Serii de timp

SARIMA
04.05.2022
EXTINDERI ALE MODELELOR ARIMA:
SARIMA, VAR
Modele SARIMA
 Notăm prin s perioada componentei sezoniere.
 Dacă seria este nestaţionară relativ la componenta sezonieră (amplitudinea
oscilaţiilor creşte sau scade în timp) atunci se determină diferenţele sezoniere de
ordin 1:

X t = Yt − Yt −s

 In general se notează cu D numărul de diferenţieri sezoniere necesare pentru a

staţionariza componenta sezonieră (de regulă D=1).
 SARIMA(p,d,q)(P,D,Q) este de fapt un model ARIMA (p,d,q) ale cărui erori α sunt
un model ARIMA (P,D,Q)
 Cazuri speciale:
 SARIMA(0,0,0)(0,0,1)12 : X t =  t −12 1 t −12
 ACF ia valori diferite de zero doar la lag k=12, 24, …

 SARIMA(0,0,0)(1,0,0)12 : X t =12 1 X t −12 +  t

 PACF ia valori diferite de zero doar la lag k=12, 24, …
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:
 (Ls ) = 1 − a1 Ls − a2 L2 s −  − a P LPs

 ( Ls ) = 1 − b1 L2 s −  − bq LQs

 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, ....
 Identificarea modelului
 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)

 Observație: Comportamentul unui modelelor SAR respectiv SMA este

asemănător modelelor AR și MA cu excepția faptului că apar decalate la multipli
de s în funcția ACF și PACF
 SAR (1) are vârfuri diferite de zero în ACF la lag-urile s,2s, 3s, iar PACF devine zero de la lag-ul s
 SMA (1) are vârfuri diferite de zero în PACF la lagurile s,2s, 3s, iar ACF devine zero dupa lagul s

 Regula 2: Dacă autocorelația perioadei sezoniere este pozitivă atunci va fi

adăugat modelului un termen SAR. Dacă autocorelația perioadei sezoniere este
negativă atunci va fi adăugat modelului un termen SMA. 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.
Identificarea modelului
 Probabil cel mai utilizat model SARIMA este:
 SARIMA(0,1,1)x(0,1,1) adică un model MA(1) și SMA(1) cu o diferentiere atât
sezonieră cât și nesezonieră. Acesta este în esență un „model de netezire
exponențială"
EXEMPLU
 Numărul lunar al pasagerilor unei companii aeriene (în mii)
EXEMPLU
 Deoarece seria are o varianţă crescătoarem aceasta se va logaritma:
EXEMPLU
 Pentru înlăturarea componentei trend se vor calcula diferenţele de ordin d=1:

 Funcţia de autocorelaţie pentru seria diferenţiată odată este:

 Se observă că la lag = 12, 24, 36 apare câte un vârf diferit de zero ce descreşte lent deci
înseamnă că seria are o rădăcină unitară sezonieră deci D=1.
EXEMPLU
 Se vor calcula diferentele sezoniere de ordin 1 D=1:
EXEMPLU
 SARIMA(0,1,1) (0,1,1)12

 SARIMA(0,1,12) (0,1,0) 12