Elemente de analz a seriilor temporale

Vom prezenta tehnicile de analiz a seriilor cronologice. Aceast tem, de una singur, poate fi dezvoltat i chiar numeroase lucrri i sunt integral consacrate. Vom studia, n prima parte, caracteristicile statistice n termeni de staionaritate a seriilor de timp prezentnd diferite teste (Dickey-Fuller, corelograma, etc.) corespunztoare acestui subiect. Apoi, n a doua parte, vom prezenta diferite clase de modele (AR, MA, ARMA), studiindu-le proprietile. Vom analiza apoi metoda Box i Jenkins, care sistematizeaz abordarea analizei seriilor de timp, care va constitui tema prii a treia.

I. Staionaritatea
A. Definiie i proprieti naintea prelucrrii unei serii cronologice, se recomand de a studia mai nti caracteristicile stochastice. Dac aceste caracteristici stochastice adic sperana i variana sa cunosc modificri n timp, seria cronologic este considerat drept nestaionar; n cazul unui proces stochastic invariat, seria de timp este staionar. n mod formal, procesul stochastic y, este staionar dac:

E ( yt ) = E ( yt +m ) = t si

, m

media

este

constant

independent de timp;

var(yt) < t, variana este finit i independent de timp;

cov(yt, yt+k) = E[(yt )(yt+k )] = k, covariana este independent de timp.
n baza acestor proprieti, un proces de zgomot alb t, este staionar, dac t sunt independente i supuse aceleiai legi N(0,2) . O serie cronologic este deci staionar, dac ea este realizarea unui proces staionar. Faptul presupune c seria nu este supus nici tendinei, nici sezonalitii i n general nici un factor nu evolueaz n timp. B. Funciile de autocorelare simpl i parial Funcia de autocorelare (FAC) , notat k ,care msoar corelaia seriei cu ea nsi cu decalare de k perioade, dup cum se arat n tabelul 1. Formula de calculare:
cov(y , y ) t tk = = k yt y tk n ( yt y ) ( yt k y ) t = k +1 2 n n 2 ( yt y ) ( yt k y ) t = k +1 t = k +1

[1]

unde y este media seriei calculat pentru n k perioade, n = numrul de observaii. Se

1

poate deduce c:

0 = 1 si k = k
n ( yt y )( yt k y ) = t = k +1 k n 2 ( y y) t t =1

Aceast formul [1] este dificil de aplicat deoarece se cere recalcularea pentru fiecare termen k a mediilor i varianelor, de aceea se prefer funcia de autocorelare a eantionului:

[2]

unde y este media seriei calculat pentru n perioade. Tabelul 1 Exemplu de calcul a unei funcii de autocorelare K 0 1 2 3 4 T 1 2 3 4 5 6 7 8 9 10 11 12 Media yt Media yt-k Variana yt Variana yt-k k yt 123 130 125 138 145 142 141 146 147 157 150 145 140,75 140,75 95,02 95,02 1 yt-1 123 130 125 138 145 142 141 146 147 157 150 142,36 140,36 72,41 101,87 0,77 yt-2 123 130 125 138 145 142 141 146 147 157 143,60 139,40 62,84 101,84 0,62 yt-3 yt-4

123 130 123 125 130 138 125 145 138 142 145 141 142 146 141 147 146 145,67 146,63 137,44 136,25 24,11 22,23 74,91 71,44 0,59 0,55

Atunci cnd numrul de observaii n este destul de mare, prin folosirea formulelor [1] i [2] se obin rezultate foarte apropiate.
Date: 04/04/06 Time: 11:47 Sample: 1 12 Included observations: 12 Autocorrelation Partial Correlation . |***** | . |***** | . |***. | . | . | . |* . | . **| . | . | . | . | . | . | . | . |* . | . *| . | . **| . |

1 2 3 4 5 6

AC 0.634 0.404 0.081 -0.031 -0.038 -0.140

PAC 0.634 0.003 -0.294 0.051 0.124 -0.274

Q-Stat 6.1350 8.8707 8.9924 9.0130 9.0473 9.5943

Prob 0.013 0.012 0.029 0.061 0.107 0.143 2

.***| .***| .***| . *|

. . . .

