aplica procedeul Box – Jenkins pentru determinarea
specificației ARIMA cu sezonalitate (SARIMA). Astfel, construirea unui model de tip SARIMA
presupune următoarele etape18:
1. Staționarizarea seriei de timp prin diferențiere sau logaritmare în funcție de
tipul nonstaționarității (în cazul în care este nestaționară);
2. Studiul tiparelor din funcțiile de autocorelație și autocorelație parțială pentru a
determina dacă lag-urile seriei staționarizate și/sau lag-urile erorilor de previziune ar trebui
incluse în ecuația de previziune;
3. Testarea validității modelului estimate;
4. Generarea de previziuni;
În ceea ce privește analiza stationarității seriei de date, aceasta se realizează în EViews
prin una dintre următoarele metode:
 analiza corelogramei seriei de date cu ajutorul funcției de autocorelație ACF și
autocorelație parțială PACF;
 teste pentru depistarea prezenței rădăcinii unitate – Augmented Dickey Fuller;
 Graficul funcției de autocorelație în raport cu decalajul k, se numeşte corelogramă.
Potrivit cercetătorilor19, un model SARIMA are aceeași structură ca și un model ARIMA,
astfel încât acesta poate avea un factor de tip AR, un factor de tip MA, și / sau un ordin de
diferențiere. În modelul de tip ARIMA cu sezonalitate sau altfel spus, SARIMA, toți acești
factori operează în condițiile unor multiple lag-uri de ordin s, unde s este numărul de perioade
dintr-un sezon.
Un model SARIMA este considerat ca fiind un model ARIMA (p, d, q) X (P, D, Q), unde
P = numărul de termeni sezonieri autoregresivi (SAR), D = numărul de diferențe sezoniere, Q =
numărul de termeni sezonieri de medie mobilă (SMA).
18
http://people.duke.edu/~rnau/Slides_on_ARIMA_models--Robert_Nau.pdf19 http://people.duke.edu/~rnau/seasarim.htm
În identificarea unui model de tip SARIMA, primul pas este determinarea necesității unei
diferențieri sezoniere (de la sezon la sezon sau de tipul Y t – Yt-12), pe lângă sau în locul unei
diferențieri non-sezoniere. Prin urmare, vom analiza graficele modelelor, funcția de autocorelație
și funcția de autocorelație parțială pentru a determina toate combinațiile posibile de diferențieri
non-sezoniere de ordin 0 și 1 și de diferențieri sezoniere de ordin 0 și 1. Vom avea însă grijă să
nu folosim mai mult de o diferență de sezon, și nici mai mult de două diferențe în total (adică o
diferențiere sezonieră și o diferențiere non-sezonieră combinate).
În identificarea modelelor, trebuie respectată următoarea regulă: Dacă modelul are o
componentă sezonieră puternică și stabilă în timp (de exemplu, există valori foarte mari pe timpul
verii și valori foarte mici în timpul iernii, sau invers), atunci se recomandă folosirea unei
diferențieri sezoniere, indiferent dacă utilizăm sau nu o diferență non-sezonieră, deoarece aceasta
va ajuta modelul sezonier să facă față previziunilor pe termen lung.
Semnătura unui comportament de tip pur SAR sau pur SMA este similar cu semnătura
unui comportament pur AR sau pur MA, cu excepția faptului că acest tipar apare la multiplii de
lag s în funcția de autocorelație ACF și în funcția de autocorelație parțială PACF.
De exemplu, un proces SAR (1) pur are valorile extreme ale funcției de autocorelație ACF
la lagurile s, 2s, 3s, etc., în timp ce PACF doar va descrește după lag-ul s.
În schimb, un proces SMA (1) pur are valorile extreme ale funcției de autocorelație
parțială PACF la lagurile s, 2s, 3s, etc., în timp ce ACF doar va descrește după lag-ul s.
O semnătură SAR apare de obicei atunci cand autocorelația la perioada sezonieră este
pozitivă, în timp ce o semnătură SMA apare de obicei atunci când autocorelația la perioada
sezonieră este negativă, de aici fiind derivată o nouă regulă:
Daca autocorelația la perioada sezonieră este pozitivă, se ia în considerare adăugarea la
model a unui termen SAR. Daca autocorelația la perioada sezonieră este negativă, se ia în
considerare adăugarea la model a unui termen SMA. Se încearcă evitarea amestecării termenilor
SAR și SMA în același model, precum și evitarea folosirii a mai mult de un termen.
De obicei, este suficient un singur termen de tip SAR (1) sau SMA (1). Foarte rar se poate
întâlni un proces SAR(2) sau SMA(2) real, și, și mai rar aceste modele au suficiente date pentru a
estima 2 sau mai mulți coeficienți sezonieri fără ca algoritmul de estimare să intre într-o buclă de
feedback.
Deși un model SARIMA pare a avea doar câțiva parametri, modelul de previziune
necesită estimarea parametrilor impliciți din unul sau din două sezoane pentru a putea fi
inițializat. Prin urmare, ar trebui să avem cel puțin 4 sau 5 sezoane de date pentru a putea modela
un model SARIMA20.
Probabil cel mai frecvent utilizat model de tip SARIMA este modelul (0,1,1) x (0,1,1),
adică modelul MA(1) x SMA (1) care conține o diferențiere sezonieră și una non-sezonieră.
Aceasta este, în esență, un model de „netezire exponențială cu sezonalitate”.
3.3. Capitol aplicativ
3.3.1. Datele utilizate și modul lor de obținere
Datele referitoare la numărul lunar de turiști sosiți la hotelurile și pensiunile din România
în perioada decembrie 2000 – februarie 2017 au fost preluate de pe site-ul selecția fiind făcută
http://infoshare.stats.govt.nz/default.aspx?AspxAutoDetectCookieSupport=1 asfel încât să
cuprindă doar tutiștii de la nvel internațional.
3.3.2. Rezultatele empirice ale cercetării
S-a introdus seria de date în Eviews, prin importarea datelor dintr-un fișier Excel prin
utilizarea comenzii File -> Import -> Import from File, astfel încât s-a obținut seria de date a
vizitatorilor denumită vizitatori:
Figură 23: Introducerea datelor in Eviews
În vederea estimării parametrilor modelului este necesară analiza descriptive a seriei de

date. În acest scop se va reprezenta și interpreta graficul valorilor observate în raport cu timpul:
Evoluția numărului de vizitatori ai SUA, în perioada ianuarie 2000 – Iulie 2017
Conform graficului de mai sus, se poate observa că numărul de vizitatori ai SUA variază
semnificativ în fiecare an. Astfel, acesta are valori mari în perioada verii și valori mici în
perioada de iarnă. Totodată, se observă că seria nu pare a fi una staționară, deoarece la nivelul
mediei se remarcă un trend crescător (nonstaționaritate în medie), iar la nivelul dispersiei se
observă că varianța nu se menține constantă în perioada analizată (nonstaționaritate în dispersie).
Se poate observa că începând cu anul 2001 seria are un trend ascendant, evidențiindu-se şi
componenta sezonieră. Având în vedere aceste aspecte, dar și faptul că datele sunt importate
lunar, se va realiza și o analiză a sezonalității acestora printr-o analiză grafică.
Grafic sezonalitate
Din prezentată mai sus, reise faptul că seria este afectată de sezonalitate. Așadar, se poate
afirma că factorii sezonieri au avut o influență semnificativă asupra numărului de vizitatori ai
SUA în perioada Ianuarie 200-Iunie 2017. Seria de date urmează astfel a fi modelată cu ajutorul
unui proces de tip SARIMA (Seasonal Autoregressive Integrated Moving Average).
În realiazarea unei modelări a seriei de timp cu ajutorul unui model SARIMA,
metodoligia prevede aplicarea unui model de tip ARIMA pe procesul cu componenta sezonieră.
Astfel, trebuie să luăm în considerare prima regulă precizată în metodologie, referitoare la
componenta sezonieră: având în vedere că în cazul modelului nostru, numărul de vizitatori ai
SUA este mare în lunile Iulie și August și foarte mic în lunile Ianuarie și Februarie, se poate
afirma că , componenta sezonieră este prezentă atunci când se are în vedere numărul de vizitatori
ai SUA.
Corelograma setului inițial de date
Întrucât în figura doi se observă ca fiind mai ponunțată nonstaționaritatea în medie,iar în

vederea realizării modelului se vor efectua următoarele prelucrări, iar în figura de mai sus ACF la
lagul 12 tinde foarte greu la 0, avem o sezonalitate de ordinul 12(strategii de desezonalizare):
seriei iniţiale i se aplică operatorul SYt  Yt  YtS . : diferențiere sezonieră de tipul YT – YT-12,
aceasta ne va ajuta în calcularea previziunilor pe termen lung. În urma acestei operaţii de
transformare a datelor se va obţine o serie ce nu cuprinde componenta sezonieră. Dezavantajul
însă, este Acela că, în urma operaţiei de transformare a datelor se pierd 12 valori.
Pentru a diferenția la lag-ul de sezonalitate s=12, aplicăm instrucțiunea:
series dvizitatori=vizitatori-vizitatori(-12)
Rezultatele sunt dispuse în figura de mai jos:
Număr vizitatori SUA-desezonalizare
În cele ce urmează analiza staționaritatea seriei de date, cu ajutorul comenzilor View ->
Correlogram -> Lags to include box: 45 -> OK. Am ales să includem un număr de 45 de lag-uri,
datorită metodologiei Box Jenkins, potrivit căreia numărul de autocorelații pe care le putem
examina fără probleme sunt o pătrime din numărul total al datelor ((199 -12)/2 = 45). Rezultatul
acestor pași îl reprezintă corelograma, iar în partea stângă un table care conține informții cu
privire la valorile funcției de autocorelație (ACF), valorile funcției de autocorelație parțială
(PACF), valoarea statisticii Ljung-Box (Q-Stat), probabilitatea de a accepta că valoarea
coeficienților de autocorelație este nulă (Prob). O valoare mai mare de 0,05 a acestei probabilități
va duce la acceptarea ipotezei nule, deci a inexistenței unei autocorelări semnificative a
termenilor seriei.
Din analiza corelogramei reiese faptul că seria este nestaționară, deoarece funcția de
autocorelație descrește lent. Seria diferențiată la ordinul de sezonalitate s=12 indică o puternică
autocorelație pozitivă, ce ar putea indica o semnătură de tip AR sau nevoia unei noi diferențieri.
Prin urmare staționarizăm seria prin diferențe de ordin 1 și, potrivit metodologiei specifice
modelelor de tip SARIMA, nu avem voie să mai diferențiem în continuare seria de date.
series ddvizitatori = d(dvizitatori)
Corelograma seriei diferentiate

