Serii de timp staționare

Departamentul de Statistică și Econometrie

Academia de Studii Economice din București
Facultatea de Cibernetică, Statistică și Informatică Economică
www.dse.ase.ro
Serii de timp staționare 1
1. Procese staţionare
▪ Staţionaritatea este un concept extrem de întâlnit în
statistică, econometrie şi în aplicaţiile acestora, în special în
domeniul economic.
▪ Staționaritatea este doar un caz particular de invarianță
temporală, care facilitează realizarea predicțiilor.
▪ Din punct de vedere statistic, putem spune, la modul general,
că un proces stochastic este staţionar dacă parametrii
distribuţiei1 nu se modifică de-a lungul timpului.
▪ În literatura de specialitate putem distinge între
staţionaritate în covarianță (covariance stationarity) şi
staţionaritate strictă (strict stationarity).

1
Avem în vedere media (momentul de ordinul întîi), varianţa (momentul
centrat de ordinul al doilea), structura de autocorelaţie etc.
Serii de timp
Serii de timp staționare 2

Definiţie: Seria temporală (Yt )t este staționară în covarianță

(covariance stationary) dacă:

(i) E Yt   , t;
2

(ii) EYt = μ, t;

(iii) Cov(Yr , Ys ) = Cov(Yr +t , Ys +t ), r,s,t.

Definiţie: Seria temporală (Yt )t se numeşte staţionară în sens strict

(strict stationary) dacă este îndeplinită condiţia următoare:
 t 1  ....  tk momente de timp şi oricare ar fi h un întreg
(Yt1 ,..., Ytk ) , (Yt1 +h ,..., Ytk +h ) urmează aceeaşi distribuţie.

Serii de timp
Serii de timp staționare 3

▪ Dacă seria este staţionară în covarianță, atunci

Var (Yt ) = Var (Yt + s ) .
▪ Staţionaritatea strictă implică staţionaritatea în covarianță,
dar reciproca nu este adevărată.
 X t N (0,1), dacă t = 1...tk
▪ Exemplu: Zt =  .
Yt N (0, 4), dacă t = tk +1...T
Serii de timp
Serii de timp staționare 4

Staționaritatea strictă  Staționaritatea în covarianță.

Serii de timp
Serii de timp staționare 5
▪ Cele mai multe serii temporale observate nu prezintă
proprietatea de staţionaritate.
▪ Din această cauză se folosesc anumite metode pentru a
induce datelor observate această caracteristică.

Indicele S&P500 – date zilnice (Jan 25, 2015 - Jan 25, 2020)

▪ Pt - prețul de închidere din ziua t.

▪ rt = log( Pt ) − log( Pt −1 ) - randamentul logaritmic
Serii de timp
Serii de timp staționare 6
1.1. Instrumente pentru recunoașterea
staționarității unei serii de timp
▪ Funcția de autocovarianță:
 k = Cov (Yt , Yt −k ) = E (Yt − E (Yt ) )(Yt −k − E (Yt −k ) )  .
▪ Funcția de autocorelație (ACF) :
k
 k = Corr(Yt , Yt −k ) =  ACF .
0
▪ Funcția de autocorelație parțială (PACF) :
o PACF este corelația dintre Yt și Yt-k după eliminarea
corelațiilor cu variabilele intermediare Yt-1, Yt-2, …, Yt-
k+1.

Corr(Yt , Yt −k Yt −1 , Yt −2 ,, Yt −k +1 ) = kk

o .
o 11 = Corr(Yt , Yt −1 ) = 1 , 22 = Corr(Yt , Yt −2 Yt −1 ).
Serii de timp
Serii de timp staționare 7
Estimarea PACF

i. Metoda regresiei
Yt −k = k1Yt −k +1 + k 2Yt −k + 2 +  + kkYt + et −k .
Yt −k Yt −k + j = k1Yt −k +1Yt −k + j +  + k kYt Yt −k + j + et −k Yt −k + j
.
 j = k1 j −1 + k 2 j −2 +  + k k j −k
.
 j = k1  j −1 + k 2  j −2 +  + k k  j −k
.
PACF
ii. Ecuațiile Yule-Walker
▪ Pkk = ( k ) .