| | | |

****| . . |** . . | . . *| .

| | | |

7 8 9 10

-0.372 -0.389 -0.399 -0.184

-0.469 0.233 0.047 -0.114

14.233 20.573 29.482 32.328

0.047 0.008 0.001 0.000

Funcia de autocorelare parial se aseamn noiunii de corelare parial, definit anterior ca fiind calculul influenei lui x1 asupra lui x2 prin eliminarea influenelor altor variabile x3, x4, ..., xt. Analogic, se poate defini autocorelarea parial de k ntrzieri drept coeficient de corelare parial ntre yt i yt-k, adic ca fiind corelarea ntre yt et yt-k, influena altor variabile decalate cu k perioade (yt-1, yt-2, , yt-k+1) fiind eliminate. Pentru a evita ambiguitile ntre cele dou funcii de autocorelare, numim funcie de autocorelare simpl prin funcie de autocorelare. C. Testele zgomotului alb i a staionaritii Nu se pot clar identifica caracteristicile stochastice ale unei serii cronologice dect dac ea este staionar. Acest studiu de staionaritate se realizeaz n mare parte n baza studiului funciilor de autocorelare (sau a reprezentrii lor grafice numit corelogram). O serie cronologic este staionar dac ea nu este supus nici tendinei, nici sezonalitii. Deci, n baza studiului corelogramei unei serii, vom ncerca s artm n ce mod se pot evidenia cele dou componente. Se pot distinge diferite tipuri de serii staionare: - de memorie, adic care pot modela printr-o lege de reproducie procesul; - identic i independent distribuit notat i.i.d. sau numit Zgomot Alb (White Noise); - normal (conform unei legi normale) i independent distribuit notat n.i.d. sau numit Zgomotul Alb gaussian. 1) Analiza funciilor de autocorelare ntrebarea care apare, atunci cnd se studiaz funcia de autocorelare a unei serii cronologice, este de a cunoate care sunt termenii k semnificativi diferii de 0. De fapt, de exemplu, dac nici un termen nu este semnificativ diferit de 0, se poate conchide c procesul studiat este fr memorie i deci el nu este afectat nici de tendin, nici de sezonalitate. Sau chiar, dac o serie lunar prezint o valoare ridicat pentru 12 (corelare

ntre yt i yt-12), seria studiat este singura afectat de o micare sezoniar. Vom verifica,
n baza diferitor exemple, aceste cazuri. Testul ipotezelor pentru un termen k este urmtorul:

H0 : k = 0 Hl : k 0
Se poate utiliza testul ipotezelor unui coeficient de corelare, bazat pe compararea unui test t Student empiric i teoretic. Ins Quenouille a demonstrat c pentru un eantion mare (n > 30), coeficientul k tinde n mod asimptotic spre o lege normal cu media 0 i abaterea tip

1/ n .
Intervalul de ncredere al coeficientului k este atunci :

= 0 t / 2
k

1 n

n = numrul de observaii. Dac coeficientul calculat

se afl n exteriorul acestui interval de ncredere, el este

semnificativ diferit de 0 la pragul (n general = 0,05 i

t / 2 = 1,96 ).

Majoritatea logicielilor furnizeaz, odat cu corelograma, intervalul de ncredere, ceea ce permite o interpretare imediat. Este necesar de subliniat o limit a testelor de 5%, atunci cnd o funcie de autocorelare este calculat pentru un numr important de ntrzieri, ne putem atepta ca cteva s fie, n mod fortuit (ntmpltor), semnificativ diferite de 0. Dac h este numrul de ntrzieri, numrul posibil de respingeri false este deci de 0,05 x h, pentru un prag de ncredere de 5%. n cazul n care corelograma nu arat nici o descretere a termenilor si (absena vre-unui cut off), se poate conchide c seria nu este staionar n tendin. 2) Statisticile Box-Pierce i Ljung-Box Testul Box-Pierce permite identificarea proceselor de zgomot alb (urmare a variabilelor aleatoare ale aceleiai distribuii i independente ntre ele). Trebuie s identificm cov(yt,, yt-k) = 0 sau chiar k = 0 k. Un proces zgomot alb presupune c l = 2 = . . . = k = 0, sau ipotezele: HO : 1 = 2 = . . . = k = 0 Hl : exist cel puin un i semnificativ diferit de 0. Pentru a efectua acest test, se va recurge la statistica Q (datorat lui Box-Pierce) prezentat prin formula:

h Q =n 2 k k =1 ,unde h numrul de ntrzieri,

autocorelarea empiric de ordinul k, n numrul de observaii. Statistica Q este distribuit n mod asimptotic analog distribuiei 2 cu h grade de libertate. Vom respinge ipoteza zgomotului alb, cu pragul , dac statistica Q este superioar lui 2 citit n tabel la pragul (1 - ) i h grade de libertate. Se poate utiliza de asemenea o alt statistic, a crei proprieti asimptotice sunt mai bune, derivat din prima care este Q' a lui Ljung et Box:

