UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr.

Silvia Spătaru

Structura Unităților de Învățare

UI 1-2: Introducere in analiza seriilor de timp
a. Definirea unei serii de timp
b. Componentele unei serii de timp
c. Descompunerea seriei de timp pe componente
d. Metode de netezire exponentiala

UI 3-5: Modele autoregressive liniare

a. Serii stationare, serii nestationare si neomogene
b. Tipuri de serii nestationare
c. Operatorii de intarziere si avans
d. Caracteristicile unei serii de timp: functia de autocorelatie si de autocorelatie partiala
e. teste de nestationaritate
f. Definirea modelelor AR(p), MA(q), ARMA(p,q), ARIMA(p,d,q)
g. Metodologia Box Jenkins: analiza stationaritatii, stationarizarea seriei,
identificarea modelului, estimarea parametrilor, teste de validitate, alegerea celui
mai performant model, elaborarea previziunilor

UI 6-8: Extinderi ale modelelor ARIMA

a. Modele de tip autoregresiv medie mobile pentru evolutii sezoniere SARIMA
b. Modele ARCH, GARCH

UI 9-10: Modele multivariate stationare

a. Modele VAR
b. Cauzalitate Granger

UI 11-12: Modele multivariate nestationare

a. Cointegrare
b. Modele VECM
c. Teste de cointegrare

Bibliografie
- Walter Enders, Applied Economic Time Series, Wiley, 2004
- James D. Hamilton, Time Series Analysis, Princeton University Press, 1994
- Brockwell, P.J. and Davis, R.A.., Introduction to Time Series and Forecasting, Springer, 2002.
- William W. S. Wei. Time Series Analysis – Univariate and Multivariate Methods, Second Edition,
Pearson Addison Wesley, 2006.
- www.eviews.com

a. Definirea unei serii de timp

Argumente pentru studiul evoluţiei proceselor economice în timp
• Timpul este o coordonată esenţială a existenţei umane.
• Realitatea economică şi socială se localizează în timp şi spaţiu.
• Procesele economice se desfăşoară în timp şi evoluţia lor este interpretată în raport cu timpul.

1
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

• Acţiunea unor factori nu afectează instantaneu o variabilă efect, ci după un interval de timp. Este
importantă cunoaşterea decalajului (întârzierii, lag-ului) dintre modificarea variabilei cauzale şi
manifestarea efectului asupra variabilei rezultative.

Metode de analiză a seriilor cronologice

• Metoda bazată pe domeniul de timp
constă în modelarea directă a relaţiilor cu întârziere, dintre o serie şi trecutul ei.
• Metoda bazată pe domeniul de frecvenţe constă în modelarea unei serii ca o sumă
finită de funcţii sinus şi cosinus

Ce este o Serie de Timp?

− O serie de timp economică este o mulţime de măsurători succesive ale unei variabile economice,
obţinute la intervale de timp regulate (de exemplu, pe fiecare an, trimestru, lună, zi).
Seria cronologică reprezintă un şir de valori ale unei variabile economice, oglindind procesul de
schimbare şi dezvoltare a unei populaţii statistice în perioade succesive de timp.
−Vom nota cu Y variabila de interes. Dacă aceasta este o variabilă continuă, o vom nota cu Y(t),
iar dacă este discretă, o vom nota cu Yt. Cele mai multe serii de date economice sunt colectate la
momente de timp discrete.
−În general, o serie de timp pentru o anumită variabilă Y, va fi notată cu Yt unde t este timpul, cu
t=1 pentru prima observație disponibilă asupra variabilei Y și t=n sau t=T pentru ultima observație
disponibilă asupra variabilei Y. Mulțimea t = 1,2,…,n se numește perioada de observare.
Presupunem că seria Yt rulează de-a lungul timpului, adică avem (𝑌𝑡 )𝑡=0,±1,±2,… dar este observată
doar la momentele t = 1,2,…,n. Astfel, noi observăm 𝑌1 , 𝑌2 , … , 𝑌𝑛 . Proprietățile teoretice ale seriei
se referă la a înțelege tot procesul (𝑌𝑡 )𝑡∈𝑍 . O realizare a procesului aleator sau stochastic (𝑌𝑡 )𝑡∈𝑍 se
numește serie de timp sau serie cronologică.

Descrierea statistică a seriilor de timp porneşte de la analiza factorilor ce provoacă modificările

acestora. În general, evoluţia unui proces are loc sub acţiunea mai multor factori.
Factorii care influenţează evoluţia unui proces ec.
− Factorii esenţiali, cu acţiune de lungă durată, imprimă proceselor tendinţa de evoluţie a acestora.
− Factorii sezonieri, cu acţiune pe perioade mai mici de un an, determină abateri de la tendinţa
imprimată de factorii esenţiali.
− Factorii ciclici, cu acţiune pe perioade mai mari de un an, imprimă o evoluţie oscilantă a
procesului în cazul unor serii construite pe perioade lungi de timp.
− Factorii întâmplători, au acţiune aleatoare, şi efectele lor se compensează dacă datele înregistrate
se referă la un număr mare de perioade de timp.