Serii de timp
Serii de timp staționare 8
 1 1 k −1 

 1 k − 2 
▪ Pk =  1 .
 
 
  k −1 k −2 1 
▪ k = (k1 ,, kk ) , ( k ) = ( 1 ,, k ) .
▪ 11 = 1 .
1 1
  2  2 − 12
▪ 22 = 1 = .
1 1 1 − 12
1 1
▪ .....................................................

Serii de timp
Serii de timp staționare 9
1.2. Proprietăţile unei serii staţionare:
▪ Are media constantă de-a lungul timpului (i.e. nu prezintă trend).

▪ Are varianță constantă de-a lungul timpului.

▪ Corelaţia de-a lungul timpului depinde de legătura dintre Yt şi Y

la lagul k, (Yt-k) şi nu depinde de alte variabile.
0.15

0.1

0.05

-0.05

-0.1

-0.15

Serii de timp
Serii de timp staționare 10
Cum recunoaştem o serie staţionară?

▪ Analiza grafică.

▪ Evoluţia funcţiei de autocorelaţie (ACF) şi autocorelaţie parţială

(PACF).

▪ Teste de staționaritate.

▪ Seriile nestaţionare au ACF care converge “încet” spre zero.

▪ În general, se consideră că dacă după 5 paşi valoarea ACF este

mai mare decît 0.7, atunci seria este nestaţionară.

▪ Seriile staţionare au ACF care converge rapid spre zero.

Serii de timp
Serii de timp staționare 11
Serii nestaționare în medie

Serii de timp
Serii de timp staționare 12
Serii nestaționare în varianță

Serii de timp
Serii de timp staționare 13
Serii nestaționare și în medie și în varianță

Serii de timp
Serii de timp staționare 14
1.3. Serii nestaționare în medie
Notații:

▪ BkYt = Yt −k sau LkYt = Yt −k - operatorul de întîrziere

▪ Yt = (1 − B)Yt = Yt − Yt −1 - diferența de ordinul întîi
▪ kYt = (1 − B)k Yt - diferența de ordinul k

▪ Trend determinist → eliminarea trendului – seria este de tip

TS – trend stationary.
▪ Trend stochastic → diferențiere – seria este de tip DS –
difference stationary.

Serii de timp
Serii de timp staționare 15

AR(1): Yt = c + Yt−1 + at, cu || < 1.

Serii de timp
Serii de timp staționare 16
Random walk: Yt = c + Yt−1 + at.

Serii de timp
Serii de timp staționare 17

1.4. Serii nestaționare în varianță

▪ Staționaritatea în medie ----> Staționaritatea în varianță.
▪ Nestaționaritatea în medie ----> Nestaționaritatea în
varianță.
▪ Varianța unei serii nestaționare: VarYt  = c. f ( t ) .
▪ Problema: să aflăm funcția T(.) astfel încît T(Yt) să aibă
varianță constantă.
▪ Transformarea Box-Cox:
Yt  − 1
T (Yt ) = (Box and Cox, 1964) .


Serii de timp
Serii de timp staționare 18

 Transformare
−1 1/Yt

−0.5 1/(Yt)0.5
0 ln Yt
0.5 (Yt)0.5
1 Yt

▪ Transformarea Box-Cox trebuie realizată înainte oricărei alte

operații efectuate asupra seriei de timp.

Serii de timp
Serii de timp staționare 19
1.5. Procese de tip zgomot alb (white noise)

White noise

Serii de timp
Serii de timp staționare 20
Definiție: Procesul ( t )t se numeşte zgomot alb (white noise) de
2
medie μ şi dispersie  dacă:
(i ) E ( t ) =  , t.
(ii ) Var ( t ) =  2 , t.
 2 , h = 0
(iii )  h =  .
0 , h  0
Vom reprezenta acest lucru scriind ( t )t ~ WN (  ,  2 ) .
Proprietăți
• White noise (în analiza spectrală): lumina albă – toate
frecvențele sînt prezente în mod egal.
• Proces fără memorie.
• Zgomotul alb reprezintă elementul de bază al construcției
unor procese mai complicate.
Serii de timp
Serii de timp staționare 21
Teorema lui Wold: Orice serie staționară în covarianță se poate
reprezenta ca o combinație liniară de zgomote albe, modulo un

termen determinist: X t = 
j =0
j Z t − j + Vt .

