Documente Academic
Documente Profesional
Documente Cultură
Problema 1
Fie seriile de timp : PIB si Consumul final al populației, date trimestriale, înregistrate în perioada trim 1 – 1995 – trim
4 – 2014.
a. Să se analizeze staționaritatea seriei Consumul final al populației folosind corelograma și graficul seriei de timp.
Precizati si condiția teoretică sau metoda pe care o folosiți pentru testare.
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Analizând graficul seriei de timp se observă că seria de timp are o tendință crescătoare, acesta fiind un indicator de
nestationaritate. Din corelogramă putem trage aceeași concluzie, având în vedere că funcția de autocorelație descrește
lent către zero.
Deci, pentru a determina un model ARMA potrivit acestei serii de timp, trebuie mai întâi staționarizată seria.
b. Sa se precizeze pe baza ACF si PACF ale diferențelor de ordinul 1 ale seriei de timp, ce modele ar fi potrivite
datelor – folosind metodologia Box Jenkins (se vor folosi output-urile de eviews).
În primul rând putem observa că prin prima diferențiere a seriei de timp se obține o serie de timp ce descrește rapid
către zero. Deci ordinul d=1.
În al doilea rând observăm că doar prima și a treia valoare ale funcției parțiale de autocorelație sunt semnificativ
diferite de zero. Deci un model AR(1) (dacă presupnn că a treia corelație parțială este aproximativ zero) sau AR(3) ar
putea fi potrivite pentru seria de timp diferențiată odată.
Deci modelele de regresie sugerate a fi potrivite acetei serii de timp conform metodologiei Box Jenkins sunt
ARIMA(1,1,0) sau ARIMA(3,1,0).
20
Series: Residuals
Sample 3 80
16 Observations 78
Mean -2.40e-06
12 Median -106.6936
Maximum 3563.418
Minimum -1385.782
Std. Dev. 708.1832
8
Skewness 1.986348
Kurtosis 10.63546
4
Jarque-Bera 240.7685
Probability 0.000000
0
-1000 0 1000 2000 3000
Modelul estimat in eviews este ARIMA(1,1,0). Constanta din acest model nu este semnificativ diferită de zero, insa
coeficientul termenului yt-1 este semnificativ diferit de zero.
̂ t=64,4-0,65Yt-1+ t
𝒀
R2=0,42 sugerează un model estimat bun iar Durbin Watson (2,15) sugerează că erorile nu sunt autocorelate.
JB= 240,77 cu o valoare p=0,0000 0,01, deci se respinge H0, deci repartiția nu este normal
Testul ARCH:
Statistica F a testului ARCH este 0,006599 cu o valoare p=0,93 0,05 ceea ce implică acceptarea ipotezei H0 conform
căreia nu există effect ARCH deci erorile sunt homoscedastice.
Deci indicat este să se estimeze un nou model, deoarece ipoteza de normalitate a erorilor nu este verificata. Eventual
poate fi estimat AR(3), cel rezultat din metodologia Box Jenkins a fi cel mai potrivit a descrie seria de timp dată.
ARIMA(3,1,0) :
PROBLEMA 2
Fie seriile de timp : Cursul EURO/LEU și valoarea gramului de aur, date zilnice înregistrate 5 zile pe săptămână în
perioada 2 decembrie 2014 – 27 aprilie 2015.
a. Sa se analizeze staționaritatea seriei de timp Curs Euro/leu folosing următoarele output-uri din EXCEL. Precizați
metoda pe care o aplicați și condițiile de staționaritate.
Din analiza graficului seriei de timp se observă că aceasta are o tendință descrescătoare și variabilitatea acesteia în
timp nu este contantă. Deci putem spune că seria de timp nu este probabil staționară.
Se obține statistica testului t=1,577 cu o valoare p=0,49, ceea ce implică acceptarea ipotezei H0, deci seria are o
rădăcină unitară, deci seria de timp nu este staționară.
b. Sa se precizeze pe baza ACF si PACF ce model ar fi potrivit seriei de timp staționare, pentru perioada 10.04.2014-
21.05.2014– folosind metodologia Box Jenkins (se va folosi output-ul din eviews).
Analizând funcțiile de autocorelație și de autocorelație parțială, se poate observa că :
Coeficienții funcției de autocorelație și autocorelație parțială sunt atât pozitivi cât și negativi.
Deci conform metodologiei Box Jenkins, modelele ce pot fi potrivite acestei serii de timp diferențiate odată sunt :
ARMA(0,0), AR(1), MA(1) sau ARMA(1,1).
Modelul estimat in eviews este ARMA(1,1) fără termen liber. Coeficienții modelului sunt ambii semnificativi diferiți
de zero, pentru un nivel de semnificație de 0,01.
̂ t=0,99Yt-1-0,53t-1+ t
𝒀
R2=0,06 sugerează un model estimat slab iar Durbin Watson (1,67) sugerează indecizie în privința autocorelării
erorilor.
Repartiția erorilor conform testului Jarque Bera este normală :
JB= 0,35 cu o valoare p=0,83 0,1, deci se acceptă H0, deci repartiția este normală
Testul ARCH:
Statistica F a testului ARCH este 0,217 cu o valoare p=0,64 0,05 ceea ce implică acceptarea ipotezei H0 conform
căreia erorile sunt homoscedastice.
Deci indicat este să se estimeze și modelele AR(1) și MA(1), deoarece acesta este slab și apoi în funcție de
coeficientul Akaike să se decidă care este cel mai bun model potrivit seriei de timp.
MODEL SUBIECT EXAMEN 2023
(0.5p) 1. Una din întrebările importante care trebuie luate în considerare atunci când priviți graficul unei serii de timp este :
« Există o tendință ? ».
a. Dacă răspunsul este da, în medie, măsurătorile tind să crească (sau să scadă) în timp
b. Dacă răspunsul este nu, seria de timp este nestaționară
c. Dacă răspunsul este da, putem aplica un model de regresie liniară pentru estimarea seriei de timp
d. Dacă răspunsul este da, putem aplica un model ARMA pentru estimarea seriei de timp (Justificati raspunsul)
(0.5p) 2. Presupunem că vedeți doi bețivi rătăcind în jur. Bețivii nu se cunosc între ei.
a. Traiectoria celor doi betivi este un proces stationar.
b. Există o relație de cointegrare între între căile lor
c. Traiectoria celor doi betivi este un ”mers la întâmplare”
d. Există o relatie de dependență semnificativă între căile lor (Justificati raspunsul)
6. Presupunem că dispunem de un eșantion de 100 de observații pentru care s-au obținut următoarele valori ale funcției de
autocorelație de selecție :
K 1 2 3 4 5
rk 0,5 0,25 0,2 0,05 0,01
a. (0,75p) Să se testeze semnificația coeficienților de autocorelație folosind testele Bartlett și Ljung-Box. Ce puteți spune
despre staționaritatea seriei?
b. (0.25p) Definiți funcția de autocorelaţie parţială de selecţie si procedura de calcul a acesteia.
c. (0.5p) Să se calculeze coeficienţii de autocorelaţie parţială de selecţie pentru lag-urile 1, 2 şi 3.
7. Următorul grafic este o reprezentare grafică a funcțiilor de autocorelație și parțială de autocorelație pentru seria de timp:
numărul anual de cutremure din lume cu o magnitudine seismică de peste 7 grade, timp de 99 de ani consecutivi.
MODEL SUBIECT EXAMEN 2023
8. Fie seriile de timp : Rata dobânzii de politică monetară și Rata dobânzii la facilitatea de creditare. Rezultatele obtinute prin
aplicarea unui model linear de regresie in E-views sunt urmatoarele:
Dependent Variable: RATA_DOB_NZII_LA_FACI01
Method: Least Squares
Date: 05/16/17 Time: 20:21
Sample: 2017M02 2031M03
Included observations: 170
a) (0,75) Există vreun indiciu conform căruia cele două serii de timp ar putea fi cointegrate?
b) (0,5) Există o relatie pe termen scurt intre ele ?
c) (1,0) Fie următoarele output-uri obținute în eviews. Ce puteți spune despre aceste output-uri și despre cele două serii de
timp? Exista o relatie pe termen lung intre ele ?
t-Statistic Prob.*
Corelograma : Rata dobânzii la facilitatea de creditare Corelograma : Rezidualuri model liniar de regresie
Date: 05/16/17 Time: 21:13
Date: 05/16/17 Time: 21:10
Sample: 2017M02 2031M03
Sample: 2017M02 2031M03
Included observations: 170
Included observations: 170
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.942 0.942 153.38 0.000
1 0.969 0.969 162.36 0.000
2 0.889 0.022 290.93 0.000
2 0.934 -0.074 314.13 0.000
3 0.836 -0.032 413.22 0.000
3 0.897 -0.040 455.12 0.000
4 0.783 -0.027 521.15 0.000
4 0.859 -0.050 585.07 0.000
5 0.732 -0.012 616.06 0.000
5 0.819 -0.037 703.98 0.000
6 0.671 -0.120 696.22 0.000
6 0.774 -0.108 810.79 0.000
7 0.614 0.001 763.95 0.000
7 0.728 -0.036 905.74 0.000 8 0.558 -0.031 820.20 0.000
8 0.680 -0.041 989.19 0.000 9 0.503 -0.024 866.24 0.000
9 0.632 -0.030 1061.7 0.000 10 0.437 -0.143 901.14 0.000
10 0.579 -0.100 1123.0 0.000 11 0.372 -0.031 926.64 0.000
11 0.526 -0.038 1173.9 0.000 12 0.308 -0.051 944.17 0.000
12 0.472 -0.028 1215.1 0.000 13 0.246 -0.021 955.48 0.000
13 0.421 0.004 1248.2 0.000 14 0.189 -0.015 962.18 0.000
14 0.370 -0.036 1273.8 0.000 15 0.139 0.039 965.82 0.000
15 0.322 0.032 1293.4 0.000 16 0.095 0.010 967.53 0.000
16 0.278 0.024 1308.1 0.000 17 0.058 0.029 968.17 0.000
17 0.238 0.015 1318.8 0.000 18 0.022 -0.022 968.26 0.000
18 0.197 -0.048 1326.3 0.000 19 -0.011 -0.004 968.29 0.000
19 0.156 -0.023 1331.0 0.000 20 -0.044 -0.042 968.66 0.000
20 0.116 -0.046 1333.7 0.000 21 -0.072 0.005 969.68 0.000
21 0.079 -0.005 1334.9 0.000 22 -0.093 0.026 971.38 0.000
22 0.044 -0.000 1335.3 0.000 23 -0.110 -0.001 973.80 0.000
23 0.012 -0.003 1335.3 0.000 24 -0.118 0.043 976.61 0.000
24 -0.015 0.032 1335.4 0.000 25 -0.128 -0.038 979.94 0.000
25 -0.041 -0.024 1335.7 0.000 26 -0.141 -0.070 983.98 0.000
26 -0.066 -0.045 1336.6 0.000 27 -0.156 -0.056 988.93 0.000
27 -0.092 -0.047 1338.3 0.000 28 -0.168 -0.007 994.71 0.000
28 -0.115 0.026 1341.0 0.000 29 -0.179 -0.031 1001.4 0.000
29 -0.136 -0.023 1344.9 0.000 30 -0.195 -0.055 1009.3 0.000
30 -0.157 -0.032 1350.0 0.000 31 -0.210 -0.032 1018.6 0.000
31 -0.178 -0.037 1356.6 0.000 32 -0.221 0.011 1029.0 0.000
32 -0.197 -0.015 1364.9 0.000 33 -0.197 0.285 1037.3 0.000
33 -0.188 0.449 1372.4 0.000 34 -0.190 -0.122 1045.1 0.000
34 -0.177 -0.043 1379.2 0.000 35 -0.184 -0.017 1052.4 0.000
35 -0.167 -0.028 1385.2 0.000 36 -0.174 0.033 1059.0 0.000
36 -0.156 -0.005 1390.5 0.000
COINTEGRARE
(exemple in Eviews)
Mai 2023
Curs Serii de timp – Prof.univ.dr. Cristina BOBOC
Sursa informatiilor : Conf. univ. dr. Mihaela Covrig, Time series, part 9, lecture and exercises,
2018-2019, draft
Example. Let us consider two time series, quarterly data between 1985 and 2006, on
Real Personal Consumption Expenditure, in billion dollars, denoted Y_PCE and
Real Disposable Personal Income, in billion dollars, denoted X_DPI.