Exemple de Serii de Timp economice

– Produsul Intern Brut în trimestre consecutive
− Venitul Personal Disponibil în trimestre consecutive
− Cheltuielile de Consum personal
– Veniturile medii în luni consecutive
– Valorile vânzărilor în luni/trimestre consecutive
– Exportul total înregistrat în trimestre/luni consecutive
– Profitul unei companii în ani consecutivi/trimestre consecutive
− Rata Somajului

2
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

− Rata Dobanzilor
– Preţul mediu zilnic al unui anumit produs

Câteva Serii de timp de interes general

Acestea ne vor ajuta să înțelegem conceptul de Analiză a seriilor de timp.
Primul pas în Analiza unei serii de timp este de a analiza graficul seriei.
Datele care urmeaza sunt colectate de la FRED, site-ul cu date economice de la Federal Reserve
Bank of St. Louis.
Una din cele mai populare serii de timp este seria PIB. In Fig.1 este graficul seriei GDP din SUA
din 1947Q1 până in 2015Q2. Datele au fost obținute de la https://fred.stlouisfed.org/series/GDPC1
Real Gross Domestic Product, Billions of Chained 2012 Dollars, Quarterly, Seasonally Adjusted
Annual Rate.
• Datele acoperă o parte a seriei de timp. Există date disponibile înainte de 1947Q1 și după 2015Q2.
• Observațiile sunt tratate ca realizări ale unui proces aleator. Înseamnă că observăm o singură
realizare pe care ne bazăm analiza. Totuși, analizele statistice solide necesită mai multe realizări. Ar
trebui să facem presupunerea că mecanismul aleator rămâne constant în timp. Acestă presupunere
conduce la conceptul de staționaritate.
• Pe grafic se observă că media nu este constantă. Există un trend crescător.

Fig.1. U.S. Produsul Intern Brut

Dacă am dori să facem presupuneri despre valorile viitoare ale unei serii de date după perioada de
selecție? Ar trebui să cunoaștem mecanismul sau procesul de generare a datelor (PGD).
Un proces aleator sau stochastic este o mulțime de variabile aleatoare ordonate în timp. Vom nota
cu Y variabila interes. Dacă aceasta este o variabilă continuă, o vom nota cu Y(t), iar dacă este
discretă, o vom nota cu Yt. Cele mai multe serii de date economice sunt colectate la momente de
timp discrete.

Fig. 2. Seria logaritmata LPIB

Dacă datele au fost transformate prin logaritmare se obține rata de creștere a seriei.

3
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Fig. 3. U.S. Produsul Intern Brut – seria diferențiată

Am diferențiat seria PIB. Nu mai apare trendul crescător.

Fig.4. U.S. GDP and PCE (Personal Consumption Expenditure)

https://fred.stlouisfed.org/series/PCECC96

Fig. 5. U.S. Cheltuieli guvernamentale (FGEXPND)

și Venituri guvernamentale (FGRECPT)
https://fred.stlouisfed.org/series/FGEXPND , https://fred.stlouisfed.org/series/FGRECPT

4
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Fig. 6. U.S. Unemployment Rate, Percent,

Monthly, Seasonally Adjusted (1948M1 - 2020M12)
https://fred.stlouisfed.org/series/UNRATE

Comparare date ajustate și neajustate sezonier

Fig.7. Compararea seriei PIB (Elvetia)

datele ajustate și datele neajustate sezonier

Surse de date statistice pentru Serii de timp

Institutul Național de Statistică http://www.insse.ro/cms/ (TEMPO Online)

Banca Națională a României http://www.bnr.ro/Home.aspx
Federal Reserve Bank of St. Louis https://fred.stlouisfed.org/
World Bank http://www.worldbank.org/
Eurostat http://ec.europa.eu/eurostat
The University of York https://www.york.ac.uk/depts/maths/data/ts/
Pachete software utile: Eviews, R, STATA

Seriile de Timp sunt studiate:

– Pentru a înţelege mecanismul de bază care conduce procesul studiat
– Pentru a realiza previziuni sigure şi fiabile ale valorilor viitoare ale unei serii de timp
– Pentru a putea controla procesul
– Pentru a înţelege impactul unei intervenţii asupra procesului.
5
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Tipuri de date serii de timp

• Serii de timp univariate – dacă analizăm o singură mulţime de date.
• Serii de timp multivariate – dacă analizăm mai multe mulţimi de date pe aceeaşi perioadă
de timp.
• Serii de timp discrete – dacă observaţiile sunt făcute la momente de timp specifice, egale
• Serii de timp continue – dacă observaţiile sunt făcute continuu.

Serii de timp univariate

O serie de timp univariată poate fi privită ca o realizare a procesului stochastic, care este observat
numai pentru un număr finit de perioade. Presupunem că s-a observat o selecţie de volum n a
variabilei aleatoare Y, adică {𝑦1 , 𝑦2 , . . . , 𝑦𝑛 }.
Notaţia {𝑌1 , 𝑌2 , . . . , 𝑌𝑛 } semnifică un proces serie de timp, iar notaţia {𝑦1 , 𝑦2 , . . . , 𝑦𝑛 } semnifică o serie
de timp univariată. Distincţia dintre un proces stochastic şi o realizare a sa este asemănătoare celei
dintre o populaţie şi un eşantion extras din acea populaţie. Aşa cum se foloseşte eşantionul pentru a
obţine informaţii despre populaţie, în seriile de timp se foloseşte realizarea pentru a obţine informaţii
despre procesul stochastic de bază.

Analiza Seriilor de Timp este o metodă generală de caracterizare a seriei cronologice, din
perspectiva componentelor sistematice şi aleatoare în vederea măsurării intensităţii şi continuităţii
lor, astfel încât procesul analizat să devină predictibil.

O caracteristică intrinsecă a unei serii de timp este aceea că observaţiile adiacente sunt
dependente. Analiza Seriilor de Timp constă în tehnici de analiză a acestei dependenţe.
Principalul instrument în analiza seriilor de timp este modelul stochastic. Se caută şi se foloseşte un
model stochastic de un anumit tip, capabil să reproducă comportamentul trecut al unei serii, pe baza
structurii sale de autocorelaţie.

