ANALIZA I PREVIZIUNEA SERIILOR DE TIMP

1. Analiza componentelor deterministe ale unei serii de timp 1.1. Componentele unei serii de timp

n derularea activitii lor, agenii economici sunt pui n situaia de a anticipa viitorul, iar apoi de a lua decizii n consecin. Anticiparea, previziunea evoluiei indicatorilor economici i financiari presupune n primul rnd cunoaterea istoricului acestora, punerea n eviden a unor legiti privind comportamentul lor trecut. Baza de date pe care se fundamenteaz analiza evoluiei indicatorilor n timp este constituit din serii de timp (sau serii cronologice). O serie de timp const ntr-o secven de observaii asupra unei variabile Y , ordonate dup parametrul timp y1 , y 2 ,...., yT . Frecvent, msurtorile asupra variabilei sunt efectuate la intervale echidistante de timp:
1 Y : y 1 2 ... t ... T y 2 ... yt ... yT

Seria de timp format cu valorile observate y1 , y 2 ,...., yT constituie o realizare a secvenei de variabile aleatoare Y1 , Y2 ,...., YT , adic a unui proces stochastic de tip discret. Evoluia unei variabile n timp este reprezentat printr-un proces stochastic (sau proces aleator). Secvena de variabile aleatoare (Yt ) tZ definete un proces stochastic de tip discret. Pentru fiecare moment de timp t, relativ la variabila aleatoare Yt dispunem de o singur observaie. n cele ce urmeaz vom utiliza aceeai notaie, respectiv Yt, att pentru variabila aleatoare ct i pentru valoarea observat aferent momentului t. Scopul analizei univariate a seriilor de timp const n nelegerea i modelarea mecanismului de generare a termenilor seriei, n scopul anticiprii valorilor viitoare; se are n vedere, n esent, modelarea dependenei dinamice a variabilei Yt , ataate perioadei curente, de nivelurile nregistrate n perioadele anterioare {Yt 1 , Yt 2 ,...} . n abordarea clasic, fluctuaiile din seriile de timp sunt privite ca o rezultant a suprapunerii a patru componente: tendina T, componenta ciclic C, componenta sezonier S, respectiv componenta neregulat . Aceste componente sunt considerate a fi independente. Tendina, component ciclic i componenta sezonier se numesc componente sistematice. Modelul de descompunere este de regul: a) aditiv Yt = Tt + Ct + S t + t , b) multiplicativ Yt = Tt Ct S t t sau c) o combinaie mixt a componentelor seriei. Modelul multiplicativ poate fi transformat ntr-unul aditiv, prin logaritmare. Tehnicile de analiz univariat a seriilor de timp au ca obiective: a) separarea, descrierea i modelarea fiecrei componente n parte, respectiv b) previziunea fiecreia dintre componente, iar apoi compunerea n scopul generrii de previziuni (descompune pentru a modela, iar apoi recompune). Extrapolarea tendinei respectiv a celorlalte componente conduce la previziuni adecvate n condiiile n care: a) modelul estimat reuete s surprind ceea ce este esenial, repetabil, n comportamentul trecut, respectiv b) comportamentul factorilor externi ce determin schimbri n timp n nivelul nregistrat de variabila Y rmne i pe viitor aproximativ acelai. Modelul de descompunere trebuie utilizat cu precauie, ntruct cele patru componente sunt neobservabile, iar descompunerea se poate realiza ntr-o infinitate de moduri. Pentru ca modelul s fie identificabil este necesar definirea celor patru componente. n modelele 1

structurale pentru serii de timp componentele seriei sunt estimate simultan. O alt abordare utilizeaz diverse filtre, n scopul estimrii i extragerii unei componente, acestea fiind mai puin dependente de proprietile stochastice ale seriei. O mare parte din metodele moderne de analiz nu necesit ns separarea componentelor. n continuare prezentm o descriere intuitiv a celor patru componente. Tendina sau tendina general red evoluia variabilei pe termen lung. Evoluia majoritii indicatorilor financiari i macroeconomici este dominat de tendin. Inflaia, progresul tehnic, evoluia economic general, creterea populaiei, impulsurile cu efect permanent asupra variabilei, sunt civa din factorii ce imprim un trend cresctor sau descresctor variabilelor din economie. Atunci cnd seria nu are tendin, valorile sale fluctueaz n jurul unei constante, fiind staionar relativ la medie; media seriei este constant pe ntreaga perioad de timp. O serie de timp poate prezenta tendina determinist, tendina stochastic sau ambele tipuri de tendin. Intuitiv, tendina determinist are alura unei funcii netede, neperiodice, lent variabile n timp, iar seria fluctueaz staionar n jurul acesteia. Efectul ocurilor asupra variabilei este tranzitoriu, seria revine la tendin (tendina se manifest precum un atractor). De regul pentru modelarea unei tendine deterministe sunt adecvate funcia liniar, exponenial, hiperbol, parabol, sau o funcie liniar cu modificri vizibile ale pantei la anumite momente de timp. Conceptul de tendin determinist s-a dovedit ns a fi prea restrictiv. Majoritatea variabilelor din economie prezint o tendin variabil n timp, intuitiv aceasta modificndu-i alura la intervale mai lungi sau mai scurte de timp. Media seriei crete sau descrete local, fr a reveni la medie sau la o tendin determinist vizibil, pe termen lung; graficul su sugereaz o evoluie aleatoare nestaionar. Nivelul i panta tendinei se modific n timp. Acest tip de tendin se consider a fi stochastic, sau aleatoare. Un exemplu tipic de tendin stochastic este procesul aleator de tip mers aleator; acest model este utilizat deseori pentru a descrie evoluia indicilor bursieri sau a cursurilor valutare. n cazul unei tendine stochastice efectul ocurilor asupra variabilei este permanent. O serie cu tendin stochastic se mai numete serie integrat, sau cu rdacin unitate. Componenta ciclic este observabil analiznd evoluia variabilei pe termen lung, i se manifest sub forma unor oscilaii cu perioad i amplitudine mai mult sau mai puin constante n timp; un ciclu acoper un anumit numr de ani. n economie, componenta ciclic se regsete sub forma ciclurilor de afaceri, perioade de relativ expansiune fiind urmate de o contracie a activitii economice. La nivel macroeconomic, ciclul economic (sau de afaceri) se studiaz de regul pe seria ce red evoluia PIB-ului real, a produciei industriale sau a unui indicator pentru piaa forei de munc precum rata omajului. Metodele uzuale de analiz a ciclicitii au la baz analiza spectral; de regul componenta ciclic se consider ca fiind rezultatul suprapunerii unor oscilaii armonice cu perioade ntre 2 i 11 ani. Componenta sezonier se evideniaz sub forma unor cicluri de durat mai mic sau egal cu un an, i apare n principal datorit ritmului impus de anotimpuri, dar i de diverse regulariti n activitatea economic, prezena unor srbtori, vacane, obiceiuri. Este observabil pe date subanuale, iar un ciclu sezonier acoper un an, cnd datele sunt trimestriale sau lunare, o sptmn, cnd datele sunt zilnice, .a.m.d.. Prezint interes, de asemenea, eliminarea sezonalitii din date adic desezonalizarea, i msurarea intensitii sezonalitii. Desezonalizarea se realizeaz prin utilizarea unor filtre adecvate. Componenta neregulat, sau aleatoare, se manifest prin fluctuaii aparent neregulate n jurul celor trei componente sistematice. Componenta neregulat se presupune a fi staionar, ntre termenii ei existnd prezumia de autocorelare. Nivelul curent Yt este de regul corelat cu nivelurile nregistrate n trecut {Yt 1 , Yt 2 ,...} . Componenta neregulat este prezent n toate seriile cronologice, n timp ce o serie poate prezenta sau nu tendin, fluctuaii ciclice sau 2

sezoniere. Deseori, cronograma seriei i natura indicatorului sugereaz componentele prezente. n analiza seriilor de timp este necesar ca lungimea perioadei observate s fie suficient de lung, pentru a face posibil estimarea unui model care s surprind mecanismul real de generare al datelor, respectiv s permit identificarea componentelor ce surprind evoluia pe termen lung (tendina i/sau ciclicitatea). n acelai timp datele trebuie s rmn comparabile n timp. Mediul n care evolueaz fenomenul este necesar s rmn n esen acelai. n cazul metodelor clasice, nu este indicat a se utiliza serii de timp ce acoper perioade de schimbri structurale, economice sau politice, majore, sau alte evenimente excepionale; n analiza evoluiei majoritii indicatorilor economici pentru ara noastr este indicat ca datele s nceap dup 1990. Sunt dezvoltate i modele specifice ce permit schimbri structurale n nivelul indicatorilor. Dac este necesar, unii indicatori vor fi exprimai n preuri comparabile (sau n termeni reali). Frecvena msurtorilor este condiionat i de practic. Spre exemplu, PIB-ul se raporteaz anual i trimestrial, pentru indicele bursier, cursul aciunilor sau cursul valutar dispunem de date zilnice, profitul entitilor economice este raportat anual. Seriile cu date anuale nu fac posibil observarea i analiza componentei sezoniere. Exemplu 1. Componentele unei serii de timp: descriere intuitiv. Evoluia trimestrial a PIB-uui, n perioada trimestrul I 1998-trimestrul I 2009, este redat n figura 1. Graficul seriei indic prezena unei tendine de cretere, a unei sezonaliti pronunate (cu o perioad de 4 trimestre), respectiv a unei componente neregulate. Componenta ciclic nu este vizibil, dei este prezent. Pentru estimarea i separarea componentelor: tendin-ciclu, sezonalitate i component aleatoare, s-a utilizat metoda Tramo/Seats. n etapa a doua, pentru estimarea i separarea tendinei i a ciclului, din componenta tendin-ciclu, s-a utilizat filtrul HodrickPrescott. Ambele metode sunt implementate n softul EViews. Figura 1. Evoluia PIB-ului real n Romnia
40000 36000 32000 28000 24000 20000 16000 12000 1998 2000 2002 2004 2006 2008

