Serii de timp

Curs 6, Martie 2023

Titular de curs: Prof.univ.dr.Cristina BOBOC
Email: cristina.boboc@csie.ase.ro
WEB page: www.cristinaboboc.wordpress.com
 Capitolul 3
MODELE UNIVARIATE DE TIP
AUTOREGRESIV MEDIE MOBILA
Etapele elaborării unui model ARIMA
(autoregresiv integrat medie mobilă)
 1. Identificarea modelului → se precizează valorile adecvate pentru p, d
respectiv q
 Verificarea staționarității: dacă seria se constată că este nestaționară ea se diferențiază până
devine staționară, rezultând ordinul de diferențiere d (în general d=1 sau 2)
 În funcție de forma funcțiilor de autocorelație și parțială de autocorelație se determină valori
plauzibile pentru p și q

 2. Estimarea parametrilor modelului → estimarea coeficienţilor ai, bi,  2

 3. Testarea validităţii modelului

  t este de tip zgomot alb? → teste privind comportamentul
reziduurilor
 teste privind semnificaţia coeficienţilor ai, bi;

 Dacă modelul nu este valid atunci se respecifică modelul (alte valori

plauzibile pentru p,d,q) şi se reiau etapele anterioare.

 4. Generarea previziunilor în baza modelului estimat.

1. Identificarea modelului
 a) Stabilirea ordinului de diferenţiere. Dacă o serie este nestaţionară
se vor calcula diferenţele de ordin 1 eventual 2, în scopul stabilirii ordinului
de diferenţiere d.

 Observaţie. Dacă seria prezinta fluctuații mari in jurul mediei, este indicat
ca inainte de modelare, sa se logaritmeze datele iniţiale, reducând astfel
amplitudinea fluctuaţiilor seriei. Se va lucra în continuare cu datele
logaritmate.

 b) Stabilirea valorilor plauzibile pentru p respectiv q.

 Dacă nu pare adecvat un model AR(p) sau MA(q) cu număr mic de parametri ( p
respectiv q mai mici ca 4) atunci se va încerca un model mixt ARMA ce combină
ambele părţi.
 Metodologia Box Jenkins
Model Funcţia de autocorelaţie rk Funcţia de autocorelaţie parţială ck
AR(1) - descreşte exponenţial dacă - c1 semnificativ (> 0 dacă
Yt = a 1Yt −1 +  t a1 > 0 a1 > 0 şi <0 dacă a1 < 0);
- descreşte sinusoidal, dacă - ck = 0,  k  2
a1 < 0

AR(2) descreşte exponenţial sau sinusoidal. Forma exactă - c1 şi c2 semnificativi

Yt = a 1Yt −1 + a 2 Yt −2 +  t
AR(p)
Yt = a 1Yt −1 +  + a p Yt −p +  t
MA(1)
Yt =  t − b1 t −1
depinde de semnul şi valoarea coeficienţilor a1 şi a2 - ck = 0,  k  3
descreşte exponenţial sau sinusoidal. Forma -c1, …, cp – semnificativi
funcţiei depinde de semnul şi valoarea -ck = 0,  k  p+1
coeficienţilor a1, …, ap
r1 semnificativ (> 0 dacă b1< 0şi  0 dacă b1 > 0); exponenţial dacă b1 > 0
rk = 0,  k  2 sinusoidal dacă b1 < 0

MA(2) r1 , r2 semnificativ descreşte exponenţial sau sinusoidal. Forma

Yt =  t − b1 t −1 − b 2 t −2
MA(q)
Yt =  t − b1 t −1 −  − b q t −q
ARMA(1,1)
Yt = a1Yt −1 +  t − b1 t −1
rk = 0,  k  3 exactă depinde de semnul şi valoarea
coeficienţilor b1, b2
r1 ,  , rq semnificativi descreşte exponenţial sau sinusoidal. Forma
rk = 0,  k  p+1 funcţiei depinde de semnul şi valoarea
coeficienţilor b1, …, bq
descreşte exponenţial. Semnul lui r1 depinde de cel descreşte exponenţial dacă b1 > 0 respectiv
al diferenţei a1–b1 sinudoidal dacă b1 < 0