The time series consist of 88 observed values each.
1
Step 1.1. Are the two time series ( X t )t and (Yt )t integrated of order 1, ( X t )t ~ I (1) , (Yt )t ~ I (1) ?
Let us test for the existence of a unit root in both time series, we will use ADF unit root test.
2
Remark: The same conclusion can be reached if we compare Prob or p-
value to the significance level of the test, 𝜶. Alternatively, we can reach the same decision using Prob.
• If Prob or p-value < 𝜶, then we reject H0, there is insufficient evidence to In our case, Prob = 0.3640 ≥ 𝜶=0.05, then we do not reject H0, so the
reject H0. time series Y_PCE is nonstationary, as it has a unit root.
• If Prob or p-value ≥ 𝜶, then we do not reject H0, concluding that the
data are in favor of the alternative hypothesis H1
In our case, Prob = 0.2867 ≥ 𝜶=0.05, then we do not reject H0, so the
time series X_DPI is nonstationary, as it has a unit root.
Both time series are non stationary as we haven’t rejected the null hypothesis H 0.
Let us test if the first order difference of each time series is stationary.
3
Step 1.2. Estimate a regression model of Personal Consumption Expenditure (Y_PCE) on
Disposable Personal Income (X_DPI): Yt = 0 + 1 X t + t .
EQ_01: Y_PCE C X_DPI
Step 1.3. One tests if the residuals series ˆt is stationary, where ˆt = yt − yˆ t .
Save the residuals of EQ_01: open the equation EQ_01 in the workfile, click Proc,
then select Make Residual Series… and then type the name of the series resid_eq_01
Apply a unit root test to the series resid_eq_01 to check for stationarity.
H1:
4
As the time series of the residuals ˆt is stationary, the time series ( X t )t and (Yt )t are cointegrated,
that is, there is a long-run, or equilibrium, relationship between the two.
The long-run relationship between the two variables, X t and Yt , is estimated as
yˆ t = −171 .4412 + 0.9672 xt , called the estimated cointegrating regression
and ˆ =0.9672 is the estimate of the slope parameter , known as the cointegrating parameter.
1 1
Step 2.2. Estimate, using OLS, the dynamic regression model Yt = 0 + 1ˆt −1 + 2 X t + t ,
called the ECM equation, where (t )t is a white noise
EQ_02: d(y_pce) c resid_eq_01(-1) d(x_dpi)
5
The ECM equation Y _ PCE t = 0 + 1ˆt −1 + 2 X _ DPI t + t
states that Y _ PCE t depends on X _ DPI t and on the equilibrium error term t −1 ,
the error correction coefficient 1 is the parameter corresponding to the equilibrium error term t −1 .
The estimated ECM equation is Δ𝑌 ̂𝑃𝐶𝐸 𝑡 = 11.6918 − 0.0867 ∙ 𝜀̂𝑡−1 + 0.2906 ∙ Δ𝑋_𝐷𝑃𝐼𝑡 ,
with ˆ1 = −0.0867 0 , the error correction coefficient 1 being statistically significant at 12%
significance level, suggesting that the real personal consumption expenditure (Y_PCE) adjusts to
real disposable personal income (X_DPI) within a lag, that means within a quarter,
and more, only 8.67% percent of the discrepancy between long-term and short-term real personal
consumption expenditure (Y_PCE) is corrected within a quarter.
6
Serii de timp
MODELE MULTIVARIATE
Curs 10 - Mai 2023
Titular de curs: Prof.univ.dr.Cristina BOBOC
Email: cristina.boboc@csie.ase.ro
WEB page: www.cristinaboboc.wordpress.com
Serii cointegrate
Conceptul de cointegrare a fost introdus de Granger (1983), Granger and Weiss
(1983), Engle si Granger (1987).
Intuitiv, două serii de timp sunt în relație de cointegrare dacă nu sunt neapărat
corelate dar ele sunt într-o relație de echilibru relativ pe termen lung.
Noţiunea de cointegrare este strâns legată de cea de „regresii false” cu serii de
timp. Atunci când se estimează regresii cu serii de timp în economie deseori R2 este
mare (R → 1) iar statistica Durbin-Watson este mică DW → 0 (erorile sunt
corelate). Dacă în plus R2 > DWcalc acesta ar putea fi un semnal ca regresia este
falsă; dependenţa este exagerată iar estimatorii sunt suspecţi. Aceasta se întâmplă
deoarece variabilele din economie sunt deseori nestaţionare şi se comportă ca şi un
proces de tip mers aleator (au rădăcină unitate).
Observație: Pentru a exista o relaţie pe termen lung între variabile, acestea trebuie să
fie cointegrate.
Serii cointegrate
Cointegrarea este o proprietate a seriilor de timp nestationare.
Definiţie:
1. Spunem că două serii de timp Yt , X t integrate de ordin 1 sunt cointegrate de
ordin CI(1,1) dacă o combinaţie liniară a celor două t = Yt − X t este staţionară
(integrată de ordin 0), deşi fiecare din ele nu este stationară.
2. Dacă două serii Yt , X t sunt integrate de acelaşi ordin d şi există astfel încât
rezidu-ul din regresie t = Yt − X tare un ordin mai mic de integrare I(d-b) atunci,
conform definitiei Engle-Granger (1987), cele doua serii sunt cointegrate de ordin
CI(d,b).
Serii cointegrate
Fie două serii de timp Yt , X t integrate de ordin 1, I(1), pentru care există o
combinație liniară, notată t :
t = Yt − a 0 − a1 X t care este staționară I(0)
Seriile Yt , X t se numesc serii cointegrate de ordinul 1
Vectorul (1-a1) se numește vector de cointegrare
Relația Yt = a0 + a1 X t + t se numește relație de cointegrare
Diferenţa Yt − a1 X t rămâne stabilă în jurul unei medii fixe a0 (media lui este zero).
Dacă constanta este zero, relaţia ce le menţine legate pe termen lung este una de proporţionalitate
Yt = a1 X t
Variabilele rămân legate pe termen lung prin relaţia de echilibru Yt = a0 + a1 X t iar deviaţiile de la aceasta
au loc doar pe termen scurt; această relaţie de echilibru poate fi interpretată ca o relaţie echilibru pe
termen lung, „deranjată” doar de şocuri aleatoare () cu efect pe termen scurt.
Relația de echilibru pe termen lung este înţeleasă în sensul de stabilitate a relaţiei de dependentă.
Două serii cointegrate au o tendinţă stochastică comună (tendinţe de evoluţie similare), adică „hoinăresc”
împreună (analogie în evoluţie). Relaţia de dependenţă dintre ele este stabilă.
Serii cointegrate
Posibile relaţii de cointegrare sugerate de teoria economică, variabilele fiind de
regulă considerate în formă logaritmată:
între venit PIB şi consum C. Raportul C/PIB este constant pe termen lung, astfel ln(C)-
ln(PIB) este staţionar iar ln(C) şi ln(PIB) sunt cointegrate. In mod similar PIB şi investiţiile;
cererea de monedă, preţuri, venit
între cursul valutar, preţurile domestice respectiv preţurile din ţara străină, cursul real
având comportament staţionar (conform teoriei parităţii de cumpărare);
cursul diferitelor acţiuni;
rentabilitatea activelor şi rata inflaţiei, diferenţa acestora adică rata reală a rentabilităţii, ce
are comportament staţionar;
ratele dobânzii pentru diferite maturităţi, diferenţa faţă de rata activului fără risc (rata pe
termen scurt) reflectând prima de risc a investitorilor;
logaritmul indicelui preţului acţiunilor respectiv al dividendelor diferenţa reprezentând
logaritmul randamentului .
logaritmul indicelui preţurilor respectiv al salariului , diferenţa reprezentând logaritmul
indicelui salariului real;
cursurile acţiunilor (de regulă în formă logaritmată) etc.
Serii cointegrate
Abordări în teoria cointegrării:
Valorile critice adecvate testului ADF de cointegrare au fost obţinute de către MacKinnon
de asemenea prin simulare şi pot fi găsite în Johnston şi DiNardo (1994):
poate fi descrisă printr-un model de corecţie a erorilor (“error correction model”), forma
simplă a acestuia fiind:
Yt = + 1 X t + ˆt −1 + t
Reziduurile din ecuaţia de cointegrare t −1 = Yt −1 − a0 − a1 X t −1 (ce surprind dezechilibrele pe
termen lung) sunt luate în considerare în modelul dinamic, fiind introduse ca un factor. Astfel,
modificările variabilei Y pe termen scurt depind de cele ale variabilei X şi de abaterea lui Y de la
valoarea sa de echilibru pe termen lung a + bX t −1 din perioada precedentă.
Metodologia Engle-Granger
O altă modalitate de a detecta existenta unei relaţii de cointegrare constă
în testarea semnificației coeficientului (cu alternativa mai mic decât zero)
în modelul ECM; dacă acesta este semnificativ atunci nu există o relaţie de
cointegrare între variabile.
Estimarea unui model de regresie între
două serii de timp
1. Dacă variabilele sunt staţionare sau staţionare relativ la tendinţă
(deterministă) modelul este specificat pentru variabilele observate. Forma
generală a modelului dinamic adecvat în acest scop este:
p q
Yt = + t + i Yt −i + j X t − j + t
i =1 j =o
Termenul t se include doar dacă una din variabile este staţionară relativ la tendinţă. In
acest caz testele clasice din regresie, bazate pe metoda celor mai mici pătrate sunt
asimptotic valide (dacă numărul datelor e suficient de mare).
unde
ˆt −1 = Yt − aˆ 0 − aˆ1 X t
Analiza cauzalităţii dintre variabile
În sensul abordării propuse de Granger (1969) X este cauza pentru Y, sau X explică pe Y,
dacă X ajută la predicţia lui Y.
