Analiza comportamentului evolutiv

al seriilor de date financiare

Teste de verificare a stationaritatii

 Se știe că:
Într-un model de regresie multiplă, între serii cronologice,
yt  a0  a1 x1t  ...  ak xkt  et
erorile sunt independente, de medie 0 şi varianţă constantă.
Se presupune deci, că erorile constituie un proces de zgomot alb.
Dacă se adaugă presupunerea de normalitate, se spune că există un proces
gaussian de zgomot alb.
Testul Durbin - Watson nu priveşte decât autocorelaţia de ordinul 1.
Prezenţa autocorelaţiei pentru alte retarduri (întârzieri) va trece
neobservată, doar dacă nu se utilizează testele de zgomot alb.
Aceste teste necesită însă serii cronologice suficient de lungi.
Testele descrise au aplicaţie imediată în analiza reziduurilor, a oricărei
metode de previziune. Se aplică testele de zgomot alb pe seria erorilor de
previziune. Dacă ipoteza de zgomot alb este respinsă, se deduce că
erorile de previziune conţin informaţie, pentru a prevedea erorile de
previziune următoare şi în consecinţă pentru ameliorarea previziunilor.
 Tipologia tendinţei: TSP sau DSP?
Evolutia indicelui BET in perioada 14.11.2004-14.11.2005
6500

6000

5500

5000
puncte

4500

4000

3500

3000 1 9 17 25 33 41 49 57 65 73 81 89 97 10 5 113 12 1 12 9 13 7 14 5 153 16 1 16 9 177 18 5 19 3 2 0 1 2 0 9 2 17 2 2 5 2 3 3 2 4 1

zile
 Trend Stationary Processes (TSP)?
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.990315 y t  a 0  ryt 1  a1Tt  vt
R Square 0.980724
Adjusted R 0.980566
Standard Error 102.0071
Observations 247
ANOVA df SS MS F Signif. F
Regression 2 1.29E+08 64587643 6207.098 5.9E-210
Residual 244 2538930 10405.45
Total 246 1.32E+08
Coeffici. Standard Er t Stat P-value Lower 95% Upper 95%
Intercept 128.8177 60.8532 2.1168 0.0352842 8.953077 248.6823
X Variable 1 0.976085 0.012225 79.842517 6.95E-177 0.952005 1.000165
X Variable 2 0.081664 0.126318 0.646497 0.5185649 -0.16715 0.330477
 Difference Stationary Processes (DSP)?
SUMMARY OUTPUT
Regression Statistics y t  a 0  ryt 1  v t
Multiple R 0.990298
R Square 0.980691
Adjusted R 0.980612
Square
Standard Error 101.8859
Observations 247
ANOVA df SS MS F Signif. F
Regression 1 1.29E+08 129170937 12443.34 5.2E-212
Residual 245 2543279 10380.729
Total 246 1.32E+08
Coefficients Standard Err t Stat P-value Lower 95% Upper 95%
Intercept 101.6971 44.03065 2.3096899 0.0217375 14.9703 188.424
X Variable 1 0.981565 0.008799 111.54972 5.21E-212 0.964233 0.998897
 DSP!
Corelaţia pozitivă între indicele BET t şi BET t-1
6500

6000

5500

5000
BET t

4500

4000

3500

3000
3000 3500 4000 4500 5000 5500 6000 6500
BET t-1
 DSP!
Diferentele de ordinul 1 ale indicelui BET, in perioada 14.11.2004-14.11.2005

500
400

300

200
100
puncte

0
1 9 17 25 33 41 49 57 65 73 81 89 97 10 5 113 12 1 12 9 13 7 14 5 153 16 1 16 9 177 18 5 19 3 201 20 2 17 2 2 5 23 241

-100
-200
-300
-400

-500
-600
zile
 200
400
600

-800
-600
-400
-200
800

0
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
169
176
183
190
Diferentele de ordinul 2 al indicilor BET in perioada .....