ARMA (p,q) descreşte exponenţial sau sinusoidal începând cu descreşte exponenţial sau sinusoidal începând cu
k=q-p k=q-p
Metodologia Box Jenkins
 În practică vom căuta:

 cea mai mică valoare a lui k începând de la care funcţia de autocorelaţie parţială ck nu diferă
semnificativ de zero (începând de la care ipoteza nulă H0 : nu se respinge). Obţinem astfel
valoarea plauzibilă pentru p ordinul modelului autoregresiv AR(p); AR(p) este adecvat
variabilelor dependente exclusiv de trecutul lor, cu pronunţat caracter inerţial (exemplu:
consumul de bunuri de strictă necesitate unde se creează obişnuinţă).

 cea mai mică valoare a lui k începând de la care funcţia de autocorelaţie rk nu diferă
semnificativ de zero (începând de la care ipoteza nulă H0 : nu se respinge). Obţinem astfel
valoarea plauzibilă pentru q, ordinul modelului medie mobila MA(q). MA(q) e adecvat
variabilelor „sensibile” la modificări ale variabilelor exogene, determinând abateri accidentale
de la evoluţia medie.

 În principiu nu este dificil să distingem între un model AR(p) şi un model MA(q), în schimb
determinarea ordinelor p, q pentru un model mixt este un proces relativ incert. Există şi
posibilitatea selectării modelului ce minimizeaza diferite criterii construite utilizând funcţia de
verosimilitate (ex: criteriul Akaike AIC, criteriul Schwarz SC).
Estimarea parametrilor modelului
 Forma restrânsă a unui model
 ARMA(p,q):  (L )Yt =  (L ) t
 ARIMA(p,d,q):  (L )(1 − L) d X t =  (L ) t

 Metoda clasică a celor mai mici pătrate de minimizare a sumei pătratelor erorilor
conduce la estimatori ai parametrilor a1, a2,…, ap regăsind ecuațiile Yule-Walker
(relațiile între coeficienții modelului și coeficienții de autocorelație).
 Estimatorii obținuți nu sunt eficienți deoarece există colinearitate între variabilele
explicative din model.
 De aceea se utilizează metoda verosimilității maxime.

 Proprietate: Funcţia de verosimilitate asociată seriei observaţiilor Y=(Y1, …,YT )

este:
1
(2 2 ) −T / 2 det[(ai , bi )]−1 / 2 exp{− Y ' [(ai , bi )]−1 Y
2  2

 Maximizarea acesteia conduce la valori pentru coeficienţii ai, bi ce asigură cea mai
mare probabilitate de apariţie a observaţiilor Y1, …, YT.
 Acești estimatori sunt consistenți, asimtotic eficienți și normal distribuiți.
Testarea validității modelului
 Pentru a vedea dacă modelul estimat surprinde adecvat modul de generare a
datelor (caracterul inerţial respectiv cel de asimilare a şocurilor) este utilă în
prealabil o analiza comparativă a funcţiei de autocorelaţie r̂k respectiv de
autocorelaţie parţială ĉ k estimate, pentru seria iniţială Yt respectiv pentru seria
generată de model Yˆt .
 O asemănare între corelogramele acestora indică faptul că modelul surprinde
adecvat mecanismul de generare a datelor.
 De asemenea se pot analiza rădăcinile unitate ale polinoamelor autoregresive
respectiv medie mobilă.

 Se vor aplica două grupe de teste:

 teste de semnificație a coeficienţilor modelului
 teste referitoare la reziduuri (pentru a vedea dacă sunt de tip zgomot alb).
Teste privind semnificația coeficienților
 Considerăm un model staţionar ARMA(p,q) cu medie diferită de zero:
 (L )Yt = a 0 +  (L ) t

 Se testează dacă ai (sau bi ) diferă semnificativ de zero:

H 0 : ai = 0
H 1 : ai  0


ai
 Statistica: t=   N(0,1)
Var (ai )

 Regula de decizie: Pentru un nivel de semnificaţie  , dacă t calc  − t tab ,+t tab  atunci
ipoteza
nulă H0 nu se respinge. Prin urmare variabila corespunzătoare se elimină din model, şi se
respecifică respectiv re-estimează modelul.

