Curs 8

MODELE ECONOMETRICE BAZATE PE

FACTORUL TIMP

Funcţii de timp

Prima categorie de metodele care folosesc modele matematice

sunt cunoscute sub numele generic de funcţii de timp şi au drept
caracteristică principală exprimarea trendului unei serii de timp sub
forma unei funcţii de forma:

yt = f(t) + t (6.9)

în care, yt reprezintă valorile seriei de date studiate, considerate

variabila rezultativă sau dependentă, t este factorul timp, privit ca
variabilă factorială, independentă, f reprezintă funcţia matematică
(deterministă) care modelează evoluţia în timp a fenomenului
studiat, iar t este variabila aleatoare, care arată influenţa factorilor
aleatori la momentul t.
Utilizarea unei funcţii analitice de determinare a trendului
stabileşte cu o exactitate mai mare sau mai mică legea de
dezvoltare pe termen lung a fenomenului sau procesului economic
studiat, în funcţie de împrăştierea valorilor în jurul tendinţei
centrale.
Pentru a determina forma funcţiei ce urmează a fi utilizată, se
construieşte mai întâi corelograma. În raport de curba relevată de

1
 CAPITOLUL 6

corelogramă, se poate lua în considerare utilizarea unei funcţii

liniare de timp, dacă reprezentarea grafică sugerează o linie dreaptă
sau se poate utiliza o funcţie de timp neliniară, dacă reprezentarea
grafică sugerează o curbă.
După cum se poate observa, tendinţa de variaţie se
aproximează, de cele mai multe ori, cu ajutorul funcţiilor ale căror
curbe şi ecuaţii de estimare au fost prezentate în capitolul de
modele unifactoriale, variabila x din modelele respective devenind
acum factorul timp t. Parametrii acestor funcţii de timp, similar cu
cei ai modelelor de regresie, se estimează în cele mai multe cazuri
cu metoda celor mai mici pătrate.

Funcţia liniară de timp

Funcţia liniară de timp studiază legătura dintre factorul timp t
şi variabila rezultativă yt cu ajutorul unei funcţii de forma:

yt =  +   t + t (6.10)

în care  şi  sunt parametrii sau coeficienţii funcţiei de timp şi

reprezintă valori necunoscute ce urmează a fi estimate, iar t este
variabila aleatoare, reziduală sau perturbatoare care acţionează la
momentul t.
Factorul timp t este reprezentat, de obicei, în cadrul acestor
funcţii de şirul numerelor naturale (0, 1, 2, …, n).
Parametrul  al funcţiei liniare de timp reprezintă valoarea pe
care o ia variabila rezultativă yt la momentul zero (y0 = ) şi poate
avea relevanţă în model sau nu, în funcţie de cazul concret analizat.
Parametrul , reprezintă panta dreptei de regresie, adică
valoarea cu care se modifică variabila rezultativă yt în perioada
dintre două momente consecutive t – 1 şi t.
Semnul şi valoarea parametrului  prezintă o importanţă
deosebită în descrierea evoluţiei în timp a variabilei studiate.
Astfel, dacă   0, atunci variabila rezultativă yt are o evoluţie
crescătoare în timp (y0  y1  …  yn). Pot fi distinse trei situaţii:
2
 MODELE ECONOMETRICE BAZATE PE FACTORUL TIMP

