Modele de medie mobilă – MA(1),

ARIMA(0,0,1), ARMA(0,1)
 Modelul medie mobilă de ordinul 1 cu media zero:
Yt =  t − b1 t −1  t ~ WN (0, 2 )

 Proprietate: Un model MA(1) este staționar iar funcția sa de autocorelație se

anulează pentru k2.
 Media procesului este nulă: E (Yt ) = E ( t ) − b1E( t −1 ) = 0

 Varianța procesului: ( ) 2 2
( )
Var (Yt ) = E Yt − E (Yt ) = E Yt 2 = E( t − b1 t −1 )( t − b t −1 ) =

( ) ( ) (
= E  t2 + E (− b1 t −1  t ) − E (− b1 t −1  t ) + E b12 t2−1 =  2 1 + b12 )
 Covarianța procesului: Cov(Yt , Yt − k ) = E ( t − b1 t −1 )( t − k − b1 t − k −1 ) =

=
( )
E ( t − b1 t −1 )( t −1 − b1 t − 2 ) = −b1 E  t2−1 = −b1  2 pentru k = 1
0 pentru k  1

0, k2
Funcția de autocorelație: 
 rk =  b1
−
 1+ b2 , k =1
 1
MA(1): Xt= t + 0,8  t-1
Modele de medie mobilă – MA(q), ARIMA(0,0,q)
 Modelul medie mobilă de ordinul q cu media zero:
Yt =  t − b1 t −1 − b2  t − 2 −  − bq  t − q  t ~ WN (0, 2 )

 Proprietate: Un model MA(q) este staționar iar funcția sa de autocorelație se anulează

pentru kq+1.

 Media procesului este nulă: E (Yt ) = 0

 Varianța procesului: (
Var (Yt ) =  2 1 + b12 + b22 + ... + bq2 )
 Covarianța procesului: Cov(Yt , Yt −k ) = E ( t − b1 t −1 − b2 t −2 −  − bq  t −q )( t −k − b1 t −k −1 − b2 t −k −2 −  − bq  t −k −q ) =
 2 (-b k + b1 b k +1 + ... + b q-k b q ) pentru k = 1, 2,..., q
=
0 pentru k  q + 1

 - b k + b1 b k +1 + ... + b q -k b q
pentru k = 1, 2,..., q
 Funcția de autocorelație: rk =  1 + b12 + b22 + ... + bq2

0 pentru k  q + 1

 Observație: Dacă procesul are medie nenulă atunci modelul include şi un termen liber, acesta fiind
egal cu media: Yt = m +  t − b1 t −1 −  − bq  t − q
Modele MA
y t =  t + 0,9 *  t −1 y t =  t − 0,9 *  t −1

y t =  t − 0,5  t −1 + 0,25  t − 2
 Modelul autoregresiv – AR(1), ARIMA(1,0,0)
 Modelul autoregresiv de ordinul 1 de medie zero:
Yt = a1Yt −1 +  t a1  1
 t ~ WN (0,  2 )

 Proprietate: Un model AR(1) , cu a1  1 este staționar iar funcția sa de

autocorelație are forma: rk = a1
k

Yt =  t + a1Yt −1 =  t + a1 (a1Yt −2 +  t −1 ) =  t + a1 t −1 + a1 Yt − 2 =

2

t −1
=  t + a1 t −1 + a1 (a1Yt −3 +  t −2 ) =  =  t + a1 t −1 + a1  t − 2 + a1  t −3 +  + a  =  a1j  t − j
t −1
2 2 3
1 1
j =0

 Media procesului este nulă: E (Yt ) = 0

 Covarianța procesului:

( )(
Cov (Yt , Yt − k ) = Cov (Yt , Yt + k ) = E (Yt Yt + k ) − E (Yt )E (Yt + k ) = E (Yt Yt + k ) = E  t + a1 t −1 +  + a1t −1 1  t + k + a1 t + k −1 +  + a1t + k −1 1 = )
( )( ) (
= E  t + a1 t −1 +  + a1t −1 1  t + k + a1 t + k −1 +  + a1k  t + a1k +1 t − `1 + a1k + 2 t − `2 +  + a1t + k −1 1 = E a1k  t2 + a1k + 2 t2−1 +  + a1k + 2(t −1) 12 )=
 2 k 1 − a12t
  a1 , a1  1
( ) (
=  2 a1k +  + a1k + 2(t −1) =  2 . a1k 1 +  + a12(t −1) ) = 1 − a12
 2 t , a1 = 1
 
a1k
cov(Yt , Yt + k ) ⎯⎯
⎯→  k =  
t → 2
a1  1
1 − a12
Modelul autoregresiv – AR(1), ARIMA(1,0,0)
 Varianța procesului: Var(Yt ) =  0 =  2 1
1 − a12

 Funcția de autocorelație: k
rk = = a1k
0

 Observații:
 a1 = 1 regăsim varianţa unui proces nestaţionar de tip mers aleator
 a1 > 0 funcţia de autocorelaţie rk descreşte exponenţial
 a1 < 0 descreşte sinusoidal (dinţi de ferăstrău, valorile negative alternează cu cele pozitive)