 Observație: Ca teste asupra coeficienţilor se pot utiliza şi alte teste precum testul Wald, sau
teste de tip LM (Multiplicatorul lui Lagrange) pentru omisiunea unor variabile, teste de
stabilitate a coeficienţilor.
Teste privind reziduurile
 Dacă modelul este bine specificat, atunci reziduurile din modelul estimat
sunt generate de un proces de tip zgomot alb (succesiune de variabile
aleatoare independente, identic repartizate), cu medie zero şi normal
distribuit.
 Autocorelarea reziduurilor. Pentru detectarea unor dependenţe în seria
reziduurilor se examinează funcţia de autocorelaţie şi de autocorelaţie
r̂k
parţială a reziduurilor.ĉ kDacă reziduurile sunt necorelate, atunci aceşti
coeficienţi nu trebuie să fie semnificativ diferiţi de zero.
rˆk 
Var (rˆk ) =
1
 Statistica: t=  N(0,1) unde
Vˆar (rˆk ) T

 Regula de decizie: Pentru un nivel de semnificaţie  , dacă rˆk  − ttab / T , ttab / T 

atunci ipoteza nulă H0 nu se respinge, deci reziduurile sunt necorelate.

 Observații:
 1. Același test se aplică și pentru coeficienții parțiali de autocorelație.
 2. Se mai aplică și testul Ljung Box studiat în cursurile precedente
Investigarea normalității reziduurilor
 Testul Jarque&Bera:
 Se bazează pe coeficienții de boltire și de asimetrie
 Dacă un eşantion de T observaţii provine dintr-o distribuţie normală atunci coeficientul de
asimetrie calculat în baza observaţiilor urmează asimptotic legea normală N(0, 6/T) iar
coeficientul boltirii legea N(3,24/T).
 Jarque şi Bera obţin prin însumarea celor două variabile normale independente statistica:
1 1
JB = Tˆ 32 + T (ˆ 4 − 3) 2   2 (2)
6 24
 Regiunea critică:

P ( JB  2 , 2 ) = 
Investigarea heteroscedasticităţii
reziduurilor
 Testul multiplicatorilor lui Lagrange pentru heteroscedasticitate de tip
ARCH(p) presupune:
 estimarea reziduurilor et = ˆt din ecuaţia ce defineşte modelul;
 estimarea regresiei auxiliare (ce fundamentează testul):
et2 =  0 +  1et2−1 + ... +  p et2− p

 testarea ipotezei nule în ecuaţia de regresie auxiliară:

H o :  1 =  2 = ... =  p = 0 (nu există efect ARCH).
 Statistica LM definită prin:
LM = T  R 2   2 ( p )
 unde R2 este coeficientul de determinaţie aferent regresiei auxiliare iar T este lungimea seriei
de timp.
 Ipoteza homoscedasticităţii (varianţă constantă în timp) se respinge dacă LM calculat este
superior valorii critice pentru un nivel de semnificație :
P ( LM  2 , p ) = 
Criterii de selecție pentru cel mai bun
model ARIMA
 Criteriul AIC (Akaike 1974):
AIC = ln(ˆ 2 ) + 2( p + q ) / T unde ˆ 2 este estimatorul varianței 2 pentru modelul ARMA
potrivit seriei wt=dxt, t=1,2,...,T

 Criteriul BIC (Rissanen, Schwartz 1978):

BIC = ln(ˆ 2 ) + ( p + q ) ln(T ) / T unde ˆ 2 este estimatorul varianței 2 pentru modelul ARMA
potrivit seriei wt=dxt, t=1,2,...,T

 Procedura:
 Se determină P și Q maximele ordinelor modelelor AR respectiv MA
 p și q se determină astfel încât să obțin minimul criteriilor descrise
Realizarea previziunilor
 Modelul ARIMA estimat şi validat poate fi utilizat pentru generarea de previziuni:
 previziuni punctuale
 intervale de previziune.
 Previziuni punctuale
 Pentru un orizont de previziune h, ataşăm momentului T+h, unde T este originea efectuării
previziunii, variabila aleatoare YT + h .

