Serii de timp

Curs 7, Aprilie 2023

Titular de curs: Prof.univ.dr.Cristina BOBOC
Email: cristina.boboc@csie.ase.ro
WEB page: www.cristinaboboc.wordpress.com
 Capitolul 3
EXTINDERI ALE MODELELOR ARIMA:
SARIMA
Bibliografie (sursa informațiilor):
https://people.duke.edu/~rnau/seasarim.htm, https://www.otexts.org/fpp/8/9
Diverse exemple

 Se dau veniturile trimestriale ale AMAZON. Realizați o

previziune pentru aceste venituri pentru trimestrul 2 al anului
2017.
Descompunerea unei serii de timp pe
componente in Python
Definire modele SARIMA
 Modelul ARIMA sezonier încorporează atât factori non-sezonieri, cât și sezonieri într-un
model multiplicativ. Este scris astfel:
  p (B )  P (B s )(1 − B ) (1 − B s ) Yt =  0 +  q (B ) Q (B s ) t unde
d D
( t )t ~ WN (0, 2 )

 SARIMA(p, d, q)x(P,D,Q)s: Diferențele

the non - seasonal
Diferențele sezoniere
the seasonal
de ordin D ale seriei
nesezoniere
differencede orderdd difference of order D
of ordin
ale seriei timp YYt t of the
de series de timp
time Y Y
series
of the

time
   t t
 p (B )

P Bs

 
( ) (1 − B ) 1− B d
Y =
 t
( )
s D

the non - seasonal autoregresiv the Diferențele

the seasonal
Operatorul non - seasonal and seasonal
nesezoniere difference
de ordin d și celes,
Operatorul autoregresiv
autoregressive operator autoregres sive operator such that d + D  2
de ordin de ordin P sezonier sezoniere D astfel încât d+D≤2
of porder
non sezonier
p of order P

= 0 +  q (B )

( )
Q B s

 
t
the non - seasonal
Operatorul de medie the seasonal
Operatorul de medie
moving average operator moving average operator
mobilă de ordin
of order q q non moblă de ordin
of order Q Q
sezonier sezonier
 unde s este numărul perioadelor dintr-un an numită și perioada componentei sezoniere
 si B este operatorul de deplasare Byt=Yt-1

Componentele modelelor SARIMA
 Componentele nesezoniere sunt:
 Componenta autoregresivă de ordin p nesezonieră, AR:
 p (B ) = 1 − 1  B − 2  B 2 − ... −  p  B p
 Componenta medie mobilă nesezonieră de ordin q, MA:
q (B ) = 1 + 1  B +  2  B 2 + ... +  q  B q
 Componentele sezoniere sunt:
 Componenta autoregresivă de ordin P sezonieră, AR:
 P (B s ) = 1 − 1 ( s )  B s − 2 (s )  B 2 s − ... −  p (s )  B P  s
 Componenta medie mobilă sezonieră de ordin Q, MA:

( )
Q B s = 1 + 1 (s )  B s +  2 (s )  B 2 s + ... +  q (s )  B Q  s

 Se utilizează notarea cu majuscule pentru părțile sezoniere ale modelului și

notarea cu minuscule pentru părțile non-sezoniere ale modelului.
Modele SARIMA- Exemple
 SARIMA(0,0,0)(0,0,1)12 : 𝑋𝑡 = 𝑒𝑡 − Θ1 𝑒𝑡−12

 ACF ia valori diferite de zero doar la lag k=12

 SARIMA(0,0,0)(1,0,0)12 : 𝑋𝑡 = Φ1 𝑋𝑡−12 + 𝑒𝑡

 PACF ia valori diferite de zero doar la lag k=12

 SARIMA(1,1,1)x(1,1,1)4 :
Observații modele SARIMA
1. Diferența sezonieră este
yt − yt − s = yt − B s yt = (1 − B s )yt

 unde s este numărul de anotimpuri dintr-un an și dau diferența dintre o observație

și observația corespunzătoare față de anul precedent.

2. O diferență sezonieră urmată de o primă diferență non-sezonieră poate fi scrisă ca:

(1 − B )(1 − B s )yt = (1 − B − B s + B s +1 )yt =
= yt − yt −1 − yt − s + yt − s −1

unde B s yt = B s ( yt ) = yt − s
Identificarea modelului
 se identifică o combinaţie de valori plauzibile pentru d şi D care staţionarizează
seria:
 din graficele funcţiilor de autocorelaţie respectiv autocorelaţie parţială a seriei
diferenţiate (care este staţionară) se identifică valori plauzibile pentru gradele
polinomului autoregresiv p, polinomului medie mobilă q respectiv pentru gradele
polinomului autoregresiv sezonier P şi a polinomului medie mobilă sezonier Q:

𝜑 𝐵 𝑠 = 1 − 𝑎1 𝐵 𝑠 − 𝑎2 𝐵2𝑠 − ⋯ − 𝑎𝑃 𝐵𝑃𝑠

𝜃(𝐵 𝑠 ) = 1 − 𝑏1 𝐵2𝑠 − ⋯ − 𝑏𝑞 𝐵𝑄𝑠

 Notaţia generală SARIMA(p,d,q)(P,D,Q).