1. Pentru a testa dacă X este cauză pentruY, în sens Granger, se estimează ecuaţia de regresie:
k k
* Yt = + i Yt −i + j X t − j + t
i =1 j =0
Procesul ARCH(1):
2
ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 0 < 𝑏0 , 0 < 𝑏1 <1
Interpretare:
Când un șoc puternic intervine în perioada t-1 ne așteptăm ca valoarea lui ut să fie mare în
2
valoarea absolută, ceea ce înseamnă că atunci când 𝑢𝑡−1 este mic/mare și 𝑢𝑡2 va fi mic/mare.
b1 0 pentru că pătratul erorilor prezintă corelație serială pozitivă și varianța este pozitivă
𝑏1 <1 este o condiție de stabilitate – altfel procesul ar fi exploziv.
Specificarea econometrică
Procesul ARCH(q) :
2
ARCH(1): ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 0 < 𝑏0 , 0 < 𝑏1
2 2
ARCH(2): ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 + 𝑏2 𝑢𝑡−2
...
2 2 𝑞 2
ARCH(q): ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 + ⋯ + 𝑏𝑞 𝑢𝑡−𝑞 = 𝑏0 + σ𝑖=1 𝑏𝑖 𝑢𝑡−𝑖
Interpretare:
Normalitatea condițională a erorilor înseamnă că distribuția depinde de
informația cunoscută de la momentul t-1:
2
dacă t=2, 𝑢𝑡 ห𝐼1 ~𝑁 0, 𝑏0 + 𝑏1 𝑢𝑡−1
2
dacă t=3, 𝑢𝑡 ห𝐼2 ~𝑁 0, 𝑏0 + 𝑏1 𝑢𝑡−1 ...
Exemple serii ce prezintă volatilitate
Volatilitate clusterizată:
Volatilitate: Seria de timp prezintă perioade în
Valorile seriei de timp se schimbă care schimbările sunt mari urmate
rapid într-o formă aparent de perioade în care schimbările
necontrolată sunt mai reduse
Simulare ARCH in EViews
Pas 1 - se crează un fisier nou Eviews
- se completează numele fișierului
- se completează Frecventa Monthly/...
- se specifică data de început și de final: Start date; End date
Statistica LM = (T-q)R2
unde T este volumul eșantionului
q este numărul de termeni autoregresivi din modelul pătratelor erorilor
R2 este coeficientul de determinare din modelul erorilor
Regula de decizie:
dacă LM 𝜒 2(1−𝛼,𝑞) atunci se respinge H0 deci există efecte de tip ARCH
Fie datele privind indicele FTSE (Financial Times
Stock Exchange) din fisierul de date arch.xls
Exemplu
Exemplu
b1=0.123 și este semnificativ statistic pentru un nivel de semnificație de 1%.
LM=15,39, p-value=0,0001
Deci ipoteza nulă privind inexistența efectelor ARCH este respinsă. Deci există efecte ARCH.
Concluzie: Pentru obținerea unor rezultate mai bune este bine să estimăm un model ARCH
Estimarea modelelor ARCH
Obiectiv:
Folosind Eviews pentru exemplul indicelui FTSE se dorește previzionarea volatilității
randamentelor pentru stocurile FTSE
Estimarea efectelor ARCH se realizează folosind metoda verosimilității maxime
Estimarea modelelor ARCH
𝑏0 = 0.0003
ℎ 𝑡 = 𝑏0 + 𝑏1 𝑢ො 𝑡−1
2
=
2
= 0.0000646 + 0.0107 𝑢ො 𝑡−1
Rezultate:
- Ecuația mediei:
- randamentul mediu este de 0.0003
- Ecuația varianței:
- Volatilitatea este dependentă de timp:
- include o constantă semnificativă (0,0000646)
- O componentă ce depinde de valorile trecute
2
ale erorilor (0,107478 𝑢ො 𝑡−1 )
- Efectele ARCH sunt semnificative – statistica z
asociată este 4,83 care sugerează existența unui
coeficient ARCH(1) semnificativ
Previziunea modelelor ARCH
Pentru previziune sunt folosite rezultatele obținute din estimarea modelului
ARCH pentru calculul valorilor statice și dinamice pentru medie,
previziunile erorii standard și a varianței condiționate.
Sursa informatiilor : Conf. univ. dr. Mihaela Covrig, Time series, part 8, lecture and exercises, 2019-2020,
draft
Alte surse bibliografice:
• Gujarati, D., Porter, D., Basic Econometrics, 5th edition, McGraw-Hill, 2009,
Chapter 21. Time Series Econometrics: Some Basic Concepts, pp. 737-772 and
Chapter 22. Time Series Econometrics: Forecasting, pp. 773-800.
• Florian Pelgrin http://math.unice.fr/~frapetti/CorsoP/Chapitre_5_IMEA_1.pdf
• EViews Learning Resouces, Online Tutorials http://www.eviews.com/Learning/index.html, namely Time Series
Estimation (Part C: Serial Correlation and ARMA modelling) and Forecasting
• http://www.eviews.com/help/helpintro.html#page/content%2Ftimeser-
Estimating_ARIMA_and_ARFIMA_Models_in_EViews.html%23
Exemplul 1:
Fie datele lunare privind vânzările auto cu amănuntul din SUA, în 1990 miliarde USD, deflaționate
la valoarea anului 1990 (folosind factorul de inflatie, din ianuarie 1970 până în mai 1993 (279
observații) cu modele ARIMA sezoniere. Pentru a vedea procedura de deflationare și de
desezonalizare puteti analiza fisierul excel: https://people.duke.edu/~rnau/Auto_sales_data.xlsx
(fisier preluat pe de site-ul : https://people.duke.edu/~rnau/seasarim.htm).
In continuare va fi folosit fisierul : Date vanzari auto_USA.xlsx.
Seria de timp reprezentată grafic demostrează existența unei compomente sezoniere și a uneia
tendință.
1
Modelul „podului suspendat” din ACF este tipic pentru o serie care este atât nestaționară, cât și
puternic sezonieră.
S-ar putea să avem nevoie de cel puțin un ordin de diferențiere.
Seria diferențiată D_AUTOSALE_CPI arată mai mult sau mai puțin staționară, dar există încă o
autocorelație foarte puternică în perioada sezonieră (lag 12, 24 sau 36), așa cum se observă din
corelogramă.
Deoarece patternul sezonier este puternic și stabil, atunci ar trebui folosit un ordin de diferențiere
sezonierăși create o nouă serie D_12_AUTOSALE_CPI, care este variabila AUTOSALE_CPI
diferențiată sezonier, pentru s = 12:
2
Seria diferențiată sezonier, D_12_AUTOSALE_CPI, prezintă un pattern puternic de autocorelație
pozitivă. Aceasta ar putea fi o „semnătură AR” - sau ar putea semnala necesitatea unei alte
diferențieri.
Să luăm atât o diferență sezonieră, cât și non-sezonieră, aceasta înseamnă că luăm în considerare
diferența sezonieră (pentru s = 12) a diferenței non-sezoniere de ordinul întâi:
3
Se observă că o diferențiere sezonieră și una non-sezonieră ne conduce la o serie de timp pentru care
prezintă o valoare negativă semnificativă a ACF la decalajul 1 și, de asemenea, o valoare negative
semnificativă a ACF la decalajul 12, în timp ce PACF arată un model de „descompunere” mai gradual
în vecinătatea ambelor decalaje.
Folosind regulile:
Dacă funcția de autocorelație (ACF) a seriei diferențiate afișează o descreștere bruscă și/sau
autocorelația la lag 1 este negativă, atunci luați în considerare adăugarea unui termen MA
la model. Decalajul de la care se anulează ACF este numărul indicat de termeni MA.
Dacă autocorelația (ACF) în perioada sezonieră este pozitivă, luați în considerare adăugarea
unui termen SAR la model. Dacă autocorelația în perioada sezonieră este negativă, luați în
considerare adăugarea unui termen SMA la model.
Nu folositi niciodată mai mult de un ordin de diferențiere sezonieră sau mai mult de două
ordine de diferențiere per total (sezonieră și nesezonieră)
Aplicănd regulile anterioare, se poate spune că seria de timp are un termen MA(1) și unul SMA(12).
Se obține un model ARMA(0,1)x(0,1)12 pentru seria de timp X, adică un model
ARIMA(0,1,1)x(0,1,1)12 pentru seria de timp AUTOSALE_CPI. Unii dintre autori consider ce cel
mai folosit model ARIMA sezonier este ARIMA(0,1,1)x(0,1,1)12.
4
12
8
Forecast: XF_EQ_3_C
Actual: X
4 Forecast sample: 1970M01 1993M03
Included observations: 266
0
Root Mean Squared Error 1.607615
Mean Absolute Error 1.200549
Mean Abs. Percent Error 316.3107
-4 Theil Inequality Coefficient 0.406143
Bias Proportion 0.000214
-8 Variance Proportion 0.050624
Covariance Proportion 0.949162
-12
70 72 74 76 78 80 82 84 86 88 90 92
XF_EQ_3_C ± 2 S.E.
✓ Root Mean Squared Error (RMSE) este abaterea standard a erorilor prognozate.
✓ Rețineți că RMSE și Mean Absolute Error depind de scara variabilei dependente, în
timp ce următoarele două statistici (Mean Abs. Percent Error si Theil Inequality
Coefficient) sunt invariante la scară. Coeficientul Theil se situează între 0 și 1, iar 0
indică o potrivire perfectă.
✓ Bias Proportion - indică cât de departe este media prognozei față de media seriei
efective. O valoare apropiată de 0 indică faptul că modelul ales a estimat bine media.
✓ Variance Proportion - indică cât de departe este varianța prognozelor față de varianța
seriei reale. O valoare apropiată de 0 indică faptul că modelul ales a estimat bine
varianța.
✓ Covariance Proportion - măsoară erorile de prognoză nesistematice rămase.
✓ Rețineți că proporțiile Bias, Variance și Covariance adunate fac 1 (sunt date ca
proporții din 1).
✓ Dacă prognozele sunt „bune”, Bias și Variance proportions ar trebui să fie mici, iar
Covariance Proportion ar trebui să fie mare (aproape de 1).