Graficul seriei de date stațonarizate
Totodată, dacă vom analiza corelograma vom observa dacă seria este staționară sau nu.
După cum se poate observa în figura de mai jos sunt cel puțin doi coeficienți care ies in afara
intervalului punctat. Însă dezavantajul major al corelogramei este legat de faptul că, valorile
funcţiei de autocorelaţie sunt determinate, atât de componenta sezonieră, cât şi de cea
nesezonieră.
Corelograma diferențelor
Trebuie menţionat faptul că, în cazul în care seria de date este integrată de ordinul 2,
atunci etapele care vor fi descrise în cele ce urmează se referă la seria de date staţionară
(diferenţiată de două ori). În urma parcurgerii acestei etape se determină: valoarea parametrului
d: egal cu ordinul de diferenţiere aplicat seriei iniţiale pentru a obţine o serie staţionară. De cele
mai multe ori p este 0, 1 sau cel mult 2 precum și o serie de recomandări pentru alegerea iniţială a
celorlalţi doi parametrii p şi q (Adriana, 2016).
. Augumented Dickey Fuller pentru seria staționarizată
Așadar, pentru verificarea staționarității vom aplica testul Augumented Dikey Fuller pe
seria diferențiată cu selecția testului Skhwartz. Pentru modelul nostru, după cum se poate
observa în figura de mai jos, valoarea calculată pentru statistica t este -10,34352, care în modul
este mai mare decât oricare dintre valorile critice. Prin urmare, probabilitatea de a greși în
respingerea ipotezei nule este foarte mica. Așadar, respingem ipoteza nulă potrivit căreia există o
rădăcină unitate, deci seria diferențiată ddvizitatori este o serie staționară (adică a fost eliminată
unitatea rădăcină) și, prin urmare poate fi folosită în realizarea de prognoze.
Așadar, se poate afirma că seria de date dvizitatori este integrată de ordin d=1, iar seria inițială de
date vizitatori este integrată de ordin d=2. Drept urmare, vom aplica procedura Box-Jenkins
asupra seriei de date staționarizată prin diferențe de ordin 1 și vom determina procesul SARIMA
(p,d,q) x (P,D,Q) corespunzător.
Procedura urmează 3 etape: identificarea, estimarea, testarea și previziunea modelului.
Identificarea modelului
Corelograma seriei ne va permite sa alegem p și q potrivite seriei de date.
Informaţii pentru determinarea parametrilor p şi q sunt obţinute prin calcularea valorilor
FAC şi FACP, precum şi pa baza întocmirii graficelor celor două funcţii. Pentru validarea
rezultatelor obţinute se folosesc diverse teste statistice. Astfel, dacă există o valoare a lui h egală
cu q începând de la care valoarea funcţiei de autocorelaţie scade brusc către zero, atunci pentru
prelucrarea seriei se foloseşte un proces MA(q) pur sau un proces ce cuprinde o componentă
MA(q) (Davidescu, 2016).
Corelogramă identificarea modelului (seria staționarizată)
Potrivit regulii din metodologie, dacă lag-ul de ordinul 1 este 0 sau negativ, sau dacă
coeficienții de autocorelație au valori mici și nu urmează o anumită evoluție de creștere sau
descreștere lentă, atunci probabil că seria nu are nevoie de un ordin mai mare de diferențiere. Mai
mult, dacă lag-ul I de autocorelație este -0.5 sau mai mic, atunci seria este supra-diferențiată. În
cazul acestui model regula este îndeplinită deoarece atunci când diferențierea este de ordin d=2,
primul lag are valoarea negativă de -0,676 < -0.5. Așadar, un ordin de diferențiere mai mare nu
este permis și nu este nici necesar, iar în cazul unui ordin de diferențiere mai mic (d=1), am vazut
cum coeficienții de autocorelație descresc lent și prin urmare nu ar respecta această regulă.
. Corelograma pe diferențe în nivel
Dacă se analizează corelograma pe diferențe în nivel, se poate observa ă această regulă

este îndeplinită. Așadar, se vor determina parametrii modelului SARIMA (p,d,q )12 (P,D,Q) 12.
În ceea ce privește termenii p, q și d, se observă că avem un ordin de diferențiere

nesezonieră, deci d=1. Se observă că autocorelația de la lag-ul 1 este semnificativă statistic și
negativă, PACF are o creștere mai pronunțată decât ACF, iar ACF începe să crească de la lag-ul
1. Prin urmare, seria are o semnătură de tip MA(1). Dacă acvem în vedere elementele
componentei sezoniere, este un ordin de diferențiere sezonieră, deci D=1. Se observă că
autocorelația parțială (PACF) de la lag-ul cu sezonalitate este negativ (s=12), deci vom adăuga la
model un termen SMA(1).
Pentrul modelul rulat sma(12), se obține corelograma reziduurilor prezentată mai jos:
Corelograma reziduurilor sma(12)

Astfel, am obținut modelul SARIMA ( 0, 0, 1 )12 ( 0 , 1 , 1 )12
Estimarea modelului se realizează prin metoda celor mai mici pătrate (OLS) parametrii modelului
analitic astfel specificat. În acest sens, pentru seria staționarizată se estimează următoarele trei
modele autoregresive, pe baza instrucțiunilor de mai jos:
series vizitatori_sarima=ddvizitatori
equation eq12.ls ddvizitatori ar(1) ar(2) sma(12)
equation eq22.ls ddvizitatori ar(1) sma(12)
equation eq13.ls ddvizitatori ar(1) s ma(12)
equation eq14.ls ddvizitatori ma(1) sma(12)
equation eq15.ls ddvizitatori ar(1) sma(12)
equation eq16.ls ddvizitatori sar(12)
equation eq17.ls ddvizitatori sma(12)
Tabel 2. Rularea modelelor
R^2 Criteriul
Model Criteriul Schwartz
Akaike
ar(1) ar(2) sma(12) 0.23 4,214 4,263
ar(1) sma(12) 0.22 4,2142 4,2632
ar(1) sar(12) 0,224564 4,2142 4,263210
ma(1) sma(12) 0.257756 4,170252 4,219215
ar(1) sma(12) 0.224654 4,214246 4,263210
sar(12) 0,098973 4,3560630 4,369269
sma(12) 0,108267 4,3469 4,379625
. ar(1) sma(12)
Figură 37. ma(1) sma(12)
Identificăm astfel două modele optime , respective ar(1)sma(12) și ma(1) sma(12) prin
alegerea valorilor cât mai mici pentru indicatorii ce au la bază teoria informației (criteriile Akaike
și Schwartz). Cum nu putem decide care dintre acestea două este mai bun, trecem la pasul
următor și testăm validitatea ambelor modele.
3.3.2.1. Testarea validității modelelor estimate
Se verifică semnificația statistică a coeficienților estimați prin compararea valorii

statisticii Student cu valoarea critică corespunzătoare unui prag de semnificație ales sau prin
identificarea pragului de semnificație dincolo de care se respinge ipoteza nulă potrivit căreia
parametrul respectiv nu diferă semnificativ de zero. Pentru modelele autoregresive este important
să specificăm parametrul care diferă de zero ce corespunde lag-ului de grad maxim, atât pentru
componenta AR, cât și pentru cea de tip MA.
Testarea autocorelării reziduurilor se realizează cu corelograma reziduurilor Q-statistics:

View -> Residual tests -> Q-Statistics. Pentru primele trei modele estimate, coeficienții de
autocorelație sunt semnificativi la toate lag-urile, ceea ce ne prezența autocorelației erorilor.
Pentru ultimele trei modele estimate, coeficienții de autocorelație sunt nesemnificativi la toate
lag-urile, ceea ce înseamnă că nu există autocorelația erorilor. Probabilitățile foarte mari (>5%)
asociate coeficienților Ljung-Box ne relevă faptul că erorile sunt independente.
Figură 38. Corelograma ar(1) sma(12)

Figură 39.Corelograma ma(1) sma(12)
3.3.2.2. Testarea normalității erorilor
Figură 40. ma(1) sma(12)

Skewness este un indicator folosit in analiza distribuției unei serii de date pentru a indica
deviația distributiei empirice in raport cu o distributie simetrica in jurul mediei. Prin valoarea sa <
0 se evidențiază faptul că distribuția este înclinată spre dreapta, avand mai multe valori extreme
spre stânga. Valoarea lui Kurtosis > 3 - distributie leptokurtică, indicând faptul că este mai
ascuțită decât o distibuție normală. Valoarea testului Jaque Bera eate mai mare decât chi square și
, prin urmare , ipoteza este verificată .
Figură 41.ma(1) sma(1)
În cazul modelului ma(1) și sma(1) adică SARIMA(0,0,1) (0,1,1).
3.3.2.3. Metoda de netezire exponențială Holt Winters
Metoda de netezire exponenţială simplă a fost extinsă de către Holt Winters pentru serii
ce prezintă tendinţă (şi componentă aleatoare). Ideea este legată de ajustarea seriei în vecinătatea
originii previziunii cu o dreaptă, tendinţa fiind presupusă liniară pe porţiuni. Această metodă
este
caracterizată prin faptul că este adecvată seriilor ce prezintă tendinţă şi componentă sezonieră,
implicând trei ecuaţii de recurenţă, şi prin urmare trei constante de netezire, una pentru nivelul
seriei, una pentru panta dreptei de tendinţă respectiv una pentru coeficienţii sezonalităţii
(Adriana, 2016).
No seasonal H-W
Figură 42.No seasonal H-W
Figură 43.Holt Winters Aditiv