 Ordinele polinoamelor sezoniere P, Q sunt identificate în mod similar cu p, q

analizând funcţiile de autocorelaţie respectiv de autocorelaţie parţială pentru k=s,
2s, ....
Exemple – discuții
 Partea sezonieră a unui model AR sau MA va fi văzută în decalajele sezoniere ale
PACF și ACF.
 Comportamentul SAR pur (Partea Auroregresivă Sezonieră) sau SMA pur (Partea
Medie Mobilă Sezonieră) sunt similare comportamentelor modelelor AR pus sau
MA pur, cu excepția faptului că semnele modelelor apar pe multipli de lag în ACF și
PACF.
 De exemplu, un proces SAR pur (1) are vârfuri în ACF în decalajele s, 2s, 3s etc. în timp ce
PACF se anulează după întârzierea s.
 În schimb, un proces SMA pur (1) are vârfuri în PACF la întârzire, 2s, 3s, etc. în timp ce ACF
se anulează după lag s.

 Un model SARIMA (0,0,0) x (0,0,1)12 va arăta:

 un vârf la lag 12 în ACF și niciun alt vârf semnificativ.
 PACF va manifesta o scădere exponențială a întârzierilor sezoniere; adică vor exista vărfuri semnificativ
diferite de zero dar ce descresc exponențial la intervalele 12, 24, 36, ...

 În mod similar, un model SARIMA (0,0,0) x (1,0,0)12 va arăta:

 scăderea exponențială a întârzierilor sezoniere ale ACF, adică la intervalele 12, 24, 36, ...
 un singur vârf semnificativ la lag 12 în PACF.
 Observații
 Regula 1: Dacă seria are un pattern sezonal puternic şi consistent, atunci ar trebui
utilizat un ordin de diferenţiere sezonieră dar niciodată nu se utilizează mai mult de două
ordine de diferenţiere sezonieră sau mai mult de două ordine de diferenţiere totală
(sezonieră şi nesezonieră)

 Comportamentul unui model SAR respectiv SMA este asemănător modelelor AR și MA

cu excepția faptului că apar decalate la multipli de s în funcția ACF și PACF
 Termenii non-sezonieri: Examinați întârzierile timpurii (1, 2, 3, ...) pentru a judeca
termenii non-sezonieri. Vârfuri în ACF la laguri mici indică termeni non-sezonieri MA.
Vârfurile-urile din PACF la laguri mici indica posibili termeni AR non-sezonieri.

 Termeni sezonieri: Examinați tiparele la întârzieri care sunt multiplii ai S. De exemplu,

pentru datele lunare, uitați-vă la 12, 24, 36 și așa mai departe (probabil că nu va trebui
să vă uitați la mult mai mult decât primii doi sau trei multipli de sezon). Judecati ACF si
PACF la lagurile sezoniere, in acelasi mod in care ati facut pentru decalajul anterior.
Reguli identificare modele SARIMA

 Dacă funcția de autocorelație (ACF) a seriei diferențiate afișează o descreștere

bruscă și/sau autocorelația la lag 1 este negativă, atunci luați în considerare
adăugarea unui termen MA la model. Decalajul de la care se anulează ACF este
numărul indicat de termeni MA.

 Dacă autocorelația (ACF) în perioada sezonieră este pozitivă, luați în considerare

adăugarea unui termen SAR la model. Dacă autocorelația în perioada sezonieră este
negativă, luați în considerare adăugarea unui termen SMA la model.

 Regula 2: Trebuie evitată utilizarea simultană a termenilor SMA și SAR în același

model și de asemenea trebuie evitată utilizarea a mai mult de un termen de orice fel
în model.
Estimarea si testarea modelului
 Estimați modelul (modelele) care ar putea fi rezonabile pe baza pasului anterior de
identificare. Nu uitați să includeți diferențele pe care le-ați făcut înainte de a vă uita la
ACF și PACF. În software, specificați seria originală ca date și apoi indicați diferența
dorită atunci când specificați parametrii din comanda ARIMA pe care o utilizați.

 Testare: Se examinează erorile (cu ACF, Box-Pierce și alte mijloace) pentru a vedea
dacă modelul poate fi validat. Comparați valorile AIC sau BIC dacă ați încercat mai
multe modele.

 Daca din etapa de testare nu rezultă un model bun, atunci se revine la pasul de
identificare.
 ARIMA(0,0,1)(0,0,1)12
ACF (1) este Autocorelatia in perioada sezoniera
semnificativ diferit este pozitiva – se adauga un termen SMA
de zero
– se adaugă un
termen MA

Descreștere bruscă către zero

ARIMA (1,0,0)× (0,1,1)12

Autocorelatia in perioada
sezoniera
este negativă – se adauga
un termen SAR
Descreștere
bruscă către zero

PACF (1) este

semnificativ diferit
de zero
– se adaugă un
termen AR
 EXEMPLU
Fie seria de timp a vanzarilor lunare de
autoturisme din Statele Unite, deflaționate, din
ianuarie 1970 pana in mai 1993 (279 observatii)

Sursa informatiilor : Conf. univ. dr. Mihaela Covrig, Time series, part 10,
lecture and exercises, 2019-2020,
Exemplu
Exemplu
Exemplu

 ARIMA(0,1,1)x(0,1,1)12
Exemplu
 Tutorial pentru estimarea modelelor SARIMA in R:
 https://www.google.com/search?q=modele+sarima&oq=model
e+sarima&aqs=chrome..69i57j0i10i22i30j0i22i30l3j0i10i22i30.2
164j0j7&sourceid=chrome&ie=UTF-
8#fpstate=ive&vld=cid:012b4473,vid:X-PpICNabVE