( X t )t ~ ARMA ( p = 0, 0, q = 1) ( P = 0, 0, Q = 1)12 ,
5
1
(
dar X t = 1 − B 1 − B
12
Salest )( )
(( )( ) )
1 − B1 1 − B12 Salest t ~ ARMA ( p = 0,0, q = 1) ( P = 0,0, Q = 1)12
putem scrie ( )
X t = 0 + 1 (B ) 1 B12 t
= + (1 + ( )B + B + (
0 1 12
12
1
1
1 1 12 ) B
13
) t
= 0 + t + 1(12 )B12 ( t ) + 1 B1 ( t ) + 1 1(12 ) B13 ( t )
( )(
Din X t = 1 − B1 1 − B12 Salest )
(
= 1 − B12 − B1 − B13 Salest )
= Salest − B12 (Salest ) − B1 (Salest ) − B13 (Salest )
Deci
Salest − Salest −12 − Salest −1 − Salest −13 = 0 + t + 1(12 ) t −12 + 1 t −1 + 1 1(12 ) t −13
sau
6
Salest = Salest −1 + Salest −12 + Salest −13 +
+ 0 + 1 t −1 + 1(12) t −12 + 1 1(12) t −13 + t
Și ecuația este:
̂ 𝑡 = 𝑆𝑎𝑙𝑒𝑠𝑡−1 + 𝑆𝑎𝑙𝑒𝑠𝑡−12 + 𝑆𝑎𝑙𝑒𝑠𝑡−13 + 𝜃̂0 + 𝜃̂1 ∙ 𝜀𝑡−1 + 𝜃̂1(12) ∙ 𝜀𝑡−12 + 𝜃̂1 ∙ 𝜃̂1(12) ∙ 𝜀𝑡−12
𝑆𝑎𝑙𝑒𝑠
Tabelul următor conține valorile variabilei Vânzări și reziduurile din ultimele 27 de luni din perioada
observată. Acestea vor fi utilizate pentru a produce estimări punctuale ale vânzărilor pentru
următoarele luni, în conformitate cu următoarele reguli:
o înlocuiți erorile anterioare cu reziduurile corespunzătoare,
o înlocuiți observațiile viitoare cu previziunile lor și
o înlocuiți erorile viitoare cu zero.
Calculați prognozele punctuale ale autosale_cpi pentru lunile rămase din 1993
7
1992M12 28.753 0.703222
1993M01 27.81 -0.041337
1993M02 28.232 -0.516042
1993M03 33.796 0.794074
8
o Comparați cele două modele: EQ_3_C și EQ_4_C pe baza rezultatelor anterioare.
9
Exemplul 2: http://ucanalytics.com/blogs/step-by-step-graphic-guide-to-forecasting-through-arima-
modeling-in-r-manufacturing-case-study-example/
Vanzarile lunare de tractoare produse de PowerHorse se regasesc in fisierul: tractor-salex.xlsx.
Potriviti un model SARIMA acestei serii de timp și previzionați vînzările următorului an.
10
series X = D_L_TRACTORS - D_L_TRACTORS(-12)
11
12
13
Metodologia Box Jenkins
(exemple in Eviews)
Aprilie 2023
Curs Serii de timp – Prof.univ.dr. Cristina BOBOC
Sursa informatiilor : Conf. univ. dr. Mihaela Covrig, Time series, part 10, lecture and exercises, 2019-
2020, draft
Alte surse bibliografice:
• Gujarati, D., Porter, D., Basic Econometrics, 5th edition, McGraw-Hill, 2009,
Chapter 21. Time Series Econometrics: Some Basic Concepts, pp. 737-772 and
Chapter 22. Time Series Econometrics: Forecasting, pp. 773-800.
• Florian Pelgrin http://math.unice.fr/~frapetti/CorsoP/Chapitre_5_IMEA_1.pdf
• EViews Learning Resouces, Online Tutorials http://www.eviews.com/Learning/index.html, namely
Time Series Estimation (Part C: Serial Correlation and ARMA modelling) and Forecasting
• http://www.eviews.com/help/helpintro.html#page/content%2Ftimeser-
Estimating_ARIMA_and_ARFIMA_Models_in_EViews.html%23
Modelele Box Jenkins permit ca seria de timp Xt să fie explicată prin valori trecute sau decalate ale lui X și
prin intermediul termenilor eroare stocastici εt. Modelele ARIMA sunt uneori numite modele ateoretice,
deoarece nu sunt derivate din nici o teorie economică.
Metodologia Box-Jenkins
Construcția unui model ARIMA(p, d, q) constă în 4 pași:
1
Etapa 2 : Estimare (și selecție): această etapă implică estimarea parametrilor diferitelor modele (folosind
pasul 1) și o primă selecție de modele (folosind criteriile informaționale).
Etapa 3 : Verificarea/Testarea: în această etapă se determină dacă modelul (modelele) specificat (e) și
estimat (e) este (sunt) adecvat (e). În special, se folosește testarea rezidualurilor (erorilor). După ce am ales
un anumit model ARIMA și i-am estimat parametrii, vom vedea în continuare dacă modelul ales se
potrivește destul de bine cu datele, deoarece este posibil ca un alt model ARIMA să fie mai bun.
Acesta este motivul pentru care modelarea Box – Jenkins ARIMA este mai mult o artă decât o știință; este
necesară o abilitate considerabilă pentru a alege modelul ARIMA potrivit.
O primă verificare a modelului se face în cee ace privește reziduurile estimate din acest model: daca acestea
sunt zgomot alb putem accepta modelul ca fiind potrivit seriei de timp, altfel trebuie reluat procesul.
2
Exemplu. Fie seria temporală a PIB-ului SUA, miliarde de dolari SUA, date trimestriale ajustate sezonier din
1947 până în 2007, exemplu furnizat în Gujarati, D., Porter, D., Basic Econometrics, ediția a V-a, McGraw-
Hill, 2009, pp 778-784. Datele sunt disponibile la www.mhhe.com/gujarati5e sau
http://highered.mheducation.com/sites/0073375772/information_center_view0/index.html în fișierul Tabelul
21_1.xls. Datele privind PIB-ul SUA au fost introduse într-un fișier de lucru EViews.
Seria cronologică este denumită GDP.
3
Testul Unit Root pentru seria de timp LGDP.
Pentru a o transforma într-o serie de timp staționară se vor calcula diferențele de ordinul I: d(LGDP) obținându-
se seria DLGDP.
Se testează dacă această nouă serie este staționară folosind testul Unit Root Tests.
4
Null Hypothesis: DLGDP has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=14)
t-Statistic Prob.*
Seria de timp LGDP este integrate de ordin 1, LGDP ~ I(1), deoarece LGDP nu esra staționară și după o
primă diferențiere devine staționară.
În acest moment trebuie identificat modelul potrivit seriei de timp DLGDP folosind un model ARMA(p, q).
Pentru identificarea ordinelor p și q se vor reprezenta graphic funțiile SACF și SPACF pentru seria staționară
DLGDP.
5
Pattern-uri teoretice ale ACF și PACF
În practică, identificarea p și q folosind ACF și PACF implică o abordare de încercare și eroare cu mai multă
sau mai puțină subiectivitate în interpretarea acestor funcții, deoarece „datele reale” rareori prezintă modele
simple, exacte.
Metodologia generală este:
• Se aleg două valori maximale pmax și qmax, pentru ordinele AR și MA astefl încât 𝑝𝑚𝑎𝑥 =
𝑚𝑎𝑥{𝑘|𝜙𝑘,𝑘 ≠ 0} and 𝑞𝑚𝑎𝑥 = 𝑚𝑎𝑥{𝑘|𝜌(𝑘) ≠ 0};
• Se estimează toate modelele posibile ARMA(p, q) pentru 0 ≤ 𝑝 ≤ 𝑝𝑚𝑎𝑥 și 0 ≤ 𝑞 ≤ 𝑞𝑚𝑎𝑥 , folosind
metoda verosimilității maxime;
• Se folosesc criteriile informaționale: Akaike (AIC) și Schwarz (SBIC), sau alte procedure pentru
alegerea celor mai bune modele astfel:
min 𝐴𝐼𝐶(𝑝, 𝑞)
0≤𝑝≤𝑝𝑚𝑎𝑥 , 0≤𝑞≤𝑞𝑚𝑎𝑥
sau
min 𝑆𝐵𝐼𝐶(𝑝, 𝑞)
0≤𝑝≤𝑝𝑚𝑎𝑥 , 0≤𝑞≤𝑞𝑚𝑎𝑥
sau
max 𝐿𝑜𝑔 𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑(𝑝, 𝑞)
0≤𝑝≤𝑝𝑚𝑎𝑥 , 0≤𝑞≤𝑞𝑚𝑎𝑥
sau
max 𝑅̅ 2 𝑜𝑓 𝐴𝑅𝑀𝐴(𝑝, 𝑞)
0≤𝑝≤𝑝𝑚𝑎𝑥 , 0≤𝑞≤𝑞𝑚𝑎𝑥
În cazul nostrum: pmax=1 and qmax= 2, deci vor fi estimate următoarele modelepentru seria de timp staționară
DLGDP:
p q 0 1 2
0 ARMA(0,0) ARMA(0,1), that is MA(1) ARMA(0,2), that is MA(2)
1 ARMA(1,0), that is AR(1) ARMA(1,1) ARMA(1,2)
6
Estimarea parametrilor a fost realizată folosind metoda verosimilității maxime folosind:
• Maximum Likelihood, implementată în EViews 8 și 9,
• Least Squares method (Nonlinear Least Squares NLS and ARMA) în EViews 7
ARMA(0, 0)
ARMA(1,0)
ARMA(0,1)
7
ARMA(0,2)
ARMA(1,1)
8
ARMA(1,2)
Modelele identificate
ARMA(1,0) ARMA(0,1) ARMA(0,2)
ARMA(1,1) ARMA(1,2)
sau AR(1) sau MA(1) sau MA(2)
AIC –6.518950 –6.493237 –6.526104 –6.514880 –6.520065
BIC –6.490116 –6.464488 –6.482979 –6.471629 –6.462397
HQIC –6.507334 –6.481657 –6.508734 –6.497457 –6.496834
Log likelihood 790.7929 790.9283 795.9216 791.3005 792.9279
Adjusted R Square 0.104671 0.081077 0.114402 0.104688 0.112937
Este modelul de
regresie semnficativ
yes yes yes yes Yes
pentru un nivel de
semnificație de 5%?
C yes yes yes yes Yes
Parametrii sunt
semnificativi?
Dintre toate aceste modele, modelul ARMA(0,2) sau MA(2) este cel mai bun din punctul de vedere al
următoarelor criterii:
Are cea mai mica valoare a AIC,
Are cea mai mare valoare a Log likelihood și Adjusted R Square,
Este semnificativ statistic,
9
Are rezidualurile white noise,
Parametrii sunt semnificativi diferiți de zero.
Pentru eșantion s-au obținut estimatorii parametrilor :
𝜇̂ = 0,008230 ; 𝜃̂1 = 0,292321 ; 𝜃̂2 = 0,204590
Modelul de regresie estimat este :
∇ln̂
(𝐺𝐷𝑃𝑡 ) = 𝜇̂ + 𝜃̂1 𝜀𝑡−1 + 𝜃̂2 𝜀𝑡−2 , t=1947(Q2)-2007(Q4)
Iar rezidualurile estimate sunt :
𝜀̂𝑡 = ∇ ln(𝐺𝐷𝑃𝑡 ) − ∇ln̂
(𝐺𝐷𝑃𝑡 )
În Eviews se pot determina valorile rezidualurilor și ale valorilor previzionate pentru perioada de timp
observată în View/Actual, Fitted, Residual Table:
̂
∇ln (𝐺𝐷𝑃 ̂ ̂
2008(𝑄1) ) = 𝜇̂ + 𝜃1 𝜀2007(𝑄4) + 𝜃2 𝜀2007(𝑄3)
𝜀2007(𝑄4) și 𝜀2007(𝑄3) sunt necunoscute deci vor fi estimate folosind rezidualurile estimate ale modelului de
regresie.