Modelul de descompunere este cel multiplicativ n cazul metodei Tramo-Seats, respectiv aditiv pentru filtrul Hodrick-Prescott. Prin urmare, datele observate se obin prin compunerea acestor componente: Yt = (Tt + Ct ) St t = TCt St t . Estimarea i separarea componentelor, din seria observat, permite o descriere intuitiv a acestora. Variaiile ciclului n jurul tendinei, msurate aditiv ( Tt + Ct ), indic prezena ctorva cicluri n economia Romniei: -2000, 2000-2003, 2003-2005, 2005-2009. Constatm dou perioade de recesiune abrupt, prima acoper intervalul 1998-2000 iar urmtoarea ncepe n anul 2008. Componenta sezonier i cea aleatoare sunt msurate multiplicativ ( Yt = TC t S t t ) iar n grafic sunt indicate n procente. n trimestrele I i II valorile PIB-ului sunt mai mici dect media (n medie cu 36% respectiv 15%), iar n trimestrele III i IV se observ valori peste medie (cu 18% respectiv 31%). Figura 2. Descompunerea seriei PIB pe componente 3

TENDINTA
34000 32000 30000 28000 26000 24000 22000 20000 18000 98 99 00 01 02 03 04 05 06 07 08 09 -80 0 98 99 0 -40 0 80 0 40 0 1200

COMPONENTA CICLICA

00

01

02

03

04

05

06

07

08

09

COMPONENTA SEZONIERA
140 130 120 110 100 90 80 70 60 98 99 00 01 02 03 04 05 06 07 08 09 98 98 10 0 99 10 2 10 1 10 3

COMPONENTA NEREGULATA

99

00

01

02

03

04

05

06

07

08

09

Componenta pe termen lung tendin-ciclu este asimilat mediei. Acest comportament este indicat de graficul componentei sezoniere, ce are alura unei funcii periodice cu perioada egal cu 4 uniti de timp (trimestre); valorile de maxim corespund trimestrului IV iar cele de minim trimestrului I, fiind aproximativ cu 30% mai mari respectiv mai mici dect 100. Componenta neregulat are o contribuie mai important n prima i ultima parte a perioadei, dup cum se poate anticipa i din figura 1. Exemplu 2. Tendin determinist, sezonalitate periodic, component neregulat autocorelat. Cele trei componente, tendina determinist liniar, componenta sezonier periodic, respectiv componenta neregulat sunt generate aici de urmtoarele trei ecuaii: - tendina determinist liniar Tt =100 + 0.08 t ; - componenta sezonier este generat de o funcie periodic cu perioada egal cu 12 uniti de timp: S t = 2.5 sin(t / 6) ; - componenta neregulat prezint autocorelaie, fiind generat de modelul staionar autoregresiv t = 0.6 t 1 + u t , unde u t N (0,1) sunt independente i distribuite dup legea normal. Graficul componentei neregulate, notat cu Eps, este redat n figura 3. Compunnd aditiv cele trei componente Yt = Tt + S t + t rezult graficul din figura 3. n acest caz tendina i sezonalitatea sunt deterministe, doar componenta aleatoare este de natur stochastic. Din graficul seriei Y se observ c peste tendina liniar cresctoare se suprapune o sezonalitate cu perioada 12 uniti de timp; caracterul neregulat al graficului este dat de componena aleatoare t . Atunci cnd amplitudinea sinusoidei este mai mic, caracterul sezonier al datelor este mai puin vizibil din grafic. Referitor la graficul componentei neregulate Eps, modelul autoregresiv genereaz o serie staionar cu valori autcorelate. Dei graficul acesteia indic o evoluie aparent aleatoare, totui valorile succesive sunt corelate ntre ele; aceste corelaii sunt msurate utiliznd un coeficient de corelaie specific seriilor de timp, numit coeficient de autocorelaie.

Figura 3. Graficul seriei Yt = Tt + S t + t i a componentei neregulate t

112 110 108 106 104 102 100 98 96 25 50 75 100 Seria Y= T+S+Eps

4 3 2 1 0 -1 -2 -3 -4 25 50 75 100 Componenta neregulata Eps

Exemplu 3. Tendin determinist liniar versus tendin stochastic: prezentare grafic. Graficul urmtor red, comparativ, evoluia unei serii de timp ce are o tendin determinist liniar respectiv tendin stochastic: a) tendina determinist liniar: Yt = Tt + t = 100 + 0.08t + t , t=0,1,2,...,200; b) tendina stochastic: Yt = Yt 1 + t , pentru t=1,2,...,200 i valoarea iniial Y0 = 100 , unde componenta neregulat t N (0,1) este o secven de variabile aleatoare independente i normal distribuite; au fost generate 200 de valori (utiliznd funcia nrnd din EViews). Figura 4. Tendin determinist versus tendin stochastic

Tt =100 + 0.08 t. Se mai spune, n literatura de specialitate, c seria este staionar relativ

Pentru seria cu tendin determinist, observaiile revin la ecuaia de tendin

la tendin, sau trend stationary. Evoluii de acest tip se ntlnesc mai rar n practic. Ecuaia ce a generat tendina stochastic Yt = Yt 1 + t este ecuaia unui proces de tip mers aleator. Aceast ecuaie, relativ simpl, genereaz, pentru diferite secvene de valori aleatoare ale componentei neregulate, o infinitate de evoluii nestaionare, foarte diferite ca i aspect grafic. Majoritatea seriilor din economie au un comportament apropiat de cel de tip mers aleator.

1.2.

Modelarea tendinei deterministe prin funcii elementare

Evoluia indicatorilor din economie este de regul dominat de tendin, ceea ce justific importana acordat acestei componente. Cnd evolutia unui indicator este dominata de o tendinta lent variabila in timp, aceasta poate fi modelata prin functii elementare. Vom considera n acest paragraf c seria prezint tendin determinist, ce poate fi modelat suficient de bine prin funcii elementare, i component aleatoare, modelul de descompunere fiind aditiv respectiv multiplicativ: Yt = Tt + t , respectiv Yt = Tt t .

Atunci cnd este suficient de neted, i o tendin stochastic se poate modela printr-o funcie elementar; distincia ntre o tendin determinist i una stochastic este dificil de fcut, doar n baza graficului seriei. Cele mai uzuale funcii utilizate pentru modelarea tendinei indicatorilor din economie sunt: functia liniar Tt = a + bt , polinomul de gradul doi Tt = a + bt + ct 2 , functia exponentiala Tt = a b t , functia putere Tt = a t b sau functia logaritmica Tt = a + b ln t . Estimarea parametrilor tendinei. Pentru estimarea parametrilor tendinei liniare:
Tt = a + bt

se utilizeaz metoda celor mai mici ptrate, expus n cadrul regresiei. Rolul variabilei exogene (independente) este luat aici de variabila timp t: Yt = a + bt + t t = 1, 2, ... , n . Expresiile de calcul ale parametrilor a, b sunt deci urmtoarele:
b= M (tY ) M (t ) M (Y ) M (t 2 ) [ M (t )] 2 a = M (Y ) bM (t ).

Seria prezint o tendin de cretere atunci cnd b > 0, respectiv de descretere cnd b < 0. Precizm c variabila timp se msoar cu ajutorul scalei de interval, astfel c originea scalei respectiv unitatea de msur se pot stabili n mod arbitrar. De regul se asociaz valori 1 pentru variabila timp de tipul t = , 2, ... , n sau t =0,1, 2, ... , n 1 . Funciile neliniare amintite pot fi aduse la o form liniar prin anumite substituii, respectiv prin aplicarea operaiei de logaritmare n cazul funciei exponeniale i a funciei putere. Spre exemplu, n cazul tendinei exponeniale: Tt = a b t , considernd un model de descompunere multiplicativ Yt = Tt t , operaia de logaritmare a ambilor membri conduce la: ln Yt = ln a + t ln b + ln t . Prin substituiile Z t = ln Yt , A = ln a, B = ln b,t = ln t se obine forma liniarizat: Z t = A + Bt +t . Aplicnd metoda celor mai mici ptrate, se determin A, B:
B= M (tZ ) M (t ) M ( Z ) 2 M (t 2 ) [ M (t )] A = M ( Z ) bM (t )

unde s-a notat Z = ln Y , variantele variabilei Z fiind valorile observate logaritmate Z t = ln Yt , t =1, 2, ..., n . Odat calculai A respectiv B se pot determin parametrii tendinei exponeniale a = e A , b = e B . n cazul tendinei parabolice:
Yt = a + bt + cX + t

unde X = t , pentru estimarea parametrilor a, b, c se utilizeaz relaiile de calcul deduse n cadrul regresiei liniare multiple. Exemplul 3. Estimarea tendinei liniare. Evoluia anual a PIB-ului real n SUA, perioada 1995-2006 este redat n tabelul urmtor. Acest exemplu are caracter de exerciiu; n general, problema identificrii i estimrii tendinei se pune urmrind evoluia indicatorului pentru perioade mai lungi de timp.
t PIB 0 1 2 3 4 5 6 7 8 9 10 11

48.5

49.8

51.7

53.7

55.6

57.0

57.2

58.2

59.6

61.9

63.6

65.4

Cronograma seriei sugereaz prezena unei tendine liniare, peste care se suprapune o component aleatoare de amplitudine redus:
Yt = a + bt + t , t = 0,1,..., 11 .
7 2 6 8 6 4 6 0 5 6 5 2 4 8 19 96 19 98 20 00 20 02 20 04 20 06 20 08

Evolutie PIB

Tendinta liniara. Previziuni

1 Pentru variabila timp s-au asociat valori de tipul t =0,1, 2, ... , 1 . Parametrii tendinei se determin din relaiile:

b=

M (tY ) M (t ) M (Y ) 2 M (t 2 ) [ M (t ) ] a = M (Y ) bM (t ).

