Documente Academic
Documente Profesional
Documente Cultură
Introducere În Analiza Seriilor de Timp
Introducere În Analiza Seriilor de Timp
https://ro.wikipedia.org/wiki/George_Orwell
”He who controls the past controls the future”. George Orwell in "1984".
https://ro.wikipedia.org/wiki/Hector_Berlioz
"Time is a great teacher, but unfortunately it kills all its pupils”. Louis
Hector Berlioz
https://en.wikipedia.org/wiki/George_E._P._Box
"All models are wrong, but some are useful". George E. P. Box
https://ro.wikipedia.org/wiki/Niels_Bohr
“Prediction is very difficult, especially if it's about the future”. Niels Bohr
Serii de timp
Introducere în analiza seriilor de timp 2
1. Introducere
Serii de timp
Introducere în analiza seriilor de timp 3
Ce este mai ușor de prognozat?
Serii de timp
Introducere în analiza seriilor de timp 4
Serii de timp
Introducere în analiza seriilor de timp 5
Serii de timp
Introducere în analiza seriilor de timp 6
2. Surse de date
www.datamarket.com
www.bnro.ro
www.insse.ro
http://ec.europa.eu/eurostat/data/database
http://www.york.ac.uk/depts/maths/data/ts/
Serii de timp
Introducere în analiza seriilor de timp 7
3. Bibliografie
Serii de timp
Introducere în analiza seriilor de timp 8
4. Resurse
▪ https://libgen.is/
▪ https://scihub.wikicn.top/
Serii de timp
Introducere în analiza seriilor de timp 9
45%
40%
35%
30%
China
25%
United States
20%
Spain
15%
United Kingdom
10%
5%
0%
1
1955
1982
1600
1870
1940
1952
1958
1961
1964
1967
1970
1973
1976
1979
1985
1988
1991
1994
1997
2000
2003
2006
Serii de timp
Introducere în analiza seriilor de timp 10
30
25
20
15
10
5
0
-5
-10
-15
-20
-25
1880
1873
1887
1894
1901
1908
1915
1922
1929
1936
1943
1950
1957
1964
1971
1978
1985
1992
1999
2006
Inflation Rate in UK (%)
Serii de timp
Introducere în analiza seriilor de timp 11
13000
12000
11000
10000
9000
8000
7000
6000
5000
1982
2008
1980
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2010
Romania - GDP per capita, PPP (constant 2005 international $)
Serii de timp
Introducere în analiza seriilor de timp 12
5. Probleme cu modelarea seriilor de timp în
economie
▪ Eșantioane relative mici;
▪ Seriile de timp economice prezintă un grad ridicat de
interdependență;
▪ Seriile de timp economice au o structură de autocorelație
semnificativ nenulă;
▪ Seriile de timp din economice sînt în general nestaționare
(cauze posibile: creșterea productivității și creșterea
inflației);
▪ Inferența statistică clasică nu poate fi aplicată seriilor de timp
economice, întrucît nu putem vorbi de eșantioane aleatoare,
ori de același DGP (data generating process).
Serii de timp
Introducere în analiza seriilor de timp 13
Modelarea seriilor de timp = identificarea componentei sistematice
astfel încît seria reziduurilor este zgomot alb (white noise).
SFEtimewn
Serii de timp
Introducere în analiza seriilor de timp 14
Ce nu folosim din econometrie în modelarea seriilor de timp
▪ Nu folosim Durbin-Watson pentru testarea autocorelării, ci
Breuch-Godfrey LM test.
▪ Nu putem testa multicoliniaritatea.
▪ Modelul estimat trebuie să aibă termen liber.
▪ Autocorelarea într-un model de serii de timp fără variabile cu
întîrziere duce la rezultate inconsistente.
▪ De cele mai multe ori nestaționaritatea este indusă de trenduri
stochastice, nu de trenduri liniare.
Serii de timp
Introducere în analiza seriilor de timp 15
6. Componentele unei serii de timp
▪ 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 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.