Deci :
̂
∇ln (𝐺𝐷𝑃2008(𝑄1) ) = 0,008230 + 0,292321 ∙ (−0,00854) + 0,204590 ∙ (0,00399)=0,006549
̂
∇ln (𝐺𝐷𝑃 ̂ ̂
2008(𝑄4) ) = 𝜇̂ + 𝜃1 𝜀2008(𝑄3) + 𝜃2 𝜀2008(𝑄2) =0,008230+0,292321 ∙ 0 + 0,204590 ∙ 0=0,008230
10
Deci rata de creștere a LGDP în Q3 2008 a fost de 0,8230% în raport cu Q2 2008. Toate ratele de creștere
începănd cu Q3 2008 vor fi egale cu această valoare deoarece valorile viitoare ale erorilor sunt zero.
Pentru previziunea lui GDP sau LGDP, aceasta se calculează pentru Q1 2008 astfel :
̂
ln (𝐺𝐷𝑃 ̂ ̂
2008(𝑄1) ) = ln (𝐺𝐷𝑃2007(𝑄4) ) + 𝜇̂ + 𝜃1 𝜀2007(𝑄4) + 𝜃2 𝜀2007(𝑄3) =9,3652+0,0065=9,3717
În EViews se obțin valorile previzionate astfel pentru DLGDP pentru perioada de timp 1947Q1 to 2007Q4:
Se deschide ecuația modelului ARMA(0,2),
și se apasă pe on Forecast:
• la Forecast name: scrieți numele noii serii
de timp ce conține valorile previzionate ale
DLGDP, dlgdp_f
• la S.E. (optional): se scrienumele erorilor
standard
• la Forecast sample se completează
perioada de timp 1947Q1 la 2007Q4
• se selectează Static forecast, Forecast
graph și Forecast evaluation
• OK
11
Se pot calcula limitele inferioare și superioare ale intervalului de încredere. În Command window în EViews,
se scriu următoarele comenzi și se apasă ENTER după fiecare:
12
Serii de timp
= 0 + q (B )
( )
Q B s
t
the non - seasonal
Operatorul de medie the seasonal
Operatorul de medie
moving average operator moving average operator
mobilă de ordin
of order q q non moblă de ordin
of order Q Q
sezonier sezonier
unde s este numărul perioadelor dintr-un an numită și perioada componentei sezoniere
si B este operatorul de deplasare Byt=Yt-1
Componentele modelelor SARIMA
Componentele nesezoniere sunt:
Componenta autoregresivă de ordin p nesezonieră, AR:
p (B ) = 1 − 1 B − 2 B 2 − ... − p B p
Componenta medie mobilă nesezonieră de ordin q, MA:
q (B ) = 1 + 1 B + 2 B 2 + ... + q B q
Componentele sezoniere sunt:
Componenta autoregresivă de ordin P sezonieră, AR:
P (B s ) = 1 − 1 ( s ) B s − 2 (s ) B 2 s − ... − p (s ) B P s
Componenta medie mobilă sezonieră de ordin Q, MA:
( )
Q B s = 1 + 1 (s ) B s + 2 (s ) B 2 s + ... + q (s ) B Q s
SARIMA(0,0,0)(1,0,0)12 : 𝑋𝑡 = Φ1 𝑋𝑡−12 + 𝑒𝑡
SARIMA(1,1,1)x(1,1,1)4 :
Observații modele SARIMA
1. Diferența sezonieră este
yt − yt − s = yt − B s yt = (1 − B s )yt
unde B s yt = B s ( yt ) = yt − s
Identificarea modelului
se identifică o combinaţie de valori plauzibile pentru d şi D care staţionarizează
seria:
din graficele funcţiilor de autocorelaţie respectiv autocorelaţie parţială a seriei
diferenţiate (care este staţionară) se identifică valori plauzibile pentru gradele
polinomului autoregresiv p, polinomului medie mobilă q respectiv pentru gradele
polinomului autoregresiv sezonier P şi a polinomului medie mobilă sezonier Q:
𝜑 𝐵 𝑠 = 1 − 𝑎1 𝐵 𝑠 − 𝑎2 𝐵2𝑠 − ⋯ − 𝑎𝑃 𝐵𝑃𝑠
Testare: Se examinează erorile (cu ACF, Box-Pierce și alte mijloace) pentru a vedea
dacă modelul poate fi validat. Comparați valorile AIC sau BIC dacă ați încercat mai
multe modele.
Daca din etapa de testare nu rezultă un model bun, atunci se revine la pasul de
identificare.
ARIMA(0,0,1)(0,0,1)12
ACF (1) este Autocorelatia in perioada sezoniera
semnificativ diferit este pozitiva – se adauga un termen SMA
de zero
– se adaugă un
termen MA
Autocorelatia in perioada
sezoniera
este negativă – se adauga
un termen SAR
Descreștere
bruscă către zero
Sursa informatiilor : Conf. univ. dr. Mihaela Covrig, Time series, part 10,
lecture and exercises, 2019-2020,
Exemplu
Exemplu
Exemplu
ARIMA(0,1,1)x(0,1,1)12
Exemplu
Tutorial pentru estimarea modelelor SARIMA in R:
https://www.google.com/search?q=modele+sarima&oq=model
e+sarima&aqs=chrome..69i57j0i10i22i30j0i22i30l3j0i10i22i30.2
164j0j7&sourceid=chrome&ie=UTF-
8#fpstate=ive&vld=cid:012b4473,vid:X-PpICNabVE
Serii de timp
Observaţie. Dacă seria prezinta fluctuații mari in jurul mediei, este indicat
ca inainte de modelare, sa se logaritmeze datele iniţiale, reducând astfel
amplitudinea fluctuaţiilor seriei. Se va lucra în continuare cu datele
logaritmate.
ARMA (p,q) descreşte exponenţial sau sinusoidal începând cu descreşte exponenţial sau sinusoidal începând cu
k=q-p k=q-p
Metodologia Box Jenkins
În practică vom căuta:
cea mai mică valoare a lui k începând de la care funcţia de autocorelaţie parţială ck nu diferă
semnificativ de zero (începând de la care ipoteza nulă H0 : nu se respinge). Obţinem astfel
valoarea plauzibilă pentru p ordinul modelului autoregresiv AR(p); AR(p) este adecvat
variabilelor dependente exclusiv de trecutul lor, cu pronunţat caracter inerţial (exemplu:
consumul de bunuri de strictă necesitate unde se creează obişnuinţă).
cea mai mică valoare a lui k începând de la care funcţia de autocorelaţie rk nu diferă
semnificativ de zero (începând de la care ipoteza nulă H0 : nu se respinge). Obţinem astfel
valoarea plauzibilă pentru q, ordinul modelului medie mobila MA(q). MA(q) e adecvat
variabilelor „sensibile” la modificări ale variabilelor exogene, determinând abateri accidentale
de la evoluţia medie.
În principiu nu este dificil să distingem între un model AR(p) şi un model MA(q), în schimb
determinarea ordinelor p, q pentru un model mixt este un proces relativ incert. Există şi
posibilitatea selectării modelului ce minimizeaza diferite criterii construite utilizând funcţia de
verosimilitate (ex: criteriul Akaike AIC, criteriul Schwarz SC).
Estimarea parametrilor modelului
Forma restrânsă a unui model
ARMA(p,q): (L )Yt = (L ) t
ARIMA(p,d,q): (L )(1 − L) d X t = (L ) t
Metoda clasică a celor mai mici pătrate de minimizare a sumei pătratelor erorilor
conduce la estimatori ai parametrilor a1, a2,…, ap regăsind ecuațiile Yule-Walker
(relațiile între coeficienții modelului și coeficienții de autocorelație).
Estimatorii obținuți nu sunt eficienți deoarece există colinearitate între variabilele
explicative din model.
De aceea se utilizează metoda verosimilității maxime.
Maximizarea acesteia conduce la valori pentru coeficienţii ai, bi ce asigură cea mai
mare probabilitate de apariţie a observaţiilor Y1, …, YT.
Acești estimatori sunt consistenți, asimtotic eficienți și normal distribuiți.
Testarea validității modelului
Pentru a vedea dacă modelul estimat surprinde adecvat modul de generare a
datelor (caracterul inerţial respectiv cel de asimilare a şocurilor) este utilă în
prealabil o analiza comparativă a funcţiei de autocorelaţie r̂k respectiv de
autocorelaţie parţială ĉ k estimate, pentru seria iniţială Yt respectiv pentru seria
generată de model Yˆt .
O asemănare între corelogramele acestora indică faptul că modelul surprinde
adecvat mecanismul de generare a datelor.
De asemenea se pot analiza rădăcinile unitate ale polinoamelor autoregresive
respectiv medie mobilă.
H 0 : ai = 0
H 1 : ai 0
ai
Statistica: t= N(0,1)
Var (ai )
Regula de decizie: Pentru un nivel de semnificaţie , dacă t calc − t tab ,+t tab atunci
ipoteza
nulă H0 nu se respinge. Prin urmare variabila corespunzătoare se elimină din model, şi se
respecifică respectiv re-estimează modelul.
Observație: Ca teste asupra coeficienţilor se pot utiliza şi alte teste precum testul Wald, sau
teste de tip LM (Multiplicatorul lui Lagrange) pentru omisiunea unor variabile, teste de
stabilitate a coeficienţilor.
Teste privind reziduurile
Dacă modelul este bine specificat, atunci reziduurile din modelul estimat
sunt generate de un proces de tip zgomot alb (succesiune de variabile
aleatoare independente, identic repartizate), cu medie zero şi normal
distribuit.
Autocorelarea reziduurilor. Pentru detectarea unor dependenţe în seria
reziduurilor se examinează funcţia de autocorelaţie şi de autocorelaţie
r̂k
parţială a reziduurilor.ĉ kDacă reziduurile sunt necorelate, atunci aceşti
coeficienţi nu trebuie să fie semnificativ diferiţi de zero.
rˆk
Var (rˆk ) =
1
Statistica: t= N(0,1) unde
Vˆar (rˆk ) T
Observații:
1. Același test se aplică și pentru coeficienții parțiali de autocorelație.
2. Se mai aplică și testul Ljung Box studiat în cursurile precedente
Investigarea normalității reziduurilor
Testul Jarque&Bera:
Se bazează pe coeficienții de boltire și de asimetrie
Dacă un eşantion de T observaţii provine dintr-o distribuţie normală atunci coeficientul de
asimetrie calculat în baza observaţiilor urmează asimptotic legea normală N(0, 6/T) iar
coeficientul boltirii legea N(3,24/T).