197
204
211
218
225
232
239
246
Probleme - Răspunsuri
• Cât de importantă este • Foarte importantă
ipoteza de staționaritate
pentru modelare și
inferență?
• Care sunt efectele • Potențial periculoase
presupunerii incorecte?
• Care sunt sursele ne- • Multe și variate
staționarității?
• Pot fi transformate • Uneori, în funcție de natura
analizele empirice astfel staționarității
încât staționaritatea să
devină o presupunere
validă?
 Pașii
• Concepte de bază – modelul de regresie
• Proprietățile staționarității și nestaționarității
• Analize de regresie folosind date cu trend și analiza
posibilității de obținere a staționarității prin
transformare – numită cointegrare
• Consecințe ale datelor nestaționare în regresie
• Teste de determinare a prezenței nestaționarității
(procese univariate ale radăcinii unitare ”unit root”
• Validitatea transformărilor prin teste de cointegrare
• Exemplu empiric
Testarea staționarității
unei serii de timp
 Proces random walk
Este cel mai simplu caz de proces nestaționar:
𝑦𝑡 = 𝑦𝑡−1 + 𝑒𝑡
𝑦𝑡 = 𝑦𝑡−1 + 𝑒𝑡 = 𝑦𝑡−2 + 𝑒𝑡−1 + 𝑒𝑡 = ⋯
= 𝑦0 + (𝑒1 + ⋯ + 𝑒𝑡−1 + 𝑒𝑡 )
Unde et sunt erorile i.i.d. (independ și identic distribuite –
distribuția de probabilitate nu depinde de valori trecute și
𝐶𝑜𝑣 𝑒𝑡 , 𝑒𝑡−1 = 0) cu media 0 și varianță constantă σ2.
Media procesului este 𝐸 𝑦𝑡 = 𝑦0 , unde 𝑦0 este fixă, și
varianța depinde de timp 𝑉𝑎𝑟 𝑦𝑡 = 𝑡 ∙ 𝜎 2 .
Pentru un proces nestaționar, efectele șocurilor rămân în
timp, și acțiunea lor va persita și va fi infinită.
 Rădăcină unitate - unit root
Un proces random walk poate cu intercept (drift):
𝑦𝑡 = 𝑎0 + 𝑦𝑡−1 + 𝑒𝑡 devine
𝑦𝑡 = 𝑦0 + 𝑡𝑎0 + (𝑒1 + ⋯ + 𝑒𝑡−1 + 𝑒𝑡 )
și are media procesului {yt}: 𝐸 𝑦𝑡 = 𝑦0 + 𝑡𝑎0 , și varianța:
𝑉𝑎𝑟 𝑦𝑡 = 𝑡 ∙ 𝜎 2 .

Dacă seria de timp are rădăcină unitate (unit root), este integrată de
ordinul 1, I(1), și diferențele de ordinul 1 ale procesului {yt} sunt slab
dependente:
∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 = 𝑎0 + 𝑒𝑡 = 𝑢𝑡 , și 𝑢𝑡 este slab dependent.
Prezența rădăcinii unitate în reziduuri, 𝑢𝑡 , înseamnă că efectele unui
șoc persistă pentru totdeauna, făcând dificilă separarea creșterii pe
termen lung de alte fluctuații ciclice, pentru a fi studiate separat.
 Test de existență a rădăcinii unitate
- Unit root test -
- Se folosește la verificarea existenței rădăcinii unitate a seriilor de timp
- Fie modelul autotregresiv AR(1):
𝑦𝑡 = 𝑎0 + 𝜌𝑦𝑡−1 + 𝑒𝑡
unde {et } sunt i.i.d. Cu medie 0 și varianță σ2.
Dacă procesul {yt} urmează acest model, el are ”unit root” dacă ρ = 1.
Dacă a0 ≠ 0 și ρ = 1 atunci {yt} este un proces random walk cu intercept,
având mdia 𝐸 𝑦𝑡 o funcție liniară de t.
Lăsând interceptul nespecificat sub ipoteza nulă, se obține următorul
test al rădăcinii unitate (test de unit root):
H0: ρ = 1
H1: ρ < 1
Dacă IρI < 1 atunci procesul {yt} este un AR(1) stabil, fiind slab dependent
(asimptotic necorelat).
Testul statistic este echivalent cu a testa dacă {yt} este I(1) pentru H0 față
de lui H1, de a fi I(0).
 Testul Dickey-Fuller (DF)
Dacă un proces {yt} urmează modelul 𝑦𝑡 = 𝑎0 + 𝜌𝑦𝑡−1 + 𝑒𝑡 și are
ρ = 1, semnificativ, se acceptă H0 ca rezultat al testului statistic de ”unit
root” și procesul {yt} este I(1). În consecință 𝑦𝑡 este serial necorelat.
Scăzând yt-1 din ambele părți ale ecuației 𝑦𝑡 = 𝑎0 + 𝜌𝑦𝑡−1 + 𝑒𝑡 , și
definind  = ρ – 1, se obține:
𝑦𝑡 = 𝑎0 + 𝑦𝑡−1 + 𝑒𝑡 ,
Testul statistic de ”unit root” devine testul Dickey-Fuller (DF):
H0:  = 0
H1:  < 0
Procesul yt este I(1) sub H0 și se folosește t statistic a distribuției Dickey-
Fuller pentru .
Acceptând H0 înseamnă că procesul {yt} are o rădăcină unitate.
Ipoteza H0 se respinge dacă rația t Student pentru  < valorile critice, care
sunt valori negative t stabilite de Dickey și Fuller pentru nivelele de
semnificație corespunzătoare.
 Consumul trimestrial al gospodariilor in România
din 2000 Q1- 2020 Q2