2 h k Q'= n(n + 2) k = 1n k
4

care este de asemenea distribuit conform cu h grade de libertate i a crei reguli de decizie sunt identice. Aceste teste sunt numite n englez: portmanteau test sau tradus literalmente testul total mblnit. 3) Teste de normalitate Pentru a calcula intervalele de ncredere prevzute i de asemenea pentru a efectua testele Student asupra parametrilor, se recomand de a verifica normalitatea erorilor. Testul Jarque i Bera (1984), fondat pe noiunile de Skewness (asimetrie) i Kurtosis (aplatizare), permite verificarea normalitii unei distribuii statistice. a) Testele Skewness i Kurtosis Fie = k

1 n k (x x) momentul centrat de ordinul k, i n i =1

coeficientul Skewness

1/2 este egal 1

cu:

1 /2 = 1

3
3 /2 2

i coeficientul Kurtosis:

= 4 . 2 2
2

Dac distribuia este normal i numrul observaiilor mare (n > 30) :

1/ 2 1

6 24 0; si 2 N 3; N n n
s i v = 2

Se construiesc atunci statisticile:

v = 1 1 / 2 0 1 6 n

3 2
2 4 n

care se compar cu 1,96 (valoarea legii

normale la pragul de 5%).

Dac ipotezele H0: v1 = 0 (simetrie) i v2 = 0 (nivelarea normal) sunt verificate, atunci v1 < 1,96 i v2 < 1,96, n caz contrar, ipoteza de normalitate se respinge.
b) Testul Jarque i Bera Este vorba de un test care sintetizeaz rezultatele precedente, dac 11/2 i 2 se supun legilor normale atunci cantitatea s: s =

n n 1 + ( 2 3)2 urmeaz un 2 cu dou grade de 6 24

5

libertate.
2 Deci, dac s >X1 (2), se respinge ipoteza H0 de normalitate a reziduurilor la

pragul . Aceste teste de normalitate servesc de asemenea n cazul cnd este vorba heteroscedascititate. De fapt, heteroscedascititatea se manifest pe graficul distribuiei prin cozile de probabilitate mai dese (distribuia leptokurtic) dect cozile legii normale. 4) Teste de staionaritate: testele Dickey-Fuller i Dickey-Fuller Extins Testele Dickey-Fuller permit nu doar de a detecta existena unei tendine (testele de verificare a rdcinii unitare, Unit Root Test), dar de asemenea de a determina modalitatea bun de staionarizare a unei cronici. Se disting dou tipuri de procese: - procese TS (Trend Stationnary) care reprezint o nestaionaritate de tip determinist; - procese DS (Diffeerency Stationnary) pentru procesele nestaionare de tip aleator. a) Procesele TS Un proces TS se scrie: xt = ft +t unde ft este o funcie polinomial de timp, linear sau nelinear, i t un proces staionar. Procesul TS cel mai simplu (i cel mai rspndit) este reprezentat printr-o funcie polinomial de gradul 1, care este numit linear i se scrie:

xt=a0+a1t+t
Acest proces TS este nestaionar deoarece E[xt] depinde de timp. Cunoscnd i

a0

a1 procesul xt poate staionariza reducnd valoarea lui xt n t, valoarea estimat

a0 +a t 1

. n acest tip de modelizare, efectul produs printr-un oc (sau prin

mai multe ocuri aleatoare) la un moment t este tranzitoriu. Modelul fiind detreminist, cronica i regsete micarea pe termen lung prin dreapta tendinei. Este posibil de a generaliza acest exemplu la funcii polinomiale de un anumit grad.. b) Procesele DS Procesele DS sunt procese care se pot transforma n staionare folosind un filtru de diferene: (1 D)dxt = + t unde t este un proces staionar, o constant real, D operator de decalaj, i d ordinul filtrului diferenelor. Aceste procese sunt deseori reprezentate folosind filtrul diferenelor primare (d = 1), numit proces de prim ordin i se scrie:

(1 - D)xt = + t xt = xt-1 + + t Introducerea constantei n procesul DS permite de a defini cele dou procese diferite:

=0: procesul DS fr deriv. Procesul are forma: xt = xt-1 + t Precum t , este un zgomot alb, acest proces DS este numit modelul mersului la
6

ntmplare sau a mersului aleatoriu (Random Walk Model). Foarte des el este folosit pentru a analiza eficiena pieelor financiare. Pentru a staionariza mersul aleatoriu, este suficient de a aplica procesului filtrul diferenelor primare: xt

= xt-1 + t, (1 - D)xt = t..