 Observație: Un proces AR(1) în care apare şi constanta:

Yt = a 0 + a1Yt −1 +  t
a0
 Media: E (Yt ) =  =
1 − a1

 Dispersia: Var(Yt ) =  2 1
1 − a12
AR(1): Xt=-0,8Xt-1+t
 Modele AR
y t = 0,8 * y t −1 +  t y t = −0,8 * y t −1 +  t
Modelul autoregresiv – AR(p), ARIMA(p,0,0)
 Utilizând scrierea cu operatorul L, un model AR(1) devine:
(1 − a1 L)Yt =  t
 condiţia de staţionaritate a 1  1 este echivalentă cu cerinţa ca rădăcina polinomului
de gradul unu  (L ) = 1 − La1 , notată cu x să aibă modulul mai mare decât unu:
1
1 − xa1 = 0  x =
a1
 Proprietate: Un model AR(P):  (L )Yt =  t este staționar atunci când rădăcinile
polinomului:  ( L) = 1 − a1 L − a2 L2 −  − a p Lp (reale sau complexe) sunt în modul mai
mari ca 1 (se spune că sunt în afara cercului unitate).

 Proprietate: Coeficienţii de autocorelaţie parţială ai unui model AR(p) sunt egali

cu zero, pentru k mai mare decât p (ordinul modelului).
 Coeficientul de regresie al variabilei Yt-p-1 în modelul autoregresiv AR(p+1):
Yt = a 0 + a1Yt −1 + a 2Yt − 2 +  + a pYt − p + a p +1Yt − p −1 +  t

deoarece pentru un model AR(p) coeficientul ap+1 =0.

Exemplu verificarea stationaritatii AR(2)
Se consideră modelul yt = 0,6 yt −1 − 0,08 yt −2 +  t

Să se verifice dacă este îndeplinită condiţia de staţionaritate.

Rezolvare:
Avem 𝑎1 = 0,6 şi 𝑎2 = −0,08.
Polinomul caracteristic asociat este: 𝜑 𝐿 = 1 − 𝑎1 𝐿 − 𝑎2 𝐿2

Determinăm rădăcinile polinomului:

1 − 0.6𝜆 + 0.08 𝜆2 = 0
0.6 ± 0.2
∆=0.36-4*0.08=0.04 𝜆1,2 =
2 ∗ 0.08
𝜆1 =5>1 𝜆2 = 2.5>1

Condiţia de staţionaritate este îndeplinită. Procesul este staţionar.

Modelul autoregresiv – AR(2), ARIMA(2,0,0)
 Modelul autoregresiv de ordinul 1 de medie zero:
Yt = a1Yt −1 + a2Yt − 2 +  t Yt − a1Yt −1 − a2Yt − 2 =  t (1 − a1 L − a2 L2 )Yt =  t

 (L )Yt =  t unde  ( L) = 1 − a1 L − a2 L2 este polinomul caracteristic al procesului AR(2)

Media procesului este nulă: E (Yt ) = E (a0 + a1Yt −1 + a2Yy −2 +  t )  E (Yt ) = 1 − a 0− a = 0
a

1 2

 Varianța procesului:
 2
Var (Yt ) = Var ( a1Yt −1 + a2Y y −2 +  t ) = a Var (Yt −1 ) + a Var (Yt −2 ) + Var ( t )  Var (Yt ) =
2 2

1 − a12 − a22
1 2

 Autocorelațiile unui proces AR(2):

 Ecuațiile Yule Walker: rk − a1rk −1 − a2 rk − 2 = 0 pentru
2
k0
a1 a1
r1 = r = + a2 rk = a1rk −1 + a2 rk − 2 pentru k  2
−
2
1 − a2 1 a 2

 Autocorelațiile parțiale ale unui proces AR(2):

c1 = r1
a + r a = r r2 − r12
 Ecuațiile Yule Walker:  1 1 2 1  c2 =
1 − r12
r1a1 + r2 = r2
ck = 0 pentru k  2
AR(2): Xt=0,5Xt-1+ 0,25Xt-2+ t
Modelul autoregresiv medie mobilă –
ARMA(1,1), ARIMA(1,0,1)
 Modelul autoregresiv medie mobilă de ordinul 1, de medie zero - ARMA(1,1):
Yt = a1Yt −1 +  t − b1 t −1 a1  1  t ~ WN (0,  2 )

(1 − a1 L)Yt = (1 − b1 ) t

 Media procesului este nulă: E (Yt ) = 0

1 + 2a1b1 + b12 2 (a1 + b1 )(1 + a1b1 ) 2

 Covarianța procesului: 0 =  
 = 
1 − a12
1
1 − a12
 k = a1 k −1 pentru k  2

(a1 + b1 )(1 + a1b1 ) rk = a1rk −1 pentru k  2

 Autocorelațiile unui proces ARMA(1,1): r1 =
1 + 2a1b1 + b12

c1 = r1
 Autocorelațiile parțiale ale unui proces ARMA(1,1): r2 − r12
c2 =
1 − r12
ck  0 pentru k  3
ARMA(1,1): Xt=0,8Xt-1+t+0,9  t-1, n=100