Exemplificm din calculele intermediare:

M (t ) =

0 + 1 + 2 + + 11 =6 12 48 .5 + 49 .8 + + 65 .4 M (Y ) = = 56 .84 12 (0 48 .5) + (1 49 .8) + + (11 65 .4) M (tY ) = = 330 .06 12 0 2 + 12 + 2 2 + + 11 2 M (t 2 ) = = 42 ,16 12 330 .06 6 56 .84 b= = 1.46 42 .16 (6) 2 a = 56 .84 1.46 6 = 48 .82 .

Tendina seriei este estimat prin funcia de gradul nti: 1 Tt = 48 .82 +1.46 t , unde t =0,1, 2, ... , 1 al crei grafic este redat n figura precedent. Prin extrapolarea tendinei, rezult urmtoarele previziuni, aferente anilor 2007 i 2008: Y2007 = T (t = 12 ) = 48 .82 +1.46 12 = 66 .33 respectiv Y2008 = T (t =13 ) = 48 .82 +1.46 13 = 67 .79 . Valoarea inregistrat n 2007 a fost de 66.59, fiind apropiat de cea generat prin extrapolarea tendinei. Exemplul 4. Estimarea tendinei exponeniale. Evoluia PIB-ului nominal (miliarde euro, preuri curente) pentru Romnia, perioada 1999-2008, este redat n urmtorul tabel:
T PIB Z t =ln(PI B) 0 33.8 3.52 1 40.7 3.71 2 45.4 3.81 3 48.6 3.88 4 52.6 3.96 5 61.1 4.11 6 79.8 4.38 7 97.8 4.58 8 124.7 4.83

Cronograma seriei observate sugereaz o funcie exponenial, ca fiind adecvat pentru t modelarea tendinei: Tt = a b :

Estimm tendina printr-o funcie exponenial, n modelul multiplicativ: Yt = a b t t Logaritmarea ambilor membrii conduce la liniarizarea tendinei: Z t = A + Bt + t , cu tendina liniar Tt = A + Bt , t = 0,1,..., 8. unde Z t = ln Yt = ln( PIB ), A = ln a, B = ln b, t = ln t . Seria logaritmata, redat n graficul anterior, pare sa aib o tendin liniar (peste care se suprapune o component ciclic). Estimatiile pentru coeficienii A i B rezult din:
B= M (t 2 ) [ M (t )] A = M ( Z ) BM (t ). M (tZ ) M (t ) M ( Z )
2

Se obin pentru parametrii A respectiv B urmtoarele estimaii: B = 0.15 , A = 3.01 , iar parametrii tendinei exponeniale rezult n consecin: a = e A = 20 .32 , b = e B = 1.166 . Valorile previzionate ale PIB-ului logaritmat ln( PIB ) pentru anii 2008 respectiv 2009 sunt T (t = 9) = 3.01 + 0.15 9 = 4.85 respectiv T (t = 10 ) = 3.01 + 0.15 10 = 4.51 . Valorile corespunztoare ale PIB-ului sunt 128.42 respectiv 149.75. Menionm ca valorile reale nregistrate, aferente celor doi ani, au fost 139.76 i 117.45; urmare a impactului crizei economico-financiare, nivelul PIB-ului a sczut drastic n 2009, aceast scdere nefiind, desigur, anticipat n baza tendinei (ce extrapoleaz comportamentul dinainte de 2007).

1.3.

Analiza sezonalitii i metode de desezonalizare

Ajustarea sezonier, sau desezonalizarea, permite estimarea i separarea sezonalitii din seria de timp. Prezena componentei sezoniere este vizibil n graficul seriei prin fluctuaiile aparent regulate, repetitive, asemntoare unei funcii periodice; este efectul unor influene 8

sistematice exercitate n anumite sezoane. Desezonalizarea este util cel puin din urmtoarele considerente: a) descrierea i cuantificarea sezonalitii din date, b) evidenierea mai clar a evoluiei indicatorului pe termen lung, c) ajustarea previziunilor pe termen scurt, innd seama de sezonalitate, d) interpretarea corect a tendinei de variaie a indicatorului de la o perioad la alta, e) n modelarea econometric de regul se lucreaz cu seriile desezonalizate. Evoluia variabilelor macroeconomice este uneori disponibil att sub forma seriilor cu datele observate ct i cu datele desezonalizate. Desezonalizarea faciliteaz evidenierea tendinei, i eliminarea variaiei, de la un sezon la altul, datorat sezonalitii. Spre exemplu, compararea variaiilor produsului intern brut de la un trimestru la altul, sau a variaiei lunare a ratei omajului se realizeaz pe seria desezonalizat. Majoritatea metodelor statistice de desesonalizare au ca punct de pornire alegerea modelului de descompunere. n general, este adecvat un model aditiv T+S atunci cnd amplitudinea oscilaiilor rmne aproximativ constant de la un ciclu sezonier la altul, respectiv multiplicativ TxS dac amplitudinea variaz proporional cu nivelul seriei (raportul Y/T rmne aproximativ constant). n practic este deseori adecvat modelul multiplicativ. Perioada componentei sezoniere, notat cu p, reprezint numrul unitilor de timp din cadrul unui ciclu sezonier. Majoritatea datelor disponibile, n domeniul economic, au durata unui ciclu egal cu un an, astfel p = 4 n cazul datelor trimestriale respectiv p =12 n cazul datelor lunare. Durata unui ciclu poate fi desigur mai mic de un an. Atunci cnd datele sunt zilnice, perioada p = 5 dac observaiile acoper zilele de luni pn vineri, respectiv p = 7 dac observaiile sunt disponibile pentru toate zilele sptmnii; vnzrile zilnice ale unui
supermarket, sau ncasrile unui cinematograf nregistrate zilnic, de luni pn duminic, au sezonalitate.

Metodele clasice de desezonalizare au la baz medii mobile centrate i simetrice MM(p). Acestea au efect de netezire a variaiilor sezoniere. Pentru eliminarea componentei sezoniere, n scopul separrii ei, se aplic datelor un filtru de tip medie mobil centrat de ordin p egal cu perioada componentei sezoniere. n acest context, mediile mobile sunt transformri liniare f utilizate n scopul desezonalizrii seriei, conservnd tendina: elimin componenta sezonier f ( St ) 0 , conserv tendina-ciclu f (TC t ) TC t . Dac perioada componentei sezoniere este un numr par p = 2m , spre exemplu n cazul datelor trimestriale sau lunare, atunci mediile sunt determinate n baza relaiei: 0,5Yt m + Yt m +1 + ... + Yt + ... + Yt + m 1 + 0,5Yt + m Yt = , t = m + 1, m + 2, .... T m , 2m Cnd perioada este numr impar p = 2m + 1 atunci se aplic seriei o medie aritmetic simpl centrat: Y + Yt m1 + ... + Yt + ... + Yt + m1 + Yt +m Yt = t m ; t = m + 1, m + 2,..., T m . 2m + 1 Metoda raportrii la mediile mobile. Cea mai simpl tehnic de desezonalizare este metoda raportrii la mediile mobile. Estimarea componentei sezoniere se realizeaz prin intermediul coeficienilor sezonalitii. Vom utiliza urmtoarele notaii: - i indice pentru ciclul sezonier, i = 1,2,..., n - j indice pentru sezon, i = 1,2,..., p , unde p este perioada componentei sezoniere. Modelul de descompunere aditiv respectiv multiplicativ are forma: Yij = TC ij + S j + ij respectiv Yij = TC ij S j ij .

Coeficienii sezonalitaii cuantific abaterile de la tendin-ciclu. Componentele pe termen lung, tendina i ciclicitatea, sunt tratate ca i o singur component tendin-ciclu, notat TC; nu se emite o ipotez privind forma parametric a acesteia, fiind considerat de natur stochastic. Componenta tendin-ciclu este privit ca o medie curent a seriei TCt = Yt , estimat prin mediile mobile Y ij . a) n cazul modelului multiplicativ Yij = Tij S j ij , metoda const n urmtorii pai: calculul mediilor mobile Y ij de ordin p egal cu perioada componentei sezoniere; calculul rapoartelor S ij = Yij / Y ij ce constituie estimaii pentru componenta sezonier; acestea cuantific abaterea datelor observate de la tendin-ciclu. Raportul include i componenta neregulat (S =Y/TC); determinarea unui coeficient mediu pentru fiecare sezon, ca o medie a estimaiilor precedente: 1 n 1 SM j = S ij ; j = 1, 2,..., p . n 1 i =1 efectuarea unei corecii asupra coeficienilor medii SM j astfel nct media lor s fie unu (normalizare): 1 p S j = SM j / SM i j = 1, 2,..., p . p i =1 Aceast cerin impus sezonalitii este natural, ntruct variaiile sezoniere se compenseaz n medie pe parcursul unui an. Valorile rezultate S =( S1 , S 2 , ..., S p ) se numesc coeficieni ai sezonalitii, i constituie estimaii pentru componenta sezonier. n sezoanele n care S j 100 < 100 factorii sezonieri au condus la o abatere n minus a valorii observate fa de valoarea corespunztoare de pe tendin, n medie cu 100 ( S j 1) procente. Dac S j >1 valorile observate sunt mai mari dect cele de pe tendin, n medie de S j ori (sunt peste tendin). Seria desezonalizat se obine prin extragerea sezonalitii din date: SA = Y / S . b) n cazul modelului aditiv
Yij = Tij + S ij + ij

determinarea componentei sezoniere decurge analog, dar avnd n vedere forma aditiv de descompunere. Coeficienii ce intervin se determin astfel: 1 n 1 S ij = Yij Y ij ; SM j = S ij n 1 i =1 iar ajustarea coeficienilor medii SM j , pentru a obine estimaii S j ale componentei

1 p S j = SM j SM i . sezoniere, se realizeaz astfel nct media acestora s fie zero: p i =1 Valorile pozitive S j > 0 indic o valoare peste tendin pentru respectivul sezon, iar cele
negative S j < 0 valori sub tendin. Seria desezonalizat se obine prin extragerea sezonalitii din date: SA = Y S . Observm c aceast metod consider sezonalitatea constant de la un ciclu sezonier la altul, i de asemenea minimizeaz efectul componentei neregulate. 10