Consf
32,000

28,000

24,000

20,000

16,000

12,000

8,000
00 02 04 06 08 10 12 14 16 18 20
Null Hypothesis: CONSF has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=11)

t-Statistic

Elliott-Rothenberg-Stock DF-GLS test statistic -0.592215

Test critical values: 1% level -2.594189
5% level -1.944915
10% level -1.614114

*MacKinnon (1996)
Ipoteza H0 se respinge dacă rația t Student pentru  < valorile critice, care sunt
valori negative t stabilite de Dickey și Fuller pentru nivelele de semnificație
corespunzătoare.
 Augmented Dickey-Fuller test (ADF)
Considerând modelul AR, se poate adăuga inca un lag:
𝑦𝑡 = 𝑎0 + 𝑦𝑡−1 + 𝛾1 𝑦𝑡−1 + 𝑒𝑡 , unde 𝛾1 < 1
In acest caz 𝑦𝑡 urmează un model stabil AR(1) sub H0:  = 0;
sub H1:  < 0, 𝑦𝑡 urmează un AR(2).
Pentru p laguri adăugate, regresia este mărită cu termenii decalați și
versiunea extinsă a testului Dickey-Fuller este augmented Dickey-Fuller
test.
𝑦𝑡 = 𝑎0 + 𝑦𝑡−1 + 𝛾1 𝑦𝑡−1 + 𝛾2 𝑦𝑡−2 + ⋯ + 𝛾𝑝 𝑦𝑡−𝑝 + 𝑒𝑡
Rolul termenilor decalați ai 𝑦𝑡 este de a curăța orice corelație serială în
acest proces.
Verificarea semnificației introducerii termenilor decalați se stabilește cu
valorile lor t, care au o distribuție aproximativă t Student, dar t statistic
pentru  este verificată pe distribuție Dickey-Fuller.
DEPENDENŢE ÎN ECONOMIE

Manifestări în mod sincron – Analiza

de cointegrare
 Serie integrată
• Este SC, care se poate recompune prin însumarea
părţilor componete
• Seria yt, care are un trend liniar, devine staţionară
prin calculul diferenţelor de ordinul 1 (reprezentând
elemente componente, părţi) este considerată o
serie integrată de ordinul 1, I(1).
Yt  yt  yt 1  yt t = 1, 2, ...n
• Readucerea SC, yt, se face prin însumarea:
n 1
y1  Y1  y 2 ; y1  Y1  Y2  y3 ;. .... ; y1   Yt  y n
t 1
 Exemple de serii integrate
• Serie integrată de ordinul 0 – serie staţionară I(0).
• Serie integrată de ordinul 2, I(2) presupune determinarea
diferenţelor succesive din diferenţele de ordinul 1
anterior obţinute.
• Seria integrată este acea serie nestaţionară care poate fi
transformată într-o serie staţionară prin calculul
diferenţelor de ordinul 1, I(1), iar dacă tendinţa nu a fost
eliminată în totalitate, se procedează la calculul
diferenţelor de ordinul 2, I(2) etc. În final se ajunge la o
serie staţionară, I(0).
 Serii cointegrate
• Sunt SC care:
– sunt integrate de acelaşi ordin,
– admit o combinaţie liniară care este integrată de
ordinul 0 sau, în orice caz, este integrată de ordin mai
mic decât ordinul de integrare al seriilor iniţiale
• SC cointegrate au o relație pe termen lung.
Forțele economice acționează în sensul corecției
abaterilor și aducerea lor la relația de echilibru.
 Serii cointegrate - exemplu
yt: 1, 2, 3, 4, 5, 6
yt: 1, 1, 1, 1, 1 ytI(1)

xt: 8, 10, 12, 14, 16, 18

xt: 2, 2, 2, 2, 2 xtI(1)