dacă   1, creşterea de la o perioadă la alta este mai puţin

accentuată; dacă   1, creşterea variabilei rezultative este mai
puternică, iar dacă  = 1, creşterea este direct proporţională cu
timpul.
Dacă   0, atunci variabila rezultativă yt are o evoluţie
descrescătoare în timp (y0  y1  …  yn), iar dacă  = 0, variabila
rezultativă yt se menţine constantă în timp (y0 = y1 = … = yn).
Estimarea valorilor parametrilor  şi , se face, similar cu
modelul unifactorial liniar, prin determinarea a doi estimatori ̂ şi
̂ . Aceşti estimatori trebuie calculaţi astfel încât diferenţa dintre
valorile reale ale variabilei rezultative yt şi valorile estimate cu
ˆ
ajutorul parametrilor calculaţi ŷt  ˆ    t să fie cât mai mică (
yt  ŷt  min im ).
Dacă se ia în studiu un set de date istorice referitoare la
variabila rezultativă, se va observa că reprezentarea grafică a
funcţiei liniare de timp aproximează mai mult sau mai puţin exact
evoluţia în timp a variabilei studiate. Este puţin probabil ca
variabila rezultativă să evolueze în timp strict liniar. În aceste
condiţii, este uşor de înţeles că o cuantificare deterministă, exactă a
valorilor parametrilor  şi  este imposibil de realizat, deoarece nu
se pot cuprinde în model absolut toate influenţele existente. Acest
lucru a determinat introducerea în model a variabilei aleatoare,
perturbatoare t, care însumează efectul tuturor factorilor rămaşi în
afara modelului, fie ei nesemnificativi sau necuantificabili.
Cu cât volumul seriei de date este mai mare, cu atât estimările
sunt mai apropiate de realitate.
În aceste condiţii, fiecărui moment dat t îi corespunde o
distribuţie normală de valori yt ale variabilei rezultative, de medie 
+   t şi varianţă constantă.
Valorile estimatorilor parametrilor, notate cu ̂ şi ̂ , pot fi
determinate cu ajutorul mai multor metode matematice şi statistice,

3
 CAPITOLUL 6

dintre care mai des utilizată, ca şi în cazul modelului unifactorial

liniar, este metoda celor mai mici pătrate.
În principiu, aplicarea metodei presupune respectarea
aceloraşi restricţii:
 datele privind variabila rezultativă sunt obţinute fără erori
de observare sau măsurare;
 variabila aleatoare t este de distribuţie normală, de medie
nulă (E(t) = 0) şi de varianţă constantă şi diferită de zero în timp;
 variabila aleatoare t urmează o distribuţie independentă
faţă de timp;
 valorile variabilei aleatoare nu sunt autocorelate.
În urma aplicării metodei se ajunge la un sistem de două
ecuaţii cu necunoscutele ̂ şi ̂ , de forma:

n  ˆ  ˆ  n t  n y
   t
t 1 t 1
 n n n
ˆ   t  ˆ   t 2   t  yt
 t 1 t 1 t 1 (6.11)

Prin rezolvarea acestui sistem de ecuaţii se obţin valorile

estimatorilor ̂ şi ̂ . Aşa cum s-a mai arătat, estimatorii
determinaţi cu această metodă corespund obiectivului urmărit dacă
valoarea medie a estimatorului este egală cu valoarea reală a
parametrului corespunzător, iar varianţa fiecărui estimator este
relativ mică în raport cu numărul de date pe baza cărora s-a efectuat
analiza.
Analiza corelaţiei în cazul funcţiei liniare de timp are un
caracter aparte, deoarece toate variabilele economice sunt
influenţate de timp, mai mul sau mai puţin. Dacă în cazul
modelelor unifactoriale sau multifactoriale se poate înregistra
corelaţie nulă, în cadrul funcţiilor de timp acest lucru este practic

4
 MODELE ECONOMETRICE BAZATE PE FACTORUL TIMP

imposibil, deoarece nici o variabilă economică nu este constantă în

timp, decât, eventual, pe perioade foarte scurte.
Se pot calcula şi aici valorile coeficientului de corelaţie liniară
(pentru a verifica existenţa evoluţiei liniare în timp), a raportului de
corelaţie şi a coeficientului de determinaţie, care, în principiu, au
aceeaşi interpretare: dacă valorile lor sunt apropiate de 1, variabila
studiată are o evoluţie stabilă în timp şi se poate determina un trend
liniar, iar dacă valorile acestor coeficienţi sunt apropiate de 0,
evoluţia este haotică, instabilă şi nu poate fi ajustată cu un trend
liniar.
Şi în cazul funcţiilor de timp este necesară parcurgerea
etapelor de verificarea statistică a modelului. În general, acestea
sunt similare cu cele parcurse în cazul modelului unifactorial
(paragraful 4.1.3) şi nu necesită o prezentare aparte.

