Curs 1-2

SERII DE TIMP

CSIE an III
Conf.univ.dr. Adriana DAVIDESCU
adrianaalexandru@yahoo.com
 STRUCTURA CURSULUI (1)

1. Introducere in analiza seriilor de timp (~2 c)

a. Definirea unei serii de timp
b. Componentele unei serii de timp
c. Descompunerea seriei de timp pe componente
d. Metode de netezire exponentiala
2. Modele autoregressive liniare (~4c)
a. Serii stationare, serii nestationare si neomogene
b. Tipuri de serii nestationare
c. Operatorii de intarziere si avans
d. Caracteristicile unei serii de timp: functia de autocorelatie si de
autocorelatie partiala
e. Teste de nestaţionalitate
f. Definirea modelelor AR(p), MA(q), ARMA(p,q), ARIMA(p,d,q)
g. Metodologia Box Jenkins: analiza stationaritatii, stationarizarea seriei,
identificarea modelului, estimarea parametrilor, teste de validitate, alegerea
celui mai performant model, elaborarea previziunilor
2
 STRUCTURA CURSULUI (2)

3. Extinderi ale modelelor ARIMA (~3c)

a. Modele de tip autoregresiv medie mobilă pentru evoluţii sezoniere SARIMA
b. Modele ARCH, GARCH
4. Modele multivariate stationare (~2c)
a. Modele VAR
b. Cauzalitate Granger
5. Modele multivariate nestationare (~2c)
a. Cointegrare
b. Modele VECM
c. Teste de cointegrare
6. Introducere in analiza datelor de tip panel (~1c)

3
 STRUCTURA NOTEI FINALE

 70% Lucrarea Finală

 30% Punctaj seminar (proiect)

4
 BIBLIOGRAFIE

Tudorel Andrei, Regis Bourbonnais, Econometrie, Editura Economica, 2008

T. Popescu, Serii de timp. Aplicatii in analiza sistemelor, ed. Tehnica, Bucuresti, 2000

Walter Enders, Applied Economic time series, Wiley, 2004

James D. Hamilton, Time Series Analysis, Princeton University Press, 1994

Brockwell P.J., Davis R.A., Introduction to time series forecasting, Springer, 2002

D. Peña, G. C. Tiao, R. S. Tsay. A course in time series analysis. John Wiley and
Sons, Inc. 2001

C. Chatfield. The analysis of time series: an introduction. Chapman & Hall, CRC,
1996.

C. Chatfield. Time-series forecasting. Chapman & Hall, CRC, 2000.

5
 Curs 1
6

Introducere in modelarea seriilor de timp

univariate
 1. Argumente pentru studiul evolutiei proceselor
economice în timp
7
 Timpul este o coordonată esenţială a existenţei umane.

 Realitatea economică şi socială se localizează în timp şi spaţiu.

 În general, fenomenele economice nu au caracter static, manifestîndu-

se în cadrul unei evoluţii temporale.

 Se stie că actiunea unor factori nu afectează instantaneu o variabilă efect, ci

după un interval de timp. Este importantă cunoasterea decalajului (lag-ului) cu
care apar modificările asupra variabilei rezultative.
8
9
10
2. Notiuni specifice Analizei Seriilor de Timp
 
11
Obiectivele analizei Seriilor de Timp
 
12
2. Notiuni specifice Analizei Seriilor de Timp
 
13
2. Notiuni specifice Analizei Seriilor de Timp
 
14
 Notiuni specifice Analizei Seriilor de Timp
 
15

Probleme cu modelarea seriilor de timp în economie

-Eșantioane relative mici;

-Seriile de timp economice prezintă un grad ridicat de

interdependență;

-Seriile de timp economice au o structură de autocorelație semnificativ

nenulă;

-Seriile de timp din economice sînt în general nestaționare (cauze

posibile: creșterea productivității și creșterea inflației);

-Inferența statistică clasică nu poate fi aplicată seriilor de timp

economice, întrucît nu putem vorbi de eșantioane aleatoare, ori de
același DGP (data generating process).
 Modelarea seriilor de timp
16

Modelarea seriilor de timp=identificarea componentei sistematice astfel

incat seria reziduurilor sa fie zgomot alb(white noise).