Figură 44. H-W multiplicative
Rezultatele arată că metoda H-W cu caracter sezonier multiplicativ se potrivește mai bine
pe datele considerate. Acest lucru se reflectă, de asemenea că în cele două seturi de previziuni;
previziunile generate prin metoda multiplicativă evidențiază mai mare și o mai mare variație
sezonieră pe măsură ce nivelul de prognoze crește în comparație cu previziunile generate prin
metoda cu aditivă. Funcția de pierdere root mean squared error minimă se găsește în cazul Holt-
Winters Multiplicative, având valoarea de 21614,9, ea reprezentând deviația previziunilor de la
valorile înregistrate în realitate, prin urmare acest model de previziune este mai bun.
Se poate observa din graficul prezentat la începutul problemei că modelul este unul de tip
aditiv.
Figură 45. Exponential Smooting
Vom selecta eroarea de tip multiplicativ, tendința aditivă și modelul sezonier

multiplicativ (M, A, M) pentru a estima parametrii folosind datele de la 1999m01-2005m12 și
pentru a netezi și prognoza pentru 2006m1-2015m06, astfel: vom schimba meniurile modelului la
(M, A, M), setați proba Estimarea la "1999 2005" sau "1999m01 2005m12", a stabilit punctul
final in a "2015m06", și celelalte vaori le vom lăsa la setarea implicită. Prin această comandă
eviews estimează modelul ETS, afișează rezultatele și salvează rezultatele netezite .
Rezultatele sunt împărțite în patru părți. Prima parte a tabelului prezintă setările utilizate
în cadrul procedurii ETS, inclusiv eșantionul utilizat pentru estimarea și starea estimării. Aici
vedem că am estimat un model (M, A, M), în care unii parametri converg la valori limită.
Următoarea secțiune a tabelului prezintă parametrii de netezire (α, β, γ) și stări inițiale X0 = (L0,
b0, s0, s-1, ..., microsecunde-11). Trebuie remarcată prezența limitei zero valori p pentru și y,
care indică faptul că componentele de sezon și de trend nu se schimbă în funcție de valorile lor
inițiale. În ceea ce privește statisticile, cele mai multe dintre acestea sunt auto-explicative. A
raportat "Compact Log likehood" este pur și simplu valoarea sa, dar este furnizată pentru a
facilita comparația cu rezultatele obținute din alte surse.
Pentru comparații, poate fi util să se ia în considerare modelul ETS obținut folosind selecția
modelului. Pentru a efectua selecția modelului, vom completa dialogul ca înainte, dar selectăm
pentru fiecare dintre modelele ce trbuie specificate meniurile care se derulează la Auto. Output-ul
de mai jos arată că modelul ETS selectat confor criteriului Akaike (A, N, M), cu un nivel de
netezire dat de parametrul estimare α = 0,74, iar parametrul de sezonalitate y = 0 (este estimat la
limită).
Figură 46. Exponential
smooting Figură 47.Simple
Se poate observa că valoarea constantei de netezire este una relativ scăzută 0,87 (alpha),
iar valoarea lui beta =0 indifă faptul că componenta sezonieră și trendul nu se schimbă față de
valorile lor inițiale. La finalul perioadei analizate, valoarea trendului este de 23639,6 vizitatori. În
ceea ce privește R^2, această valoare generează o statistică care se comporta ca valoarea R-
Square în regresie multiplă. O valoare aproape de zero indică un model nevalid, în timp ce o
valoare aproape de unul indică un model bine-montaj
Figură 48. Cautarea modelului celui mai potrivit
După cum se poate observa, în sectiunea forecast comparison graph, cel mai potrivit
model este acela în care erorile sunt aditive, nu este stabilit tipul trendului, iar tipul sezonalității
este multiplicativ. Acest lucru se poate observa și din tabelul ce compară valorile pe baza long-
likehood (se alege valoarea cea mai mare-posibilitatea de a se ajunge la valorile dorite).
Figură 49.Cel mai potrivit model
Graficul de mai sus ultimele observații de previziunie în eșantion și în afara eșantionului pentru
fiecare dintre posibilele specificații ETS. În plus, setările de afișare ETS ales au afișat tabelul de
probabilitate, care conține probabilitatea efectivă și valorile Akaike pentru fiecare specificație, iar
tabelul de comparație, prognoza, care prezintă un subset al valorilor afișate în grafic.
Așadar, se va allege modelul multiplicative
3.3.2.4. Previziune
Se ve realiza predicția pe urmăroarele sapte luni
Figură 50. Forecast ma(1) sma(12)
Figură 51. Static Forecat ma(1) sma(1)
Pentru aceasta, in vederea comparării celui mei bun model, am realizat un tabel în care sunt
cuprinse RMSE (trunchiate) pentru modelele analizate.
ma(1) sma(12) H-W aditiv H-W multiplicativ
Static: 335165 250430 216164
Dinamic : 252777
După cum se poate observa se așteaptă ca în luna a șaptea să aibă loc o creștere a numărului de
vizitatori ai SUA în luna a saptea va înregistra o creștere a numărului de vizitatori la 637419166 vizitatori
apoi, în luna următoare acesta va creste, după cum se poate observa în tabelul de mai jos.
Figură 52. Rezultate predicție Hw multiplicativ
Figură 53. Reprezentare grafica serie originala si forecast

3.4. Concluzii
Plecând de la setul de date referitor la numărul de vizitatori în SUA în perioada ianuarie 1999,
iunie 2015, s-a constat că date datele prezintă sezonalitate, respectiv în lunile iunie și august există
tendinta ca numărul de vizitatori șă fie mai mare, iar în lunile ianuarie și februarie acesta este mai mic.
Din primul grafic se poate observa că datele prezintă o nestaționaritate în medie. Asupra acestora s-au
aplicat operațiunile de staționalizare desesezonalizare. Odată obținută seria este staționară în timp și nu
prezintă trend. Ulterior s-a identificat un model ARIMA(0,1) de lag 12, deci un model ma(1) sma(12). În
urma analizei forecat cu Holt Winters s-a constat că modelul multiplicative are RMSE cel mai mic, prin
urmare acesta este cel mai bun. Totodată s-a efectuat o previziune ETS Exponential smooting, iar
modelul rezultat este unul de tip ANM, (aditiv none multiplicativ). Previziunea pe luna a șaptea arată un
număr de vizitatori în SUA de 6396922.
Aplicaţia 3– Analiza naturii relației dintre indicii bursieri S&P 500,

Nikkei și KOSPY prin intermediul cointegrării și modelelor VAR/VEC
Capitol teoretic
Literatura de specialitate
Aplicația de față își propune să analizeze natura relației dintre trei indici bursieri
internaționali, aparținând piețelor din SUA (Standard and Poor’s 500), Japonia (Nikkei 225) și
respectiv Coreea de Sud (Kospi).
Indicele Standard and Poor’s 500 este un indice format pe baza a 500 acţiuni selectate
de Corporaţia Standard and Poor’s fiind cotate în fiecare minut al zilei de tranzacţionare.
Valoarea de piaţă totală a acţiunilor ce compun indicele reprezintă 80% din valoarea titlurilor
tranzacţionate la NYSE. Indicele S&P 500 la fel ca toţi indicii din acest grup sunt ponderaţi cu
capitalizarea bursieră şi cuprinde în ordinea capitalizării următoarele acţiuni: Microsoft, General
Electric, Intel, Wal-Mart, Cisco Systems, Lucent Tehnologies etc. Este utilizat ca suport în
contractele futures la Bursa din Chicago şi contracte pe opţiuni la NYSE.
Nikkei 225 este indicele cel mai des cotat de pe bursa de la Tokyo, comparabil cu Media
Industrială Dow Jones din SUA. A fost numit dupa ziarul Nikkei care a început calcularea
indicelui în 1950. Indicele Nikkei este format din 225 de companii japoneze din diverse industrii.
Companii remarcabile care includ Toyota, Bridgestone, Kikkoman și Panasonic. Nikkei
reacționează la evenimentele internaționale cum ar fi dezastrele naturale, razboaiele, framântările
politice și noutățile economice.
Kospi este un indice al tutoror acțiunilor comune tranzacționate pe piața bursieră din
Coreea de Sud și constituie un indicele bursier reprezentativ pentru aceasta, fiind introdus în anul
1983. În prezent, el în cuprinde în ordinea capitalizării următoarele acţiuni: Samsung Electronics,
Hyunda Motor, SK Hynix, Korea Electric Power, SK telecom, Naver etc.
Pentru studiul relației dintre variabile descrise anterior, vom folosi analiza de cointegrare
și în funcție de prezența sau absența acesteia (în sens Johansen) vom estima un model VAR sau
VECM, care să pună în evidență dinamica pe termen scurt și/sau lung (după caz).
În continuare vom prezenta principalele studii din literatura de specialitate, care au

abordat tematica cointegrării în cadrul studiului piețelor bursiere.
Studii despre interdependența piețelor de capital au fost realizate începând cu anii 1970.
Autori precum Granger și Morgenstern (1970), Ripley (1973) sau Panto (1976) au cercetat
relațiile pe termen scurt dintre piețele de capital, utilizând analiza de corelație. Odată cu apariția
conceptului de cointegrare, sugerat de către Granger (1981) și dezvoltat ulterior de același autor
împreună cu alți cercetători precum Weiss(1983) și Engel (1987), metodologia referitoare la
analiza relațiilor dintre piețele de capital s-a îmbunătățit semnificativ. Alături de abordarea
ARCH, dezvoltată de Engle (1982) și extinsă de Bollerslev (1986), cointegrarea a devenit în
prezent principalul instrument în analiza relației dintre bursele de valori. Îmbunătățiri ulterioare
ale metodologiei îi aparțin lui Johansen (1988, 1991), acesta simplificând analiza cointegrării
multivariate și propunând în acest sens o abordare integrată de estimare și testare.
Kasa (1992) a utilizat pentru prima dată testul de cointegrare Johansen pentru a studia
relațiile între bursele de valori. Folosind un model VAR, autorul a determinat prezența unui trend
comun puternic în piețele din SUA, Japonia, Germania, Marea Britanie și Canada pentru perioada
1974-1990. Corhay (1993) a cercetat piețele bursiere din Europa între anii 1975-1991 și a obținut
dovezi empirice care susțin echilibrele pe termen lung. Cu toate acestea, studiul realizat de către
Koop (1994) folosind metode Bayesiene a contrazis prezența unui trend stochastic comun în
piețele bursiere din cele cinci țări mai sus menționate. Fu și Pagani (2010) au revizuit rezultatele
cercetării lui Kasa folosind în acest sens mici corectări ale eșantionului utilizat în cercetare, care
să crescă gradul de acuratețe al modelului. Deși, în acest caz, dovada cointegrării este mai puțin
pronunțată decât în lucrarea originală, autorii au găsit totuși o relație de cointegrare.
Dezvoltarea piețelor bursiere din mai multe țări sud sau est-asiatice a condus la sporirea
interesului cercetătorilor pentru studiul cointegrării acestor piețe. Masih și Masih (1997) au
cercetat relațiile dintre bursele din Taiwan, Hong Kong, Singapore și Coreea de Sud cu cele din
Japonia, SUA, UK și Germania și au descoperit prezența cointegrării. Maysami și Koh (2000) au
observat o relație de cointegrare între piețele din Singapore, Japonia și SUA. În opoziție,
rezultatele cercetării Sheng and Tu (2000) nu sugerează un vector de cointegrare semnificativ
statistic pentru piețele bursiere din Asia. Yang, Kolari și Min (2002) au cercetat criza financiară
asiatică și au descoperit influența acesteia asupra gradelor de integrare. Estimând VECM pentru
diferite perioade, cei trei autori au observat că piețele urmează o mișcare comună („co-
movement”) mai pronunțată în perioada post-criză . Același rezultat este descoperit și de Wong
(2004), care a concluzionat că relațiile dintre piețele bursiere din Asia s-au intensificat odată cu
criza din 1997. Analiza relațiilor dintre piețele bursiere s-a îmbunătățit odată cu apariția altor
tehnici metodologice.Gregory and Hansen (1996) au dezvoltat un test, bazat pe seria reziduurilor,
prin care se verifică cointegrarea seriilor de date, atunci când acestea prezintă un singur șoc
macroeconomic. (structural break). Fernandez și Sosvilla (2001) nu au reușit să determine
prezența cointegrării între piețele asiatice, prin utilizarea testelor convenționale, însă au
descoperit o relație pe termen lung între anumite țări. Voronkova (2004) a observat legături între
piețele bursiere din Europa Centrală și principalii parteneri din Europa și SUA, utilizând testul de
cointegrare Gregory și Hansen.
Toate referințele de mai sus sunt însă doar câteva din multiplele studii și cercetări ce
abordează tema cointegrării piețelor bursiere. Deși acestea au condus adesea la rezultate distincte,
este cert faptul că subiectul cointegrării piețelor bursiere prezintă un mare interes datorită
informațiilor oferite despre echilibrul pe termen scurt și lung al burselor de valori.
4.1.1. Metodologia21
În vederea realizării analizei de cointegrare a seriilor de date alese, trebuie parcurse