0: procesul este numit proces DS cu deriv. Procesul are forma: xt = xt-1 + + t Staionarizarea acestui proces este realizat folosind filtrul diferenelor primare: n procesul de tip DS, un oc la un moment dat se repercuteaz la infinit asupra valorilor viitoare ale seriei; efectul ocului este deci permanent i i n descretere. n concluzie, pentru staionarizarea unui proces TS, metoda cea bun este acea a celor mai mici ptrate ordinare; pentru un proces DS trebuie de folosit filtrul diferenelor. Alegerea unui proces DS sau TS drept structur a cronicii nu este deci neutr. c) Consecinele unei proaste staionarizri a procesului Pentru un proces TS, o metoda bun de staionarizare este acea a celor mai mici ptrate ordinare. Ce se ntmpl , dac pentru procesul TS de prim ordin se aplic un filtru cu diferene primare. A priori, deoarece gradul polinomului e 1, acest filtru poate fi considerat drept corect, deoarece un filtru cu diferene de ordinul d elimin un polinom de acelai grad. n acelai timp, se demonstreaz c aplicarea unui filtru cu diferene creeaz o perturbaie artificial. Pentru un proces DS, metoda bun de staionarizare este filtrul cu diferene primare. Dac presupunem c se aplic metoda celor mai mici ptrate ordinare (regresie n timp) asupra observaiilor unui eantion al procesului, parametrii tendinei sunt estimai i n consecin reziduul regresiei trebuie s fie un zgomot alb. Nelson i Kang arat n baza simulrilor, c eliminarea unei tendine lineare asupra unui proces de mers aleatoriu creeaz artificial o puternic autocorelare a reziduurilor pentru primele ntrzieri. n plan econometric, este deci primordial de a identifica clar procesul i de a folosi metoda adecvat de staionarizare. n caz contrar riscul de a crea zgomote parazite artificiale este foarte mare. Consecinele sunt de asemenea importante n plan economic. S considerm, de exemplu, PIB-ul unei ri precum Frana n valoare real. Dac acest PIB este mai degrab DS dect TS, este necesar de a pune sub ndoial descompunerea tradiional (tendin i ciclu) i justificarea sa teoretic: independena schemelor explicative. Dac PIB-ul este de fapt DS, creterea i ciclul sunt legate i nu pot fi studiate, deci, separat. Or, conform lucrrilor lui Nelson i Plosser (1982) despre cronicile macroeconomice americane, variabilitatea constatat a componentei conjuncturale s-ar datora unei structuri DS. Ca i pn n prezent, analiza acestei componente se efectueaz n baza reziduului unei regresii ntre PIB i o tendin determinist, aceast analiz supraestimeaz amplitudinea ciclului i subestimeaz importana tendinei. n baza acestei meniuni, Beveridge S. i Nelson C.R. (1981) propun o descompunere a proceselor dup o tendin stochastic (permanent) care se supune unui mers aleator cu sau fr deviere i o component staionar (tranzitorie). Prin
7

xt = xt-1 + + t, (1 - D)xt = + t

urmare, Harvey A.C. (1988) folosete modelele structurale cu componente neobservabile (modelul tendinei mai mult ciclu i tendin-ciclu) reprezentate sub forma unui model spaiu de stri estimat prin filtrul Kalman.

d) Testele rdcini unitare: testele Dickey-Fuller (1979)

Testele Dickey-Fuller (DF) permit de a pune n eviden caracterul staionar sau nu al unei cronici prin determinarea unei tendine deterministe sau stochastice. Modelele care stau la baza construciei acestor teste sunt trei. Principiul acestor testelor este simplu: Dac ipoteza H0: 1 = 1 este reinut n unul din aceste trei modele, atunci procesul este nestaionar.

[1] xt = 1xt-1 + t Model autoregresiv de ordinul 1. [2] xt = 1xt-1 + + t Model autoregresiv cu constant. [3] xt = 1xt-1 + bt + c + t Model autoregresiv cu tendin.
Dac ipoteza H0 este verificat cronica x nu este staionar indiferent de modelul reinut. n modelul [3], dac se accept H1: 1<1 i dac coeficientul b este semnificativ diferit de 0, atunci procesul este un proces TS; se poate transforma n staionar calculnd reziduurile n comparaie cu tendina estimat prin metoda celor mai mici ptrate ordinare. Conform H0, regulile obinuite de inferen statistic nu se pot aplica pentru a testa aceast ipotez, n particular distribuia Student a parametrului 1; Dickey i Fuller au studiat distribuia asimptotic a estimatorului 1 n conformitate cu ipoteza H0. Cu ajutorul simulrilor Monte-Carlo, alctuind tabele cu valori critice pentru eantioane de mrimi diferite. Aceste tabele sunt analoage tabelelor t Student. Autorii au ales s testeze valoarea (
1 1 ) n locul lui

