Curs 1 Serii de Timp

Serii de timp
Curs 1 – 2023
Titular de curs: Prof.univ.dr.Cristina BOBOC
Email: cristina.boboc@csie.ase.ro
WEB page: www.cristinaboboc.wordpress.com
Serii de timp
 Planul cursului:
 1. Introducere in analiza seriilor de timp: Definirea unei serii de timp; Componentele unei serii de timp;
Descompunerea seriei de timp pe componente; Metode de netezire exponentiala
 2. Modele autoregressive liniare: Serii stationare, serii nestationare si neomogene; Tipuri de serii
nestationare; Operatorii de intarziere si avans; Caracteristicile unei serii de timp: functia de autocorelatie si
de autocorelatie partiala; Teste de nestaţionalitate; Definirea modelelor AR(p), MA(q), ARMA(p,q),
ARIMA(p,d,q); Metodologia Box Jenkins
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
3. Extinderi ale modelelor ARIMA : Modele de tip autoregresiv medie mobilă pentru evoluţii sezoniere
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023

SARIMA; Modele ARCH, GARCH
 4. Modele multivariate stationare: Modele VAR; Cauzalitate Granger
 5. Modele multivariate nestationare: Cointegrare; Modele VECM; Teste de cointegrare
 Nota finală:
 60% nota de la examen
 30% prezentare proiect
 10% prezenţă şi activitate seminar
 Bibliografie:
 D. Lazar – Suport de curs: Analiza seriilor cronologice și previziune
 P.J. Brockwell, R.A. Davies. Introduction to Time Series and Forecasting, Second Ed., Springer, 2002.
 Damodar N. Gujarati, Dawn C. Porter. Basic Econometrics, Fifth Edition, McGraw-Hill, 2009.
 T.Andrei, R. Bourbonais – Econometrie, Partea a V-a, Ed. Economică, 2008
 E. Titan, S. Ghita, C. Boboc – Bazele Statisticii, Capitolul 6, Ed. Meteor Press
Baze de date pentru serii de timp
 Institutul Național de Statistică http://www.insse.ro/cms/ (TEMPO Online)
 Banca Națională a României http://www.bnr.ro/Home.aspx
 World Bank http://www.worldbank.org/
 Eurostat http://ec.europa.eu/eurostat
 The University of York, Department of Mathematics
https://www.york.ac.uk/depts/maths/data/ts/
 Softuri utile: Eviews, R, SAS

Serii de timp
 Presupunem ca suntem interesați de evoluția unui fenomen în
timp.
 Fenomenul poate fi:
 Produsul Intern Brut
 Inflația
 Șomajul
 Speranța de Viață
 Natalitatea
 Mortalitatea
 Numărul pasagerilor unei companii aeriene
 Cifra de afaceri a unei companii
ŶT +h
Y : 
Y Y
 1 2 ... Yt
(Yt ) tZ
... YT 

 1 2 ... t ... T 
Definirea unei serii de timp
date anuale
Exemplu:
Speranța de viață la naștere pentru populația României,
http://www.worldbank.org/
Exemplu:
Rata de schimb GBP – EUR, date zilnice
http://www.xe.com/currencycharts/?from=GBP&to=EUR&view=1M
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro Exemplu:
România, date trimestriale

Numarul de pasageri din aeropurturile din
Tipuri de modele de previziune
 Modele univariate: pe baza evoluției înregistrată de variabilă în
trecut este previzionat prezentul ca o funcție de trecut
Yt = f (Yt −1 , Yt − 2 , , Yt − p ,  t )
 Modele multivariate: pe baza evoluției variabilei Y, precum și a

altor variabile X1, …, Xn ce explică comportamentul acesteia,

este previzionat prezentul variabilei Y.
Yt = f (X 1t ,..., X nt , Yt −1 , Yt − 2 , , Yt − p ,  t )
Erori de previziune
 Definiție: Pentru un moment t de timp fixat, eroarea de previziune este
diferenţa între valoarea observată şi cea previzionată Yˆt ambele aferente
momentului t:
et = Yt − Yˆt
Indicatori sintetici ai erorilor de previziune:


Fie Yˆ1 , Yˆ2 ,..., Yˆs previziunile corespunzătoare observaţiilor Y1 , Y2 ,..., Ys . Se definesc:
 1. Eroarea medie pătratică: MSE =