Combinaţia liniară: zt = 2yt - xt

zt: -6, -6, -6, -6, -6, -6
zt: 0, 0, 0, 0, 0 ztI(0)
Seriile yt si xt sunt cointegrate: ytxt CI(1,0)
 Analiza de cointegrare
• Abordarea unui număr de 2 sau mai multe serii
cronologice, din perspectiva ordinului de
integrare, ca si a combinaţiilor liniare a acestora
• Seriile yt si xt au fiecare gradul de integrare 1, iar
combinaţia liniară zt  yt  (a  bxt ) este integrată
de ordinul 0, se spune că seriile sunt cointegrate
de ordinul 1, ytxt CI(1,0)
• Parametrul b = parametru de integrare
 Perspective
• D.p.v. al econometriei, aceste serii cointegrate
conduc la analize de regresie de calitate, cu
estimatori consistenţi, altfel se obţin soluţii
fragile, îndoielnice “spurious regression”, cu
autocorelarea reziduurilor.
• D.p.v. statistic şi economic, SC cointegrate
arată o stare de echilibru pe termen lung;
arată o evoluţie în acelaşi ritm, o relaţie de
influenţă reciprocă.
 Teste de verificare a cointegrării
• Testul CDRW – propus de Sargan şi Bhargava, pe baza
autocorelării abaterilor (testul DW) şi comparaţie DW cu
valorile tabelate de McKinnon (0.386 pentru =0.05,
0.322 pentru =0.10). Dacă DW > 0.386 se afirmă că
n
seriile sunt CI. 
 t t 1
u  u  2

DW  2(1  r ) DW  t 1
n

 t
u 2

t 1

• Testul Dikey-Fuller – pentru seriile yt și xt se determină

ut  yt  (a  bxt ) după care pentru modelul autoregresiv
ut  rut 1   t , respectiv ut se estimează b̂
din ut  ut 1  (r  1)ut 1   t  but 1   t .
b=r-1, ip. H0:b=0; H0:r-1=0; H0:r=1; ut =I(1); H1:b<0; H1:r-1<0; H1:r<1
ut=I(0). Dacă tb*> ttab., se accepta H1, se afirmă cointegrarea (P-value < 5%)
 Concluzie

• Pentru analiza de regresie este important ca

variabilele y şi x1, x2, ... să fie cointegrate, ceea
ce implică staţionaritatea seriei reziduurilor,
ut, oferind o baza solidă estimaţiilor şi testelor
t şi F.
 Graficele seriilor cointegrate şi
necointegrate

Serii cointegrate Serii care nu sunt cointegrate

 Aplicaţii – analize de cointegrare
Pe baza indicatorilor din perioada 1995-2020, despre România,
privind următoarele perechi de variabile:
1. cursul de schimb – indicele de preţuri (IPC)
2. Indicele de preţuri (IPC) – salariul mediu
3. Import – export

Să se stabilească:
a. Ordinul de integrare al fiecărei serii cronologice
b. Care din perechile menţionate pot fi considerate serii
cointegrate şi de ce?
 Exercitii pentru
analiza de cointegrare

Să se aplice testele pentru verificarea

cointegrării seriilor: cursul de schimb și IPC
in Romania intre 1995-2020.
 Stabilirea variabilelor y si x
• Perioada analizata: 1995 – 2020, in Romania
• Y – cursul de schimb (lei/euro)
• X – IPC (%) cu baza fixă 1995=100%
Graficele de analiza a evolutiei variabilelor
y si x

• Graficele:
- Evolutia cursului de schimb in Romania intre
1995-2020
- Evolutia IPC in Romania intre 1995-2020
 Analiza grafica a cointegrarii pe perioada 1995-2005
Evolutia cursului de schim b Euro/lei in
Rom ania intre 1995-2005
50000
40000
lei/euro

30000
20000
10000
0 Evolutia IPC in Romania intre 1995-2005
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
anii 3000

2500

% (1995=100%)
2000

1500

1000

500

0
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
anii
 Tabela de regresie y=f(x), perioada 1995-2005

SUMMARY OUTPUT

Regression Statistics y=f(x)

Multiple R 0,98686255
R Square 0,97389769
Adjusted R Square 0,97099744
Standard Error 2384,34376
Observations 11

ANOVA
df SS MS F Significance F
Regression 1 1,909E+09 1,91E+09 335,7971 1,961E-08
Residual 9 51165857 5685095
Total 10 1,96E+09

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 2807,75902 1231,4758 2,279995 0,048563 21,967217 5593,551
X Variable 1 14,0712079 0,7678792 18,32477 1,96E-08 12,334145 15,80827
 Ajustarea cursului de schimb in Romania
intre 1995-2005
50000

40000

30000
lei/euro

20000

10000

0
1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

anii
 IPC si cursul de schimb in RO in perioada 1995-2018
5000% 5.0

4500% 4.5

4000% 4.0

3500% 3.5
IPC (1995=100%)

3000% 3.0

Lei/euro
2500% 2.5

2000% 2.0

1500% 1.5

1000% 1.0

500% 0.5

0% 0.0
1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017

IPCt/95 Curs schimb