6.2.2. Funcţii de timp neliniare

Atunci când corelograma evoluţiei în timp a fenomenului
studiat sugerează o curbă, înseamnă că modelarea econometrică
trebuie să utilizeze diverse funcţii analitice neliniare. Aşa cum s-a
mai arătat, linia dreaptă nu poate fi utilizată pentru a descrie orice
legătură, deoarece, în multe cazuri, “norul de puncte” sugerează
diverse curbe. În aceste situaţii trebuie găsite funcţiile matematice
corespunzătoare tipului de curbă sugerată de reprezentarea grafică.
Existenţa sau absenţa unei evoluţii liniare a variabilei
rezultativă yt se probează prin verificarea egalităţii dintre raportul
de corelaţie R şi valoarea absolută a coeficientului de corelaţie
liniară simplă, , astfel: dacă cei doi parametri ai corelaţiei sunt
egali (R =  ), evoluţia este liniară, iar dacă cei doi parametri
sunt diferiţi (R   ), evoluţia este neliniară.
În afara acestui procedeu, ca şi în cazul modelelor
unifactoriale neliniare, în alegerea formei funcţiei de timp au un rol
important, pe lângă cunoştinţele teoretice, şi experienţa practică şi
rezultatele cercetărilor similare.

5
 CAPITOLUL 6

În principiu, o funcţie de timp neliniară este acea funcţie a

cărei pantă, dată de parametrul , nu este constantă pentru orice
valoare a lui t. Estimarea parametrilor unei astfel de funcţii se
realizează fie direct prin metoda celor mai mici pătrate, fie prin
diverse transformări care duc la liniarizarea funcţiei, fie prin
utilizarea unor metode numerice de estimare.
În econometrie, cele mai cunoscute şi mai des întâlnite funcţii
de timp neliniare sunt: funcţia hiperbolică, funcţia parabolică şi
funcţia exponenţială.
Funcţia de timp hiperbolică se utilizează atunci când “norul
de puncte” urmează o traiectorie de tip hiperbolă. În acest caz,
evoluţia variabilei rezultative este dată de reprezentarea grafică
ilustrată de figura 4.3 din capitolul 4.
Funcţia hiperbolică are la bază următoarea ecuaţie:

1
yt        t
t (6.12)

Parametrii  şi  ai modelului pot fi estimaţi cu ajutorul

metodei celor mai mici pătrate, prin utilizarea transformării de
1
t' 
variabilă: t.
Modelul devine, astfel:

yt      t '   t (6.13)
În aceste condiţii, sistemul de ecuaţii care conduce la valorile
estimate ale parametrilor  şi  este:

n  ˆ  ˆ  n t'  n y
   t
 t 1 t 1

  
n n 2 n
ˆ   t'  ˆ   t'   t'  y

 t 1 t 1 t 1
t
(6.14)
6
 MODELE ECONOMETRICE BAZATE PE FACTORUL TIMP

Ajustarea prin hiperbolă se recomandă atunci când variabila

rezultativă yt scade, respectiv, creşte asimptotic către o valoare
reală dată de parametrul  al funcţiei.
Analiza de corelaţie în cazul modelului hiperbolic se
realizează cu ajutorul raportului de corelaţie R şi a coeficientului de
determinaţie simplă R2, a căror interpretare este similară cu cele
prezentate la funcţia de timp liniară.
De asemenea, verificarea statistică a funcţiei este aceeaşi cu
verificarea modelului unifactorial liniar.
În funcţie de reprezentarea grafică a legăturii, pot fi utilizate
variante ale funcţiei hiperbolice, care au la bază diverse ecuaţii:
  1
y t    e t yt  1
yt 
   t