Instituiile naionale i internaionale, cercettorii, utilizeaz diferite metode de desezonalizare, mai complexe dar n acelai timp mai performante. Cele mai cunoscute sunt: diferite variante ale metodei X11, cea mai recent fiind metoda X-12-ARIMA, dezvoltate de ctre United States Census Bureau, respectiv metoda TRAMO/SEATS propus de ctre Banca Central a Spaniei. Metoda X-12-ARIMA presupune o abordare neparametric, ce utilizeaz mediile mobile centrate i simetrice, ca i filtre de netezire sezonier; procedura se bazeaz pe metoda raportrii la mediile mobile, ce se aplic succesiv. Dac datele au sezonalitate, previziunile privind evoluia variabilei analizate Y se obin prin compunerea previziunilor realizate pentru fiecare component prezent n serie, innd seama de forma modelului: Y = T + S respectiv Y = T S . Exemplu 5. Desezonalizare prin metoda raportrii la mediile mobile. Previziuni. Se consider o serie de timp ce red evoluia unui indicator cu component sezonier. Se cere: a) Determinai i interpretai coeficienii sezonalitii, utiliznd metoda raportrii la mediile mobile. Generai previziuni pentru urmtoarele 2 trimestre. b) Desezonalizai seria prin metoda TRAMO/SEATS. Redai n acelai grafic valorile observate respectiv seria desezonalizat. Descompunei seria pe componente; redare grafic. Rezolvare. Seria considerat red evoluia trimestrial a cifrei de afaceri a unei societi comerciale din domeniul construciilor, n perioada 2005-2010 (date fictive). Cifra de afaceri a unei societi comerciale, 2005-2010
An/Trim . 2005 2006 2007 2008 2009 2010 I 124.1 130.1 157.5 169.7 177.5 202.9 II 263.2 280.2 301.2 340.0 407.6 385.3 III 252.4 260.6 353.3 350.9 417.2 425.6 IV 124.5 151.1 185.0 168.7 224.1 196.6

a) n EViews coeficienii sezonalitii, pentru modelul multiplicativ, se obin din Procs/Seasonal adjustment/Moving average methods/Ratio:
Original Series: CA Adjusted Series: CASA Scaling Factors: 1 0.697254 2 1.408281 3 1.420089 4 0.717141

Urmare a caracterului sezonier, specific acestei activiti economice, n trimestrul I cifra de afaceri a fost mai mic n medie cu 30.3% dect media, iar n trimestrul II cifra de afaceri a nregistrat valori n medie mai mari de 1.4 ori dect media (dect valoarea corespunztoare de pe tendin). Analog se interpreteaz S3 i S4. Seria ajustat sezonier (desezonalizat) este salvat cu extensia sa:

11

40 4 40 0 30 6 30 2 20 8 20 4 20 0 10 6 10 2 20 05 20 06 20 07 20 08 CA 20 09 CASA 21 00 21 01

n trimestrele II i III valorile observate sunt sistematic peste medie (peste tendin), iar in trimestrele I i IV cifra de afaceri nregistreaz valori mai mici dect media (sub tendin). Exemplificm, n continuare, modul de calcul al coeficienilor sezonalitii. Graficul seriei indic prezena unei componente sezoniere predominante, de perioad p = 4. Punctul de pornire n estimarea componentei sezoniere l constituie calculul mediilor mobile. Ordinul mediei mobile trebuie s fie egal cu perioada componentei sezoniere. Mediile mobile centrate de ordin p = 4 sunt: 0.5 Y1 + Y2 + Y3 + Y4 + 0.5 Y5 Y3 = = 4 0.5 124.1 + 263.2 + 252.4 + 124.5 + 0.5 130.1 = = 191.8 4
0.5 Y20 + Y21 + Y22 + Y23 + 0.5 Y24 = 4 0.5 224.1 + 202.9 + 385.3 + 425.6 + 0.5 196.6 = = 306.0. 4 Datele observate au fost numerotate n ordine cronologic Y1 , Y2 , ...Y24 Estimarea componentei sezoniere. Cum amplitudinea oscilaiilor crete uor n timp, cronograma seriei sugereaz un model multiplicativ: Yij = Tij S j ij ; i = 1, 2,..., 6 iar j = 1, 2, 3, 4 . Y22 =

Mediile mobile centrate de ordinul 4

t 1 2 3 4 5 6 7 8 9 10 11 12 MM(4) 191.8 194.7 197.8 202.2 208.9 214.9 229.2 245.0 250.8 257.1 t 13 14 15 16 17 18 19 20 21 22 23 24 MM(4) 261.7 259.4 258.3 267.7 284.5 299.7 309.8 310.2 308.4 306.0 -

Datele sunt disponibile pentru 6 ani i sunt prezente 4 sezoane. innd seama de notaiile specifice acestui paragraf, Yij reprezint cifra de afaceri n anul i trimestrul j. Astfel, Y13 = Y2001;III = 252.4 sau Y34 = Y2003; IV = 185.0 . Mediile mobile din tabelul anterior vor fi transpuse ntr-un tabel analog cu cel de prezentare al datelor: 12

An/Trim.
2005 2006 2007 2008 2009 2010

I
197.8 229.2 261.7 284.5 308.4

II
202.2 245.0 259.4 299.7 306.0

III
191.8 208.9 250.8 258.3 309.8 -

IV
194.7 214.9 257.1 267.7 310.2 -

Rapoartele S ij =

Yij Yij

100 , respectiv mediile acestora pentru fiecare sezon sunt:

An/Trim. 2005 2006 2007 2008 2009 2010

Ij Sj

I 65.8 68.7 64.8 62.4 65.8 65.5 65.6

II 138.6 122.9 131.1 136.0 125.9 130.9 131.4

III 131.6 124.7 140.9 135.8 134.7 133.5 134.0

IV 63.9 70.3 71.9 63.0 72.7 68.4 68.8

Media Media

99.6 100

Explicaii privind calculele: Y 252.4 Y 124.5 S13 = 13 100 = 100 = 131.6 , S14 = 14 100 = 100 = 63.9 , Y13 191.8 Y14 194.7 Y 130.1 S 21 = 21 100 = 100 = 65.8 , .a.m.d. Y21 197.8 Cum era de ateptat, raportul ntre valorile observate i mediile mobile este mai mic dect 1 pentru trimestrele I i IV, cnd cifra de afaceri a fost sistematic sub medie: S + S 31 + S 41 + S 51 I 1 = 21 = 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 coeficieni este 99.6, astfel c este necesar o uoar corecie, astfel nct media s fie 100: I 65.5 S1 = 1 100 = 100 = 65.6, S 2 = 131.4, S 3 = 134.0, S 4 = 68.8 . 99.6 99.6 Componenta sezonier const n vectorul coeficienilor sezonalitii: S=(S1, S2, S3 , S4 ) = (0.656; 1.314; 1.340; 0.688), i se consider constant de la un an la altul. Diferenele fa de rezultatele din soft apar din cauza rotunjirilor. Pentru seria ajustat sezonier (desezonalizat) casa, se estimeaz o tendin liniar:
Tt =165 .36 + 6.39 t , t = 0,1,..., 19 .

Valoarea previzionat pentru trimestrul I 2011 este obinut prin ajustarea valorii rezultate din extrapolarea tendinei cu coeficientul sezonalitii din trimestrul I, astfel: Y2011 trimI = T (t = 20 ) 0.656 = [165 .36 + 6.39 20 ] 0.656 =192 .31 . Valoarea previzionat pentru trimestrul II 2011 rezult n mod similar:

13

 Y2011 trimII = T (t = 21 ) 1.314 = [165 .36 + 6.39 21] 1.314 = 393 .60 .

b) Metoda TRAMO/SEATS descompune seria n trei componente: tendin-ciclu (_trd), sezonalitate (_sf), componenta neregulat (_ir).
40 4 40 0 30 6 30 2 20 8 20 4 20 0 10 6 10 2 20 05 20 6 0 20 07 20 08 CA 20 09 21 00 20 0 10 6 20 5 0 30 2 20 8 20 4 40 0 30 6

20 06

20 7 0

20 08

2 09 0

2 10 0

Final trend-cycle

10 4 10 3 10 2 10 1 10 0 9 0 8 0 7 0 6 0 20 05 20 6 0 20 07 20 08 20 09 21 00

16 0 14 0 12 0 10 0 9 8 9 6 9 4 9 2 20 5 0

20 06

20 7 0

20 08

2 09 0

2 10 0

Final seasonal component/factor

Final irregular component/factor

De asemenea, sunt generate previziuni pentru fiecare dintre cele trei componente. Coeficienii sezonalitii sunt n procente, fiind aproximativ constani n timp S=(65.96, 134.04, 132.75, 67.27). Analog i componenta aleatoare. Modelul de descompunere este cel multiplicativ, datele observate sunt obinute prin compunerea multiplicativ a componentelor Y = TC ( S / 100) ( / 100) . 1.4.