Ce NU folosim din econometrie in modelarea seriilor de timp:

 NU folosim Durbin Watson pentru testarea autocorelarii, ci Breuch-

Godfrey LM test.
 NU putem testa multicoliniaritatea.
 Modelul estimat trebuie sa aiba termen liber.
 Autocorelarea intr-un model de serii de timp fara variabile cu
intarziere duce la rezultate inconsistente.
 De cele mai multe ori nestationaritatea este indusa de trenduri
stochastice, nu de trenduri liniare.
Estimarea componentei sezoniere

17
18
19
20
3. Modelarea seriilor de timp
21
22
23
24
25
26
27
28
 Metode de netezire exponențială
 Tehnicile de netezire sunt utilizate pentru a genera valori netezite (atenuarea
fluctuaţiilor aleatoare din date) din care s-a eliminat componenta aleatoare)
respectiv pentru obţinerea de previziuni.

 Metoda mediilor mobile simplă atribuie ponderi egale (1/k) tuturor celor k
puncte. Însă observațiile recente furnizează mai multă informație relevantă
decât observațiile din trecut. Deci ar fi utilă o schemă de ponderare ce
atribuie ponderi descrescătoare observațiilor mai îndepărtate.

 Metodele de netezire exponențială atribuie ponderi mai mari observațiilor

recente și acestea descresc exponențial pe măsură ce devin mai
îndepărtate. Aceste metode sunt eficiente atunci când parametrii ce descriu
seria de timp se modifică încet în timp.


Metoda de netezire exponențială simplă
Metoda de netezire exponențială simplă
 Exemplul 1
 Fie următoarele date privind vânzările lunare în bucăți dintr-un produs x
realizate de un supermarket:
Luna An 2013 An 2014
Să se realizeze o previziune a vânzărilor
Ianuarie 362 276
în luna ianuarie 2015 pe baza datelor Februarie 381 334
înregistrate în anii 2013-2014 folosind Martie 317 394
Aprilie 297 334
o metodă de netezire exponențială. Mai 399 384
Iunie 402 314
Iulie 375 344
August 349 337
Septembrie 386 345
Octombrie 328 362
Noiembrie 389 314
Decembrie 343 365
33
 Metoda Holt de netezire exponențială
pentru serii cu tendință
 Metode de netezire exponenţială simplă a fost extinsă de către Holt pentru
serii ce prezintă tendinţă (şi componentă aleatoare).
 Ideea: ajustarea seriei în vecinătatea originii previziunii cu o dreaptă,
tendinţa fiind presupusă liniară pe porţiuni
 Seria de timp poate fi descrisă printr-un model de trend liniar:

yt  0  1t  t unde 0 și 1 se modifică ușor în timp

 Observații:
 Media la momentul T
este: 0 + 1T
 Rata de creștere
este: 1
 Metoda Holt de netezire exponențială
pentru serii cu tendință
 Procedeul de netezire folosit pentru previziunea unor astfel de serii
de timp folosește două constante de netezire notate  și .

 Se folosesc doi estimatori:

 lT-1 este estimatorul nivelului seriei de timp construite la momentul T-1,
numită componenta permanentă
 bT-1 estimează rata de creștere a seriei de timp construită în perioada T-1
numită componenta trend

 Nivelul estimat: T   yT  (1)( T 1  bT 1)