; t ; etc.
Funcţia de timp parabolică, sau pătratică, este folosită, de
regulă, atunci când ritmul de evoluţie al variabilei studiate urmează
o curbă de tip U, cu vârfurile în jos sau în sus. Pentru exprimarea
funcţiei de timp parabolică se utilizează funcţia de gradul doi, după
relaţia:

yt =  + 1 t +2 t2 + t (6.15)

Reprezentarea grafică a unei funcţii de timp parabolice este

dată de figura 4.4 din capitolul 4.
Şi în cazul acestei funcţii, pentru estimarea parametrilor , 1
şi 2 se poate aplica metoda celor mai mici pătrate, rezultând
următorul sistem de trei ecuaţii cu trei necunoscute:

7
 CAPITOLUL 6

n  ˆ  ˆ  n t  ˆ  n t 2  n y
 1  2   t
t 1 t 1 t 1
 n
 n n n
ˆ   t  ˆ 1   t  ˆ 2   t   t  yt 
2 3

 t 1 t 1 t 1 t 1

ˆ  n t 2  ˆ  n t 3  ˆ  n t 4  n t 2  y
 t 1  2   t  
1 t 1 t 1 t 1 (6.16)

Dacă 2  0, vârful parabolei va fi dat de minimul funcţiei

(parabola este cu ramurile în sus), iar dacă 2  0, vârful parabolei
este dat de maximul funcţiei (parabola este cu ramurile în jos).
Analiza de corelaţie în cazul funcţiei de timp parabolică,
similar cu funcţia hiperbolică, are la bază determinarea şi
interpretarea raportului de corelaţie R şi a coeficientului de
determinaţie simplă R2.
Verificarea statistică a funcţiei este, de asemenea, similară cu
cele prezentate la modelul unifactorial liniar.
Funcţia parabolică are, la rândul său, foarte multe variante de
exprimare, cum ar fi: lg yt     1  t   2  t ; yt      t ;
2 2

yt     1  lg t   2  lg t 
2
yt    e  1 t   2 t 2
; etc.

Funcţia de timp exponenţială este utilizată atunci când “norul

de puncte” are un trend curbiliniu crescător sau descrescător, de tip
exponenţial. Ecuaţia funcţiei este de forma:

yt     t (6.17)

Reprezentarea grafică a funcţiei exponenţiale este dată de

figura 4.5 din cadrul capitolului 4.
În cazul acestei funcţii, pentru a estima parametrii  şi  este
necesar, în primul rând, să se liniarizeze funcţia prin logaritmare,
astfel:
8
 MODELE ECONOMETRICE BAZATE PE FACTORUL TIMP

log yt = log  + t  log  (6.18)

Pe ecuaţia dată de relaţia 6.18 se aplică metoda celor mai mici

pătrate şi se obţine sistemul de ecuaţii:

n  log ˆ  log ˆ  n t  n log y 

   t
t 1 t 1
 n n n
log ˆ   t  log ˆ   t 2   t  log yt 
 t 1 t 1 t 1 (6.19)

Acest model se utilizează, de obicei, atunci când variabila

rezultativă yt prezintă o evoluţie în timp de tip progresie
geometrică.
Analiza de corelaţie în cazul funcţiei exponenţial, similar cu
celelalte funcţii de timp neliniare, se realizează prin determinarea şi
interpretarea raportului de corelaţie R şi a coeficientului de
determinaţie simplă R2.
Verificarea statistică a modelului este, ca şi în celelalte cazuri
neliniare, similară cu cele prezentate la modelul unifactorial liniar.
Funcţia de timp exponenţială are, şi ea, numeroase variante de
 t    t
exprimare, după cum urmează: yt    e ; yt  e etc.
În afara acestor tipuri de funcţii de timp neliniare, pot fi luate
în considerare multe altele, în funcţie de modul de dispunere a
punctelor din reprezentarea grafică.