Jarque şi Bera obţin prin însumarea celor două variabile normale independente statistica:
1 1
JB = Tˆ 32 + T (ˆ 4 − 3) 2 2 (2)
6 24
Regiunea critică:
P ( JB 2 , 2 ) =
Investigarea heteroscedasticităţii
reziduurilor
Testul multiplicatorilor lui Lagrange pentru heteroscedasticitate de tip
ARCH(p) presupune:
estimarea reziduurilor et = ˆt din ecuaţia ce defineşte modelul;
estimarea regresiei auxiliare (ce fundamentează testul):
et2 = 0 + 1et2−1 + ... + p et2− p
Procedura:
Se determină P și Q maximele ordinelor modelelor AR respectiv MA
p și q se determină astfel încât să obțin minimul criteriilor descrise
Realizarea previziunilor
Modelul ARIMA estimat şi validat poate fi utilizat pentru generarea de previziuni:
previziuni punctuale
intervale de previziune.
Previziuni punctuale
Pentru un orizont de previziune h, ataşăm momentului T+h, unde T este originea efectuării
previziunii, variabila aleatoare YT + h .
YT + h = E (YT + h | YT , YT −1 ,..., Y1 )
Yt = t + c1 t −1 + c 2 t −2 + ... Yt = C (L ) t
( L)C (L ) = ( L)
(L )
Yt = t
(L )
h −1
eT + h = YT + h − YT + h = t + c1 t −1 + c 2 t − 2 + ... − (c h T + c h +1 T −1 + ...) V (eT + h ) = 2 1 + c 2j
j =1
Exemplu
Fie seria temporală a PIB-ului SUA,
miliarde de dolari SUA, date
trimestriale ajustate sezonier din
1947 până în 2007, exemplu furnizat
în Gujarati, D., Porter, D., Basic
Econometrics, ediția a V-a, McGraw-
Hill, 2009, pp 778-784
Verificarea stationarității seriei
Este seria diferențiată stationară?
Corelograma seriei diferențiate
p
0 1 2
q
0 ARMA(0,0) ARMA(0,1), deci MA(1) ARMA(0,2), deci MA(2)
1 ARMA(1,0), deci AR(1) ARMA(1,1) ARMA(1,2)
ARMA(0, 0)
ARMA(1,0)
ARMA(0,1)
ARMA(0,2)
ARMA(1,1)
ARMA(1,2)
Compararea modelelor
Modele identificate
ma(2) yes No
Rezidualurile sunt White
yes no yes yes Yes
Noise?
Exemple rezolvate
Condiția de stationaritate pentru modelele AR
Calculul funcțiilor de autocorelație și de autocorelație partială pentru modelele AR și
ARMA
Materialul a fost pregatit pornind de la cursul si seminarul de serii de timp al Dnei Prof. Silvia
Spataru
Rezolvare:
Rezolvare:
P ( ) = 2 − 1 − 2 = 0 P ( ) = 2 − 1,8 + 0,8 = 0
1 = 0,8 şi 2 = 1 1 1 dar 2 = 1 z1 1 dar z 2 = 1 .
Rezolvare:
P ( ) = 2 − 1 − 2 = 0 P ( ) = 2 − 1,5 + 0,75 = 0
1 = a + bi = 0,75 + 0,43 i şi 2 = a − bi = 0,75 − 0,43 i
= R = a 2 + b 2 = 0,8645 1 |𝑧|1
......
𝜑11 = 𝜌1 = 0,8571
𝜌2 −𝜌12 0,5357−0,85712 0,5357−0,85712 −0,1989
𝜑22 = = = = = −0,75
1−𝜌12 1−0,85712 1−0,85712 0,2654
𝜑𝑘𝑘 = 0 pentru k 2
Problema 4:
Fie yt = yt −1 + t + t −1
yt = −0,7 yt −1 + t − 0,7 t −1 = −0,7 şi = −0,7
a) Să se calculeze ACF
b) Să se calculeze PACF
Rezolvare:
a. ACF:
( + )(1 + ) (−0,7 − 0,7 )(1 + 0,49)
1 = 1 = 1 = = −0,8445
0 1 + 2 + 2
1 + 2(0,49) + 0,49
Pentru k 2 avem k = k −1
2 = 1 = (−0,7)( −0,8445) = 0,591
3 = 2 = −0,414 ; 4 = 0,290 ; 5 = −0,203 ; 6 = 0,142 , 7 = −0,099 ; 8 = 0,07
b. PACF
11 = 1 = −0,8445
2 − 12 0,591 − (−0,8445) 2
22 = = = −0,426
1 − 12 1 − (−0,8445) 2
33 0 ; 44 0 , …
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 )
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, k2
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 )
- 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 )
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
( )(
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)
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).
Rezolvare:
Avem 𝑎1 = 0,6 şi 𝑎2 = −0,08.
Polinomul caracteristic asociat este: 𝜑 𝐿 = 1 − 𝑎1 𝐿 − 𝑎2 𝐿2
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
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
(1 − a1 L)Yt = (1 − b1 ) t
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
Seminar 4
Martie 2023
Problema 1: Pentru a ilustra calcularea unei funcţii SACF, considerăm 10 valori ale unei serii de timp y t :
13, 8, 15, 4, 4, 12, 11, 7, 14, 12. Să se calculeze autocorelaţiile de selecţie pentru lag-urile 1, 2 şi 3.
Calculăm media de selecţie şi obţinem y = 10 . Folosim formulele
t =2 ( yt − y )( yt −1 − y ) t =k +1 ( yt − y )( yt −k − y )
n n
r1 = ̂1 = , rk = ̂ k =
t =1 ( yt − y ) 2 t =1 ( yt − y ) 2
n n
(13 − 10)(8 − 10) + (8 − 10)(15 − 10) + + (7 − 10)(14 − 10) + (14 − 10)(12 − 10) − 27
ˆ1 = = = −0,188
(13 − 10) 2 + (8 − 10) 2 + + (12 − 10) 2 144
(13 − 10)(15 − 10) + (8 − 10)(4 − 10) + + (11 − 10)(14 − 10) + (7 − 10)(12 − 10) − 29
ˆ 2 = = = −0,201
(13 − 10) 2 + (8 − 10) 2 + + (12 − 10) 2 144
26
̂ 3 = = 0,181
144
Problema 2: Considerăm o selecţie de volum n=200 de observaţii asupra unui proces stochastic pentru care se cunosc
1 = −0,4 şi k = 0, k 2 . Autocorelaţiile estimate sunt:
k 1 2 3 4 5 6 7 8 9 10
rk -0,38 -0,08 0,11 0,08 0,02 0,00 0,00 0,00 0,07 -0,08
Deoarece varianţa estimată a lui rk este Var (rk ) = Var ( ˆ k ) = 1 / n = 1/200=0,005 rezultă că abaterea standard va fi
se ( ˆ k ) = 1 / n = 1 / 200 = 0,005 = 0,07 . Un coeficient k este semnificativ diferit de zero dacă se află în afara
Deoarece avem r1 = ˆ1 = −0,38 , înseamnă că ˆ1 (−0,14 ; + 0,14) , deci acceptăm ipoteza că k este semnificativ
diferit de zero ( 1 0). Pentru restul coeficienţilor acceptăm ipoteza că nu sunt semnificativi, adică k = 0, k 2 .
Problema 3: Considerăm o selecţie de volum n=50 de observaţii asupra unui proces stochastic. Autocorelaţiile estimate
sunt:
k 1 2 3 4 5 6 7 8 9 10 11 12
rk 0,84 0,73 0,61 0,54 0,47 0,46 0,38 0,29 0,17 0,05 0,01 -0,01
a) Folosim ecuaţiile Yule-Walker pentru a calcula coeficienţii de autocorelaţie parţială de selecţie. Obţinem:
1 0,84 0,84
1 0,84 0,84 1 0,73
0,84 0,73 0,73 0,84 0,61
ˆ11 = r11 = r1 = ˆ1 = 0,84 ; ˆ22 = = 0,08 ; ˆ33 = = −0,075
1 0,84 1 0,84 0,73
0,84 1 0,84 1 0,84
0,73 0,84 1
b) Deoarece varianţa estimată a lui ˆkk este Var (rkk ) = Var (ˆkk ) = 1 / n = 1/50=0,02 rezultă că abaterea standard va fi
se (ˆkk ) = 1 / n = 1 / 50 = 0,02 = 0,1414 . Un coeficient ˆkk este semnificativ diferit de zero dacă se află în afara
Dacă ˆkk (−0,2828 ; + 0,2828 ) acceptăm ipoteza că kk nu este semnificativ diferit de zero.
Deoarece avem r11 = 0,84 , înseamnă că r11 (−0,2828 ; + 0,2828) , deci acceptăm ipoteza că 11 este semnificativ
diferit de zero. Pentru coeficienţii 22 şi 33 acceptăm ipoteza că nu sunt semnificativi statistic, deoarece r22 = 0,08 şi
a) Să se definească autocorelaţia de lag 1. Această corelaţie măsoară dependenţa liniară a lui y t în raport cu ce altă
variabilă?
b) Descrieţi un test statistic (inclusiv regula de decizie), care poate fi folosit pentru a testa ipoteza nulă
H 0 : 1 = 2 = 3 = 4 , faţă de alternativa
c) Descrieţi o metodă pentru a testa ipoteza nulă H 0 : 4 = 0 , faţă de alternativa H 1 : 4 0 , unde 4 este autocorelaţia
de lag 4 a unei serii cu date trimestriale y t . Care este statistica testului? Care este distribuţia de referinţă?
( yt − y )( yt −1 − y )
n
r1 = ̂1 = t =2 n
t =1 ( yt − y ) 2
b) Folosim statistica Ljung-Box (calculată şi în EViews):
4 ˆ2
Q(4) = n(n + 2) k ~ 42 .
k =1 n − k
c) Folosim raportul t = ˆ 4 / se ( ˆ 4 ) = ˆ 4 n , deoarece Var ( ˆ 4 ) = 1 / n . Dacă valoarea lui n este mare, statistica testului
urmează o distribuţie normală standard.
Problema 5: Analiza staţionarităţii seriei de timp PIB, pe baza corelogramei seriei
Un test simplu al staţionarităţii seriei este bazat pe funcţia de autocorelaţie (ACF).
Graficul funcţiei de autocorelaţie în raport cu decalajul k, se numeşte corelogramă.
Mai jos avem corelograma seriei cu date trimestriale privind PIB-ul , realizată în EViews.