1 s

s h=1
(Yh − Yˆh )
2
1 s
 2. Eroarea medie absolută: MAE =  Yh − Yˆh
s h=1
ˆ
 3. Eroarea medie absolută exprimată procentual: 1 s Yh − Yh
MAPE = 
s h=1 Yh
Yt = f (Tt , Ct , S t ,  t )
Componentele unei serii cronologice
1. Tendința unei serii cronologice (T)
 redă evoluţia fenomenului pe termen lung, având alura unor funcţii neperiodice, lent variabile în timp.
 este componenta principală a seriei de timp care rezultă din efectul pe termen lung al factorilor socio-
economici și politici
 poate arăta creșterea sau declinul unei serii de timp pe o perioadă lungă de timp.
 forma tendinței poate fi liniară sau neliniară
2. Componenta ciclică C
 este observabilă analizând evoluţia fenomenului pe termen lung, şi se manifestă sub
forma unor oscilaţii cu perioadă şi amplitudine ce variază de regulă în timp, un ciclu
acoperind câţiva ani de zile
 aceste oscilații sunt asociate cu ciclurile de afaceri bine cunoscute
 durata ciclului depinde de tipul de afacere sau industrie analizată (de la cinci la
doisprezece ani sau mai mult)
https://www.slideshare.net/henrjt/the-business-
cycle-299518
3. Componenta sezonieră S
 se evidenţiază sub forma unor cicluri de durată mai mică sau egală cu un an, şi apare
în principal datorită ritmului impus de schimbarea anotimpurilor dar şi de activităţi
economice respectiv sociale.
 Se notează și se înregistrează prin modificări restrânse în sus și în jos în jurul
componentei de tendință sau a componentei ciclice, cu modificări care se repetă în
mod previzibil pe perioade de sub un an
Source Box, G. E. P., Jenkins, G. M. and Reinsel, G. C. (1976) Time Series Analysis, Forecasting and
Control. Third Edition. Holden-Day. Series G.
4. Componenta reziduu sau eroare t
 se manifestă prin fluctuaţii aparent aleatoare în jurul componentelor deterministe, fiind
efectul acţiunii unor factori cu acţiune punctuală în timp
 această componentă este imprevizibilă
 schimbări bruște care apar într-o serie de timp care este puțin probabil să se repete;
astfel de mișcări sunt privite ca evenimente întâmplătoare complet imprevizibile și
probabil nerecuperabile, cum ar fi greve, incendii, inundații, dezastre naturale,
războaie etc.
 este o componentă a unei serii de timp care nu poate fi explicată prin componente de
tendință, ciclice sau sezoniere
Modele de descompunere a seriilor de timp
 Modelul aditiv Yt = Tt + Ct + S t +  t
 Modelul multiplicativ Yt = Tt  Ct  S t   t
 Combinație mixtă a componentelor seriei

Estimarea tendinței prin funcții
elementare
 Yt = Tt +  t sau Yt = Tt   t
Funcţii elementare utilizate în modelarea tendinţei

Tendinţă Forma liniarizată
liniară : Tt = a + bt
Parabolă: Tt = a + bt + ct 2 T = a + bt + cX
unde X = t ²
1 T = a + bX
Hiperbolă: Tt = a + b
t 1
Unde X =
t
Exponenţială: Tt = a  b t Z = A + Bt unde Z t = ln Tt ; A = ln a; B = ln b
Putere: Tt = a  t b Z = A + bX
Unde Z t = ln Tt ; A = ln a; X = ln t
Logaritmică: Tt = a + b ln t T = a + bX
unde X = ln t
a
Curba logistică : Tt = , a, c  0
1 + e b −ct
Parabola
Funcții elementare
Hiperbola
Exponentială
Funcții elementare
Funcția putere
Functia logaritmică
Funcții elementare
Curba logistică

Curs 1 Serii de Timp

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs 1 Serii de Timp

Încărcat de

Drepturi de autor:

Formate disponibile

Serii de timp

 Softuri utile: Eviews, R, SAS

România, date trimestriale

 Modele multivariate: pe baza evoluției variabilei Y, precum și a

altor variabile X1, …, Xn ce explică comportamentul acesteia,

Indicatori sintetici ai erorilor de previziune:

 1. Eroarea medie pătratică: MSE =

 Combinație mixtă a componentelor seriei

Funcţii elementare utilizate în modelarea tendinţei

S-ar putea să vă placă și