Estimarea componentei ciclice

n domeniul economic, aceast component o ntlnim sub forma ciclurilor economice (a ciclurilor de afaceri). n cadrul unui ciclu economic se succed perioadele de expansiune, criz, recesiune respectiv relansare economic. Urmare a faptului c durata i amplitudinea ciclurilor variaz n timp dar i de la un sector de activitate la altul, modelarea i previziunea componentei ciclice este o sarcin dificil. Cea mai cunoscut metod de separare a componentei ciclice este filtrul Hodrick-Prescott (HP). Prin aplicarea filtrului HP se separ cele dou componente pe termen lung: tendina i ciclicitatea. Filtrul Hodrick-Prescott. Filtrul de netezire HP este un filtru liniar utilizat pentru estimarea tendinei, i separarea componentei ciclice. Se presupune c n prealabil seria a fost desezonalizat, iar importana componentei neregulate este minimizat. Aplicat seriilor macroeconomice, precum PIB, rata omajului sau producia industrial, filtrul permite evidenierea ciclurilor economice (sau de afaceri). Componenta ciclic se manifest sub forma unor deviaii tranzitorii de la tendin. Se consider descompunerea aditiv a seriei (de regul logaritmat n prealabil): Yt = Tt + C t t=1,2,...,T. Cele dou componente nu sunt observabile, iar orice descompunere are la baz o definire oarecum arbitrar a acestora. Filtrul HP estimeaz tendina Tt i componenta ciclic Ct din cerina minimizrii urmtoarei sume:

14

m {i n(Yt Tt ) + [ T(t+ 1 Tt ) (Tt Tt 1 ) ]}

2 2 Tt t= 1 t= 2
2 2 sau echivalent: min{ Ct + ( Tt +1 ) , unde constanta de netezire controleaz gradul 2 Tt T T

T 1

de netezire al tendinei. Cnd 0 gradul de netezire este redus, tendina estimat fiind apropiat de valorile observate; n primul termen se minimizeaz deviaiile de la trend C t = Yt Tt . A doua sum, din expresia anterioar, msoar modificrile locale ale pantei 2 tendinei Tt +1 = (Tt +1 Tt ) (Tt Tt 1 ) , deci gradul de netezire al trendului. Pentru tendina Tt devine o tendin determinist liniar. Cu ct tendina Tt este mai neted cu att diferenele de ordinul doi ale acesteia sunt mai mici. Problema de minim caut un optim ntre estimarea adecvat a tendinei i gradul de netezire al acesteia. nainte de a fi aplicat n economie, metoda a fost utilizat n actuariat, pentru netezirea ratelor mortalitii. Rmne ns deschis problema alegerii adecvate a constantei . n cazul datelor trimestriale autorii metodei sugereaz valoarea = 1600 (Hodrick and Prescott, 1997). n pachetul EViews se consider = 100 pentru date anuale respectiv = 14400 dac datele sunt lunare. Exemplu 6. Extragerea componentei ciclice. Se consider evoluia anual a ratei daunei n asigurrile generale; seria acoper perioada 1951-2007, i se refer la industria asigurrilor din SUA. Figura 5 sugereaz prezena tendinei respectiv a unei cicliciti, alturi de componenta neregulat. Filtrul Hodrick-Prescott este frecvent utilizat pentru extragerea tendinei, i evidenierea ciclicitii n seriile macroeconomice i financiare, n modelul aditiv Yt = Tt + C t ; componenta ciclic se manifest sub forma unor deviaii tranzitorii de la trend. Se cere: separai tendina respectiv componenta ciclic, cu filtrul Hodrick-Prescott (HP). Rezolvare. Filtrul HP, disponibil din Procs/Hodrick-Prescott Filter, estimeaz tendina respectiv componenta ciclic, considernd parametrul = 100 pentru date anuale; aceast valoare a parametrului de netezire a fost sugerat de ctre autorii metodei. O valoare mic a parametrului determin un grad redus de netezire pentru tendin. Dup cum se observa din figura 5, filtrul conserv tendina neliniar din date, i pare a estima corect componenta de tendin. O analiz descriptiv a componentei ciclice relev prezena unor cicluri de durat mai mare sau mai mic, pe parcursul perioadei analizate; ciclurile prezente acoper aproximativ perioadele: 1954-1960, 1960-1965, 1965-1972, 19721978, 1978-1987, 1987-1997, 1997-2006. Figura 5. Evoluia ratei daunei, tendina i componenta ciclic

t =1

t =3

15

2. Noiuni de baz n modelarea dinamic a seriilor de timp

2.1. Conceptul de serie staionar Deoarece dispunem de o singur observaie pentru variabila Yt , parametri precum media sau variana variabilei Yt nu pot fi estimai, la cazul general. Estimarea devine posibil pentru clasa proceselor staionare, cnd distribuia variabilei Yt nu depinde de timpul t. Seria cu valorile observate y1 , y 2 ,...., yT este o realizare a procesului stochastic Y1 , Y2 ,...., YT . Obiectivul analizei seriei de timp const n a face inferene asupra procesului, pornind de la aceast unic realizare a sa. Numim serie staionar Y1 , Y2 ,...., YT o serie ce verific urmtoarele trei condiii: t (1) E ( Yt ) = pentru , media este constant n timp (seria este staionar relativ la medie); 2 t (2) Var ( Yt ) = E[(Yt ) ] = 0 pentru , variana este constant n timp (staionalitate n varian); (3) Cov ( Yt , Yt k ) = E [ ( Yt )( Yt k ) ] = k covariana dintre oricare dou variabile este funcie de lungimea intervalului de timp k ce separ cele dou variabile, dar nu i de poziia lor n timp. Covariana msoar dependena liniar dintre variabile; intuitive, cu ct observaiile sunt mai ndeprtate una de cealalt cu att dependena este mai slab. O caracteristic a seriilor de timp este caracterul inerial, dependena valorii curente Yt de valorile nregistrate n trecut { Yt , Yt , ...}. Atunci cnd k, lungimea intervalului de timp 1 2 dintre variabile, variaz, rezult secvena { k , k N } numit funcie de autocovarian. O serie staionar are media respectiv variana constante n timp. O serie staionar se afl ntr-o stare de echilibru. n cronogram, o serie staionar se manifest sub forma unor fluctuaii cu amplitudine relativ constant (seria este staionar n varian), n jurul unei constante ce estimeaz media (seria este staionar relativ la medie). Nestaionalitatea n medie este specific seriilor cu tendin, iar nestaionalitatea n varian se observ prin modificarea n timp a amplitudinii fluctuaiilor din date. 16

Distribuia variabilei Yt nu depinde de timp, seria observat Y1 , Y2 ,...., YT coninnd informaii despre aceeai distribuie. Astfel, toate observatiile din serie pot fi utilizate pentru construirea estimatorilor mediei respectiv varianei: 1 T 1 T Y = Yt 2 = (Yt Y ) 2 T t =1 T t =1 ca i media respectiv variana empiric a observaiilor. Un caz particular de serie staionar este cea de tip zgomot alb (white noise), aceasta fiind o succesiune de variabile aleatoare t , t Z necorelate i identic repartizate, cu medie 2 zero: E ( t ) = 0 , Var ( t ) = , Cov ( t , t k ) = 0 ; deseori se consider c variabilele sunt distribuite dup legea normal t N (0, 2 ) . Un zgomot alb n sens puternic se definete printr-o succesiune de variabile independente i identic repartizate, notat prescurtat i.i.d; noiunea de independen este mai puternic dect cea de necorelare. Exemplu 7. Serii staionare n medie. a) Urmtoarea serie este generat de o secven de variabile aleatoare de tip zgomot alb t i.i.d .N (0, 1) distribuite dup legea normal de probabilitate. n Eviews, funcia nrnd genereaz astfel de secvene: se deschide un obiect nou de tip Series, apoi n Generate by Equation se indic modul de generare al seriei za=nrnd. Figura 6. Serie de tip zgomot alb t i.i.d .N (0, 1)
3 2 1 0 -1 -2 -3 5 0 10 0 10 5 20 0 20 5 30 0 Zgomot alb

Seria este staionar relativ la valoarea medie, aici egal cu 0, media local fiind aproximativ constant n timp. Exist fluctuaii pe termen scurt n jurul mediei, dar observaiile revin la medie. Seria verific i a doua cerin din definiia staionalitii, deoarece are variana aproximativ constant n timp, i egal aici cu 1. Flutuaiile n jurul mediei au amplitudine constant, majoritatea fiind ntre 1 (abaterea medie ptratic este 1). b) Evoluia lunar a ratei inflaiei n zona EU15, n perioada ianuarie 2000-decembrie 2006 a nregistrat o evoluie relativ staionar, n jurul unei rate medii de 2%. n aceast perioad, inflaia n EU15 a fluctuat n jurul unei rate de echilibru, de 2%; exist abateri pe termen scurt, dar pe termen lung seria revine la aceast valoare de echilibru. Figura 7. Evoluia ratei inflaiei n EU15, ian. 2000-dec. 2006

17

3 .2 2 .8

2 .4 2 .0

1 .6

1 .2 0 0 0 1 0 2 0 3 0 4 0 5 0 6 0 7 Rata infla'iei EU15

2.2. Serie nestaionar. Tendin stochastic O serie este nestaionar dac nu verific una sau mai multe dintre cerinele ce definesc seria staionar. n economie majoritatea seriilor sunt nestaionare, media nefiind constant n timp. Intuitiv, cronograma ofer o prim imagine asupra prezenei nestaionalitii. O serie de timp poate prezenta dou tipuri de nestaionalitate: a) nestaionalitate de natur determinist. Seria are tendin determinist, abaterile de la ea fiind staionare. Terminologia ntlnit n literatura de specialitate pentru acest tip de nestaionalitate este de serie staionar relativ la o tendin determinist (trend stationary). Cronograma indic fluctuaii aleatoare n jurul unei tendine deterministe, netede (figura 8), ce poate fi modelat prin funcii elementare; b) nestaionalitatea seriei este de natur stochastic. Terminologia utilizat n acest caz este mai tehnic, se spune c seria are rdcin unitate, are tendin stochastic, seria este integrat, sau seria este staionar prin difereniere (difference stationary). Intuitiv, seria hoinrete n timp, fr a avea vreun atractor; este de tip mers aleator. Natura nestaionalitii seriei este foarte important, att n previziune, ct i pentru elaborarea metodelor econometrice cu date sub forma seriilor de timp. Prezena unei nestaionaliti stochastice face ca metodele din econometria clasic, unde dispunem de date privind nivelul nregistrat de variabile la un eantion de uniti (cross-section), momentul de timp fiind aici fixat, s nu poat fi aplicate; distribuiile asimtotice ale estimatorilor coeficienilor din regresia clasic, nu mai sunt aceleai. Tehnicile din regresia clasic, bazate pe legea numerelor mari i teorema limit central, rmn ns adecvate pentru modele n care intervin variabile staionare. Primul tip de nestaionalitate, cnd seria conine doar tendin determinist se ntlnete mai rar n domeniul economic. Pentru tendina de natur determinist, se consider de regul o funcie liniar: Yt = a + bt + t t =1, 2, 3,..., T , iar uneori parabola sau exponeniala. Prezena unei nestaionaliti stochastice schimb ns proprietile seriei, i respectiv tehnicile de abordare. Diferena ntre procesele nestaionare cu tendina determinist respectiv stochastic este vizibil i atunci cnd se analizeaz efectul unui oc asupra seriei. Considerm o serie cu tendin determinist liniar, peste care se suprapune, aditiv, o component neregulat staionar de medie zero ut : Yt = a + bt + u t . Media seriei E (Yt ) = a + bt este variabil n timp. Tendina acioneaz ca un atractor, seria revine la tendina determinist a + bt . Variana este constant n timp Var (Yt ) = Var (u t ) = const . , 18

componenta neregulat fiind staionar. n cazul unei serii cu tendin determinist, efectul unui oc asupra seriei este tranzitoriu, deoarece acioneaz doar prin componenta stochastic ut , care este staionar. Influena ocurilor asupra urmtoarelor abateri de la tendina determinist se diminueaz n timp; seria revine la tendina determinist. Graficul 8. red evoluia unei serii cu tendin determinist liniar i componenta neregulat staionar: Yt = 10 + 0.1t + u t unde u t este obinut prin simulare; eroarea t N (0,4) a fost generat ca o secven de 200 de valori independente, distribuite dup legea normal. Figura 8. Tendina determinist liniar, componenta aleatoare staionar
5 0 4 0 3 0 2 0 1 0 0 -0 1 5 0 10 0 10 5 20 0 20 5