Bartlett a arătat că, dacă o serie de timp este pur aleatoare, coeficienţii de autocorelaţie de selecţie sunt aproximativ
normal distribuiţi, cu media 0 şi varianţa 1 / n , unde n este volumul selecţiei. ˆ k ~ N (0,1 / n) . Putem determina un
În exemplul dat, deoarece n=88, varianţa lui ̂ k este 1/88, iar eroarea standard este 1 / 88 = 0,1066 . Conform
1,96 (0,1066 ) = 0,2089 . Astfel, dacă un k estimat se află în intervalul (−0,2089 ;0,2089 ) , nu respingem ipoteza
că k real este zero. Dacă k estimat se află în afara intervalului (−0,2089 ;0,2089 ) , atunci putem respinge ipoteza
că k real este zero. Intervalul de încredere 95% este marcat prin două linii punctate. În corelogramă se observă că toţi
coeficienţii ̂ k până la decalajul 23 sunt semnificativi statistic, adică sunt statistic diferiţi de 0. Pentru a testa ipoteza
Pentru seria de date PIB, statistica Q bazată pe 25 de decalaje are valoarea 891, deci este semnificativ diferită de 0;
probabilitatea de a obţine o astfel de valoare 2 este zero. Concluzia finală, bazată pe corelogramă, este că seria de
timp PIB este nestaţionară.
y t = ( − 1) y t −1 + t = y t −1 + t
În cazul când avem Constantă dar nu avem Trend (fig. stânga) am obţinut:
Am obţinut următoarele rezultate:
În cazul când avem Constantă şi Trend (fig. dreapta) obţinem următoarele rezultate:
yt = a0 + a1 yt −1 + a2 yt − 2 + + a p yt − p
yt = f ( t −1 , t − 2 , ) + t
unde p este ordinul părţii autoregresive, q ordinul mediei mobile iar t este
un proces de tip zgomot alb (acesta fiind o succesiune de variabile
aleatoare independente şi identic repartizate, cu medie zero).
Funcția parțială de autocorelație (PAC)
Observație: Coeficientul de autocorelaţie parţială măsoară efectul direct al
lui yt-k asupra variabilei yt (se izolează influenţa variabilei yt-k). Definiția
acestuia este similară cu a coeficientului de corelaţie parţială din
econometrie.
Definiție: Coeficientul de autocorelaţie parțială între două variabile separate
de k unităţi de timp notat prin kk este coeficientul de regresie al variabilei yt-k
în modelul autoregresiv AR(k):
yt = k1 yt −1 + k 2 yt − 2 + + kk yt − k + t
Știind că:
r ( x, y ) − r ( x, z ) r ( y , z )
r ( x, y | z ) = 22 = ( 2 − 12 ) /(1 − 12 )
1 − r ( x, z ) 1 − r ( y , z )
2 2
yt = k1 yt −1 + k 2 yt − 2 + + kk yt − k + t
Estimarea funcției parțiale de autocorelație
Observaţie: În practică (inclusiv în softurile de statistică) coeficienţii de
autocorelaţie parţială nu se determină prin modele de regresie ci se
folosesc ecuaţiile Yule-Walker, ce redau relaţiile dintre coeficienţii de
autocorelaţie şi coeficienţii de autocorelaţie parţială.
Ecuaţiile Yule-Walker exprimă coeficienţii de autocorelaţie k sub
forma unor funcţii de coeficienţii autoregresivi i. Definim matricea
coeficienţilor liniari de autocorelaţie prin R(p), vectorul parametrilor
modelului prin şi vectorul coeficienţilor de autocorelaţie prin .
0 1 p
R( p) = R( p) =
1 0 1 p −1
2 1 1
p p −1 0
Test pentru un proces de mers la întâmplare, contra unui proces AR(1), staţionar, cu
deplasare
H 0 : yt = yt −1 + t
H 1 : yt = yt −1 + + t , 1 yt − yt −1 = ( − 1) yt −1 + + t yt = yt −1 + + t
Test pentru un proces de mers la întâmplare, contra unui proces AR(1), staţionar, cu
deplasare şi trend în timp.
H 0 : yt = yt −1 + t
H 1 : yt = yt −1 + + t + t , 1
yt − yt −1 = ( − 1) yt −1 + + t + t yt = yt −1 + + t + t
Testul de staționaritate (pentru o rădăcină unitară).
Testul Dickey-Fuller (Unit Root Test)
(−1,96(0,1066),+1,96(0,1066))
y t = y t −1 + t
Dacă = 0 , spunem că variabila are o
rădăcină unitară.
p
yt = yt −1 + + t + i yt −i + t
i =1
Detectarea nestaţionarităţii:
din cronogramă şi corelogramă: autocorelaţiile unei serii staţionare se apropie
rapid de zero, odată ce k creşte (tind exponenţial spre zero). Pentru o serie
nestaţionară autocorelaţiile sunt mari şi pozitive pentru un număr mare de valori
ale lui k.
utilizarea unor teste de staţionaritate (numite şi teste de rădăcină unitate)
Serie nestaționară de tip TS (Trend Stationarity)
Definiție: O serie nestaţionară este de tip TS dacă trendul este de
tip determinist şi se elimină prin scădere sau prin împărţire
y t = + t + t t = 1,2,..., n; t este zgomot alb
Proprietăți:
Media unei serii TS nu este constantă: E ( yt ) = E ( + t + t ) = + t
Observații:
Efectul produs de un șoc aleator este tranzitoriu, deci nu se acumulează în timp
Diferențele de ordin 1 și 2:
yt = yt − yt −1
2 yt = ( yt − yt −1 ) = yt − yt −1 = ( yt − yt −1 ) − ( yt −1 − yt − 2 ) = yt − 2 yt −1 + yt − 2
(L )Yt = (L ) t
(L ) = 1 − a1 L − a2 L2 − − a p Lp
( L) = 1 − b1 L − − bq Lq
ARIMA(p,d,q): (L )(1 − L) X t = (L ) t
d
Definiții, Notații
Un proces autoregresiv
AR (p): 𝑦𝑡 = 𝑎0 + 𝑎1 ⋅ 𝑦𝑡−1 + 𝑎2 ⋅ 𝑦𝑡−2 + ⋯ + 𝑎𝑝 ⋅ 𝑦𝑡−𝑝 + 𝜀𝑡
(L ) = 1 − a1 L − a2 L2 − − a p Lp
( L) = 1 − b1 L − − bq Lq
d xt = (1-L)dxt staționară
Teorema de descompunere a lui Wold
Orice proces stochastic slab staţionar şi absolut nedeterminist (yt - )
poate fi reprezentat ca o combinaţie liniară (sau filtru liniar) de variabile
aleatoare necorelate.
yt − = t − b1 t −1 − b2 t − 2 − = j t − j 0 = 1, j = −b j pentru j = 1,2,...
j =0
j =0
2
j
j j +k
0 =1
k = k = j =0 2 , k 0
0 1+ j
j =1
Seminar 3
Martie 2023
Materialul a fost pregatit pornind de la cursul si seminarul de serii de timp al Dnei Prof. Silvia Spataru
În exemplul dat, deoarece n=88, varianţa lui ̂ k este 1/88, iar eroarea standard este 1 / 88 = 0,1066 . Conform
1,96 (0,1066 ) = 0,2089 . Astfel, dacă un k estimat se află în intervalul (−0,2089 ;0,2089 ) , nu respingem
ipoteza că k real este zero. Dacă k estimat se află în afara intervalului (−0,2089 ;0,2089 ) , atunci putem respinge
ipoteza că k real este zero. Intervalul de încredere 95% este marcat prin două linii punctate. În corelogramă se
observă că toţi coeficienţii ̂ k până la decalajul 23 sunt semnificativi statistic, adică sunt statistic diferiţi de 0.
vt 1 4 2 2 5 5 3 3 1 4 4 3 3 5 4 4 4 1 3 3 3 3 1 2 2
zt 1 1 2 1 2 2 2 3 3 3 3 3 4 4 5 5 5 5 6 5 6 6 7 8 8
Bartlett a arătat că, dacă o serie de timp este pur aleatoare, coeficienţii de autocorelaţie de selecţie sunt aproximativ
normal distribuiţi, cu media 0 şi varianţa 1 / n , unde n este volumul selecţiei. Putem determina un interval de încredere
95% în care se află k .
În exemplul dat, deoarece n=25, varianţa lui ̂ k este 1/25, iar eroarea standard este 1 / 25 . Conform proprietăţilor
distribuţiei normale standard, intervalul de încredere 95% pentru orice k va fi (−0,392 ;0,392 ) . Astfel, dacă un k
estimat se află în intervalul (−0,392 ;0,392 ) , nu respingem ipoteza că k real este zero. Dacă k estimat se află în
afara intervalului (−0,392 ;0,392 ) , atunci putem respinge ipoteza că k real este zero.
Pentru seria vt: toţi rk sunt în interiorul intervalului. Seria este aleatoare.
Pentru seria zt: toţi rk sunt în afara intervalului
Serii de timp
T t =1
t
rˆk = t = k +1
sau prin:
(Y −Y ) /T
T
2
t
t =1
(Y − Y )(Yt − k − Y )
T
m
ˆ k2
Statistica Ljung Box : QLB (m) = n(n + 2 ) ~ m2
k =1 n − k
QLB crt
2
se respinge H 0
Exemplu
Se consideră 2 variabile economice cu date pe 25 perioade.
vt 1 4 2 2 5 5 3 3 1 4 4 3 3 5 4 4 4 1 3 3 3 3 1 2 2
zt 1 1 2 1 2 2 2 3 3 3 3 3 4 4 5 5 5 5 6 5 6 6 7 8 8
Bartlett a arătat că, dacă o serie de timp este pur aleatoare, coeficienţii de autocorelaţie de selecţie sunt
aproximativ normal distribuiţi, cu media 0 şi varianţa 1/n , unde n este volumul selecţiei.
Putem determina un interval de încredere 95% în care se află k .
k (−1,96 * se( ˆ k );1,96 * se( ˆ k )) k (−1,96 *1 / n ; 1,96 *1 / n )
n=25, varianţa lui este 1/25, iar eroarea standard este 1/5.
Conform proprietăţilor distribuţiei normale standard, intervalul de încredere 95% pentru orice k va fi
(-0.392,0.392) .
Pentru seria vt: toţi rk sunt în interiorul intervalului. Seria de timp este pur aleatoare
Pentru seria zt: toţi rk sunt în afara intervalului deci seria este nestaționară.
Seminar 1
Februarie 2023
Modele deterministe – serii de timp
Vom modela tendinţa printr-o funcţie exponenţială, avand in vedere modelul multiplicativ:
Yt = a b t t
Logaritmarea ambilor membrii conduce la liniarizarea tendinţei:
ln Yt = ln a + t ln b + ln t ,
respectiv
Z t = A + Bt + t ,
unde Z t = ln Yt , A = ln a, B = ln b, t = ln t .
t 1 2 3 4 5 6 7 8 9
Z t = ln Yt 3.100 3.107 3.109 3.116 3.119 3.123 3.128 3.133 3.142
M (tZ ) − M (t ) M ( Z )
B= ,
M (t 2 ) − M (t )
2
A = M ( Z ) − BM (t ).
3.100 + 3.107 + + 3.142
M (Z ) = = 3.119,
9
(1 3.100) + (2 3.107) + + (9 3.142)
M (tZ ) =
9
Se obţin pentru parametrii A respectiv B următoarele estimaţii:
B = 0.005 , A = 3.09 .
Parametrii tendinţei exponenţiale rezultă în consecinţă:
a = e A = 22 .11, b = e B = 1.005
Tt = 22 .11 (1.005 ) t .