În modelarea seriilor de timp economice trebuie să se ţină cont de următoarele caracteristici:

 Existenţa unei tendinţe generale, care are un rol important în efectuarea prognozelor.
 Prezenţa autodeterminării. Autodeterminarea trebuie înţelesă astfel:
• Există un anumit grad de dependenţă a valorii curente, de valorile anterioare.
• Există acţiuni compensatorii în vederea contracarării unor factori din afara sistemului
 Posibilitatea de descriere a comportamentului seriei prin funcţia sa de autocorelaţie (ACF).

Serii de timp staţionare şi nestaţionare

Este necesar ca ceea ce observăm cu privire la o serie de date să fie stabil, aşa încât să putem face
afirmaţii despre viitor.
Seriile staţionare sunt caracterizate prin oscilaţii relativ regulate în jurul unui nivel de referinţă.
Seriile staţionare nu prezintă trenduri vizibile. Prin contrast, seriile nestaţionare prezintă trenduri
vizibile.

O serie de timp este staţionară dacă:

• Are media constantă de-a lungul timpului (nu prezintă trend)
• Are dispersie constantă de-a lungul timpului
• Corelaţia de-a lungul timpului depinde de legătura dintre yt şi yt-k (y la lagul k) şi nu depinde de
alte variabile.

6
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Cum recunoaştem o serie staţionară?

• Analiza grafică
• Evoluţia funcţiei de autocorelaţie (ACF) şi a funcţiei de autocorelaţie parţială (PACF)
• Teste statistice (Testul Dickey-Fuller,….)

Fig.8.a Serie staţionară Fig.8.b Serie nestaţionară cu trend liniar

Un proces stochastic poate fi descris sau caracterizat prin momentele sale de ordinele 1 şi 2:
Media procesului: 𝐸(𝑦𝑡 ) = 𝜇(𝑡); Varianţa procesului: 𝑉𝑎𝑟(𝑦𝑡 ) = 𝐸(𝑦𝑡 − 𝜇)2 = 𝜎 2 (𝑡);
Autocovarianţa: 𝑐𝑜𝑣( 𝑦𝑡1 , 𝑦𝑡2 ) = 𝛾(𝑡1 , 𝑡2 ).

b. Componentele unei Serii de Timp.

În abordarea tradiţională, o serie de timp are patru componente: 𝑦𝑡𝑇 , 𝑦𝑡𝑆 , 𝑦𝑡𝐶 , 𝑦𝑡𝑅
1. Componenta de trend YtT (tendinţa de lungă durată).
Trendul este componenta principală a unei serii cronologice. Reprezintă tendinţa generală, ce
corespunde unei evoluţii sistematice, sesizabile pe perioade lungi de timp, efect al acţiunii
factorilor esenţiali. Factorii cu acţiune permanentă asupra unui fenomen imprimă, pe o perioadă
lungă de timp, o tendinţă de regulă crescătoare sau descrescătoare. Exemple de tendinţe de lungă
durată:
− creşterea populaţiei globului
− diminuarea populaţiei ocupate în agricultură în ţările dezvoltate.
2.Componenta sezonieră, YtS, reprezintă oscilaţiile care se repetă în cadrul unei perioade de până
la un an, ca efect al acţiunii factorilor sezonieri.
− cererea de produse turistice
− cantitatea realizată şi preţul unor produse agroalimentare prezintă variaţii sezoniere.
3.Componenta ciclică YtC
Componenta ciclică este formată din fluctuaţii regulate, manifestate pe perioade mai mari de un an,
care devin complete pe parcursul câtorva ani.
4. Componenta reziduală, aleatoare YtR
Componenta reziduală apare sub forma unor abateri accidentale de la linia de trend sub influenţa
unor factori întâmplători, accidentali.
Fluctuaţiile unei serii cronologice reprezintă rezultatul suprapunerii celor patru componente.
Primele trei componente sunt considerate deterministe, sistematice. Acestea sunt determinate de
factori cu acţiune continuă asupra fenomenului. Atunci când se analizează o serie cronologică se
poate să nu se identifice toate cele patru componente. La unele serii poate lipsi chiar trendul (serii
staţionare). Componenta ciclică este dificil de determinat. Modelele cu patru componente se
utilizează rareori deoarece necesită serii lungi de date. Deseori componentele de trend şi ciclică sunt
tratate ca fiind o singură componentă, ce surprinde evoluţia seriei pe termen lung şi este notată 𝑦𝑡𝑇 .

7
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Componenta aleatoare este prezentă în toate seriile cronologice. Ea conţine informaţii utile în
previziune. Deseori cronograma seriei sugerează componentele prezente.

Anul
Fig.9. Componentele unei serii de timp

c. Descompunerea seriei de timp pe componente

Tehnicile clasice de analiză a seriilor de timp au ca obiective:
• separarea fiecărei componente şi modelarea comportamentului său,
• previzionarea evoluţiei fiecărei componente, iar apoi compunerea acestora în scopul
obţinerii de previziuni privind evoluţia fenomenului considerat. Ideea de la baza acestei
tehnici este de a crea modele separate pentru cele 4 componente dupa care are loc
combinarea lor fie aditiv, fie multiplicativ.

Modelele clasice de descompunere a seriilor de timp sunt:

• Modelul aditiv: 𝑦𝑡 = 𝑦𝑡𝑇 + 𝑦𝑡𝑆 + 𝑦𝑡𝐶 + 𝑦𝑡𝑅
• Modelul multiplicativ: 𝑦𝑡 = 𝑦𝑡𝑇 ⋅ 𝑦𝑡𝑆 ⋅ 𝑦𝑡𝐶 ⋅ 𝑦𝑡𝑅

8
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Cum alegem între modelul de descompunere aditiv și cel multiplicativ ?

− Modelul aditiv este potrivit atunci când variația sezonieră este relativ constantă în timp .
− Modelul multiplicativ este potrivit atunci când variația sezonieră crește în timp.