YT + h = E (YT + h | YT , YT −1 ,..., Y1 )

YˆT + h = aˆ 0 + aˆ1YT + h −1 + aˆ 2YT + h − 2 +  + aˆ p YT + h − p − bˆ1 T + h −1 − bˆ2  T + h − 2 −  − bˆq  T + h − q +  T + h

 Previziunile se obţin în baza informaţiilor disponibile până la momentul T, pas cu pas:
 termenii autoregresivi YT + h −i pentru h-i>0 (adică YT +1 , YT + 2 ... se substituie cu previziunile obţinute la
paşii anteriori;
 termenii autoregresivi YT + h −i pentru h-i<0 se înlocuiesc cu valorile înregistrate, aici fiind cunoscuţi
termenii seriei (YT-1, YT-2, ...);
 termenii eroare  T + h −i pentru h-i>0 (adică T+1, T+2,…) se înlocuiesc cu zero (deoarece înlocuindu-i
cu media lor și erorile fiind de tip zgomot alb, media lor este 0)
 termenii eroare  T + h −i pentru h-i<0 (adică T-1, T-2,… ) se înlocuiesc cu reziduurile estimate din
model (spre exemplu  = Y − Yˆ , pentru t<T).
t t t
Determinarea intervalului de previziune
 Eroarea de previziune:

eT + h = YT + h

( )
− YT + h  N 0, V (eT + h ) 
YT + h − YT + h
V (eT + h )
 N (0,1)

 Din distribuţia legii normale de probabilitate, pentru o probabilitate P fixată se determină

k astfel încât:

 Y − Y 
− k  T + h T +h
 k = P

 V (eT + h ) 

 Intervalul de previziune:
YT +h

− k V (eT + h ); YT + h + k V (eT + h ) 
 Calculul varianţei erorii de previziune necesită punerea modelului sub forma mediei mobile cu un număr
infinit de termeni (orice model ARMA poate fi pus în această formă):

Yt =  t + c1 t −1 + c 2 t −2 + ...  Yt = C (L ) t
  ( L)C (L ) =  ( L)
 (L )
Yt = t
 (L )
  h −1 
eT + h = YT + h − YT + h =  t + c1 t −1 + c 2  t − 2 + ... − (c h  T + c h +1 T −1 + ...)  V (eT + h ) =  2 1 +  c 2j 
 j =1 
Exemplu
 Fie seria temporală a PIB-ului SUA,
miliarde de dolari SUA, date
trimestriale ajustate sezonier din
1947 până în 2007, exemplu furnizat
în Gujarati, D., Porter, D., Basic
Econometrics, ediția a V-a, McGraw-
Hill, 2009, pp 778-784
Verificarea stationarității seriei
Este seria diferențiată stationară?
Corelograma seriei diferențiate

p
0 1 2
q
0 ARMA(0,0) ARMA(0,1), deci MA(1) ARMA(0,2), deci MA(2)
1 ARMA(1,0), deci AR(1) ARMA(1,1) ARMA(1,2)
ARMA(0, 0)
ARMA(1,0)
ARMA(0,1)
ARMA(0,2)
ARMA(1,1)
ARMA(1,2)
Compararea modelelor

Modele identificate

ARMA(1,0) ARMA(0,1) ARMA(0,2)

ARMA(1,1) ARMA(1,2)
or AR(1) or MA(1) or MA(2)

AIC –6.518950 –6.493237 –6.526104 –6.514880 –6.520065

BIC –6.490116 –6.464488 –6.482979 –6.471629 –6.462397
HQIC –6.507334 –6.481657 –6.508734 –6.497457 –6.496834
Log likelihood 790.7929 790.9283 795.9216 791.3005 792.9279
Adjusted R Square 0.104671 0.081077 0.114402 0.104688 0.112937
Este modelul semnificativ?

yes yes yes yes Yes

C yes yes yes yes Yes

semnificativi?
Parametrii

ar(1) yes yes No

ma(1) yes yes no No
sunt

ma(2) yes No
Rezidualurile sunt White
yes no yes yes Yes
Noise?