9
 CAPITOLUL 6

Modele autoregresive

Caracterul autoregresiv al variabilelor economice

De obicei, în practica economică, variabilele economice, pe
lângă influenţele importante pe care le suferă din partea unor
variabile factoriale, au şi un caracter autoregresiv, de memorare a
comportamentului anterior.
Din punct de vedere econometric, termenul de autoregresiv
defineşte măsura în care o variabilă economică prezintă
caracteristica de a se autocorela, în sensul că nivelul curent al
acesteia este determinat într-o măsură semnificativă de nivelurile
sale anterioare, decalate cu una sau mai multe perioade în urmă.1
În această situaţie, efectul asupra variabilei rezultative nu este
cauzat de influenţa directă a unor variabile factoriale, ci este unul
retroactiv, indus de încărcătura informaţională a variabilei studiate.
În principal, efectul autoregresiv se concretizează în modul
mai mult sau mai puţin pregnant în care nivelul actual al cursului
este influenţat de nivelurile sale anterioare, decalajul în timp a
influenţelor putând avea diferite valori. În general, cu cât acest
decalaj este mai mare, adică deplasarea în urmă faţă de momentul
prezent este mai accentuată, cu atât influenţele sunt mai slabe,
problema care apare fiind cea a determinării momentului când
acestea devin nesemnificative, pentru a fi eliminate din model,
similar cu cele prezentate la modelele cu time – lag.
Această caracteristică ţine de capacitatea mediului
înconjurător de a reţine comportamentele anterioare ale variabilei
studiate şi de a acţiona în funcţie de acestea în formarea
anticipaţiilor pentru perioadele următoare.
Mecanismul de formare al anticipaţiilor în condiţii de
informare incompletă, are, de regulă, o natură mixtă, anticipaţiile
fiind atât adaptive, în sens friedmanian, cât şi raţionale, adică
bazate pe cunoaşterea, fie şi parţială, a situaţiei actuale. În lipsa
unor informaţii actuale complete, agenţii economici acţionează
10
 MODELE ECONOMETRICE BAZATE PE FACTORUL TIMP

ţinând cont şi de informaţiile din perioadele precedente, fiind, de

asemenea, capabili să înveţe din erorile de anticipaţie comise în
aceste perioade.
Volatilitatea crescută şi, uneori, imprevizibilă a anticipaţiilor
din economie fac din acestea o categorie specifică,
pseudo–adaptivă, ceea ce înseamnă că principiul de formare poate
fi de tip bulgăre de zăpadă, viteza de propagare fiind foarte mare,
iar sensul de evoluţie contrar teoriei.
O problemă importantă este aceea că între diversele categorii
de agenţi economici există o importantă asimetrie informaţională,
ceea ce echivalează cu forme diferite ale funcţiilor ce descriu
formal mecanismele lor anticipaţionale. Această asimetrie poate fi
însă atenuată prin realizarea estimaţiilor pe perioade de timp
distincte. Totuşi, se pot distinge cel puţin două mari categorii de
operatori.
Comportamentul operatorilor din prima categorie se consideră
că are impact cu precădere pe termen mediu şi lung, iar efectul
anticipaţiilor este indirect pus în evidenţă, prin intermediul
variabilelor factoriale luate în considerare. Această categorie de
anticipaţii este înglobată de informaţia dată de variabilele factoriale
incluse într-un model multifactorial şi nu necesită un studiu aparte
a fenomenului anticipaţiilor.
Subiecţii economici din a doua categorie, interesaţi în
formularea unor anticipaţii cu grad sporit de acurateţe – mai precis,
interesaţi de aspectul cantitativ al modificărilor survenite în
variabila studiată – urmăresc de o manieră sistematică această
evoluţie, orientându-se în estimarea nivelului anticipat al variabilei
în funcţie de nivelul său din perioadele precedente. Desigur,
această formulare reprezintă o particularizare a celor enunţate
anterior, subiecţii economici tinzând să-şi formuleze anticipaţiile
prin extrapolarea cvasi–mecanică a situaţiei curente, introducând,
eventual, o anumită corecţie în raport de evoluţiile precedente.
Această afirmaţie echivalează cu adoptarea ipotezei
existenţei unei relaţii de dependenţă liniară între nivelul estimat al