Fig.10 Oscilaţiile seriei sunt constante în timp Fig.11 Oscilaţiile seriei se amplifică sau se diminuează

Modelul aditiv este adecvat atunci când variația sezonieră este aproximativ constantă (fig.10). Modelul
multiplicativ este mai adecvat dacă mărimea variației sezoniere este dependentă de nivelul trendului (fig.11).
În practică, este adesea dificil să știi ce model este mai bun înainte de a face calculele reale (și de a compara
anumiti indicatori).

Etape de bază în descompunerea unei serii cronologice

(Vom considera că seria cronologică prezintă tendinţă, sezonalitate şi o componentă aleatoare.)
1. Se estimează tendința de lungă durată. În acest sens pot fi utilizate două abordări diferite:
− O abordare este de a estima tendința printr-o procedură de netezire precum metoda mediilor mobile.
Nu este folosită nicio ecuație pentru a descrie tendința.
− A doua metodă este de a modela trendul printr-o ecuație de regresie.
2. Se elimină trendul din serie. Pentru o descompunere aditivă, acest lucru se face prin scăderea
estimărilor tendinței din serie. Pentru o descompunere multiplicativă, se va elimina trendul prin împărțirea
valorilor seriei la valorile de trend.
3. Se estimează componenta sezonieră pentru seria corectată (fără trend). Sezonalitatea se manifestă sub
forma unor abateri de la medie care revin sistematic. În cazul datelor trimestriale se va estima un efect
pentru fiecare trimestru. Efectele sezoniere sunt calculate astfel încât să aibă media 0 pentru o
descompunere aditivă sau media 1 pentru o descompunere multiplicativă.
4. Se determină componenta reziduală (neregulată).
Pentru modelul aditiv: 𝑦𝑡𝑅 = 𝑦𝑡 − 𝑦𝑡𝑇 − 𝑦𝑡𝑆 .
Pentru modelul multiplicativ: 𝑦𝑡𝑅 = 𝑦𝑡 /(𝑦𝑡𝑇 ⋅ 𝑦𝑡𝑆 )
Componenta reziduală poate fi analizată pentru a stabili dacă aceasta este un proces aleator sau ar putea fi
modelată cu un model de tip ARIMA.
Estimarea componentei trend
Estimarea trendului se poate face folosind:
− metode mecanice (de ex. metoda mediilor mobile sau metoda modificării medii absolute)
− metode analitice care presupun utilizarea unei funcţii analitice de tendinţă. Tehnicile de ajustare
a seriei cronologice urmăresc înlocuirea termenilor reali ai seriei cu termeni teoretici care exprimă
o anumită legitate matematică de evoluţie a fenomenului considerat.
Tehnicile de netezire (sau ajustare) a seriei cronologice urmăresc eliminarea sau atenuarea
oscilaţiilor (fluctuaţiilor) sistematice şi nesistematice.
Metoda mediilor mobile (MM) este utilizată cu deosebire atunci când seria cronologică prezintă
fluctuaţii regulate, pentru a netezi evoluţia fenomenului.
Tendinţa pe termen lung se determină sub forma unor medii calculate din atâţia termeni succesivi
(m) la câţi se manifestă o oscilaţie completă.
Mediile se numesc mobile deoarece, în calculul unei astfel de medii, se lasă în afară primul termen
al mediei anterioare şi se introduce următorul termen.
9
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

În general, dacă mediile sunt calculate din m termeni (m=număr impar) se vor pierde, prin
calculul mediilor mobile, (m-1) termeni; fiecare valoare ajustată va fi situată în dreptul unei valori
înregistrate, deci mediile mobile astfel calculate vor constitui chiar valorile ajustate (ale trendului).
• De exemplu, dacă m=5 (număr impar) vom calcula

𝑦𝑡−2 +𝑦𝑡−1 +𝑦𝑡 +𝑦𝑡+1 +𝑦𝑡+2

𝑦𝑡𝑇𝑀𝑀 = ,  𝑡 = 3, . . . , 𝑛 − 2
5
Se vor pierde, prin calculul mediilor, m-1 = 4 termeni

Dacă însă mediile mobile se calculează din m =număr par de termeni, atunci valorile medii se
situează între termenii reali şi vom centra nivelurile, astfel ajustate, prin calculul unor medii
parţiale.
• De exemplu, dacă m=6 termeni (număr par) vom calcula

0,5⋅𝑦𝑡−3 +𝑦𝑡−2 +𝑦𝑡−1+𝑦𝑡 +𝑦𝑡+1+𝑦𝑡+2+0,5⋅𝑦𝑡+3

𝑦𝑡𝑇𝑀𝑀 = ,  𝑡 = 4, . . . , 𝑛 − 3
6
Se vor pierde, prin calculul mediilor, m = 6 termeni

Avantaje ale metodei:

- Este flexibilă şi uşor de aplicat;
- Nu necesită îndeplinirea prealabilă a unor condiţii.
Dezavantaje ale metodei:
- Se pierde informaţie;
- Nu permite previzionarea fenomenului pe o perioadă viitoare.

Estimarea trendului liniar

Pentru estimarea parametrilor tendinţei liniare se utilizează metoda celor mai mici pătrate
(utilizată în estimarea ecuatiei de regresie liniara). Rolul variabilei exogene (independente) este
jucat aici de variabila timp t:
𝑌𝑡 = 𝑎 + 𝑏𝑡 + 𝜀𝑡
𝑎𝑛 + 𝑏 ∑ 𝑡 = ∑ 𝑦
Ecuaţiile normale ale lui Gauss: {
𝑎 ∑ 𝑡 + 𝑏 ∑ 𝑡2 = ∑ 𝑡 ⋅ 𝑦

Pentru uşurarea calculelor, putem alege valorile lui t astfel încât ∑ 𝑡 = 0.