din motive pur statistice. Aceasta nu este jenant pentru test. De

fapt, xt

= 1xt-1 + t se scrie de asemenea: xt xt-1 = 1xt-1 xt-1 + t xt = (1 1)xt-1 + t

Deci, este echivalent testarea ipotezei H0: 1 = 1 sau 1 - 1 = 0. Principiile generale ale testului sunt urmtoare. Se estimeaz prin MCO parametrii

notat

pentru modelele [1], [2] i [3].

Estimarea coeficienilor i abaterilor tip a modelului prin MCO furnizeaz analog statisticii Student (raportul coeficientului la abaterea tip). Dac , t > t tabel 1

care este

atunci se accept ipoteza H0; exist o rdcin unitar, procesul

nu este deci staionar. Este posibil de asemenea de a efectua acest test folosind cantitatea n(11) unde n este mrimea eantionului (numrul de observaii). Dac
n ( 1) > n ( 1) tab , se accept ipoteza H0 de existen a rdcinei unitare. 1 1

Remarc: principalele programe computerizate de analiz a seriilor de timp ofer valorile critice

t .

e) Testele Dickey et Fuller Extinse (ADF) n modelele precedente folosite pentru testele Dickey-Fuller simple, procesul t, este, ipotetic, un zgomot alb. Or, nu este nici un motiv pentru care, a priori, eroarea s nu fie corelat. Testele Dickey-Fuller Extins (ADF, 1981) ia n consideraie aceast ipotez. Testele ADF se bazeaz pe ipoteza alternativ 1 < 1, prin estimarea prin MCMMP a trei modele: Modelul [4]:

xt = xt1 j xt j+1 + t
j =2

Modelul [5]:

x = x x
t t1 j=2 j
p t t 1 j= 2 j t j + 1

t j +1

+ c+
t

Modelul [6]:

x = x x + c + b t+

unde t i.i.d. Testul se deruleaz n mod similar cu testele DF simple, doar tabelele statistice sunt diferite. Valoarea p este determinat conform criteriilor Akaike i Schwarz, sau chiar n baza unei valori destul de importante p, se estimeaz un model cu p1 ntrzieri, apoi cu p2 ntrzieri, pn cnd coeficientul al p ntrzieri s fie semnificativ.

f) Testul Phillips i Perron (1988)

Acest test este construit n baza unei corecii neparametrice a statisticilor Dickey-Fuller
9

pentru a ine cont de erorile heteroscedastice. El se deruleaz n patru etape: 1) estimarea prin MCMMP a trei modele de baz cu ajutorul testelor Dickey-Fuller i calculul statisticilor asociate, fie et reziduul estimat;
2)
2

3)

1n 2 estimarea varianei ,zis pe termen scurt = et ; n t=1 estimarea unui factor corectiv s (numit varian pe termen lung) stabilit n baza
2 t

structurii covarianelor reziduurilor modelelor estimate anterior, astfel nct transformrile realizate s conduc la distribuii identice celor Dickey-Fuller standard:
t 1 n 2 i 1 n st = et + 2 1 eteti i =1 n t=1 l + 1 n t=i +1 2

Pentru a estima aceast varian pe termen lung, este necesar de a defini un numr de ntrzieri l (tierea Newey-West) estimat n funcie de numrul de observaii n,

) l 4( n/100

2/ 9

4)

Calculul statisticii PP:

t =
*
1

( 1) + n( k 1) k
1
1

, unde

k=

st2

(care este egal cu 1 n mod asimptotic dac e t este un zgomot alb).

Aceast statistic se compar cu valorile critice din tabelul MacKinnon.

g) Strategia testelor
Vom constata c pentru a realiza un test de rdcin unitar, rezultatul nu este identic conform utilizrii unuia din cele trei modele precum procesul ce genereaz cronica nceputului. Concluziile la care se ajunge sunt deci diferite i pot implica transformri eronate. Acesta este motivul pentru care Dickey i Fuller, precum i ali autori, au elaborat strategia testelor. Vom prezenta un exemplu simplificat (schema 1) a unei strategii de teste. Valorile critice a

t si t
c

care permit de a testa nulitatea coeficienilor c i b a modelelor [2]

i [3] sunt date n anex.

h) Testul KPSS (1992)

10

Kwiatkowski i alii (1992) propun folosirea unui test al multiplicatorului Lagrange (LM), bazat pe ipoteza nul de staionaritate. Dup estimarea modelelor [2] sau[3], se calculeaz suma parial a reziduurilor: (

St = ei
i=1
n 2

i se estimeaz variana pe termen lung

st

) ca i pentru testul Philips i Perron. Statistica este deci

LM =

1 S
t=1

Vom respinge ipoteza de staionaritate

st

dac aceast statistic este mai mare dect valorile critice din tabelul elaborat de autori.
De notat c logisielele RATS i Eviews permit utilizarea direct a acestor teste.