următoarele etape, pe care le vom ilustra ulterior în cadrul aplicației:
Pasul 1. Se verifică prezența sezonalității în date și dacă aceasta se confirmă se impune

eliminarea ei prin metoda tramo seats.
Pasul 2. Se verifică staționaritatea seriilor de date pe baza testelor de radacină unitară

„Augmented Dickey-Fuller” și „Phillips-Perron”, determinându-se ordinul de integrare al seriilor.
O serie este considerată integrată de ordin d, daca ea devine stationară dupa diferențele de ordin
d. Astfel dacă valoarea calculată a testului ADF sau PP este în modul superioara valorii critice
considerată pentru un anumit prag de semnificatie(1%, 5% sau 10%) atunci seria este considerată
nestaționară și ea trebuie diferentiață pentru a dobândi staționaritatea. De regulă, studiile empirice
la nivel macroeconomic aproape întotdeauna implică variabile cu tendință de evoluție,
nestaționare.
Sunt posibile mai multe situații:
a) Seriile să fie staționare, I(0);
b) Seriile să fie nestaționare și integrate de același ordin(in general de ordinul 1, I(1));
c) Seriile să fie nestaționare dar neintegrate de același ordin(în general atunci o variabilă este
I(1) și cealaltă este I(0)).
21
Davidescu Adriana, „Schema logică a modelelor multivariate”
Pasul 3. Având în vedere primele două situații la pasul următor se va estima un model
VAR, astfel:
a) Daca seriile sunt staționare, I(0) atunci ele sunt implicit cointegrate și prin urmare se va
rula un model VAR în nivel(pe variabilele originale). Primul pas în estimarea unui model VAR
este stabilirea lagului optim pe baza pe baza criteriilor informationale Akaike și Schwarz astfel
încât să asigure verificarea ipotezei de non-autocorelare a reziduurilor modelului VAR. Estimarea
modelului VAR se va face prin metoda metoda celor mai mici patrate(MCMMP) urmârindu-se
verificarea performanței modelului (semnificația parametrilor modelului, validitatea modelului,
bonitatea modelului, verificarea ipotezelor modelului de regresie).
Modelul VAR are forma generală:
(x1t , x2t ,..., xnt )

unde: Xt, Xt-1, …, Xt-p sunt vectorii de dimensiune ( n 1 ) ai valorilor curente și

decalate ale celor n variabile dependente care sunt I(1) în cadrul modelului; A1,….,Ap sunt
matricile coeficienților de dimensiuni( n  n );  este vectorul termenilor liberi de

dimensiune
(n 1) ; p reprezintă numărul optim de laguri;
este vectorul erorilor independente și identic
t
distribuite de medie zero și matrice de varianță  .Numărul optim de laguri, p, trebuie

determinat în avans, astfel încât erorile să nu fie autocorelate.
De asemenea utilizand rezultatele empirice ale modelului se va realiza testul de cauzalitate

Granger, pentru care test F trebuie să fie semnificativ statistic. Testul de cauzalitate Granger
utilizat pentru a testa relația de cauzalitate dintre două variabile staționare X t Yt implică într-o
și
primă etapă estimarea următorului model VAR:
n ec orelate.
unde: erorile u1t u2t su
și
nt
zg
o
m
ot
e
al
be
Cauzalitatea Granger presupune că variabilele X cu laguri influențează în mod semnificativ
variabila Y în ecuația prima ecuație de mai sus și variabilele Y cu laguri influențează variabila X
în ecuația secundă. Cu alte cuvinte, se poate testa ipoteza comună potrivit căreia coeficienții i și
j
sunt semnificativ diferiți de zero în sensul testului Fisher(F). Dacă ipoteza este respinsă,
atunci relația cauzală dintre X și Y este verificată.
În plus, utilizând rezultatele unui model VAR, se poate determina funcția de răspuns la
impuls (impulse response function-IRF) și analiza de descompunere a varianței (variance
decomposition-VDC), ce servesc ca instrumente de evaluare a interacțiunilor dinamice și a puterii
relațiilor cauzale dintre variabilele sistemului. Analiza de descompunere a varianței indică
procentul din varianța erorii de previziune a unei variabile ce este atribuit propriilor inovații dar și
inovațiilor în alte variabile. În plus, funcția de răspuns la impuls evidențiază răspunsul unei
variabile la un șoc de o abatere standard în altă variabilă, cuantificând direcția, magnitudinea și
persistența variabilei dependente la variațiile variabilei independente. Astfel pe baza funcției de
răspuns la impuls se va cuantifica impactului unui șoc pozitiv sau negativ.
b) Dacă seriile nu sunt staționare, atunci alte două situații pot fi posibile:
b1) Daca nu sunt integrate de același ordin I(1), atunci o variabilă este I(1) și cealaltă este
I(0), atunci variabila I(1) ar trebui să fie diferențiată și prin urmare în acest caz se va estima un
model VAR (ce va conține doar rezultate pe termen scurt) pentru care se analizează performanța
modelului(semnificația parametrilor modelului, validitatea modelului, bonitatea modelului,
verificarea ipotezelor modelului de regresie). De asemenea în acest caz se va realiza testul de
cauzalitate Granger pe termen scurt, pentru care test F trebuie să fie semnificativ statistic. De
asemenea se pot aplica functia de raspuns la impuls și analiza de descompunere a varianței.
b2) Dacă variabilele sunt integrate de ordin I(1). În acest caz se trece la pasul 4, se verifică
existența cointegrării în date cu ajutorul testului de cointegrare multivariată Johansen.
Metodologia Johansen implică următoarele etape:
1. Determinarea ordinului de integrare al variabilelor. Ca și în cazul abordării EG, testele

de rădăcină unitate sunt aplicate pentru a determina ordinul de integrare al fiecărei variabile.
2. Stabilirea lungimii optime a lagurilor modelului. Problema determinării lungimii
adecvate a lagurilor este foarte importantă în asigurarea normalității, non-autocorelărrii și
homoscedasticității erorilor. Procedeul obișnuit în alegerea lagului optim este de estima un model
VAR cu toate variabilele în nivel(data nediferențiate). Lungimea optimă a lagului este aleasă pe
baza criteriilor AIC sau SBC și a testelor diagnostic(Asteriou și Hall, 2007).
3. Alegerea modelului adecvat din punct de vedere al componentelor deterministe din

sistemul multivariat. Un alt aspect important în formularea modelului dinamic este referitor la
includerea intercept-ului și/sau a componentei trend fie în modelul pe termen scurt, fie pe termen
lung, fie în ambele.
4. Determinarea numărului de vectori de cointegrare, utilizând testele „Trace” și respectiv

„Maximum eigenvalue statistic method”.
Pasul 4. Confirmarea/infirmarea cointegrarii în date
b2.1) Dacă variabilele sunt integrate de ordin I(1), dar nu sunt cointegrate în sensul
procedurii Johansen, modelul VAR ar trebui rulat în prima diferență (se vor obține rezultate pe
termen scurt) și pentru care se analizează performanța modelului(semnificația parametrilor
modelului, validitatea modelului, bonitatea modelului, verificarea ipotezelor modelului de
regresie). De asemenea in acest caz se va realiza testul de cauzalitate Granger pe termen scurt,
pentru care test F trebuie să fie semnificativ statistic. De asemenea se pot aplica funcția de
raspuns la impuls și analiza de descompunere a varianței.
b2.2) Dacă ambele variabile sunt I(1) și cointegrate, se va estima un model VECM pentru
datele în nivel în care testul t al coeficientului ECM și testul F al modelului trebuie să fie
semnificative statistic. În cadrul acestui model se verifică cauzalitatea Granger pe termen scurt
dar și pe termen lung și de asemenea se pot aplica functia de răspuns la impuls și analiza de
descompunere a varianței.
Modelul VECM poate fi formulat:
Xt    1  Xt 1 ...  p1Xt  p1    X t 1   t
unde:
 este operatorul de diferențiere, X este vectorul celor n variabile I(1);  este termenul
liber   niid(0, )   (I  A ...  A ) (n  n)

; t ; 1 p
este matricea coeficienților de
dimensiune
ce conține informații referitoare la relațiile pe termen lung dintre variabile și se descompune în
 