Y=Tendinta determinista liniara + componenta aleatoare Componenta aleatoare

O serie este nestaionar cu tendin stochastic dac este generat de un proces pentru care polinomul autoregresiv ( L ) = 1 a1 L a 2 L2 a p L p din reprezentarea autoregresiv Yt = a 0 + a1Yt 1 + a 2Yt 2 + + a p Yt p + t AR(p): sau (1 a1 L a 2 L2 ... a p L p )Yt = a 0 + t are rdcin/rdcini egale cu unu. Operatorul de ntrziere, notat cu L, are ca efect translaia cu o unitate de timp n urm LYt = Yt 1 . Astfel, p L2 (Yt ) = L( LYt ) = LYt 1 = Yt 2 , i n general L (Yt ) = Yt p . Spunem c seria are tendin stochastic, sau are rdcin unitate, sau este integrat. Exemplul tipic aici este mersul aleator fr constant Yt = Yt 1 + t respectiv cu constant Yt = Yt 1 + c + t . Pentru Yt = Yt 1 + t spre exemplu, polinomul n L asociat prii autoregresive ( L ) din modelul autoregresiv ( L )Yt = t este ( L ) = 1 L : (1 L)Yt = t i l are pe 1 ca i rdcin:
1 z = 0 z = 1.

Un mers aleator fr constant

t i =1

Yt = Yt 1 + t

poate fi scris sub forma

Yt = Y0 + i unde cu Y0 s-a notat valoarea iniial. Graficul 8 red evoluia unei serii cu tendin stochastic, de tip mers aleator fr constant: Yt = Yt 1 + t unde pentru eroare t N (0,1) a fost generat o secven de 200 de valori independente, distribuite dup legea normal. Aceast ecuaie, simpl, genereaz o diversitate de evoluii nestaionare, pentru diverse secvene ale erorii. Figura 9. Serie cu tendin stochastic, mers aleator fr constant 19

1 6 1 2 8 4 0 -4 -8 2 5 5 0 7 5 10 0 15 2 10 5 15 7 20 0 Tendinta stochastica (serie cu radacina unitate)

Pentru un mers aleator cu constant: Yt = Yt 1 + c + t unde t este un zgomot alb cu medie zero, rezult: Yt = Y0 + ct + i .
i =1 t

Media E (Yt ) = Y0 + ct i variana Var (Yt ) = t sunt variabile n timp; cu Y0 s-a notat valoarea iniial. Variana seriei crete n timp. Nu exist un atractor, la care seria s revin pe termen lung; seria hoinrete, avnd salturi brute de cretere sau scdere. ocurile
2

aleatoare se acumuleaz n timp

i =1

, i au efect permanent asupra seriei; aceasta este

originea nestaionalitii. Dac o serie este de acest tip, atunci impactul ocurilor conjuncturale are un efect permanent asupra nivelului seriei. Constanta c din ecuaie se acumuleaz n timp sub forma unei tendine deterministe liniare ct ; constanta din ecuaia mersului aleator devine panta tendinei locale deterministe. O astfel de serie are att tendin stochastic ct i tendin determinist. Figura 10. Serie cu tendin stochastic, mers aleator cu constant

n funcie de valoarea constantei din ecuaia modelului, Yt = Yt 1 + c + t , se d o pondere mai mare sau mai mic componentei de tendin determinist. Cnd valoarea constantei este mai mare, c=0.2 n primul grafic din figura 10, domin tendina determinist (panta tendinei locale deterministe este mai mare, n ct ), iar pentru valori mici ale constantei, c=0.0001 n al 2-lea grafic, domin componenta de tendin stochastic (acumularea de ocuri

i =1

).

O serie poate avea tendin stochastic i/sau tendin determinist. Tendina stochastic domin n economie; exist puine evoluii ce au doar tendin determinist. 20

De regul, n modelarea dinamic seriile nestaionare se staionalizeaz. Dac seria Yt este nestaionar cu tendin stochastic, atunci se transform ntr-o serie staionar, prin operaia de difereniere Yt = Yt Yt 1 ; diferenele de ordinul unu sunt diferenele cu baz n lan, i redau variaia indicatorului fa de perioada anterioar. Dac nestaionalitatea este de natur determinist, atunci seria se staionalizeaz prin extragerea tendinei, estimate printr-o funcie neted, din datele observate; spre exemplu, n cazul unei tendine liniare, dup extragerea tendinei estimate, seria X t = Yt (a + bt ) devine staionar. Teste de nestaionalitate. Testul ADF. Existena sau nu a unei rdcini egale cu 1 (numit rdcin unitate) pentru polinomul autoregresiv, determin natura nestaionalitii seriei. Pentru a testa existena rdcinii unitate ntr-o serie de timp, se estimeaz un model autoregresiv adecvat datelor Yt = a 0 + a1Yt 1 + a 2Yt 2 + + a p Yt p + t , iar apoi se testeaz 2 p dac z = 1 este rdcin a ecuaiei caracteristice ataate ( z ) = 1 a1 z a 2 z a p z = 0 . Atunci cnd ecuaia caracteristic ataat polinomului autoregresiv are o rdcin egal cu 1, adic (1) = 0 , seria este nestaionar, cu tendin stochastic. Testele de tip rdcin unitate (unit root), prezentate n continuare, sunt destinate detectrii nestaionalitii de tip stochastic, adic a detectrii rdcinii unitate n reprezentarea autoregresiv a procesului. a) Testul ADF fr constant i fr trend. Considerm modelul autoregresiv AR(1):
Yt = a1Yt 1 + t ,
2 unde erorile t sunt independente i identic distribuite, cu medie 0 i varian . Acest model genereaz o serie staionar atunci cnd a1 < 1 . Cnd a1 = 1 seria devine nestaionar. Prezena rdcinii unitate nseamn a1 = 1 , deci ipoteza nul respectiv alternativ sunt: H 0 : a1 = 1 seria este nestaionar, cu tendin stochastic

a1 < 1 seria este staionar. Testul compar un mers aleator fr constant cu o serie staionar cu medie zero: H 0 : Yt = Yt 1 + t seria este de tip mers aleator fr constant H 1 : Yt = a1Yt 1 + t cu a1 < 1 , seria este staionar cu medie zero. H1 :
Ipoteza nul formulat relativ la ecuaia AR(1) este echivalent cu a testa, n ecuaia: Yt = Yt 1 + t obinut scznd Yt 1 din ambii membri ai modelului AR(1), ipoteza nesemnificativitii coeficientului : H0 : = 0 cu alternativa H 1 : < 0 unde = a1 1 . Testul Dickey-Fuller utilizeaz statistica Student aferent coeficientului de regresie :

t=

. Var ( )

Atunci cnd ipoteza nul H 0 este adevrat, distribuia asimptotic a statisticii t nu este dat de legea normal, sau de o alt lege de probabilitate standard. Distribuia asimptotic a acestei variabile a fost studiat de ctre Dickey (1975) i Fuller (1976). Valorile critice ale distribuiei Dickey-Fuller (DF) sunt mai mici dect cele date de legea normal N(0,1). Pentru un nivel de semnificaie de 5% spre exemplu, valoarea critic este 1.95, respectiv -1.64 n cazul legii 21

normale; P( DF < 1.95 ) = 0.05 , respectiv P ( z < 1.64 ) = 0.05 pentru legea normal N(0,1). Atunci cnd reziduurile din reprezentarea AR(1) nu sunt de tip zgomot alb t i.i.d .(0, 2 ) , se specific, pentru datele observate, un model autoregresiv AR(p) adecvat. n acest caz, procedura testului Dickey-Fuller este similar, iar testul se noteaz prescurtat cu ADF (Augmented Dickey-Fuller). Ipoteza nul se formuleaz similar, relativ la coeficientul termenului Yt 1 n ecuaia: Yt = Yt 1 + i Yt i + t
i =1 p

(V1)

H0 : = 0

H 1 : < 0 seria este staionar n jurul lui zero. Distribuia asimptotic a raportului t asociat coeficientului este aceeai cu cea din cazul AR(1), astfel c se utilizeaz aceleai valori critice. La un nivel de semnificaie , ipoteza nul nu se respinge, atunci cnd valoarea calculat a testului este mai mare dect valoarea critic; n acest caz seria este nestaionar cu tendin stochastic, are rdcin unitate, sau este integrat.
b) Testul ADF cu constanta i fr trend. Prezena unei constante a n ecuaia ce st la baza testului: Yt = a + Yt 1 + i Yt i + t
i =1 p

(V2)

schimb distribuia asimptotic a statisticii t:

. Var ( ) Valorile critice sunt mai mici dect n cazul anterior, fr constant; pentru nivelul de semnificaie de 5% valoarea critic este -2.86. Ipoteza nul respectiv alternativa, formulate n ecuaia cu variabila dependent Yt , sunt: H0 : = 0 cu alternativa H 1 : < 0 serie staionar n jurul unei constante nenule. t=
c) Testul ADF cu trend. Atunci cnd seria este vizibil nestaionar, testul se realizeaz n regresia ce include o tendin determinist liniar:
Yt = a + bt + Yt 1 + i Yt i + t
i =1 p

(V3)

Distribuia asimptotic a statisticii t:

Var ( ) este diferit fa de cazurile precedente; pentru nivelul de semnificaie de 5%, valoarea critic este -3.41. Ipoteza nul respectiv alternativa sunt: H0 : = 0 H 1 : < 0 seria este staionar relativ la o tendin determinist liniar. t=
d) Aspecte practice privind aplicarea testului ADF 1) La aplicarea testului, ordinul modelului autoregresiv p este selectat: a) astfel nct reziduurile din ecuaia de regresie s rmn necorelate, sau b) prin minimizarea unui 22

criteriu informaional, fiind utilizate frecvent criteriul Akaike, Bayesian Schwarz sau Hannan-Quinn. Y 2) Rolul constantei a i a trendului bt n ecuaia pentru t , ataat testului, este foarte important; valorile critice sunt diferite, dup cum acestea se includ sau nu n ecuaie. Pentru a putea conduce corect testul ADF ar trebui s cunoatem mai multe informaii despre procesul ce genereaz seria observat Yt . Ne ntrebm dac seria este staionar, are tendina determinist, tendina stochastic, sau are ambele tipuri de tendin. Exist diverse proceduri sugerate n literatur, pentru a decide asupra acestor proprieti, respectiv asupra termenilor determiniti ce se includ n ecuaia testului. n practic, alegerea ntre cele trei variante ale testului rmne totui o problem. O soluie intuitiv, const n a alege o variant conform cu graficul seriei. Proprietile seriei sub ipoteza alternativ determin varianta testului: dac seria prezint tendin vizibil atunci se aplic varianta general (V3), dac seria nu are tendin vizibil i are media diferit de zero se aplic varianta (V2), respectiv dac media seriei este egal cu zero atunci se aplic testul n varianta (V1). Exemplu 8. Testul ADF: tipuri de nestaionalitate. a) Vom aplica testul ADF pentru seria din exemplul 7, de tip zgomot alb t i.i.d .N (0, 1) . Din View/Unit Root Test, pentru datele observate Level, i cu varianta None, deoarece graficul sugereaz fluctuaii ale seriei n jurul lui zero, rezult:
Null Hypothesis: ZGOMOT_ALB has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=21) t-Statistic Augmented Dickey-Fuller test statistic -31.10821 Test critical values: 1% level -2.567279 5% level -1.941140 10% level -1.616486 *MacKinnon (1996) one-sided p-values.

Prob.* 0.0000

Valoarea calculat a testului, DF=t-Statistic=-31.1, este mult mai mic dect valorile critice aferente oricrui nivel de semnificaie, prin urmare ipoteza nul: seria are rdcin unitate (are tendin stochastic), se respinge. Se accept ipoteza alternativ, adic seria este staionar n jurul valorii zero; varianta None din soft este aferent variantei notat cu V1 n teorie. Probabilitatea Prob=0.00 indic aceeai decizie. Era de ateptat, deoarece seria a fost generat de un proces staionar cu medie zero. b) Se consider seria ce are doar tendin determinist liniar, a crei grafic este redat n figura 8.
36 32 28 24 20 16 12 8 25 50 75 100 125 150 175 20 0

23

Testul ADF, din View/Unit Root Test, pentru datele observate Level, i cu varianta Trend and intercept, deoarece seria are vizibil tendin, conduce la respingerea ipotezei nule. Varianta Trend and intercept din soft corespunde variantei notate cu V3 n teorie. Valoarea calculat a testului, DF=t-Statistic=-8.63, este mai mic dect valorile critice, prin urmare ipoteza nul: seria are rdcin unitate se respinge. Probabilitatea Prob=0.00 conduce la aceeai decizie. Prin urmare, se accept ipoteza alternativ, aferent variantei V3, seria este staionar n jurul unei tendine deterministe liniare. Seria nu are tendin stochastic, are doar tendin determinist.
Null Hypothesis: S1 has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=14) t-Statistic Augmented Dickey-Fuller test statistic -8.632213 Test critical values: 1% level -4.002569 5% level -3.431471 10% level -3.139414

Prob.* 0.0000

c) Seria de tip mers aleator cu constant Yt = Yt 1 + 0.2 + t , din figura 10 primul grafic, are de asemenea rdcin unitate, aa cum era de ateptat:
Null Hypothesis: S1 has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=14) t-Statistic Augmented Dickey-Fuller test statistic -1.383158 Test critical values: 1% level -4.002569 5% level -3.431471 10% level -3.139414 *MacKinnon (1996) one-sided p-values.

Prob.* 0.8633

Ipoteza nul se accept, valoarea calculat a testului, DF=t-Statistic=-1.38, fiind mai mare dect valorile critice aferente oricrui nivel de semnificaie. Prin urmare, seria are rdcin unitate (are tendin stochastic). Aceeai decizie se obine i n baza probabilitii Prob=0.86 > 5% . d) Seria considerat aici red evoluia lunar a ctigului salarial mediu nominal brut n economie, pentru perioada ianuarie 2005-octombrie 20111. Evoluia ctigului salarial mediu lunar, redat n figura urmtoare, este vizibil nestaionar.
2200 2000 1800 1600 0 1400 1200 1000 800 2005 2006 2007 2008 2009 2010 2011 -100 -200 -300 2005 2006 2007 2008 2009 2010 2011 300 200 100

Castig salarial

Variatia castigului salarial

Testul ADF, n varianta Trend and Intercept, aplicat pe datele observate, Level, accept ipoteza nul (Prob=0.92 > 5%), prin urmare seria are rdcin unitate (tendin stochastic).
1

Sursa datelor: Institutul Naional de Statistic http://www.insse.ro.

24

Null Hypothesis: SALARIU has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic based on SIC, MAXLAG=11) t-Statistic Augmented Dickey-Fuller test statistic -1.069073 Test critical values: 1% level -4.081666 5% level -3.469235 10% level -3.161518 *MacKinnon (1996) one-sided p-values.

Prob.* 0.9272

Diferenele de ordinul unu X t = Yt = Yt Yt 1 redau variaia ctigului salarial fa de luna anterioar; graficul acestora este alturi de seria observat. Testul ADF aplicat asupra diferenelor de ordinul unu, din View/Unit Root Test/1st difference (stnd pe seria salariului) cu varianta None (deoarece fluctuaiile diferenelor de ordinul 1 sunt n jurul lui zero, conform graficului), indic:
Null Hypothesis: D(SALARIU) has a unit root Exogenous: None Lag Length: 1 (Automatic based on SIC, MAXLAG=11) t-Statistic Augmented Dickey-Fuller test statistic -9.678883 Test critical values: 1% level -2.595340 5% level -1.945081 10% level -1.614017 *MacKinnon (1996) one-sided p-values.

Prob.* 0.0000

respingerea ipotezei nule (Prob=0.00 < 5%); seria diferenelor este staionar. Evoluia salariului este nestaionar, dar diferenele de ordinul 1 devin staionare; dup o singur difereniere seria devine staionar. 2.3. Detectarea dependenelor dinamice din seria de timp Se consider o serie stationar Yt . Dac datele observate sunt nestaionare, atunci acestea se staionalizeaz, n prealabil. a) Funcia de autocorelaie AC. Coeficientul de autocorelaie rk msoar corelaia liniar dintre dou observaii Yt i Yt k separate de k uniti de timp:
rk = Corr (Yt , Yt k ) = Cov (Yt , Yt k ) Var (Yt ) Var (Yt k )

sau, innd seama de staionalitatea seriei, rezult:

rk =

E [ ( Yt )( Yt k ) ] . Var (Yt )

Coeficientul rk [1, 1] msoar corelaia liniar dintre dou variabile Yt i Yt k separate de k uniti de timp; valoarea zero indic lipsa corelaiei liniare, iar valori apropiate de 1 sau -1 indic o corelaie liniar puternic. Estimarea funciei de autocorelaie. Estimarea funciei revine la estimarea coeficienilor de corelaie liniar pentru dou observaii separate de k uniti de timp (Yt,Yt-k), cnd k ia valori din ce n ce mai mari: 25

r1 k=1 (Yt, Yt-1). r2 k=2 (Yt, Yt-2). ................................................................. rM k=M (Yt, Yt-M) Coeficientul de autocorelaie rk se estimeaz prin:
rk =
T

(1 / T k ) (Yt Y )(Yt k Y )
T

(1 / T ) (Yt Y )
t =1

t = k +1 T

unde Y = (1 / T ) Yt este media observaiilor. Dac lungimea seriei este suficient de mare, atunci T k T i estimatorul devine: rk =
t = k +1
t =1

(Y
T

Y )(Yt k Y )
t

(Y
T t =1

Y )

La numrtor se consider toate perechile de observaii separate de k uniti de timp. Spre exemplu n calculul estimaiei pentru r2 = Corr (Yt , Yt 2 ) intervin perechile de observaii (Y3 , Y1 ) , (Y4 , Y2 ) , ..., (YT , YT 2 ) . Graficul funciei de autocorelaie se numete corelogram, i ofer informaii importante privind dependena dintre observaii. Testarea nesemnificativitii coeficieilor de autocorelaie. Testarea ipotezei nule, privind nesemnificativitatea coeficientului de autocorelaie rk : H0 : rk = 0 cu alternativa H1: rk 0 se realizeaz utiliznd statistica Student: rk t= N (0,1) Var ( rk ) ce converge asimtotic (cnd T ) ctre legea normal N (0,1) . Variana estimatorului coeficientului de autocorelaie se aproximeaz prin Var ( rk ) 1 / T . Decizia asupra ipotezei nule: pentru un nivel de semnificaie , ipoteza nul H0 nu se respinge atunci cnd valoarea calculat a testului se afl n intervalul de acceptare a ipotezei nule t calc [ z / 2 , z / 2 ] , sau echivalent rk z / 2 / T , z / 2 / T . Prin z / 2 s-a notat valoarea critic aferent nivelului de semnificaie fixat. Dac = 5% , ipoteza H0: rk = 0

se accept atunci cnd rk 1.96 / T , 1.96 / T .