II. Modelele ARIMA

n continuare se va prezenta o familie de procese aleatoare care ncearc s acopere o gam foarte larg a evoluiei posibile a seriilor cronologice: procese autoregresive i procese ale mediei mobile A. Tipologia modelelor AR, MA i ARMA 1) Modelul AR (Autoregresiv) a) Formularea n procesul autoregresiv de ordinul p, observaia prezent yt este generat de o medie ponderat a observaiilor trecute pn la perioada p n forma urmtoare:

[4] unde 1, 2, , p sunt parametrii de estimat pozitivi sau negativi, t este un risc gaussian. Putem aduga la acest proces o constant care nu modific cu nimic proprietile stochastice. Ecuaia [4] poate de asemenea fi scris cu ajutorul operatorul de decalaj D:
t 1 t1 2 t 2 p t p t

AR(1): y = y + AR(2): y = y + y + AR(p): y = y + y + ...+ y +

t 1 t1 t t 1 t1 2 t 2 t

(1 - 1D 2D2 - - pDp)yt = t
b) Caracteristicile corelogramei
11

Este demonstrat c corelograma simpl a unui proces AR(p) este caracterizat printro descretere geometric a termenilor si tip:

k = k
Corelograma parial are proprii si p primi termeni diferii de 0. 2) Modelul MA (Moving Average : Medie Mobil) a) Formularea n procesul mediei mobile de ordin q, fiecare observaie yt este generat de o medie ponderat de riscuri pn la perioada q.

[5] unde 1, 2, , q sunt parametri care pot fi pozitivi sau negativi i t este un risc gaussian. Ecuaia [5] poate de asemenea fi scris:
t t 1 t1 2 t 2 q t q

MA(1): y =t 1t1 t MA(2): y = MA(q): y = ...

t t 1 t1 2 t 2

(1 - 1D 2D2 - - qDq)t = yt
n acest proces, la fel ca i n modelul autoregresiv AR, riscurile sunt presupuse a fi generate de un proces de tip zgomot alb. Se poate interpreta modelul MA ca fiind reprezentativ de o serie cronologic ce fluctueaz n jurul mediei n mod aleatoriu, de unde i termenul de medie mobil cci acesta, nivelnd seria, terge zgomotul creat de risc. Trebuie de specificat c este o echivalen ntre un proces MA(1) i un proces AR de ordinul p infinit:

MA(1) = AR().
b) Caracteristicile corelogramelor Corelograma simpl a unui proces MA(q) este n forma general:
i= q k

=
k

i= 0 i= q i

i+ k

2 i= 0 i

pentru k = 0, 1, , q i k = 0 pentru k > q.

Adic doar primi q termeni ai corelogramei simple sunt semnificativ diferii de 0. Corelograma parial este caracterizat prin descreterea geometric a ntrzierilor. 3) Modelul ARMA (amestecul proceselor AR i AM) a) Formulare Modelele ARMA sunt deci reprezentative ale unui proces generat de o combinare a valorilor trecute i a erorilor trecute. Ele sunt definite prin ecuaia: ARMA(p,q): (1 - 1D 2D2 - - pDp)yt = (1 - 1D 2D2 - - qDq)t Deci, avem: ARMA(1,0) = AR(1); ARMA(0,1)=MA(1).
12