Serii de timp
Introducere în analiza seriilor de timp 16
Serii de timp
Introducere în analiza seriilor de timp 17
- Componenta ciclică este formată din fluctuaţii regulate,
manifestate pe perioade mai mari de un an, care devin complete
pe parcursul câtorva ani.
- 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.
• Modelul multiplicativ: y t = y tT y tS y tC y tR
Serii de timp
Introducere în analiza seriilor de timp 18
▪ Cum alegem între modelul de descompunere aditiv și cel
multiplicativ?
− Modelul aditiv este util atunci când variația este relativ
constantă în timp .
− Modelul multiplicativ este util atunci când variația crește în
timp.
Fig.1.a. Oscilaţiile seriei sunt constante în timp Fig.1.b. Oscilaţiile seriei se amplifică în timp
Serii de timp
Introducere în analiza seriilor de timp 19
Serii de timp
Introducere în analiza seriilor de timp 20
▪ 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.
▪ Se determină componenta reziduală.
Pentru modelul aditiv: y tR = y t − y tT − y tS .
Pentru modelul multiplicativ: y tR = y t /( y tT y tS )
▪ Componenta reziduală poate fi analizată pentru a stabili dacă
aceasta este un proces de tip white noise.
Exemplu: TSD
Serii de timp
Introducere în analiza seriilor de timp 21
8. Netezirea exponențială (Exponential
Smoothing)
Serii de timp
Introducere în analiza seriilor de timp 22
Context
1. Media
2. Trendul
3. Componenta sezonieră
4. Componenta ciclică
Serii de timp
Introducere în analiza seriilor de timp 23
Procesul de predicție
Serii de timp
Introducere în analiza seriilor de timp 24
Indicatori de acuratețe a predicției
1 n
▪ Mean absolute deviation (MAD) MAD = At − Ft
n t =1
1 n
▪ Mean square error (MSE) MSE =
n t =1
( At − Ft ) 2
1 n
▪ Root mean square error (RMSE) RMSE =
n t =1
( At − Ft ) 2
n
▪ Sum of forecast errors (SFE) SFE = (A t =1
t − Ft )
Serii de timp
Introducere în analiza seriilor de timp 25
Senzitivitate vs. stabilitate
Modele staționare
At + At −1 + + At −k +1
Ft +1 =
k
Serii de timp
Introducere în analiza seriilor de timp 26
Exponential Smoothing
Ft +1 = Ft + ( At − Ft ) = At + (1 − ) Ft
Yˆt +1 = At + (1 − ) At −1+ (1 − ) 2 At −2 + (1 − ) 3 At −3 +
Serii de timp
Introducere în analiza seriilor de timp 27
Exemplu
Month Apr- May- Jun- Jul- Aug- Sep- Oct- Nov- Dec-
07 07 07 07 07 07 07 07 07
SMA (6 104.8 108.0 111.7 111.5 109.5 114.8 116.2 120.5 121.3
months)
ES(α = 104.8 106.8 107.7 110.1 107.9 112.7 114.2 119.5 118.8
0.2)
Serii de timp
Introducere în analiza seriilor de timp 28
160
140
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9
Serii de timp
Introducere în analiza seriilor de timp 29
MAD MSE SFE TS
Exponential smoothing
Serii de timp
Introducere în analiza seriilor de timp 30
Modele nestaționare
Ft +n = Et + nTt
unde
Et = At + (1 − ) ( Et −1 + Tt −1 )
Tt = ( Et − Et −1 ) + (1 − )Tt −1
Serii de timp
Introducere în analiza seriilor de timp 32
Ft +n = ( Et + nTt ) St +n− p
At
Et = + (1 − ) ( Et −1 + Tt −1 )
St − p
Tt = ( Et − Et −1 ) + (1 − )Tt −1
At
St = + (1 − ) S t − p
Et
Serii de timp
Introducere în analiza seriilor de timp 33
Filtrul Hoddrick-Prescott
yt = τt + ct
T T −1
t = min{ ( yt − t ) + [( t +1 − t ) − ( t − t −1 )]2 }
2
1 2
Serii de timp