Introducere în analiza seriilor de timp

Departamentul de Statistică și Econometrie

Academia de Studii Economice din București
Facultatea de Cibernetică, Statistică și Informatică Economică
www.dse.ase.ro
 Introducere în analiza seriilor de timp 1

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

▪ O serie de timp economică este o mulţime de măsurători

succesive ale unei variabile economice, obţinute la intervale
de timp regulate (de exemplu, pe fiecare an, trimestru, lună,
zi).
▪

Yt=componenta sistematică + componenta nesistematică

yt = Td + Ts + S d + S s + yt* +  t .

Serii de timp
 Introducere în analiza seriilor de timp 3
Ce este mai ușor de prognozat?

Consumul mediu săptămînal de energie electrică

Prețul zilnic BTC

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

1. D. Peña, G. C. Tiao, R. S. Tsay. A course in time series analysis. John

Wiley and Sons, Inc. 2001
2. Enders, W. Applied Econometric Time Series, http://time-series.net
3. C. Chatfield. The analysis of time series: an introduction. Chapman
& Hall, CRC, 1996.
4. C. Chatfield. Time-series forecasting. Chapman & Hall, CRC, 2000.
5. D.S.G. Pollock. A handbook of time-series analysis, signal
processing and dynamics. Academics Press, 1999.
6. J. D. Hamilton. Time series analysis. Princeton Univ. Press, 1994.
7. A First Course in Time Series Analysis-Examples with SAS-Chair of
Statistics, University of Wurzburg 2006 (http://www.statistik-
mathematik.uni-
wuerzburg.de/fileadmin/10040800/user_upload/time_series/the
_book/2012-August-01-times.pdf )

Serii de timp
 Introducere în analiza seriilor de timp 8
4. Resurse

▪ Coduri și date pentru seminar:

https://github.com/danpele

▪ Cursuri, seminarii, bibliografie:

https://drive.google.com/drive/folders/1fmAz0t6xs
3IFnEU_kOzafFbJl6_6re_q?usp=sharing

▪ https://libgen.is/

▪ https://scihub.wikicn.top/

Serii de timp
 Introducere în analiza seriilor de timp 9

Share of World GDP

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

Yt=componenta sistematică + componenta nesistematică

yt = Td + Ts + S d + S s + yt* +  t .

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

În abordarea tradiţională, o serie de timp are patru componente:

• Componenta trend ytT (tendinţa de lungă durată),
• Componenta sezonieră y tS
• Componenta ciclică y tC – (este mai dificil de determinat)
• Componenta reziduală, aleatoare y tR .
- Trendul este componenta principală a unei serii cronologice.
Reprezintă tendinţa generală, ce corespunde unei evoluţii
sistematice, sesizabile pe perioade lungi de timp, efect al acţiunii
factorilor esenţiali.
- Componenta sezonieră reprezintă oscilaţiile care se repetă în
cadrul unei perioade de până la un an, ca efect al acţiunii
factorilor sezonieri.

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.

Modelele clasice de descompunere a seriilor de timp sunt:

• Modelul aditiv: y t = y tT + y tS + y tC + y tR

• 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

7. Etape de bază în descompunerea unei serii de

timp
▪ Se estimează tendința de lungă durată. În acest sens pot fi
utilizate două abordări diferite:
− O abordare este de a estima tendința printr-o procedură de
netezire precum metoda mediilor mobile.
Nu este folosită nicio ecuație pentru a descrie tendința.
− A doua metodă este de a modela trendul printr-o ecuație
de regresie.
▪ Se elimină trendul din serie. Pentru o descompunere aditivă,
acest lucru se face prin scăderea estimărilor tendinței din
serie. Pentru o descompunere multiplicativă, se va elimina
trendul prin împărțirea valorilor seriei la valorile de trend.

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)

▪ Tehnică de ajustare care se poate aplica unei serii de timp cu o

pronunțată componentă aleatoare.

▪ Este utilizată în principal la realizarea de predicții, atunci cînd

alte metode (ARIMA, Trend determinist etc.) nu dau rezultate.

Serii de timp
 Introducere în analiza seriilor de timp 22
Context

Fie seria de timp A1 , A2 , · · · ,An..

Modelele de predicție au drept scop estimarea următoarelor

componente:

1. Media

2. Trendul

3. Componenta sezonieră

4. Componenta ciclică

Serii de timp
 Introducere în analiza seriilor de timp 23
Procesul de predicție

1. Se estimează parametrii modelului folosind date istorice.

2. Se testează modelul prin back-testing.

3. Se utilizează modelul pentru realizarea de predicții în viitor.

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 )

▪ Tracking signal (TS) TS = SFE/MAD

Serii de timp
 Introducere în analiza seriilor de timp 25
Senzitivitate vs. stabilitate

Senzitivitate – abilitatea unui model de predicție de a răspunde la

schimbările de trend din seria de timp reală.

Stabilitate – abilitatea unui model de predicție de a nu fi influențat

de schimbările temporare de trend.

Modele staționare

Metoda mediilor mobile

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

▪ 0<α<1 - constanta de netezire; valori mari→senzitivitate mai

mare, valori mici→stabilitate mai mare

Yˆt +1 =  At +  (1 −  ) At −1+  (1 −  ) 2 At −2 +  (1 −  ) 3 At −3 +   

▪ Valorile mai recente primesc ponderi mai mari→memorie

scurtă.

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

Actual 115 111 120 99 132 120 141 116 141

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

Actual SMA (6 months) ES(α = 0.2)

Serii de timp
 Introducere în analiza seriilor de timp 29
MAD MSE SFE TS

Simple Moving 12.30 210.52 76.67 6.23

Average

Exponential 13.53 250.43 92.37 6.83

Smoothing

Predicție pentru primele trei luni ale anului 2008

Simple moving average

Forecast = (99+132+120+141+116+141)/6 = 124.8

Exponential smoothing

Forecast = 0.2(141) +(1.0 - 0.2)(118.8) = 123.3

Serii de timp
 Introducere în analiza seriilor de timp 30
Modele nestaționare

Double Exponential Smoothing

Metoda estimează valoarea așteptată la momentul t (Et) și

modificarea la momentul t (Tt). Predicția la momentul t+n este

Ft +n = Et + nTt

unde

Et =  At + (1 −  ) ( Et −1 + Tt −1 )

Tt =  ( Et − Et −1 ) + (1 −  )Tt −1

▪ α (0 < α < 1) este parametrul care controlează media

▪ β (0 < β < 1) este parametrul care controlează trendul.
Serii de timp
 Introducere în analiza seriilor de timp 31
Holt-Winters Additive Method

▪ estimează în plus componenta sezonieră, cu periodicitatea p.

▪ predicția la momentul t+n este
Ft +n = Et + nTt + St +n− p
Unde:
Et =  ( At − St − p ) + (1 −  ) ( Et −1 + Tt −1 )
Tt =  ( Et − Et −1 ) + (1 −  )Tt −1
St =  ( At − Et ) + (1 −  )St − p
-parametrul γ (0 < γ < 1) este folosit pentru estimarea componentei
sezoniere.

Serii de timp
 Introducere în analiza seriilor de timp 32

Holt-Winters Multiplicative Method

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

▪ metodă utilizată pentru estimarea trendului în serii care

prezintă componentă ciclică

yt = τt + ct
T T −1
 t = min{ ( yt −  t ) +  [( t +1 −  t ) − ( t −  t −1 )]2 }
2

1 2

▪ λ = 1600 pentru date trimestriale

▪ date lunare: 100000-150000
▪ date anuale: 5-15

Serii de timp