b) Caracteristicile corelogramelor Corelogramele simple i pariale sunt, n consecin, un amestec a dou corelograme a proceselor AR i MA pure. Astfel se dovedete a fi mai delicat de a identifica aceste procese n baza studiului funciilor de autocorelare empirice. Tabelul 2 sintetizeaz caracteristicile corelogramelor proceselor AR, MA i ARMA. Tab.2 Rezumatul proprietilor funciilor de autocorelare simpl i parial Procesul Funcia de autocorelare simpl Funcia de autocorelare parial AR(1) Descretere exponenial (1 > 0) Vrf semnificativ pentru prima sau sinusoidal amortizat (1 < 0) ntrziere: pozitiv dac 1 > 0, i negativ, dac 1 < 0, ali coeficieni nuli pentru ntrzierile > 1 AR(2) Descreterea exponenial sau Vrf semnificativ pentru prima i sinusoidal dup semnele 1 i 2 a doua ntrzieri, ali coeficieni sunt nuli pentru ntrzierile > 2 AR(p) Descreterea exponenial i/sau Vrf semnificativ pentru primele sinusoidal p ntrzieri, ali coeficieni sunt nuli pentru ntrzierile > p MA(1) Vrf semnificativ pentru prima Descretere exponenial (1 > 0) ntrziere: pozitiv dac 1 < 0, i sau sinusoidal amortizat (1 < 0) negativ, dac 1 > 0, ali coeficieni nuli pentru ntrzierile > 1 MA(2) Vrf semnificativ pentru prima i a Descreterea exponenial sau doua ntrzieri, ali coeficieni sunt sinusoidal dup semnele 1 i 2 nuli pentru ntrzierile > 2 MA(q) Vrf semnificativ pentru primele q Descreterea exponenial i/sau ntrzieri, ali coeficieni sunt nuli sinusoidal pentru ntrzierile > q ARMA(1, Descretere geometric n baza Descretere exponenial (1 > 0) 1) primei ntrzieri, semnul este sau sinusoidal amortizat (1 < 0) determinat de 1 1 ARMA(p, Descretere exponenial sau Descretere exponenial sau q) sinusoidal amortizat tiat dup sinusoidal amortizat tiat (q p) ntrzieri dup p q ntrzieri 4) Condiiile de utilizare Modelele AR, MA, ARMA nu sunt reprezentative dect pentru cronici: - staionare de tendin; - corectate de variaiile sezoniere. B. Extinderea proceselor ARIMA i SARIMA Testele Dickey-Fuller i Dickey-Fuller Mrite vzute mai sus permit de a determina dac seria este staionar i n caz de nestaionaritate, de ce tip e: TS sau DS.
13

Dac seria studiat este de tip TS, se recomand de a staionariza prin regresie asupra timpului i reziduul de estimare este atunci studiat conform metodologiei Box-Jenkins. Aceasta permite de a determina ordinele p i q a prilor AR i MA a reziduului. Modelul este mereu, n acest caz, un ARMA(p,q). Dac seria studiat este de tip DS, se recomand de a e staionariza prin trecerea la diferene conform ordinului de integrare I = d (adic de cte ori trebuie difereniat seria pentru a o face staionar). Seria difereniat este atunci studiat conform metodologiei Box-Jenkins care permite de a determina ordinele p i q a prilor AR i MA se noteaz acest tip de model ARIMA(p,d,q). Modelele SARIMA permit de a integra un ordin de difereniere legat de o sezonalitate generalizat prin transformarea: (1 Ds)yt = yt yt-1 unde s corespunde periodicitii datelor (s = 4 pentru o serie trimestrial, s = 12 pentru o serie lunar).

III. Metoda Box i Jenkins

Partea autoregresiv a unui proces, notat AR, este constitut dintr-o combinare linear finit a valorilor trecute a procesului. Partea medie mobil, notat MA, este format dintr-o combinare linear finit n t a valorilot trecute a unui zgomot alb. Wold (1954) arat c modelele ARMA permit reprezentarea majoritii proceselor staionare. Abordarea Box i Jenkins (1976) const dintr-o metodologie de studiu sistematic a seriilor cronologice n baza caracteristicilor lor pentru a determina, n familia modelelor ARIMA, cea mai adaptat reprezentare a fenomenului studiat. Trei etape principale sunt definite. A. Cercetarea reprezentrii adecvate: identificarea Faza de identificare este cea mai important i cea mai dificil: ea const n determinarea modelului adecvat din familia modelelor ARIMA. Ea este fondat pe studiul corelogramelor simple i pariale. Se poate ncerca prezentarea ctorva reguli simple ce uureaz cercetarea parametrilor p, d, q a modelului ARIMA. 1) Desezonalizarea n cazul unei serii afectat de o micare sezonier, se recomand de a o scoate n prealabil, din prelucrarea statistic. Aceast sezonalitate este adugat la seria prevzut la sfritul prelucrrii pentru a obine o previziune n termeni brui. 2) Cercetarea staionaritii n termeni de tendin Dac studiul corelogramei simple i testele statistice la care se raporteaz (statistica Q) prevede o serie afectat de o tendin, se recomand de a-i studia caracteristicile conform testelor Dickey-Fuller. Metoda de eliminare a tendinei este funcia procesului DS sau TS subordonat cronicii studiate. Dup staionarizare, putem identifica valorile parametrilor p, q din modelul ARMA. Dac corelograma simpl nu are dect primii si q termeni (q = 3 maxim) diferii de 0 i c termenii corelogramei pariale scad ncet, putem pronostioca MA(q); Dac corelograma parial nu are dect primii si p termeni (p = 3 maxim) diferii de 0 i c termenii corelogramei simple scad ncet, aceasta
14