, unde reprezintă coeficienții de ajustare (termenii de corecție a erorilor-ECT) ce
reprezintă viteza cu care X 
t se ajustează la dezechilibre în relația de cointegrare și vectori de
i
i  (I   Aj
cointegrare; ( i  1,..., p  1) reprezintă matricea coeficienților de dimensiune
)
j 1
(n 
ce conține informații referitoare la relațiile pe termen scurt dintre variabile (ajustarea pe
n)
termen scrut).
În cadrul unui model VECM parametrii pe termen lung și cei pe termen scurt sunt separați.
În conformitate cu reprezentarea teoremei Granger, rezultatele cointegrării implică ca X și Y să
aibă următoarele specificații (Katircioglu, 2007, 2009):
p p
Yt  C1    i Yt i    i X t i  p ECTt 1  (1)

ut
i1 i1
p p
Xt  C 2    i X t i    i Yt i  ECT   (2)

t 1
 t
i1 i1
p 
unde : Y , X sunt variabilele I(1), , sunt coeficienții de ajustare, ECTt reprezintă
1
termenul de corecție a erorilor derivat din reziduurile relației de cointegrare.
,
În ecuația (1) X cauzează Granger pe Y, dacă i
pi sunt semnificativ diferite de zero. În
 4.2.1. Date utilizate

ecuația (2) Y cauzează Granger pe X dacă i
,i
4.2. Capitol aplicativ

sunt semnificativ diferite de zero.
Am utilizat prețurile de închidere lunare, exprimate în moneda locală, pentru 2 indici ai
pieței bursiere din Asia și un indice al pieței bursiere din SUA. Aceștia sunt: Indicele american
Standard & Poor’s 500, Indicele japonez Nikkei 225 și Indicele sud-coreean KOSPI 200.
Intervalul de timp cuprins în eșantion este ianuarie 2014 – aprilie 2016. Datele au fost preluate de
pe site-ul financiar, Yahoo Finance și includ 148 de observații. Am aplicat logaritmul natural
tuturor indicilor bursieri, pentru a putea exprima relația dintre variabile în procente, logaritmarea
oferind în plus avantajul ca diferențele să fie interpretate ca randamente. Seriile de date
logaritmate vor fi notate cu LSP = seria logaritmată a indicelui Standard and Poor’s 500, Lnikkei
= seria logaritmată a indicelui Nikkei 225 și Lkospi = seria logaritmată a indicelui Kospi.
4.2.2. Rezultatele empirice ale cercetarii
4.2.2.1. Verificarea sezonalității seriilor
O modalitate simplă oferită de Eviews pentru a verifica dacă o serie prezintă sau nu
sezonalitate constă în realizarea graficului de tip Seasonal Graph. Din punct de vedere al
posibilităților de măsurare, sezonalitatea se manifestă sub forma unor abateri de la medie care
revin sistematic. Putem remarca pe baza figurilor 1, 2 și 3 corespunzătoare celor trei serii
analizate că niciuna dintre acestea nu a fost afectată de sezonalitate pe parcursul intervalului de
timp ales pentru analiză, întrucât nu prezintă devieri semnificative de la medie (linia roșie ce
reprezintă media sezonului ( în cazul de față fiecare lună a anului) se situează aproximativ pe
același nivel indiferent de lună)
Figură 54. Graficul sezonier al indicelui S&P 500

Figură 55. Graficul sezonier al Indicelui Nikkei
Figură 56. Graficul sezonier al Indicelui KOSPI 200
4.2.2.2. Verificarea non-staționarității seriilor

O altă etapă premergătoare analizei de cointegrare constă în verificarea non-staționarității
seriilor. Un test simplu al staționarității seriei care ne oferă o primă informație în acest sens, este
bazat pe funcția de autocorelație (ACF). Graficul funcției de autocorelație în raport cu decalajul
k, se numește corelogramă. Totuși, metoda formală pentru testarea non-staționarității este testul
unit root. În acest sens, Eviews oferă o varietate de instrumente pentru testarea unei serii (sau a
primei sau celei de a doua diferenţă din serie) pentru prezenţa unei rădăcini unitate, cum ar fi
testul Augmented Dickey-Fuller (ADF) şi testul Phillips-Perron (PP ).
Pentru fiecare dintre cele trei serii logaritmate (lsp, lnikkei și lkospi) vom realiza
corelograma și vom verifica testul Augmented Dickey-Fuller, în toate cele trei forme ale acestuia
(Trend and Intercept, Intercept și None). În acest sens, pentru realizarea corelogramei se folosesc
opțiunile: View  Correlogram... și bifăm varianta Level, în urma cărei vom obține corelograma
datelor originale (în nivel).
Figură 57. Corelogramă
Pentru Testul Unit Root, se selectează opțiunile View  Unit Root Test și obținem:
sunt:
Opţiunile disponibile
Figură 58. Testul ADF
 Test type: tipul testului de rădăcină unitară (Augmented Dickey-Fuller, PhillipsPerron);
 Test unit root in:
• Level – seria nivel (seria efectivă);
• 1st difference – prima diferenţă a seriei (de obicei în cazul în care testul aplicat
asupra seriei nivel a arătat că seria este nestaţionară);
• 2nd difference – a doua diferenţă a seriei (atunci când şi testul aplicat primei
diferenţe a arătat că seria de prime diferenţe este nestaţionară.
 Include in test equation
• Intercept – dacă testul să includă şi un termen constat. Opțiunea se alege atunci când
din graficul seriei se observă că aceasta fluctuează în jurul unei anumite valori sau
porneşte dintr-o anumită valoare.
• Trend and intercept – în cazul în care seria prezintă un trend.
• None – in cazul în care seria fluctuează în jurul valorii 0.
a) Seria LSP
Din corelograma corespunzătoare seriei lsp, ilustrată în Figura 6, remarcăm faptul că începe
cu valori foarte mari (0,972 la lag-ul 1) şi scade treptat. Chiar la lag-ul 14, coeficientul de
autocorelație are o valoare destul de mare (0,510), ceea ce consituie un prim indiciu că seria este
nestaționară.Totuși, pentru a avea certitudinea că seria este nestaționară, vom aplica în continuare
testul Augmented Dickey-Fuller.
În figura 7 este prezentat rezultatul testului ADF atunci când modelul de testare include atât
trend cât și termen liber. Remarcăm faptul că Testul ADF este = – 1,369511 şi este mai mic, în
valoare absolută, decât valorile critice pentru nivele de semnificaţie uzuale (de 1%, 5% ş 10%),
ceea ce ne arată că seria lsp are o probabilitate de 86,69% să fie nestaţionară şi să posede rădăcină
unitară. Figurile 8, 9 reprezentând testul ADF varianta Intercept și respectiv ADF varianta None
confirmă faptul că seria este nestaționară, chiar și pentru un nivel de semnificație de 1%.
Figură 59. Corelogramă S&P
Figură 60. ADF - Trend and Intercept

Figură 61. ADF - Intercept
Figură 62. ADF - None

b) Seria LNikkei
Figură 63. Corelogramă Nikkei
Din corelograma corespunzătoare seriei lnikkei, remarcăm faptul că începe cu valori foarte
mari (0,971 la lag-ul 1) şi scade treptat. Chiar la lag-ul 12, coeficientul de autocorelație are o
valoare destul de mare (0,503), ceea ce consituie un prim indiciu că seria este nestaționară.
Totuși, pentru a avea certitudinea că seria este nestaționară, vom aplica în continuare testul
Augmented Dickey-Fuller.
În figura 11, este prezentat cazul în care ecuația de testare ADF include trend și termen
liber.
Ipotezele testului ADF sunt:
H0 : seria are rădăcină unitară si este nestaționară
H1 : seria este staționară
Putem remarca că valoarea lui tcalc = -2.159925 este mai mică în modul decât valorile critice
absolute ale lui t, pentru un nivel de încredere de 10%, 5%, respectiv 1%. Prin urmare acceptăm
ipoteza nulă, conform căreia seria este nestaționară.

Remarcăm și în cazul modelului cu Intercept că Prob = 0,2434 (=probabilitatea de a greși în
respingerea ipotezei nule, conform căreia seria este nestaționară) depășește cu mult pragul de
încredere de 5%, chiar și pe cel de 10%. Prin urmare, seria este nestaționară.
În cazul în care ecuaţia de testare ADF nu include nici trend, nici termen liber, obținem
outuputul din Figura 13, care confirmă rezultatele testelor anterioare. Probabilitatea de a greși în
respingerea ipotezei nule este foarte mare, aproape de unitate (=0,9418) și prin urmare seria în
nivel este nestaționară.
Figură 66. ADF – None

c) Seria LKospi
Figură 67. Corelogramă Kospi
Corelograma corespunzătoarei seriei indicilor bursieri Kospi pune în evidență aceleași

observații precizate și în cazul seriilor de date precedente. Astfel, remarcăm faptul că coeficienții
de autocorelație descresc foarte lent și d-abia de la lag-ul 31, aceștia devin semnificativi. Prin
urmare avem un prim indiciu ca seria este nestaționară.
În continuare, aplicăm testul Augmented Dickey-Fuller pentru toatele cele trei forme ale
ecuației de testare și remarcăm faptul că rezultatele sunt similare cu cele din cazul precedent, în
care am testat non-staționaritatea seriei lnikkei. Interpretările se realizează analog cu cele
anterioare și pun în evidență nestaționaritatea ultimei serii din cele analizate.

Figură 70. ADF - None
În urma verificării corelogramei și testelor ADF, am obținut că toate cele trei serii sunt
nestaționare.
4.2.2.3. Determinarea gradului de integrare a seriilor studiate
În vederea staționarizării seriilor de date și implicit, de a determina gradul lor de integrare,

efectuăm pentru fiecare dintre acestea, diferența de ordinul întâi, folosind următoarele instrucțiuni
în linia de comandă.
Chiar dacă testul ADF oferă opțiunea de a selecta seria în prima diferență pentru verificarea
staționarității, crearea unui nou set de date care să rețină seria diferențiată de ordinul I, este utilă
pentru realizarea de grafice, pe care le putem compara cu cele corespunzătoare seriei în nivel
(nestaționară).
Pentru realizarea graficelor selectăm opțiunile: View  Graph  Line&Symbol.
a) Seria LSP
Figură 71. Grafic: LSP și DLSP
Graficul corespunzător seriei LSP pune în evidență o tendință crescătoare, dar trendul nu
este neted. De altfel în anul 2009 se înregistrează o scădere semnificativă, care poate fi pusă pe
seama crizei financiare din acel an, care a fost resimțită la nivel mondial. Pe de altă parte, după
prima diferență, se remarcă o netezire a trendului, care constituie un prim indiciu pentru prezența
staționarității în serie, după aplicarea operatorului de diferențiere.
Figurile 19 și 20 pun în evidență faptul că pentru cele trei ipoteze ale modelului ADF,
seria DLSP (seria LSP dupa aplicarea operatorului de diferență) este staționară, întrucât valoarea
calculată a testului t este superioară, în valoare absolută, valorilor critice absolute, asociate unor
nivele de semnificație de 1%, 5% și respectiv 10%. (Prob=.000)
Figură 72. ADF Pentru seria DLSP (Ipotezele Trend and Intercept și Intercept)
Figură 73. ADF Pentru seria LSP (Ipoteza None)

b) Seria LNikkei
Toate observațiile făcute în cazul precedent se mențin și în cazul seriei indicilor Nikkei, iar
interpretările se fac analog.
Figură 74. Grafic: LNIKKEI și DLNIKKEI
Figură 75. ADF Pentru seria DLNIKKEI (Ipotezele Trend and Intercept și Intercept)
Figură 76. ADF Pentru seria DLNIKKEI (Ipoteza None)
c) Seria LKospi
Ultima serie prezintă rezultate similare cu celelelalte două serii, fiind și ea staționară după
aplicarea operatorului de diferență. Interpretările se realizează analog.
Figură 77. Grafic: LKOSPI și DLKOSPI