Dacă n este impar, putem alege 𝑡 =. . . , −3, −2, −1,0,1,2,3, . .. iar dacă n este par putem alege 𝑡 =
. . . . , −5, −3, −1,1,3,5, . . ... Atunci avem:
 𝑎̑ = (∑ 𝑦)/𝑛
 𝑏̑ = (∑ 𝑡 ⋅ 𝑦)/ ∑ 𝑡 2
Estimarea componentei sezoniere
Sezonalitatea reprezintă acea componentă sistematică ce se manifestă prin oscilaţii de perioadă mai
mică sau egală cu un an, repetabile în timp.
Din punct de vedere al posibilităţilor de măsurare, sezonalitatea se manifestă sub forma unor
abateri de la medie care revin sistematic.
Pentru a măsura efectul sezonier putem determina deviaţii sezoniere sau indici de sezonalitate.
Deviaţiile sezoniere, măsoară, în medie, abaterile fiecărui sezon faţă de trend, iau valori pozitive şi
negative, astfel încât suma deviaţiilor sezoniere, pentru toate sezoanele este egală cu zero.
Pentru determinarea deviaţiilor sezoniere se parcurg următorii paşi:
1. Se înlătură din valorile seriei cronologice (yt) componenta trend (ytT).
10
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

𝑦𝑡 − 𝑦𝑡𝑇 = 𝑦𝑡𝑆 + 𝑦𝑡𝑅

2. Pentru fiecare sezon în parte calculăm media diferenţelor obţinute la pasul 1.
În felul acesta (prin calculul mediei) se înlătură cea mai mare parte din variaţiile reziduale.
Aceste medii ale diferenţelor, calculate pentru m sezoane, măsoară abaterile fenomenului faţă de
tendinţă, date de componenta sezonieră (deviaţiile sezoniere brute).
3. Se determină media deviaţiilor sezoniere obţinute la pasul 2.
4. Se corectează (prin scădere) deviaţiile sezoniere brute cu media lor, obţinându-se deviaţiile
sezoniere corectate ( a căror sumă este egală cu zero).
Desezonalizarea seriei
Devierile sezoniere sub forma coeficienţilor sau indicilor de sezonalitate stau la baza
desezonalizării seriei, precum şi a previzionării fenomenelor afectate de sezonalitate.
Desezonalizarea seriei constă în stabilirea abaterilor dintre valorile empirice ale seriei şi cele ale
deviaţiilor sezoniere, astfel:
• în cazul modelului aditiv se desezonalizează seria cu ajutorul coeficienţilor de
sezonalitate: 𝑦𝑡𝐷𝑍 = 𝑦𝑡 − 𝑦𝑆𝑘
• in cazul modelului multiplicativ, se desezonalizează seria cu ajutorul indicilor de
sezonalitate: 𝑦𝑡𝐷𝑍 = 𝑦𝑡 /𝑦𝑆𝑘
Previzionarea fenomenelor afectate de sezonalitate – cazul modelului aditiv
În vederea elaborării previziunii fenomenelor afectate de sezonalitate – cazul modelului aditiv, se
parcurg următorii paşi:
Se desezonalizează seria cronologică scăzând din termenii reali ai seriei deviaţiile sezoniere (ytDZ
= yt – ySk ). Rezultatele astfel obţinute vor conţine doar componenta trend (ytT) şi componenta
reziduală (yR). yt – ySk = ytT + ytR
Pentru seria desezonalizată se determină trendul aplicând o metodă mecanică sau analitică.
Se prelungeşte trendul, determinându-se valoarea previzionată a trendului pentru perioada viitoare
𝑦̂(𝑛+𝑝)𝑇 .
Pentru a obţine previziunea finală se însumează valorile previzionate ale trendului pe
sezoane cu deviaţiile sezoniere (ySk) : 𝑦̂(𝑛+𝑝) = 𝑦̂(𝑛+𝑝)𝑇 + 𝑦𝑆𝑘

Problema1.
Componentele unei Serii de Timp. Estimarea trendului utilizând metoda mediilor mobile.
Determinarea abaterilor sezoniere. Determinarea indicilor de sezonalitate.

Vânzările trimestriale (exprimate în mii lei) ale unui magazin au avut următoarea evoluţie în
perioada anilor 2016-2019:

Se cer următoarele:
a) Să se reprezinte grafic datele şi să se identifice componentele seriei;
b) Să se determine tendinţa pe termen lung utilizând metoda mediilor mobile;
c) Să se determine devierile sezoniere şi să se interpreteze valorile obţinute;
d) Să se determine seria desezonalizată;
e) Să se determine indicii de sezonalitate şi să se interpreteze valorile obţinute.
11
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

a)

Pe baza reprezentării grafice se observă atât existenţa trendului crescător, cât şi a variaţiilor
sezoniere trimestriale. Există componenta de trend şi componenta de sezonalitate.

b) Să se determine tendinţa pe termen lung utilizând metoda mediilor mobile

Atunci când seria cronologică prezintă fluctuaţii regulate (sezoniere sau ciclice), componenta trend
a unei serii cronologice se estimează prin metoda mediilor mobile (MM). Trendul se determină sub
forma unor medii, calculate din atâţia termeni, (m), la câte perioade se manifestă o oscilaţie
completă. Mediile se numesc mobile sau glisante, deoarece în calculul unei astfel de medii, se lasă
în afară primul termen al mediei anterioare şi se introduce următorul termen.
O oscilaţie completă se realizează în m = 4 perioade (trimestre).  Trendul se determină prin
metoda mediilor mobile (MM) pentru 4 termeni. Valorile 𝑦𝑡 ale seriei cronologice se calculeaza
după formula:
0,5⋅𝑦𝑡−2 +𝑦𝑡−1 +𝑦𝑡 +𝑦𝑡+1 +0,5⋅𝑦𝑡+2
𝑦𝑡𝑇𝑀𝑀 = ,  𝑡 = 3, . . . , 𝑛 − 2
4
Se determină valorile trendului prin MM, adică termenii ytTMM din coloana nr.5 din Tabelul 1.
0,5𝑦1 +𝑦2 +𝑦3 +𝑦4 +0,5𝑦5 0,5⋅10+14+11+21+0,5⋅11 56,5
𝑦3𝑇𝑀𝑀 =  𝑦3𝑇𝑀𝑀 = = = 14,125
4 4 4