11
 CAPITOLUL 6

variabilei studiate şi nivelurile sale anterioare. O astfel de relaţie

poate fi studiată cu ajutorul modelelor autoregresive de diverse
ordine.

Modelul autoregresiv de ordinul k

Un model autoregresiv este un model econometric care
presupune că între nivelul curent al variabilei studiate şi
comportamentul său anterior există o legătură liniară sau neliniară.
În funcţie de numărul de perioade cu care analiza este decalată în
urmă există mai multe tipuri de modele, începând cu modelul
autoregresiv de ordinul întâi – în cazul căruia efectul în timp este
analizat pe o perioadă în urmă – şi continuând cu modelele de
ordine superioare – doi, trei, etc. – în cazul cărora efectul în timp
este studiat pe k perioade în urmă.
Cel mai simplu model care pune în evidenţă caracterul
autoregresiv al unei variabile economice este cel care ia în
considerare influenţele liniare pe care le exercită nivelul precedent
yt–1 asupra nivelului curent al variabilei yt, după relaţia:

yt =  + 1 yt–1 + t (6.33)

unde  şi 1 sunt parametrii modelului, iar t este variabila

reziduală.
Acest model este cunoscut sub numele de model autoregresiv
de ordinul întâi AR(1), deoarece pune în evidenţă memoria
operatorilor referitoare la o singură perioadă din urmă. El se
bazează pe o capacitate de memorare şi asimilare a informaţiilor pe
termen foarte scurt, fără a ţine seama de ceea ce s-a întâmplat cu
mai multe perioade în urmă.
În funcţie de condiţiile existente în economie, anticipaţiile
operatorilor pot să se bazeze nu numai pe nivelul imediat anterior
al variabilei, evidenţiat de modelul de ordinul întâi, ci şi pe
comportamentul mai vechi al acesteia, decalat cu două sau mai

12
 MODELE ECONOMETRICE BAZATE PE FACTORUL TIMP

multe perioade în urmă. În modul acesta, se pot construi modele

autoregresive de ordine superioare.
Astfel, următorul model este modelul autoregresiv de ordinul
doi AR(2), care are la bază următoarea ecuaţie:

yt =  + 1 yt–1 + 2 yt–2 + t (6.34)

Acest model evidenţiază memoria operatorilor decalată cu

două perioade în urmă, deci, practic, se bazează pe o capacitate de
memorare şi asimilare a informaţiilor pe termen mai lung decât
modelul de ordinul întâi. Relaţia presupusă între nivelul curent şi
nivelurile anterioare este de tip liniar.

În anumite situaţii s-ar putea ca modelul de ordinul doi să

poată fi utilizat pentru previzionarea variabilei studiate în condiţii
mai bune decât modelul anterior. Anticipaţiile operatorilor pot avea
o memorie mai lungă decât perioada imediat anterioară, ei luând în
considerare şi ceea ce s-a întâmplat cu două perioade în urmă,
realizând o anticipaţie bazată pe informaţiile aferente ambelor
perioade.
Pentru a studia dacă memoria operatorilor se întinde şi mai
mult în trecut, se pot elabora modele autoregresive de diverse
ordine, care analizează evoluţia variabilei studiate în funcţie de
ceea ce s-a întâmplat în perioadele t – 1, t – 2, …, t – k.
Modelul general care studiază caracterul autoregresiv al unei
variabile economice se numeşte model autoregresiv de ordinul k
AR(k) şi are la bază următoarea ecuaţie:

yt =  + 1 yt–1 + 2 yt–2 + … + k yt–k + t (6.3.5)