Figură 78. ADF Pentru seria DLKOSPI (Ipotezele Trend and Intercept și Intercept)
Figură 79. ADF Pentru seria DLKOSPI (Ipoteza None)

Astfel, întrucât seriile devin staționare după prima diferență, am obținut că ele sunt
integrate de ordinul I. (sunt de tip I(1))
4.2.2.4. Confirmarea/infirmarea prezenței cointegrării
Dacă variabilele sunt integrate de același ordin, procedura Johansen este aplicată pentru
verificarea cointegrării datelor. În literatura de specialitate există două abordări referitoare la
cointegrare: metodologia Engle-Granger și procedura Johansen. Dacă procedura Engle-Granger
este adecvată doar pentru cazul bivariat și nu poate depista decât existența unei singure relații de
cointegrare, în cazul abordării multivariate a lui Johansen există posibilitatea de a a avea mai
multe relații de cointegrare, evidențiind faptul că variabilele pot forma mai multe relații de
echilibru ce guvernează evoluția comună a variabilelor.
Metodologia Johansen implică următoarele etape:
1. Determinarea ordinului de integrare al variabilelor. Am stabilit în cadrul subpunctului

anterior că seriile de timp au același ordin de integrare egal cu 1.
2. Stabilirea lungimii optime a lagurilor modelului. Procedeul obișnuit în alegerea lagului

optim este de estima un model VAR cu toate variabilele în nivel (data nediferențiate). Lungimea
optimă a lagului este aleasă pe baza criteriilor AIC sau SBC și a testelor diagnostic.
Folosim în Eviews comenzile: Selectăm cele trei serii  Open As VAR Bifăm
Unrestricted VAR OK---ViewLag structure-Lag length criteria. Obținem:
Figură 80. Criterii de alegere a lagului optim
Remarcăm din Figura 27, că patru dintre teste propun ca lag-ul optim să fie 2. Cu toate
acestea, întrucât beneficiem de un număr relativ mare de observații și avem date lunare, vom
verifica existența cointegrării pornind de la lag-ul optim până la lagul maxim de 12.
3. Alegerea modelului adecvat din punct de vedere al componentelor deterministe din

sistemul multivariat. Un alt aspect important în formularea modelului dinamic este referitor la
includerea intercept-ului și/sau a componentei trend fie în modelul pe termen scurt, fie pe termen
lung, fie în ambele. În acest sens remarcăm prezența a șase posibilități:
Figură 81. Modelul Johansen
Primul și ultimul model nu sunt realiste și sunt neplauzibile în termenii teoriei economice și
problema se reduce la alegerea unuia dintre cele trei modele alternative (2, 3 și 4). În cadrul
procedurii de selecție a modelului se pornește de la cel mai restrictiv model (modelul 2) către cel
mai puțin restrictiv(modelul 4) și în fiecare etapă se compară valoarea testului “trace” cu valoarea
critică, procedura oprindu-se atunci când pentru prima dată ipoteza nulă a non-cointegrării este
acceptată.
În strânsă legătură cu acest pas al procedurii este ultima etapa a metodologiei Johansen și
ea constă în:
4. Determinarea numărului de vectori de cointegrare, utilizând testele „Trace” și respectiv

„Metoda celor mai mari valori proprii”.
În continuare, vom parcurge pașii 3&4 din metodologia Johansen, începând cu lag-ul optim
2. Observăm că un model pune în evidență următoarele elemente: Prima parte a tabelului cu
rezultate prezintă numărul de relaţii de cointegrare, iar mai jos două tipuri de teste statistice sunt
raportate. Primul bloc prezintă aşa - numitele statistici trace şi al doilea bloc prezintă statisticile
maximum eigenvalue. Pentru a determina numărul de relaţii de cointegrare, condiţionat de
ipotezele făcute cu privire la trend, se analizează succesiv rezultatele prezentate în coloana
Hypothesized No of CE(s), acestea reprezentând ipoteza nulă, fiecare având asociată o
probabilitate Prob., care pune în evidență probabilitatea de a greși în respingerea ipotezei nule.
Totodată, rezultatul acestei proceduri de testare secvenţială este prezentat în partea de jos a
fiecărui tabel cu rezultate.
De exemplu, în Figura 29, este prezentat rezultatul testului de cointegrare în cazul

modelului fără trend determinist, atunci când lag-ul ales este 2. Remarcăm în cazul celor două
tipuri de teste, că nu avem nicio relație de cointegrare, întrucât Ipoteza None (care afirmă
inexistența relațiilor de cointegrare între variabilele studiate), nu poate fi respinsă (Probabilitatea
atașată acesteia este de 0.8066, respectiv 0.8996 mult mai mare decât pragul de 5%).
Figură 82. Johansen Test - No deterministic trend
Figurile 30 și 31, care surprind rezultatele testului de cointegrare în cazul celorlalte două
tipuri de modele, pun de asemenea în evidență lipsa cointegrării pentru un nivel de semnificație
de 5%. Prin urmare, alegerea unui lag egal cu 2 nu indică prezența cointegrării în seriile de date
analizate. Astfel, prin încercări succesive am obținut pentru lag-ul 11 (care se înscrie în limita de
12 lag-uri) există o relație de cointegrare, indiferent de tipul modelului utilizat, așa cum reiese din
Figurile 32, 33 și 34.
Figură 83. Johansen - Trend determinist

Figură 84. Johansen - Trend și Intercept
Figură 85. Johanes - Fără trend (lag 11)

Figură 86. Johanes - Trend determinist (lag 11)
Figură 87. Johanes - Trend și intercept (lag 11)
Astfel, remarcăm că în toate cele trei modele și în fiecare din cele 2 teste, prima ipoteză
nulă, care indică lipsa cointegrării poate fi respinsă pentru un prag de semnificație 5%. Prin
urmare există o relație de cointegrare între variabilele studiate.
Cum seriile sunt integrate de același ordin și cointegrate în sens Johanes, putem trece la
pasul următor, care constă în estimarea unui model VEC. (Vector Error Correction).
4.2.2.5. Estimarea modelului VEC
Un model de tip VEC (Vector Error Correction) este un model VAR restricţionat conceput
pentru a fi utilizat în cazul seriilor nestaţionare despre care se cunoaşte că sunt cointegrate. Un
model VEC are încorporat în cadrul structurii sale relaţii de cointegrare, astfel încât urmăreşte să
limiteze dinamica pe termen lung a variabilelor endogene astfel încât să conveargă către relaţiile
lor de cointegrare, permiţând în acelaşi timp ajustări dinamice pe termen scurt. Termenul care
cuantifică relaţia de cointegrare este cunoscut ca termenul de corectare a erorilor (error
correction), deoarece o eventuală abatere de la echilibrul pe termen lung este corectata treptat
printr-o serie de ajustări parţiale pe termen scurt. Pentru a configura un model VEC, se face clic
pe butonul Estimate din bara de instrumente şi se alege opţiunea Vector Error Correction din
fila VAR/VEC Specification, ca în figura 35.
Figură 88. VAR Specification
Obținem:
Figură 89. Modelul VEC
Fereastra care conţine rezultatele estimării modelului VEC se compun din două părţi. Prima
parte raportează rezultatele procedurii Johansen, efectuată în prima etapă. Dacă nu există restricţii
impuse, Eviews va utiliza o normalizare implicită. Această normalizare implicită exprimă primele
variabilele r din VEC, ca funcţii de restul de K-r variabile rămase, unde r este numărul
relaţiilor de cointegrare şi K este numărul de variabile endogene. Pentru parametrii care sunt
identificaţi în cadrul restricţiilor sunt raportate erorile standard asimptotice.
A doua parte a tabelului cu rezultate prezintă estimările, determinate în a doua etapă,

privind modelul VAR, exprimat ca prima diferenţă a variabilelor analizate şi incluzând termenii
de corecţie a erorilor estimate în prima etapă. Termeni de corecţie a erorilor sunt notaţi cu
CointEq1.
Totuși, ne interesează ecuațiile rezultate pentru fiecare variabilă din cele studiate pentru a
putea determina efectele pe termen lung și pe termen scurt. Vum piețele busriere sunt
interconectate nu putem țti cu siguranță care este variabila endogenă, prin urmare studiem toate
cele trei cazuri. Înainte de testarea cauzalității Granger, trebuie să verificăm dacă modelele sunt
valide statistic.
Cu ajutorul opțiunilor Proc  Make system  Order by variable obținem ecuațiile celor
trei variabile, iar pentru fiecare ecuație obținută, determinăm modelul corespunzător, selectând
Quick  Estimate Equation.
Cazul 1) LSP variabilă endogenă

Figură 90. LSP Variabilă dependentă
Remarcăm faptul că Prob asociată testului F, de validare a modelului este de 0.125 care
depășește chiar și pragul uzual de semnificație de 10%. prin urmare, modelul nu este valid și
nu poate fi folosit mai departe.
În figura 38, este prezentat modelul statistic în care Lkospi este variabila dependentă.
Cazul 1) LKOSPI variabilă endogenă
103
Figură 91. LKospi - Variabilă dependentă
În acest caz, este evident că modelul nu este valid, întrucât probabilitatea Prob de a greși
în respingerea a ipotezei nule (conform căreia modelul este valid) depășeste cu mult chiar și
pragul de 10%.
Cazul 3) LNIKKEI variabilă endogenă
Ne-a rămas un singur caz, cel în care Lnikkei este variabila dependentă.Obținem:
Figură 92. LNikkei - Variabilă dependentă
Pentru testarea validității modelului de regresie, ipotezele sunt:
𝐻0: modelul nu este valid statistic (MSR=MSE)
𝐻1: modelul este valid statistic (MSR>MSE)
Putem afirma că modelul este semnificativ statistic în urma testului F dacă acceptăm
un nivel de semnificație de 10%. În acest caz, Prob. (F-statistic)=0,08, mai mică față de 10%,
iar model este valid.
Totodată, putem considera satisfăcătoare valoarea lui R2 = 32.80%, în condițiile în care

piața bursieră din Japonia este interconectată și cu alte burse de valori care o influențează și în
același timp este sensibilă la o serie de alți factori neincluși în model. (economia țării, tensiuni
politice, dezastre naturale etc) . Prin urmare, putem afirma că 32,80% din variația indicelui
bursier Nikkei se datorează variației indicilor bursieri Standard and Poor și Kospi.
Întrucât modelul este valid statistic pentru un prag de semnificație de 8%, pe care ni-l
asumăm, putem continua cu studiul validității modelului pe seria reziduurilor.
În figura 40, este ilustrat testul de verificare a normalității distribuției seriei

reziduurilor.
Figură 93. Normalitatea distribuției erorilor
Pentru testarea ipotezei de normalitate a erorilor aleatoare se va folosi testul Jarque-