O extrapolare a acestei tendinţe ar indica o populaţie previzibilă pentru anul 2000 de:
Yˆ21 = Tˆ21 = 22.11 (1.005)21 = 24.36 mil. locuitori,
valoarea reală fiind de 22.43 mil. locuitori. După 1989 nu s-a menţinut tendinţa de creştere a
numărului populaţiei, mediul economic şi social, cu influenţă directă asupra evoluţiei populaţiei
unei ţări, schimbăndu-se substanţial faţă de cel din perioada 1980 – 1988 (perioadă utilizată în
estimarea tendinţei).
0.5 Y2 + Y3 + Y4 + Y5 + 0.5 Y6
Y4 = =
4
0.5 263.2 + 252.4 + 124.5 + 130.1 + 0.5 280.2
= = 194.7
4
0.5 Y20 + Y21 + Y22 + Y23 + 0.5 Y24
Y22 = =
4
0.5 224.1 + 202.9 + 385.3 + 425.6 + 0.5 196.6
= = 306.0.
4
Datele observate au fost numerotate aici în ordine cronologică Y1 , Y2 , ...Y24 .
Tabelul 4. Mediile mobile de ordinul 4
t MM(4) t MM(4)
1 - 13 261.7
2 - 14 259.4
3 191.8 15 258.3
4 194.7 16 267.7
5 197.8 17 284.5
6 202.2 18 299.7
7 208.9 19 309.8
8 214.9 20 310.2
9 229.2 21 308.4
10 245.0 22 306.0
11 250.8 23 -
12 257.1 24 -
a) Estimarea tendinţei pornind de la seria mediilor mobile
Seria mediilor mobile prezentată grafic în figura 7. relevă o uşoară tendinţă de creştere a producţiei de
bere. Vom considera tendinţa liniară:
Tt = a + bt + t ,
originea de măsurare a timpului trimestrul II al anului 2001, unitatea de măsură un trimestru. Astfel, pentru
trimestrul III 2001 avem t = 1 ş.a.m.d:
t 1 2 3 ... 19 20
Mediile mobile ( Z t ) 191.8 194.7 197.8 ... 308.4 306.0
M (tZ ) − M (t ) M ( Z )
b= ,
M (t 2 ) − M (t )
2
a = M ( Z ) − bM (t ).
Calcule intermediare:
M (t ) = 10.5, M ( Z ) = 252.9, M (t 2 ) = 143.5, M (tZ ) = 2884.9,
b = 6.9, a = 180.44.
Tendinţa producţiei de bere în este estimată prin ecuaţia liniară:
Tt = 180 .44 + 6.9 t .
500
450
400
350
300
250
200
150
100
50
0 2 4 6 8 10 12 14 16 18 20 22 24 26
Productia de bere MM(4)
S 21 + S 31 + S 41 + S 51
I1 = = 65.5, I 2 = 130.9,
4
S + S 23 + S 33 + S 43
I 3 = 13 = 133.5, I 4 = 68.4.
4
Valoarea medie a acestor indici este 99.6, astfel că este necesară o corecţie astfel încât media să fie 100:
I1 65.5
S1 = 100 = 100 = 65.6, S 2 = 131.4, S 3= 134.0, S 4 = 68.8 .
99.6 99.6
Urmare a caracterului sezonier specific producţiei de bere, în trimestrul I producţia a fost mai mică în medie
cu 34.4% decât valorile corespunzătoare de pe tendinţă. În trimestrul II producţia a fost în medie mai mare
de 1.314 ori decât valorile de pe tendinţă. Analog se interpretează S3 şi S4.
Componenta sezonieră este dată de vectorul format cu indicii sezonalităţii:
S=(S1, S2, S3 , S4 ) = (0.656; 1.314; 1.340; 0.688).
d)Descompunerea seriei pe componente
Pentru tendinţă a fost estimat modelul liniar:
Tt = 180 .44 + 6.9t t=1, 2, ....
originea de măsurare a timpului fiind trimestrul II al anului 2001, unitatea de măsură un trimestru.
Componenta sezonieră constă în indicii sezonalităţii:
S1 = 65 .6, S 2 = 131 .4, S 3= 134 .0, S 4 = 68 .8 .
Componenta aleatoare (reziduu) se deduce ţinand seama de forma multiplicativă a modelului:
Y
Comp. aleatoare (Reziduu) =
T S
Tabelul 6. Descompunerea seriei pe componente
Modelul de descompunere considerat a fost cel multiplicativ, astfel că valorile previzionate se obţin din
relaţia:
Yˆ = Tˆ Sˆ
Spre exemplu, pentru trimestrul III din 2006, valorile tendinţei respectiv a componentei sezoniere sunt:
Yt = f (Tt , Ct , S t , t )
Modele de descompunere a seriilor de timp
Modelul aditiv Yt = Tt + Ct + S t + t
Modelul multiplicativ Yt = Tt Ct S t t
MM = i
i
L cu
i = − m1
i =1 LYt = Yt −1
i = − m1
Observații:
1. Media mobilă lasă invariantă o constantă, condiţie echivalentă cu
m
=1
i =− m
i
1
2. Raportul de reducere a varianței erorii este: 2m + 1
Ipoteză:
Seria prezintă componentă pe termen lung tendință-ciclu dar nu se emite nici o
ipoteză privind forma acestora
Se folosește metoda raportării la mediile mobile
1. Model multiplicativ
1. Se calculează mediile mobile de ordin p egal cu perioada componentei sezoniere (Y t)
Se calculează rapoartele: S ij = Yij / Y ij
Se determină un indice mediu pentru fiecare sezon:
1 n −1
Ij = Sij ;
n − 1 i =1
j = 1, 2,..., p
p
Se determină componenta sezonieră astfel incat
Gourieroux & Monfort, 1990
S
i =1
i =1
1 p j = 1, 2,..., p
S = I /
j I
j p i
i =1
Numărul biletelor de odihnă într-o staţiune montană, vândute de o agenţie de voiaj, a cunoscut în perioada
2004-2006 următoarea evoluţie:
Tabelul 1
Anul Numar de bilete vandute in trimestrul:
I II III IV
2004 32 48 64 58
2005 40 52 74 66
2006 44 60 82 74
Se cere:
a) Să se reprezinte grafic seria cronologică prezentată
b) Să se determine abaterile sezoniere şi coeficienţii sezonieri.
c) Să se previzioneze vanzarile trimestriale de bilete pentru anul 2007.
Exemplu:
90
80
70
60
50
40
30
20
10
0
Tr. I Tr. II Tr. III Tr. IV Tr. I Tr. II Tr. III Tr. IV Tr. I Tr. II Tr. III Tr. IV
‘04 ‘04 ‘04 ‘04 ‘05 ‘05 ‘05 ‘05 06 06 06 06
Reprezentarea grafică a trendului exprimat prin mediile mobile este redată în graficul anterior.
Exemplu:
b) Pentru determinarea abaterilor sezoniere Cj, diferentele Yij- Y ij se vor sistematiza astfel:
Trim. Yij- Y ij
Anii Suma
I II III IV
2004 - - 12,5 5
2005 -14,75 -5 15,5 6
2006 -18 -4 - -
Devieri sez. brute (Cj) -16,375 -4,5 14 5,5 -1,375
Devieri sez. corectate -16 -4 14 6 0
(Sj)
Exemplu:
Determinarea trendului seriei desezonalizate:
~ˆ
Yij = 46 + 1,8112 t unde t momentul de timp la care se realizează previziunea
flexibilităţii modelelor;
Distribuţia lui (Yt, Ys) este aceeaşi cu distribuţia lui (Yt+k,Ys+k) pentru toate
decalajele (t-s) şi pentru orice întreg k
Cov (Yt, Ys) = Cov (Yt+k, Ys+k) = (k) pentru orice s, t, k.
cov (Yt , Ys ) = k , t s unde k=s-t: covarianţa dintre două variabile este funcţie
doar de lungimea intervalului de timp ce separă cele 2 variabile.
Procese staţionare
Observaţii:
1. Dacă seria de timp este normal distribuită, atunci staţionaritatea slabă
şi staţionaritatea strictă sunt echivalente.
2. Seriile cronologice staţionare au proprietatea că media, varianţa şi
covarianţele (atunci când există), pot fi calculate pe baza unui eşantion.
3. Staţionaritatea slabă implică faptul că reprezentarea grafică a datelor va
arăta că cele n valori fluctuează cu o variaţie constantă în jurul unui nivel
constant.
Procese nestaţionare
Procese nestaţionare - exemple
Procese staţionare
Definiţie: Un caz particular de proces staţionar este procesul Zgomot
Alb (White Noise) care este un proces ce descrie o variabilă aleatoare
cu media zero şi varianţa constantă, dar fără o structură anume.
Dacă t este un şir de variabile aleatoare necorelate (independente), fiecare cu
media zero şi varianţa constantă finită, atunci t este staţionar, fiind satisfăcute
condiţiile de staţionaritate, adică:
E ( t ) = 0
Var ( t ) = 2
cov( t , s ) = 0 , t s
Observaţie: Pentru un proces zgomot alb:
2 , k = 0
funcţia de autocovarianţă este: k =
0 , k 0
1, k = 0
funcţia de autocorelaţie este: k =
0 , k 0
Notaţie: t ~ WN (0, 2 )
Proces stochastic nestaţionar
Definitie: O serie de timp y t este mers la întâmplare (Random Walk)
dacă:
yt = yt −1 + t
unde y 0 este unnumăr real care indică valoarea de start a procesului şi t
este zgomot alb.
Observatii:
1. Dacă t are o distribuţie simetrică în jurul lui zero, atunci y t , condiţionat de
y t −1 , are şanse 50-50%, să crească sau să scadă, adică y t creşte sau scade la
întâmplare.
2. Modelul mers la întâmplare este un model de tip AR(1) cu = 1 şi este o serie
nestaţionară cu o rădăcină unitară.
3. Procesul Random Walk este o serie staţionară în prima diferenţă deoarece
prima diferenţă a procesului yt − yt −1 = t este un proces staţionar. Este o
serie I(1), adică integrată de ordinul 1.
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/
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Șomajul
Speranța de Viață
Natalitatea
Mortalitatea
Numărul pasagerilor unei companii aeriene
Cifra de afaceri a unei companii
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
ŶT +h
Y :
Y Y
1 2 ... Yt
(Yt ) tZ
... YT
1 2 ... t ... T
Definirea unei serii de timp
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
date anuale
Exemplu:
Speranța de viață la naștere pentru populația României,
http://www.worldbank.org/
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Exemplu:
Rata de schimb GBP – EUR, date zilnice
http://www.xe.com/currencycharts/?from=GBP&to=EUR&view=1M
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro Exemplu:
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
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Fie Yˆ1 , Yˆ2 ,..., Yˆs previziunile corespunzătoare observaţiilor Y1 , Y2 ,..., Ys . Se definesc:
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
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
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
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
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)
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
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
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
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.
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
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
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
unde X = t ²
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
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
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Parabola
Funcții elementare
Hiperbola
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Exponentială
Funcții elementare
Funcția putere
Academia de Studii Economice, Departamentul de Statistica si Econometrie, 2023
Date contact: www.cristinaboboc.wordpress.com, e-mail: cristina.boboc@csie.ase.ro
Functia logaritmică
Funcții elementare
Curba logistică