0,5𝑦2 +𝑦3 +𝑦4 +𝑦5 +0,5𝑦6 0,5⋅14+11+21+11+0,5⋅16 58

𝑦4𝑇𝑀𝑀 =  𝑦4𝑇𝑀𝑀 = = = 14,5
4 4 4
.............
0,5 ⋅ 22 + 13 + 16 + 9 + 0,5 ⋅ 25 61,5
𝑦14𝑇𝑀𝑀 = = = 15,375
4 4

c) Să se determine devierile sezoniere şi să se interpreteze valorile obţinute;

Pentru a măsura efectul sezonier, vom determina devieri (abateri) sezoniere (pentru modelul aditiv
al unei serii cronologice) sau indici de sezonalitate (pentru modelul multiplicativ al unei serii
cronologice.
Devierile sezoniere măsoară, în medie, abaterile fiecărui sezon de la trend, iau valori pozitive şi
negative, astfel încât suma devierilor sezoniere, pentru toate sezoanele, să fie egală cu zero.

Se consideră modelul aditiv: 𝑦𝑡 = 𝑦𝑡𝑇 + 𝑦𝑡𝑆 + 𝑦𝑡𝑅

12
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Tabelul 1. Determinarea Devierilor Sezoniere

Pasul 1. Se determină Devierile Sezoniere Brute: 𝑦𝑡 − 𝑦𝑡𝑇𝑀𝑀 (coloana 6 din Tabelul 1).
Din termenii seriei se scad valorile trendului obţinute prin MM. ⇒ 𝑦𝑡 − 𝑦𝑡𝑇𝑀𝑀 = 𝑦𝑡𝑆 + 𝑦𝑡𝑅 .
Pentru 𝑡 = 3  𝑦3 − 𝑦3𝑇𝑀𝑀 =11−14,125=−3,125
Pentru 𝑡 = 4  𝑦4 − 𝑦4𝑇𝑀𝑀 =21−14,5=6, 5.........
Pentru 𝑡 = 14  𝑦14 − 𝑦14𝑇𝑀𝑀 =16−15,375=0,625
′
Pasul 2. Pentru fiecare sezon (trimestru) se calculează Media devierilor sezoniere brute: 𝑦𝑆𝑘
(coloana 7 din Tabelul 1). Prin calculul mediei se înlătură cea mai mare parte din variaţiile
reziduale.
′
(−3,625) + (−2,375) + (−2,5)
𝑦𝑆𝐼 = = −2,833
3
′
1,375 + 1,25 + 0,625
𝑦𝑆𝐼𝐼 = = 1,083
3
′ −3,125−5,125−3,625 ′ 6,5+6,25+5,75
𝑦𝑆𝐼𝐼𝐼 = = −3,958 𝑦𝑆𝐼𝑉 = = 6,167
3 3
Pasul 3. Se corectează (prin scădere) deviaţiile sezoniere brute cu media lor, obţinându-se deviaţiile
sezoniere corectate 𝑦𝑆𝑘 ( a căror sumă este egală cu zero).
Deoarece ∑𝑚 𝑘=1 𝑦𝑆𝑘 = ∑𝑘=1 𝑀𝐷𝑆𝐵𝑘 = (−2,833) + 1,083 + (−3,958) + 6,167 = 0,458  0 vom
′ 4
1 (−2,833)+1,083+(−3,958)+6,167 0,458
ajusta mediile calculate cu valoarea 𝑑 = 𝑚 ∑𝑚 ′
𝑘=1 𝑦𝑆𝑘 = = =0,115.
4 4

′
Se determină Deviaţiile Sezoniere Corectate: 𝑦𝑆𝑘 = 𝑦𝑆𝑘 − 𝑑 (coloana 8 din Tabelul 1).
′
𝑦𝑆𝐼 = 𝑦𝑆𝐼 − 𝑑 =−2,833−0,115 = −2,948  −3 mii lei
′
𝑦𝑆𝐼𝐼 = 𝑦𝑆𝐼𝐼 − 𝑑 =1,083−0,115 = 0,969  1 mii lei
′
𝑦𝑆𝐼𝐼𝐼 = 𝑦𝑆𝐼𝐼𝐼 − 𝑑 =−3,958−0,115 = −4,073  −4 mii lei
′
𝑦𝑆𝐼𝑉 = 𝑦𝑆𝐼𝑉 − 𝑑 =6,167−0,115 = 6,052  6 mii lei
13
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Calculele de mai sus pot fi sistematizate şi sub forma următorului tabel:

Anii I II III IV Suma Media
2016 − − −3,125 6,5 (Corectorul)
2017 −3,625 1,375 −5,125 6,25 d
2018 −2,375 1,25 −3,625 5,75
2019 −2,5 0,625 − −
MediiDSBrute −2,833 1,083 −3,958 6,167 0,4580 d=0,458/4
DSCorectate −2,948 0,969 −4,073 6,052 d0,115
YSk −3 1 −4 6
Analiza sezonalităţii folosind Devierile Sezoniere:
În trimestrul I al fiecărui an, factorul sezonier a determinat o scădere medie a vânzărilor de 3 mii
lei faţă de linia de trend.
În trimestrul II al fiecărui an, factorul sezonier a determinat o creştere medie a vânzărilor de o mie
lei faţă de linia de trend.
În trimestrul III al fiecărui an, factorul sezonier a determinat o scădere a vânzărilor de aproximativ
4 mii lei faţă de linia de trend.
În trimestrul IV al fiecărui an, factorul sezonier a determinat o creştere a vânzărilor de aproximativ
6 mii lei faţă de linia de trend.