a) Funcia de autocorelaie parial PAC. O mare parte din corelaia ntre dou variabile Yt i Yt-k apare urmare a unui efect indirect, de corelare a ambelor variabile cu variabilele intermediare Yt 1 , Yt 2 , Yt k 1 . Coeficientul de autocorelaie parial msoar corelaia ntre Yt i Yt, dup ce a fost extras corelaia liniar transmis prin variabilele k intermediare Yt 1 , Yt 2 , Yt k 1 . Definiia este similar cu cea a coeficientului de corelaie parial din econometria clasic. k Coeficientul de autocorelaie parial ntre dou observaii Yt i Yt, separate de k c k , se definete ca fiind coeficientul de regresie al variabilei Yt uniti de timp, notat prin k

26

n modelul ce include ca i regresori variabilele aferente perioadelor precedente, numit model autoregresiv AR(k): Yt = a1Yt 1 + a 2Yt 2 + + a k 1Yt k 1 +c k Yt k + t Coeficientul c k msoar informaia adiional adus de variabila Yt n explicarea valorii k Yt ; arat cu cte uniti se modific n medie Yt dac Yt crete cu o unitate, iar curente k Yt , Yt , Yt rmn nemodificate. Astfel, se izoleaz influena celelalte variabile 1 2 k 1 Yt asupra valorii curente Yt . Pentru k = 1 , coeficientul de direct transmis de variabila k autocorelaie i coeficientul de autocorelaie parial coincid r1 = c1 . Coeficienii de 1 autocorelaie parial nregistreaz valori n intervalul [ , 1] , valoarea zero indicnd lipsa corelaiei liniare. Estimarea coeficienilor de autocorelaie parial. O estimare direct a coeficienilor de autocorelaie parial const n estimarea coeficienilor de regresie din modelele autoregresive anterioare, utiliznd metoda celor mai mici ptrate. Astfel, c1 se estimeaz prin coeficientul de regresie al variabilei Yt 1 n modelul autoregresiv AR(1): Yt = c1Yt 1 +t , c 2 este coeficientul de regresie al variabilei Yt 2 n modelul autoregresiv AR(2): Yt = a1Yt 1 + c 2Yt 2 +t ,
c3 este coeficientul de regresie al variabilei Yt 3 n modelul autoregresiv AR(3): Yt = a1Yt 1 + c 2Yt 2 + c3Yt 3 +t ...................................... c M este coeficientul de regresie al variabilei Yt M n modelul autoregresiv AR(M): Yt = a1Yt 1 + a 2Yt 2 + + a M 1Yt M 1 +c M Yt M +t . Testarea nesemnificativitii coeficientului de autocorelaie parial. Testarea nesemnificativitii coeficientului de autocorelaie parial c k : H0: c k = 0 cu alternativa H1: c k 0 se realizeaz similar cu cea a coeficientului de autocorelaie, utiliznd statistica Student: ck t= N (0,1) Var ( ck )

Valorile critice sunt date de legea normala N (0,1) . Pentru variana estimatorului coeficientului de autocorelaie parial se utilizeaz de regul expresia Var ( c k ) 1 T . Decizia asupra ipotezei nule: pentru un nivel de semnificaie , ipoteza nul H0 nu se respinge dac t calc [ z / 2 , z / 2 ] , sau echivalent c k z / 2 / T , z / 2 / T , unde z/ 2 este valoarea critic aferent nivelului de semnificaie .

Exemplu 9. Estimarea i semnificativitatea coeficienilor AC i PAC. Relum seriile staionare din exemplul 7. a) Considerm seria de tip zgomot alb t i.i.d .N (0, 1) . n corelograma aferent:

27

coeficienii cu valori pozitive sunt redai grafic pe partea dreapt, iar cei cu valori negative pe partea stng; linia vertical corespunde valorii zero (lipsei corelaiei liniare). Toi coeficienii au valori apropiate de zero, ceea ce sugereaz inexistena unor corelaii n serie. Spre exemplu, coeficientul de autocorelaie dintre valoarea curent i cea din perioada anterioar este r1 = 0.014 , iar cel dintre valoarea curent i valoarea nregistrat cu 10 uniti de timp n urm este r10 = 0.066 . Limitele intervalului de acceptare a ipotezei nule H0: rk = 0 sunt trasate cu linie punctat, i corespund intervalului [ 2 T , 2 T ] . Valoarea critic considerat este z / 2 = 2 , valoare ce corespunde unui nivel de semnificaie de aproximativ 5%. Ipoteza nul H 0: rk = 0 se accept atunci cnd valoarea calculat a coeficientului este n intervalul [ 2 T , 2 T ] . Acelai interval de acceptare este indicat i n cazul ipotezei nule H0: c k = 0 coeficient de autocorelaie parial nesemnificativ. Valorile calculate, n eantionul de date disponibil, nu sunt suficient de mari pentru a respinge ipoteza nul. Pentru seria considerat, intervalul de acceptare a ipotezei nule este [ 2 300 , 2 300 ] adic [ 0.115, 0.115] . Estimaiile coeficienilor de autocorelaie i de autocorelaie parial sunt n acest interval, prin urmare ipotezele nule, aferente fiecrui coeficient n parte, se accept. Niciunul dintre coeficieni nu este semnificativ diferit de zero; nu exist autocorelaii ntre termenii seriei, aa cum era de ateptat (seria este realizarea unui secvene de variabile independente). Seria nu are memorie. b) Corelograma seriei ce red evoluia lunar a ratei inflaiei n zona EU15, perioada ianuarie 2000-decembrie 2006, este:

Intervalul de acceptare a ipotezelor H0: rk = 0 respectiv H0: c k = 0 este [ 2 84 , 2 84 ] , sau [ 0.218, 0.218] . Coeficienii semnificativi, dintre primii, sunt: r1 , r2 respectiv c1 , c 2 . Prin urmare rata inflaiei din luna curent este corelat cu valorile inflaiei din ultimele dou

28

luni, dup care seria i pierde memoria. Sunt semnificativ diferii de zero coeficienii ce depesc limitele intervalului indicat cu linie punctat. r12 , deoarece Urmtorul coeficient semnificativ diferit de zero este r12 = 0.3 [ 0.218, 0. 218] , respectiv c12 . Semnificativitatea coeficientului aferent unei ntrzieri de 12 uniti de timp r12 = Corr (Yt , Yt 12 ) indic prezena unei sezonaliti n date, deoarece 12 reprezint chiar perioada componentei sezoniere. S-a detectat o corelaie ntre inflaia nregistrat n aceeai lun din doi ani consecutivi (ianuarie anul curent i ianuarie anul anterior, februarie anul curent i februarie anul anterior, s.a.m.d.). n general, cnd seria este sezonier i are perioada p, valorile coeficienilor rp i c p sunt semnificativ diferii de 0. c) Rata de variaie, de la o perioad la alta, a unui indicator exprimat n cifre absolute este de multe ori staionar. De regul, n econometrie, rata de variaie procentual a indicatorului Y n perioada t fa de perioada anterioar t-1 se calculeaz n form logaritmic Rt = ln(Yt / Yt 1 ) unde Yt este nivelul indicatorului n perioada t. Diferenele de ordinul 1 ale valorilor logaritmte ln Yt = ln Yt ln Yt 1 = ln( Yt Yt 1 ) = Rt pot fi interpretate ca rate de variaie procentual (fa de perioada precedent). Rata n form logaritmic Rt constituie o aproximare pentru rata de variaie rt = (Yt Yt 1 ) Yt 1 calculat n baza relaiei obinuite. Seria considerat red evoluia lunar a masei monetare M1, date desezonalizate, pentru perioada ianuarie 1999-decembrie 2006. Rata de variaie, de la o lun la alta, este staionar n jurul unei medii de 3%, iar amplitudinea variaiei n jurul mediei este aproximativ constant n timp (abaterea standard este 1%). Evoluia masei monetare, n aceast perioad, este exponenial, de aceea se prefer graficul pe scar logaritmic, adic a valorilor logaritmate ln(M1). Figura 11. Masa monetar: evoluie (date logaritmate) i rata de variaie
17.5 17.0 16.5 16.0 15.5 15.0 14.5 14.0 1999 2000 2001 2002 2003 Ln(M1) 2004 2005 2006 .07 .06 .05 .04 .03 .02 .01 .00 1999 2000 2001 2002 2003 2004 2005 2006

Rata de variatie a masei monetare M1

Corelograma seriei ce red evoluia ratei lunare de variaie a masei monetare M1, pentru perioada ianuarie 1999-decembrie 2006:

29

indic semnificativitatea coeficienilor r i c1 respectiv a coeficienilor r12 i c12 , 1 acetia din urm fiind corespunztori sezonalitii; datele sunt lunare, perioada componentei sezoniere este 12. Dei datele au fost desezonalizate (cu metoda Tramo/Seats), a rmas o uoar sezonalitate n date. Bibliografie. 1. Buiga, A., Drago C., Lazr D., Parpucea I., Statistic descriptiva, Ed. Mediamira, ClujNapoca, 2010 (capitolul 6). 2. Dorina Lazar. Analiza seriilor de timp i previziune. Notie electronice de curs. 3. Dorina Lazar, Econometrie financiara, Casa Cartii de Stiinta, Cluj-Napoca, 2011. 4. Melard G., Methodes des prevision a court terme, Ed. de Universite de Bruxelles, 1990 (disponibil la biblioteca aferent catedrei).

30