Bera, cu ipotezele:
𝐻0: erorile aleatoare au distribuție normală
𝐻1: erorile aleatoare nu au distribuția normală.
Probabilitatea asociată acestui test este de 0,456, deci se va accepta ipoteza H 0, erorile
aleatoare având distribuție normală. Se observă totodată că media erorilor aleatoare este -
1,93e-18, fiind foarte aproape de zero.
În figura 41, este ilustrat testul pentru verificarea autocorelării erorilor. Pentru
detectarea erorilor aleatoare de ordin superior, folosim testul Breusch-Godfrey, cu ipotezele:
H0: nu există autocorelarea erorilor
aleatoare H1: există autocorelarea erorilor
aleatoare
Cum Prob. F = 0,3307 > 5%, deci trebuie să respingem H1 și să acceptăm H0,
neexistând autocorelare de ordin superior.
Figură 94. Testul Breusch-Godfrey
Pentru a observa dacă erorile aleatoare sunt homoscedastice sau nu, vom aplica testul
Glejser, prezentat în figura 42.
Aplicând testul Glejser cu următoarele ipoteze:
H0: β1= β2= ...=0 (există homoscedasticitate)
H1: β1≠ β2≠ ...≠0 (există
heteroscedasticitate).
Din rezultatele testului reiese că avem coeficienții parametrilor-pantă nesemnificativi

statistic, probabilitatea acestora fiind mai mare de 5% (0,79, 0,75, respectiv 0,30 etc.), deci
acceptăm H0, erorile aleatoare fiind homoscedastice. De asemenea, probabilitățile asociate
testelor statistice sunt mai mari decât pragul de 5% , deci putem accepta ipoteza nulă.
Figură 95. Testul Glejser
Odată stabilit faptul că modelul este valid, putem determina cauzalitatea Granger,
funcția de răspuns la impuls (impulse response function-IRF) și analiza de descompunere a
varianței (variance decomposition-VDC), ce servesc ca instrumente de evaluare a
interacțiunilor dinamice și a puterii relațiilor cauzale dintre variabilele sistemului.
4.2.2.6. Cauzalitatea Granger
Am obținut că statistica F este semnificativă, dar semnificația testului F nu este

suficientă pentru a proba existența cauzalității Granger.Totodată, cauzalitatea Granger se
poate manifesta pe termen lung, respectiv pe termen scurt.
Pentru testarea cauzalitătții pe termen lung, valoarea testului t a termenului ECM

trebuie să fie negativă și semnificativă statistic pentru ca împreună cu valoarea testului F a
modelului VECM să confirme prezența cauzalității Granger.
În cazul de față, coeficientul C(36) reprezintă termenul de corecție al erorilor (viteza

de ajustare a variabilelor către echilibru). Remarcăm că acesta este pozitiv și nesemnificativ
statistic pentru un nivel de semnificație de 5%. Prin urmare, putem afirma că nu există o
relație de cauzalitate pe termen lung între indicele Nikkei si ceilalți doi indici bursieri,
considerați în analiză.
În continuare testăm cauzalitatea pe termen scurt, folosind testul Wald de diagnoză al

coeficienților atașați fiecărei din cele două variabile independente.
Astfel, pentru variabila exogenă LSP, coeficienții aferenți sunt C(37) pâna la C(47).
Ipotezele testului Wald sunt:
H0 : C(37)=C(38)=C(39)=C(40)=C(41)=C(42)=C(43)=C(44)=C(45)=C(46)=C(47)=0
(Coeficienții nu sunt semnificativi statistic și deci, nu avem cauzalitate pe termen scurt)
H1 : C(37)≠C(38)≠C(39)≠C(40)≠C(41)≠C(42)≠C(43)≠C(44)≠C(45)≠C(46)≠C(47)≠0
(Coeficienții sunt semnificativi statistic și există astfel cauzalitate petermen scurt între cele
două variabile analizate)
Selectăm în Eviews opțiunile: View  Coefficient Diagnostic  Wald Test.

Figură 96. Coeficienți testul Wald
Obținem outputul din Figura 44. Intrucât probabilitățile ambelor teste sunt
nesemnificative din punct de vedere statistic 0.16 și 0.14 (>5%), acceptăm ipoteza nulă și
anume nu există o relație de cauzalitate pe termen scurt între cele două variabile analizate.
Figură 97. Rezultat Testul Wald

Verificăm mai departe, dacă există o relație de cauzalitate pe termen scurt între
Lnikkei și Lkospi, urmărind aceiași pași ca în cazul precedent și obținem:
Figură 98. Coeficienți testul Wald
Figură 99. Rezultat testul Wald
Întrucât probabilitățile ambelor teste sunt semnificative din punct de vedere statistic
0.0329 și 0.0226 (<5%), acceptăm ipoteza nulă și anume că există o relație de cauzalitate pe
termen scurt între cele două variabile analizate (de la Lkospi la Lnikkei). Acest rezultat este
previzibil, întrucât ambii indici bursieri fac parte din piața bursieră est-asiatică și pe termen
scurt, o modificare a unuia determină adesea un impact semnficativ asupra celorlalți indici
bursieri din aceeași zonă, mai ales a celor reprezentativi, cum este și cazul lui Nikkei.
4.2.2.7. Funcția de răspuns la impuls și descompunerea varianței
Pentru determinarea funcției de răspuns la impuls, selectăm în Eviews opțiunile: View

 Impuls responses și bifăm conform figurii 47.
Figură 100. Funcția de răspuns la impuls – Opțiuni
Cum am menționat și în cadrul metodologiei, funcția de răspuns la impuls (impulse

response function-IRF) și analiza de descompunere a varianței (variance decomposition-
VDC), servesc ca instrumente de evaluare a interacțiunilor dinamice și a puterii relațiilor
cauzale dintre variabilele sistemului. În plus, funcția de răspuns la impuls evidențiază
răspunsul unei variabile la un șoc de o abatere standard în altă variabilă, cuantificând direcția,
magnitudinea și persistența variabilei dependente la variațiile variabilei independente.
Astfel pe baza funcției de răspuns la impuls se va cuantifica impactul unui șoc pozitiv
sau negativ.
Figură 101. Funcția de răspuns a indicelui Nikkei la variabilele
exogene
Întrucât am stabilit că variabila endogenă este Lnikkei, în figura 48, am reprezentat

doar funcția de impuls a acesteia. Primul grafic pune în evidență modul în care indicele
Nikkei răspunde la un șoc de o abatere standard suferită de acesta. Remarcăm faptul că
Lnikkei urmează o ușoară tendință de creștere, urmată succesiv de o perioadă de contracție
foarte puțin pronunțată pe întreaga perioadă de analiză.(10 luni după aplicarea șocului), care
menține oarecum echilibrul evoluției indicelui. Cel de-al doilea grafic însă ilustrează faptul
că un șoc de o abatere standard în variabila Lkospi determină indicele Nikkei să reacționeze
negativ în primă instanță (graficul se situează sub dreapta corespunzătoare valorii 0), urmează
un răspuns pozitiv (aproximativ patru luni), iar apoi până la finalul perioadei de analiză un
nou răspuns negativ pronunțat, semn că variabila Kospi are o influență semnificativă asupra
indicelui Nikkei. În ultimul grafic este prezentat modul de răspuns al indicelui Nikkei la
suferirea unui șoc de o abatere standard de către variabila LSP. Răspunsul este asemănător
celui din primul grafic, doar că tendințele succesive de creștere și contracție sunt mai
pronunțate.
Figură 102. Descompunerea varianței
Analiza de descompunere a varianței indică procentul din varianța erorii de previziune a

unei variabile ce este atribuit propriilor inovații dar și inovațiilor în alte variabile.
Astfel, pentru un orizont de 10 luni, variația erorii de previziune a Lnikkei ajunge să fie
explicată în proporție de 95,61% de inovațiile proprii. Restul variației este pus pe seama
celorlalte variabile analizate, dintre care, Lkospi explică 2,41% iar LSP doar 1,97%, rezultat
ce confirmă relația de cauzalitate pe termen scurt determinată între Lnikkei și Lkospi.
4.2.2.8. Limitările modelului
 Numărul redus al variabilelor analizate, întrucât la nivelul fiecărui stat există mai mulți
indici bursieri semnificativi, care ar putea ilustra mai bine relația de cointegrare;
 Utilizarea monedei locale ca unitate de măsură pentru prețurile de închidere. S-a
remarcat faptul că se obțin rezultate mai robuste dacă toate prețurile sunt exprimate în
dolari americani. În lipsa unor date exprimate în dolari, am folosit ca unitate de
măsură moneda locală.
 În literatura de specialitate, s-a remarcat faptul că o perioadă sugestivă pentru pentru
examinarea cointegrării piețelor de capital din Asia este dată de criza financiară
asiatică din 1997-1998. Setul de date ales nu include însă și acest interval, din cauza
indisponibilității prețurilor de închidere lunare din această perioadă, corespunzătoare
indecelui Kospi. Astfel, excluderea unor date importante, ce poate reflecta o mișcare
de tip co-movement poate conduce la rezultate nesemnificative. De altfel, au fost
estimate modele care să pună în evidență interacțiunea piețelor de capital pornind de la
impactul crizei asiatice menționată anterior.
 Alegerea prețurilor lunare. Este cunoscut faptul că alegerea frecvenței datelor are un
rol important în obținerea rezultatelor analizei de cointegrare. Vorbind despre o piață
bursieră, schimbarea este omniprezentă, iar în prezent, există numeroase platforme
electronice comerciale și financiare (de ex. DataStream), care oferă informații despre
prețuri în timp real. Studiile anterioare au arătat că există în general trei abordări ale
frecvenței de înregistrare a datelor utilizate în cercetări și anume: prețuri zilnice,
săptămânale și lunare. Alte unități de măsură a timpului mai mici sau mai mari în acest
context nu sunt plauzibile economic. Dintre acestea, s-a remarcat faptul că datele
săptămânale oferă cele mai bune rezultate, întrucât ajută la obținerea unui volum mai
mare al eșantionului și oferă suficient timp investitorilor de a procesa noile informații
apărute pe piață.
 Asumarea unui prag de semnificație de 10% pentru a valida modelul VECM obținut.
 Alegerea unui lag egal cu 11 pentru confirmarea cointegrării seriilor de date alese, în
condițiile în care lag-ul optim determinat este egal cu 2.
4.3. Concluzie
Ultima aplicație din cadrul proiectului și-a propus să analizeze cointegrarea a trei serii
de date, reprezentând indici bursieri reprezentativi pentru bursa de valori americană, respectiv
est-asiatică. Pentru un lag egal cu 11, am obținut că există o relație de cointegrare între seriile
de timp analizate și prin urmare am estimat un model VEC. Întrucât piețele bursiere sunt
interactive, nu putem ști cu exactitate care variabilă este endogenă și prin urmare am analizat
toate cele trei posibilități, obținând valid doar modelul în care Nikkei este variabilă
dependentă. În acest caz, am remarcat prezența cauzalității Granger pe termen scurt de la
indicele Kospi la indicele Nikkei, rezultat ce ilustrează faptul că inter-dependența piețelor
bursiere este mai pronunțată în cadrul zonei est-asiatice comparativ cu relația acestora față de
piața bursieră americană.
5. Bibliografie
 Agoda, 2014. Creditele ipotecare în SUA, frânate de mărimea contribuției proprii.