Serii de timp
Serii de timp staționare 22
Suma unor zgomote albe necorelate

▪ Fie ( t ) t  WN ( ,  2 ) și ( t ) t  WN ( ,  2) ) două

zgomote albe necorelate.
▪ Procesul z t =  t + (1 −  ) t este tot un zgomot alb?

Sum_wn
Serii de timp
Serii de timp staționare 23

1.6. Testul Ljung-Box

▪ Ipotezele testului sînt Testul Ljung-Box pentru
următoarele: zgomot alb
H 0 :  (1) = ... =  (k ) = 0
(zgomot alb).
H A : non H 0 .
▪ Statistica testului:
1 k
ˆ 2 (i)
Q= 
T (T + 2) i =1 T − k
 2 (k )
.

Serii de timp
Serii de timp staționare 24

Exerciții

- Determinați media și varianța unui proces random walk.

- ( )
Dacă Yt = c + Yt −1 + at , at ~ WN 0, a2 este un random
walk, determinați cea mai bună predicție pentru momentul
t+1, ținînd cont de valorile anterioare.

Serii de timp
Serii de timp staționare 25

1.7. Teste de staționaritate

Unit root test

▪ Fie {Yt} o serie de timp pentru care verificăm

staționaritatea.
Yt = Yt −1 + at
▪ .

▪
Yt =  T Yt −T + at + at −1 +  2 at −2 +  +  T at −T .

Serii de timp
Serii de timp staționare 26

  1   T → 0 dacă T → .

 = 1   T → 1 dacă T → .

  1   T →  dacă T → .

Serii de timp
Serii de timp staționare 27
Dickey-Fuller (DF) test: cel mai simplu test pentru verificarea
staționarității.

( )
Yt = 0 + Yt −1 + at , unde at ~ Normal _ WN 0, a2 . ț

 H 0 :  = 1  Yt ~ I (1)

▪  .
 H A :   1  Yt ~ I ( 0 )

▪ Yt − Yt −1 = 0 − (1 −  ) Yt −1 + at

▪ Yt = 0 −  Yt −1 + at
 H0 :  = 0
▪  .
H A :   0

Serii de timp
Serii de timp staționare 28
AUGMENTED DICKEY-FULLER (ADF) TEST

• Dacă în modelul DF există corelație serială (i.e., dacă modelul

real nu este AR(1)), atunci folosim AR(p) pentru a elimina
autocorelația.

•  p ( B ) Yt = 0 + at , at  ~ WN ( 0,  a2 ) , E ( at4 )   .

•  p ( B ) = 1 − 1B − −  p B p poate avea o rădăcină unitară.

• Presupunem că  p (B ) = (1 − B ) p −1 (B ) , unde
 p−1 (B) = 1 − 1 B −  −  p−1 B p−1 are rădăcini în afara
cercului unitate.

Serii de timp
Serii de timp staționare 29
 p −1 (B )(1 − B )Yt =  0 + at
 p −1 (B )Yt =  0 + at
p −1
Yt −   j Yt − j =  0 + at
j =1

▪ Testul rădăcinii unitare este echivalent cu a testa ipoteza =1

în modelul
p −1
ADF : Yt = Yt −1 +   j Yt − j +  0 + at ↔
j =1
p −1
Yt = ( − 1)Yt −1 +   j Yt − j +  0 + at ↔
 j =1

p −1
↔ Yt = Yt −1 + 
j =1
j Yt − j +  0 + at .

Serii de timp
Serii de timp staționare 30

▪ Ipotezele testului ADF

H0 : = 1 H0 : = 0
H A :  1 H A :  0
ˆ
▪ Valoarea testului: DFcalc = .
SE (ˆ)
▪ Resping H0 dacă DFcalc  DFcritic

Fuller, W. A. (1976).

Serii de timp