d) Se determină termenii seriei desezonalizate. Din valorile observate se elimină Devierile

sezoniere corectate: 𝑦𝑡 − 𝑦𝑆𝑘 .
Pentru 𝑡 = 1  𝑦1 − 𝑦𝑆𝐼 =10−(−3)=13
Pentru 𝑡 = 2  𝑦2 − 𝑦𝑆𝐼𝐼 =14−(1)=13
Pentru 𝑡 = 3  𝑦3 − 𝑦𝑆𝐼𝐼𝐼 =11−(−4)=15
Pentru 𝑡 = 4  𝑦4 − 𝑦𝑆𝐼𝑉 =21−(6)=15 ......

e) Se consideră modelul multiplicativ: 𝑦𝑡 = 𝑦𝑡𝑇 ⋅ 𝑦𝑡𝑆 ⋅ 𝑦𝑡𝑅 ,  𝑡 = 1,2, . . . , 𝑛

Indicii de sezonalitate măsoară, în medie, de câte ori se abate variabila, în fiecare sezon, de la trend.
Acești indici iau valori supraunitare sau subunitare, astfel încât produsul lor să fie egal cu 1.

Pas 1. Se determină Indicii Sezonieri Bruţi: (coloana 6 din Tabelul 2).

𝑦
⇒ 𝑦 𝑡 = 𝑦𝑡𝑆 ⋅ 𝑦𝑡𝑅 ,  𝑡 = 1,2, . . . , 𝑛
𝑡𝑇𝑀𝑀
Pentru 𝑡 = 3  𝑦3 /𝑦3𝑇𝑀𝑀 =11/14,125=0,779
Pentru 𝑡 = 4  𝑦4 /𝑦4𝑇𝑀𝑀 =21/14,5=1,448
.....
Pentru 𝑡 = 14  𝑦14 /𝑦14𝑇𝑀𝑀 =16/15,375=1,041
Pasul 2. Pentru fiecare sezon (trimestru) se calculează , indicilor sezonieri bruţi (media
′
geometrică): 𝑦𝑆𝑘 (coloana 7 din Tabelul 2).
′ 3
𝑦𝑆𝐼 = 𝑀𝐼𝑆𝐵𝐼 = √0,752 ⋅ 0,855 ⋅ 0,839 = 0,814;
′ 3
𝑦𝑆𝐼𝐼 = 𝑀𝐼𝑆𝐵𝐼𝐼 = √1,094 ⋅ 1,075 ⋅ 1,041 = 1,07
′
𝑦𝑆𝐼𝐼𝐼 = 𝑀𝐼𝑆𝐵𝐼𝐼𝐼 = 3√0,779 ⋅ 0,661 ⋅ 0,782 = 0,738;
′ 3
𝑦𝑆𝐼𝑉 = 𝑀𝐼𝑆𝐵𝐼𝑉 = √1,448 ⋅ 1,397 ⋅ 1,354 = 1,4

Observaţie: În practică, în calcule, se folosesc mediile aritmetice, nu cele geometrice.

14
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Pasul 3. Indicii de sezonalitate se determină din mediile obţinute la Pasul 2, ajustate astfel încât
produsul indicilor de sezonalitate să fie egal cu 1. Valorile obţinute reprezintă componenta
sezonieră a seriei cronologice.
Se determină media indicilor sezonieri bruţi:
4 4
𝑑 = √0,814 ⋅ 1,07 ⋅ 0,741 ⋅ 1,4 = √0,9 ≈ 0,974

Deoarece media indicilor sezonieri bruţi este diferită de 1, vom ajusta valorile calculate cu
valoarea d.
Se determină Indicii Sezonieri Corectaţi:
′
𝑦𝑆𝑘 = 𝑦𝑆𝑘 /𝑑 (coloana 8 din Tabelul 1).
′
𝑦𝑆𝐼 = 𝑦𝑆𝐼 /𝑑 =0,814/0,974=0,836 ;
′
𝑦𝑆𝐼𝐼 = 𝑦𝑆𝐼𝐼 /𝑑 =1,07/0,974=1,099
′
𝑦𝑆𝐼𝐼𝐼 = 𝑦𝑆𝐼𝐼𝐼 /𝑑 =0,738/0,974=0,758;
′
𝑦𝑆𝐼𝑉 = 𝑦𝑆𝐼𝑉 /𝑑 =1, 4/0,974=1,437

Tabelul 2. Determinarea Indicilor sezonieri

Analiza sezonalităţii folosind Indicii Sezonieri:

În trimestrul I al fiecărui an, factorul sezonier a determinat o scădere a vânzărilor de aproximativ
16,4% faţă de linia de trend. (83,6−100 = −16,4%).
În trimestrul II al fiecărui an, factorul sezonier a determinat o creştere a vânzărilor de aproximativ
9,9% faţă de linia de trend. (109,9−100 = 9,9%).
În trimestrul III al fiecărui an, factorul sezonier a determinat o scădere a vânzărilor de aproximativ
24,2% faţă de linia de trend. 75,8−100 = −24,2%).
În trimestrul IV al fiecărui an, factorul sezonier a determinat o creştere a vânzărilor de aproximativ
43,7% faţă de linia de trend. (143,7−100 = 43,7%).
15
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Problema 2.
Determinarea trendului unei serii cronologice folosind o metodă analitică și previzionarea
valorilor viitoare ale seriei