în care: yt reprezintă nivelul curent al variabilei rezultative;

yt–1, yt–2, …, yt–k sunt nivelurile decalate cu una, două,
respectiv, k perioade în urmă ale variabilei studiate;

13
 CAPITOLUL 6

, 1, …, k sunt parametrii modelului autoregresiv de

ordinul k;
t este variabila aleatoare.
Cu cât influenţa nivelurilor anterioare asupra nivelului curent
al variabilei studiate este mai mare, cu atât sunt mai importante
anticipaţiile operatorilor în determinarea comportamentului
variabilei respective. Dacă modelul autoregresiv arată o legătură
puternică între nivelurile anterioare şi nivelul curent, înseamnă că o
proporţie semnificativă a evoluţiei variabilei studiate se bazează pe
anticipaţii şi mai puţin pe influenţele obiective pe care aceasta le
suferă din partea celorlalte variabile factoriale.
Un modelul autoregresiv semnificativ evidenţiază importanţa
sporită a factorilor subiectivi în determinarea evoluţiei variabilelor
economice în detrimentul factorilor obiectivi.
Parametrii unui model autoregresiv de ordin k se estimează
direct cu metoda celor mai mici pătrate, dacă valoarea lui k este
suficient de mică încât să existe informaţii despre perioadele
anterioare analizate.
Dacă valoarea lui k este mai mare, se utilizează metodele de
estimare prezentate la modelele cu time – lag, unde în locul
valorilor variabilei factoriale cu influenţă decalată în timp xt-1, xt-2,
…, xt-k se introduc valorile anterioare ale variabilei rezultative yt-1, yt-
2, …, yt-k .

Estimarea corectă a parametrilor unui model autoregresiv se

poate realiza numai dacă acesta îndeplineşte condiţia de
staţionaritate. Această condiţie înseamnă că media variabilei
rezultative este considerată constantă, iar varianţa este nulă de-a
lungul timpului, conform relaţiei:

E(yt) = E(yt-1) = E(yt-2) = … = E(yt-k) = m (6.36)

De aici rezultă că modelul autoregresiv de ordinul k poate fi

scris sub forma:

14
 MODELE ECONOMETRICE BAZATE PE FACTORUL TIMP

m =  + 1 m + 2 m + … + k m (6.37)

Din relaţia 6.37 rezultă media m:


m
1   1   2  ...   k (6.38)

Dacă media m calculată pentru modelul autoregresiv analizat

verifică această relaţie, înseamnă că modelul îndeplineşte condiţia
de staţionaritate şi estimatorii parametrilor , 1, 2, …,k sunt
consistenţi şi nedeplasaţi.
Totodată, este necesar ca valoarea mediei m să fie finită, altfel
procesul evoluează tot mai departe de punctul de referinţă (în
formă de spirală) şi nu mai este staţionar. Dacă media m este finită,
înseamnă că numitorul relaţiei 6.38 trebuie să fie nenul, adică:

1 + 2 + … + k  1 (6.39)

Analiza de corelaţie în cazul modelelor autoregresive se

realizează cu ajutorul a doi coeficienţi similari cu cei utilizaţi în
cazul modelelor multifactoriale, raportul de autocorelaţie şi
coeficientul de autodeterminaţie. Conţinutul acestor coeficienţi este
similar cu cel al raportului de corelaţie, respectiv, al coeficientului
de determinaţie, numai că, în locul variabilelor factoriale x1, x2, …,
xk se introduc valorile anterioare ale variabilei rezultative yt-1, yt-2,
…, yt-k .

AFICE

1. C. Şipoş, Modelarea comportamentului cursului de schimb al leului,

Editura Universităţii de Vest, Timişoara, 2003, pag. 133 – 135

15