Documente Academic
Documente Profesional
Documente Cultură
1
Fig1. Corelograma seriei RS Fig.2 Testul ADF – Exogenous:None
Ne uităm la coloanele AC, PAC, Q-stat şi Prob. Din analiza corelogramei deducem că seria RS este
nestationară, deoarece funcţia de autocorelaţie descreşte foarte lent. Limitele din grafic aproximează două
abateri standard. Valoarea la lag-ul 5 este foarte mare (0,544).
2
Analizăm varianta Exogenous: Constant
Valoarea calculată pentru t-Statistic este −0,013550. Aceasta este mai mare decât valorile critice
(−2,900137 pentru 5% ). Prob=0,9539 0,05.
Rezultă 𝑡𝑐𝑎𝑙𝑐 𝑅𝐶 . Acceptăm H0 există o rădăcină unitară seria RS este nestaţionară.
Din corelograma seriei D(RS) deducem că seria D(RS) este stationară, deoarece funcţia de autocorelaţie
descreşte rapid spre zero.
3
Ipotezele testului ADF (Augmented Dickey-Fuller Unit Root Test):
𝑯𝟎 : seria D(RS) are rădăcină unitară şi este nestaţionară
𝑯𝟏 : seria D(RS) este staţionară
Deoarece seria nestaţionară RS a devenit staţionară după diferenţierea de ordin 1, putem concluziona că
este integrată de ordin d=1. Simbolizăm acest lucru scriind 𝑹𝑺~𝑰(𝟏).
Drept urmare, vom aplica procedura Box-Jenkins asupra seriei de date staţionarizată prin diferenţele de
ordin1 (seria fiind integrată de ordin 1) şi vom determina procesul ARMA(p,q) corespunzător.
4
• Testul KPSS (Kwiatkowski-Phillip-Schmidt-Shin)
𝑯𝟎 : seria RS este staţionară
𝑯𝟏 : seria RS este nestaţionară
Etapa2. Identificarea.
Corelograma seriei diferenţiate ne va permite să alegem valorile p şi q potrivite pentru seria de date.
Ordinul p al părţii AR este dat de coeficienţii de autocorelaţie parţială semnificativi statistic. Ordinul q
al părţii MA este dat de coeficienţii de autocorelaţie semnificativi statistic (coeficienţii semnificativi se
află în afara intervalului (1,96/ √𝑇 ).
Care este modelul optim? Ar putea fi AR(4)? MA(4)? sau ARMA(4,4)?
Daca seria stationară D(RS) urmeaza un astfel de proces, ce proces urmează seria originală RS?
Etapa3. Estimarea parametrilor modelelelor AR, MA, ARMA identificate pe baza ACF/PACF.
Vom estima mai multe modele de tip ARMA(p,q) pentru seria diferenţiată D(RS), care este staţionară.
Vom estima modelele AR(4), MA(4), ARMA(4,4). La fiecare model estimat notăm dacă parametrii sunt
semnificativ diferiţi de zero, notăm valorile pentru criteriile informationale Akaike si Schwarz și valorile
pentru R-squared şi Adjusted R-squared.
Avem:
• date trimestriale: 2000Q1-2020Q1
• Perioada de estimare: 2000Q1-2019Q1
• Prognoza ex-post: 2019Q2-2020Q1
• Prognoza ex-ante: 2020Q2-2021Q1
În Eviews am specificat ecuaţia de estimat: D(RS) C AR(4)
Am estimat astfel modelul AR(4) sau ARMA(4,0).
5
Mai întâi verificăm dacă toți coeficienții de interes sunt semnificativi statistic!
D(RS) C MA(4) D(RS) C AR(4) MA(4)
6
Etapa4. Diagnosticarea modelelor şi alegerea celui mai bun model.
4.1. Testarea modelelor
a)− Parametrii modelului sunt statistic semnificativi ?
(constanta nu este semnificativă deoarece Prob=0,41500,05; ceilalţi coeficienţi sunt semnificativ diferiţi
de zero deoarece toate celelalte Prob0,05).
Criteriul Akaike= 1,03862, Criteriul Schwarz= 1,161291, R-squared=0,216077…
Testăm Non-Autocorelarea erorilor aleatoare. Vom aplica testul Breusch-Godfrey. Acest test nu
poate fi aplicat pe un model estimat prin “ARMA Maximum Likelihood”. De aceea am mai estimat
modelul prin metoda “ARMA-GLS (Generalized Least Squares)”.
7
Am aplicat Testul Multiplicatorului lui Lagrange (Breuch-Godfrey Serial Correlation LM Test) pe
ecuatia AR4MA4_GLS, estimată prin metoda ARMA-GLS (generalized least square). Lags to include:1.
𝑯𝟎 : Nu există Autocorelarea erorilor aleatoare de ordin 1
𝑯𝟏 : Există Autocorelarea erorilor aleatoare de ordin 1
Prob 0,05 Acceptăm 𝑯𝟎 Nu există Autocorelarea erorilor aleatoare de ordin 1.
8
Testul Jarque-Bera
𝑯𝟎 : erorile au distribuție normală
𝑯𝟏 : erorile nu au distribuție normală
Reziduurile nu sunt normal distribuite, deoarece valoarea testului JB este mult mai mare decât valoarea
tabelată (5,99) şi în plus Prob tinde către zero.
9
Evaluarea prognozei apare numai dacă eșantionul de prognoză (forecast sample) include perioade de timp
pentru care variabila dependentă este observată.
Prognoza ex-post este pentru perioadele în care se cunosc realizările seriei. Se folosește pentru a verifica
validitatea modelului.
Prognoza ex-ante este pentru perioadele în care nu se cunosc realizările seriei. Termenul ex-ante arată că
valorile variabilei sunt prognozate în avans
Acuratețea previziunilor
Testele de precizie a prognozei se bazează pe diferența dintre valoarea reală la momentul t și valoarea
prognozată la momentul t. Cu cât cele două valori sunt mai apropiate și cu cât este mai mică eroarea de
prognoză, cu atât este mai bună prognoza.
MSE (Mean Squared Error) - valoare cât mai mică
MAE (Mean Absolute Error) - valoare cât mai mică
MAPE (Mean Absolute Percentage Error)
Coeficientul U1 Theil are valori între 0 și 1. Cu cât valoarea este mai aproape de 0, cu atât acuratețea
prognozei este mai bună.
Bias Proportion: măsoară cât de departe este media valorilor prognozate față de media seriei reale.
Variance Proportion: arată cât de deaprte este dispersia previziunilor față de dispersia valorilor reale.
Pentru ca prognoza să fie considerată bună, Bias și Variance Proportion trebuie să fie cât mai mici.
Dacă U2=1 nu există diferență între prognoza naivă și tehnica folosită.
Dacă U21 tehnica folosită este mai bună decât prognoza naivă.
10
11
Modelul ce poate fi utilizat pentru prognoze este:
Dar 𝑧𝑛 (1) = 𝑧̂𝑛+1 = 𝐷(𝑅𝑆) = 𝑅𝑆𝑛+1 − 𝑅𝑆𝑛 iar 𝑧𝑛−3 = 𝑅𝑆𝑛−3 − 𝑅𝑆𝑛−4. Rezultă:
12