Agoda.md, pp. http://agora.md/stiri/3775/creditele-ipotecare-in-sua--franate-de-marimea-
contributiei- proprii.
 BuHamra, S., Smaoui, N. & Gabr, M., 2003. The Box–Jenkins analysis and neural networks:
prediction. Applied Mathematical Modelling, pp. 805-806.
 Davidescu, A., 2007. Metodologie Box-Jenkins - compendiu metodologic. București: s.n.
 Gagea, M., 2016. Identificarea transformărilor necesare staționarizării unei serii de timp.
[Online]
Available at: http://anale.feaa.uaic.ro/anale/resurse/61%20Gagea%20M- Identificarea
%20transformarilor%20necesare%20stationarii%20unei%20serii%20de%20timp. pdf
 Mues, C. & Fitzpatrick, T., 2015. An empirical comparison of classification algorithms for
mortgage default prediction: evidence from a distressed mortgage market. European
Journal of Operational Research, pp. 427-429.
 Nau, R., 2014. Notes on nonseasonal ARIMA models. Fuqua School of Business,
Duke University, pp. 1-6.
 Nau, R., 2014. The mathematical structure of ARIMA models. Fuqua School of Business,
Duke University , pp. 7-8.
 NewsIn, 2009. Cererile pentru credite ipotecare din SUA au scazut pana la minimul ultimelor
sapte luni. NewsIn.
 Pele, D., 2016. Metodologia Box-Jenkins. [Online]

Available at: http://danielpele.ase.ro/index_files/box.pdf
 Scritube.ro, 2016. Modele de tip autoregresiv medie mobila (ARMA, ARIMA). [Online]
Available at: http://www.scritub.com/tehnica-mecanica/Modele-de-tip-autoregresiv-
med52943.php
 Shi, X. & Riley, S. F., 2014. Mortgage choice, house price externalities, and the default rate.
Journal of Housing Economics, pp. 140-142.
 Wall-street.ro, 2016. Bancile din Europa și SUA au platit în 2014 amenzi de 65 MLD.
dolari, valoare record. [Online]
Available at: http://www.wall-street.ro/articol/Finante-Banci/177600/bancile-din-europa-si-
sua-au-platit-in-2014-amenzi-de-65-mld-dolari-valoare-record.html
 Zilişteanu, I. R., 2016. Creştere a dobânzilor la credite ipotecare în SUA. [Online]

Available at: http://reflectiieconomice.zilisteanu.ro/2009/05/crestere-dobanzilor-la-
credite.html
 http://www.sciencedirect.com/science/article/pii/S095741741100995X
 http://onlinelibrary.wiley.com/doi/10.1002/fut.10016/epdf
 http://store.ectap.ro/articole/841.pdf
 http://www.ukm.my/ftsg/Eviews/A%20Simple%20Guide%20to%20Start%20Financial%20Res
earch%20with%20Eviews%205.pdf
 http://www.zums.ac.ir/files/research/site/ebooks/finance/financial-econometrics-
eviews.pdf
 https://books.google.ro/books?id=CrPRZexTZLkC&pg=PA308&lpg=PA308&dq=calculate+dail
y+returns+in+eviews&source=bl&ots=2Xp6_5pIOg&sig=ldOfV3_J-b8srmtx9UgndhO-
cJs&hl=ro&sa=X&ved=0ahUKEwib6abui-
LMAhVDWxoKHdzcDGkQ6AEIMjAC#v=onepage&q=calculate%20daily%20returns%20in%20e
views&f=false
 http://www.fin.ase.ro/ABC/fisiere/ABC1_2013/Lucrari/3.8.pdf
 Adriana, D., 2016. Cursuri Econometrie. s.l.:s.n.
 Alvarez Diaz, R. N., 2010. Tourism Economics, pp. 153-168.
 Andrawis, R., 2011. Combination of long term and short term forecasts with application to
tourist demand forecasting. International Journal of forecasting, pp. 870-886.
 Chan F., L. C., 2011. Spectral analiysis of seasonality in tourism demand. Matematics
and Computers in simulation, pp. 1409-1418.
 Davidescu, 2016. Metodologia Box Jenkins. s.l.:s.n.
 Gounopouls, P., 2012. Forecasting tourist arrivals in Grece and the impact on
macreoeconomic stocks. Tourism and Research, pp. 641-646.
 Stock Market Linkages - A Cointegration Approach by Kilian Heilmann, University

of Nottingham, Summer Term 2010

Serii Proj

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Serii Proj

Încărcat de

Drepturi de autor:

Formate disponibile

Proiect Serii de Timp

Stadiul cunoașterii în domeniu

Lipsa creditelor (adică, incapacitatea de a ține pasul cu rambursările de credit) are

Dincolo de contribuția directă a ratei ajustabilă a produselor ipotecare la rata implicită,

În majoritatea toate țărilor supuse analizei creditul ipotecar au înregistrat un trend

În SUA, reticența băncilor de a oferi împrumuturi îi nemulțumește pe clienți, chiar dacă

Evoluția creditelor ipotecare în lume

Creșterea ratei şomajului, îngrijorările privind siguranța locului de munca și neputința

Scăderea numărului de disponibilizări, combinată cu stabilizarea producției și a sectorului

Modele de tip autoregresiv medie mobila (ARMA, ARIMA)

- calității previziunilor generate;

Observație: s-au introdus într-o perioada în care modelele econometrice clasice, în

Un model de tip autoregresiv-medie mobilă ARMA(p,q) are o componenta de tip

Principalele concepte pe care se fundamentează metodologia Box- Jenkins

Considerăm în continuare o clasă particulară de procese aleatoare, numite procese

staționare. Fie un proces aleator unde . Pentru observația aferentă momentului t,

variabila aleatoare , se definesc:

- covarianța dintre doua variabile si , prin

Deoarece dispunem de o singură observație pentru fiecare variabila este imposibil de

(1) media este constantă în timp (staționaritate în medie)

(2) varianța este constantă în timp (staționaritate în varianta)

(3) unde covarianța dintre două variabile este funcții doar

staționar, funcția de autocovarianța devine: , unde .

În cronogramă, o serie staționară se manifesta sub forma unor fluctuații cu amplitudine

aleatoare independente și identic repartizate, cu medie zero. Astfel:

- din cronograma și corelograma respectiv

Din corelograma (graficul funcției de autocorelaţie): auto corelațiile unei serii

Etapele elaborării unui model ARIMA (autoregresiv integrat medie mobila)

Etapele (metodologia) de elaborare a unui model ARIMA (p,d,q)

- Estimarea parametrilor modelului → estimarea coeficienților ai, bi,

Modelarea ARIMA presupune în esența următoarele:

- verificarea staţionarităţii. Daca se constata ca seria este nestaționară atunci se

(estimate) și pentru seria diferențiată se stabilesc valori plauzibile pentru p

- este de tip zgomot alb? → teste privind comportamentul reziduurilor

- teste privind semnificația coeficienților ai, bi;

- generarea previziunilor, în baza modelului estimat.

Introducerea seriei de date în Eviews

Se creează o nouă serie sub numele care poate fi prelucrată ulterior.

Analiza descriptivă a seriei de date

Cu ajutorul comenzii, date pe fișierul importat, View->Descriptive statistics & Tests->

Analiza sezonalităţii seriei

Din punct de vedere al posibilităților de măsurare, sezonalitatea se manifestă sub forma

Analiza staţionarităţii serie de date

Staționaritatea unui proces stochastic se definește în sens strict și în sens larg. În

Un proces stochastic este staționar în sens larg daca satisface condițiile:

- Media este constantă și independentă de timp;

Analiza staţionarităţii seriei de date se realizează în EViews prin:

- analiza corelogramei seriei de date

Test pentru depistarea prezentei rădăcinii unitate

Funcția de autocorelaţie, cea a autocorelaţiei parțiale şi testele aferente sunt surse

Estimarea parametrilor modelelor selectate

Ecuația modelului trebuie să conțină: o variabila dependentă, o constantă (notată cu c) și

Testarea validității modelelor estimate

Testarea autocorelării erorilor - Testarea autocorelării reziduurilor se poate realiza prin:

Testarea homoscedasticităţii/heteroscedasticităţii seriei de reziduuri se poate realiza prin:

Testarea normalității repartizării reziduului: Testarea distribuției normale a seriei de

Rezultatele empirice ale cercetării

Analiza seriei de date la nivelul SUA

În cadrul analizei empirice se va testa staționaritatea și prezenta rupturilor structurale în

Analiza empirică necesită în prealabil identificarea prezenței unor caracteristici

Testarea staţionarităţii seriilor de timp

Corelograma seriei prezentată în figura 12, sugerează necesitatea introducerii în estimarea

O consecință a nestaționarității este regresia falsă, dată de faptul că seriile de timp

Staționarizarea seriei ratei creditului ipotecar