Vânzările trimestriale (exprimate în mii lei) ale unui magazin au avut următoarea evoluţie în
perioada anilor 2016-2019:
Vânzările trimestriale (mii lei)
Anul
I II III IV
2016 10 14 11 21
2017 11 16 10 22
2018 14 18 13 22
2019 13 16 9 25
YSk −3 1 −4 6
Pe ultima linie a tabelului se află abaterile sezoniere.

a) Să se determine termenii seriei desezonalizate;

b) Să se determine componenta de trend a seriei fără sezonalitate utilizând metoda
trendului liniar;
c) Să se previzioneze vânzările trimestriale pentru anul 2020.

a) Determinăm termenii seriei desezonalizate prin scădere: 𝑦𝑡𝐷𝑍 = 𝑦𝑡 − 𝑦𝑆𝑘

b) Determinăm trendul seriei desezonalizate prin metoda trendului liniar: 𝑦̑ 𝑡𝐷𝑍 = 𝑎 + 𝑏 ⋅ 𝑡

𝑎𝑛 + 𝑏 ∑ 𝑡 = ∑ 𝑦𝑡𝐷𝑍
Ecuaţiile normale ale lui Gauss: {
𝑎 ∑ 𝑡 + 𝑏 ∑ 𝑡 2 = ∑ 𝑡 ⋅ 𝑦𝑡𝐷𝑍
Putem alege valorile lui t astfel încât ∑ 𝑡 = 0. Atunci avem:
 𝑎̑ = (∑ 𝑦𝑡𝐷𝑍 )/𝑛 = 245/16 = 15,3125  15,3
 𝑏̑ = (∑ 𝑡 ⋅ 𝑦𝑡𝐷𝑍 )/ ∑ 𝑡 2 = 133/1360  0,098
 𝒚̑ 𝒕𝑫𝒁 = 𝟏𝟓, 𝟑 + 𝟎, 𝟎𝟗𝟖 ⋅ 𝒕
c)
1) Previzionăm valorile trendului seriei desezonalizate pentru anul 2020:
𝑦̂𝑛+1 , 𝑦̂𝑛+2 , 𝑦̂𝑛+3 , 𝑦̂𝑛+4
𝑡 = 17  𝑦̑ 𝑡𝐷𝑍,𝐼 = 15,3 + 0,098 ⋅ 17 = 16,966 mii lei
𝑡 = 19  𝑦̑ 𝑡𝐷𝑍,𝐼𝐼 = 15,3 + 0,098 ⋅ 19 = 17,162 mii lei
𝑡 = 21  𝑦̑ 𝑡𝐷𝑍,𝐼𝐼𝐼 = 15,3 + 0,098 ⋅ 21 = 17,358 mii lei
𝑡 = 23  𝑦̑ 𝑡𝐷𝑍,𝐼𝑉 = 15,3 + 0,098 ⋅ 23 = 17,554 mii lei

2) Pentru a obţine previziunea finală, corectăm valorile previzionate prin adunarea abaterilor
sezoniere:
𝑦𝑛+1(previzionat) = 𝑦̂𝑛+1 + 𝑦𝑆𝐼 ,
𝑡 = 17  𝑦̂2020,𝐼 = 16,966 −3 = 13,966 mii lei
𝑡 = 19  𝑦̂2020,𝐼𝐼 = 17,162 + 1 = 18,162 mii lei
𝑡 = 21  𝑦̂2020,𝐼𝐼𝐼 = 17,358 −4 = 13,358 mii lei
𝑡 = 23  𝑦̂2020,𝐼𝑉 = 17,554 + 6 = 23,554 mii lei

16
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Tabelul 3. Determinarea Trendului Seriei Desezonalizate

Problema 3. Rezolvați (individual) folosind Excel și Eviews.

Se consideră datele din Tabelul 4.

I. Mai întâi, fiecare student va crea un fisier în Excel (Ex-scr-7ani), cu datele din tabelul care
urmează (an, trim, vânzări).
a) Să se reprezinte grafic datele şi să se identifice componentele seriei;
b) Să se determine tendinţa pe termen lung utilizând metoda mediilor mobile;
c) Să se determine devierile sezoniere şi să se interpreteze valorile obţinute;
d) Să se determine seria desezonalizată;

II. Fiecare student va crea un fișier în Eviews și va importa datele din fișierul Excel.
În Eviews: Trebuie să se creeze un fişier cu date trimestriale: 2013Q1-2019Q4 (28 observaţii)
Importăm seria Y (Vânzări) din fişierul din Excel (seria Y începe din căsuța? D

17
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Tabelul 4. Determinarea Devierilor Sezoniere

In Eviews, putem genera seria YMM (seria trendului prin metoda mediilor mobile) scriind în zona de
lucru comanda:
series ymm=(0.5*y(-2)+y(-1)+y+y(1)+0.5*y(2))/4
Deschidem un grup format din variabilele Y şi YMM.
Pentru a obţine graficul valorilor celor două serii în Eviews selectăm
View→Graph→Basic graph→Line &Symbol ok

Vom aplica „Seasonal Adjustment” asupra seriei Y folosind „Moving Average Methods”
In fisierul creat in Eviews selectăm
18
 UI1. Introducere în Analiza Seriilor de Timp Conf. univ. dr. Silvia Spătaru

Y → Proc → Seasonal Adjustment → Moving Average Methods →

Difference from moving average − Additive

Y → Proc → Seasonal Adjustment → Moving Average Methods →

Ratio to moving average − Multiplicative

Reprezentăm grafic seriile (Y, YSAADITIV) și (Y, YSAMULTIPL)

19