 Trendul estimat: bT   ( T
 T 1 )  (1  )bT
1
unde 0 ≤  ≤ 1 este constanta de netezire pentru
nivel 0 ≤  ≤ 1 este constanta de netezire
pentru trend
Metoda Holt de netezire exponențială pentru
serii cu tendință
36
 Exemplul 2
 S-au înregistrat vânzările săptămânale dintr-un produs X pe un site
online în 30 de săptămâni consecutive ale anului 2014:
Vânzări Vânzări Vânzări
Să se realizeze o previziune a vânzărilor în săptămâna
209 31 folosind
162 o 248

metodă de netezire exponențială. 207 172 262

211 210 258

210 205 233

173 244 255

194 218 303

234 182 282

156 206 291

206 211 280

188 273 255

 Exemplul 2


 Pas 1: Determinăm estimatorii inițiali l0 și b0 prin
determinarea unei ecuații de regresie liniară potrivită primelor 15
observații:
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.001927
R Square 3.71E-06 l0= 198,6476
Adjusted R
Square -0.07692
b0= 0,010714
Standard Error 25.79938
Observations 15

ANOVA
df SS
Regression 1 0.032143
Residual 13 8652.901
Total 14 8652.933

Standard
Coefficient Error
s
Intercept 198.6476 14.0183
X Variable 1 0.010714 1.541808
 Exemplul 2
Pas 2: Calculăm o previziune a punctului y1 de la
momentul 0: T  0, p  1
yˆ (T )   pb
T p T T

yˆ1(0)  l0  b0  198,6476  0.010714  198,6583

 Pas 3: Se actualizează estimatorii lT și bT prin

utilizarea unor valori predeterminate ale constantelor de
netezire.
 Fie =0,2 și =0,1
l1  y1  (1)(l0  b0 )  0,2 209  (1 0,2)(198,6476  0,010714) 
200,7266
b1   (l1  l0 )  (1  )b0  0,1(200,7266 198,6476)  (1 0,1)  0.010714 
0.2175426

yˆ2 (1)  l1  b1  200.9442

 Metoda Holt Winters de netezire
exponențială
 Metoda Holt-Winters este adecvată seriilor ce prezintă tendinţă şi
componentă sezonieră.

 Metoda implică trei ecuaţii de recurenţă, şi prin urmare trei

constante de netezire, una pentru nivelul seriei, una pentru panta
dreptei de tendinţă respectiv una pentru coeficienţii sezonalităţii.

 Notăm cu p perioada componentei sezoniere.

 Tendinţa seriei este modelată local printr-o dreaptă, în mod

similar cu metoda Holt.

 Ţinând seama de modelul de descompunere a seriei, aditiv sau

multiplicativ, există două variante ale metodei.
 Metoda Holt Winters de netezire
exponențială
 Modelul multiplicativ
yt  (0  1t)  St t

 Această metodă este potrivită pentru serii de timp ce au un trend liniar cu un

pattern sezonal multiplicativ pentru care nivelul (0  1t), rata de creștere 1 și
patternul sezonal St se pot modifica ușor în timp.

 nivelul  Yt   1 l  b

lt     t 1 t

seriei:   St  p
1 
 
panta dreptei de tendinţă: bt  lt  lt 1  1  bt
1

 componenta St  Yt   1  p

sezonieră:   lt  St
 unde ,  și δ sunt constante de netezire
 p este numărul de perioade dintr-un an (p=4 sau12)
 Metoda Holt Winters de netezire
exponențială
 Previziunea la momentul T pentru yT+p este:
Yˆt h  (a t hb )S
t t  ph h=1,2,3 …..

 Erorile standard la momentul T sunt:

T
2

SSE  
t 1[ yt  yˆt (t

1)]  Previziunile în afara perioadei

observate, pentru un orizont de timp h, se
situează pe dreapta ce are ca şi parametri
ultimele estimaţii:
MSE  SSE s MSE
T , 3
 Exemplul 3
 S-au înregistrat vânzările trimestriale de băuturi
răcoritoare în 4 ani: An 1 An 2 An 3 An 4
Trim 1 72 81 94 106
Trim 2 116 131 147 170
Trim 3 136 158 177 200
Trim 4 96 109 128 142