caracterizeaz AR(p); Dac funciile de autocorelare simpl i parial nu par a fi tiate, este vorba de un proces de tip ARMA, a cror parametri depind de foma particular a corelogramelor. B. Estimarea parametrilor Metodele de estimare sunt diferite n dependen de tipul procesului diagnosticat. n cazul unui model AR(p), putem aplica o metod a celor mai mici ptrate sau chiar putem folosi relaiile existente ntre autocorelri i coeficienii modelului (ecuaiile YuleWalker). Estimarea parametrilor modelului MA(q) se dovedete a fi complex. Box i Jenkins sugereaz de a utiliza o procedur iterativ de tip mturare pe care o putem arta n felul urmtor. S presupunem procesul: (1 - 1D 2D2)yt = (1 - 1D 2D2)t pe care l putem scrie:

y =
t

1 (1 D D ) 1 D D
2 2 1 2 1 2

Notm: t

1 t , i deci avem: 2 11D 2 D

[6]

=
t 1 t1 2 t2

y =
t t 1 t 1 2

De unde obinem:

t2

unde t

= y + +
t 1 t1 2

t2

[7] Acum putem ncepe procedura de mturare n baza a dou intervale de valori plauzibile pentru ( 1; 2 ) i de un pas adugare.

Apoi, pentru fiecare pereche de valori ( 1; 2 ), notm i calculm valorile estimate ale lui t n baza relaiei[7]:
2 2

=0 i = 0,
0

=y = y + = y + + , etc.
3 3 1 2 4 4 1 3 2 2

Dup calculul tuturor valorilor t , se estimeaz parametrii 1 i 2 prin metoda celor mai mici ptrate aplicat ecuaiei [6]:
15

 = + +
t 1 t1 2 t2

[8]

Reinem valorile 1, 2 i 1, 2 care reduc la minimum suma ptratelor reziduurilor obinut din regresia ecuaiei [8]. Aceast metod de estimare nu e valabil dect dac numrul parametrilor de estimat nu este destul de mare. Se pot meniona metodele de estimare bazate pe o maximizare a funciilor de asemnare ce recurg atunci la procedurile iterative de regresie nelinear, precum cele prezentate n cap.6.
C. Teste de adecvare a modelului de previziune Parametrii modelului fiind estimai (se verific convergena procedurii iterative de estimare), vom examina acum rezultatele de estimare. Coeficienii modelului trebuie s fie semnificativ diferii de 0 (testul t Student se aplic n mod clasic). Dac un coeficient nu este semnificativ diferit de 0, se recomand de a prevedea o nou specificare prin eliminarea ordinului modelului AR sau MA nevalabile. Seria xt. Analiza graficului i a corelogramei Analiza reziduurilor se efectueaz n baza a dou criterii ce trebuie respectate: - media este nul, n caz contrar se recomand de a aduga o constant la Analiza sezonalitii model; - reziduul este un zgomot alb, statisticile Q i Q Box-Pierce i Ljung-Box Testul Dickey-Fuller (gradul de libertate este egal cu numrul de ntrzieri h micorat cu numrul de coeficieni estimai), permit de a testa aceast ipotez. Dac reziduul nu este un Regresie asupra timpului, dac TS Trecerea la este incomplet i c zgomot alb, aceasta nseamn c specificarea modelului diferene, dac DS lipsete cel puin un ordin al procesului. Seria staionar yt Faza de validitate a modelului este foarte important i necesit de cele mai dese ori o ntoarcere la faza de identificare. Atunci cnd modelul este valabil,corelogramelor simpl i parial Analiza previziunea poate fi calculat la un orizont de cteva perioade, limitate cci variana erorii de previziune crete foarte repede odata cu orizontul. Determinarea ordinelor p i q a proceslului ARMA Se pot rezuma fazele metodologiei Box i Jenkins precum e artat n schema 2.
Estimarea parametrilor Testul Student. Coeficienii nesemnificativi sunt eliminai Teste ale reziduurilor. Sunt ele zgomote albe? Da Previziunea ARMA Recolorarea seriei (exponenial, sezonalitate, ) Nu. Se adaug un ordin p sau q

16

Schema 2 Etapele metodologie Box i Jenkins