Simulare MODELE AUTOREGRESIVE şi de MEDIE MOBILĂ Modelul AR(p) ACF Se amortizează tinzând la zero MA(q) Se anulează după lagul q Se amortizează tinzând

la zero ARMA(p,q) Se amortizează tinzând la Se amortizează tinzând la zero
Simularea unui proces MA(1) : y t = ε t + θ ⋅ ε t −1 y t = ε t + 0,9 * ε t −1 Am creat un fişier pentru 100 observaţii Genr wn=nrnd Smpl 1 1 Genr maunu=wn Smpl 2 100 Genr maunu=wn+0,9*wn(-1) Smpl 1 100

PACF Se anulează după lagul p

zero

Determinarea corelogramei seriei de date maunu: - Din meniul workfile selectăm seria de date maunu. - Din meniul seriei maunu selectăm View/Correlogram. Se deschide o fereastră în care selectăm tipul seriei(level) şi numărul de laguri (10) ce vor fi incluse în calcule.

MA(2) y t = ε t + θ 1ε t −1 + θ 2ε t − 2 . σ 2 . 1+ θ 2 Să se determine ACF pentru modelul y t = ε t + 0. ∀ k . PACF este: φ11 = ρ1 = φ şi φ kk = 0 pentru k > 1 . ρ 0 = 1 .Am arătat că ACF pentru modelul de medie mobilă y t = ε t + θ ⋅ ε t −1 este: θ şi ρ k = 0 pentru k > 1 .9 * ε t −1 şi să se reprezinte grafic. ρ2 = şi ρ k = 0 pentru k > 2 . 2 2 1 + θ1 + θ 2 1 + θ12 + θ 22 Simularea unui proces AR(1): yt = φ ⋅ y t −1 + ε t yt = 0. unde ε t ~ WN 0. ρ1 = 0. . ρ1 = ρ 0 = 1 . ρ 0 = 1 .497 .9 = 0.8 * y t −1 + ε t Am creat un fişier pentru 100 observaţii Genr wn=nrnd Smpl 1 1 Genr arunu=wn Smpl 2 100 Genr arunu= 0.8*arunu(-1)+wn Smpl 1 100 Pentru un modelul AR(1): yt = φ ⋅ y t −1 + ε t am arătat că: ACF este: ρ k = φρ k −1 = φ 2 ρ k −1 = L = φ k .) ( ) Am determinat funcţia de autocorelaţie a lui y t . ρ1 = θ1 + θ1θ 2 θ2 .9) 2 Modelul de medie mobilă de ordinul doi. ρ k = 0 pentru k > 1 1 + (0.

8) 2 = 0. ρ1 = φ = 0..1 * y t −1 − 0.. PACF este: φ11 = ρ1 = φ = 0. adică . Procesul este staţionar iar polinomul Φ ( L) = (1 − φ1 L − φ 2 L2 ) este inversabil dacă rădăcinile ecuaţiei Φ ( z ) = (1 − φ1 z − φ 2 z 2 ) = (1 − λ1 z )(1 − λ1 z ) = 0 se află în afara cercului unitate.Să se determine ACF şi PACF pentru modelul yt = 0.8) 3 = 0. ρ 2 = φ 2 = (0. Simularea unui proces AR(2): yt = φ1 y t −1 + φ 2 y t − 2 + ε t yt = 1.1*artwo(-1)-0. Procesul este staţionar deoarece φ < 1 .1*artwo(-1)+wn Smpl 3 100 Genr artwo=1. ρ 3 = φ 3 = (0.8 .64 .6*artwo(-2)+wn Smpl 1 100 Modelul AR(2) poate fi scris în mai multe moduri echivalente: yt = φ1 y t −1 + φ 2 y t − 2 + ε t yt − φ1 y t −1 − φ 2 y t − 2 = ε t (1 − φ1 L − φ 2 L2 ) y t = ε t Φ ( L) y t = ε t .8 * y t −1 + ε t ..6 * y t − 2 + ε t Am creat un fişier pentru 100 observaţii Genr wn=nrnd Smpl 1 1 Genr artwo=wn Smpl 2 2 Genr artwo=1. unde Φ ( L) = (1 − φ1 L − φ 2 L2 ) este polinomul autoregresiv al procesului AR(2). ACF este: ρ 0 = 1 .8 şi φ kk = 0 pentru k > 1 .512 .

a lui y t . Ex1. λ1. yt = 0. 2 = φ1 ± φ12 + 4φ 2 2 . rădăcinile ecuaţiei P (λ ) = λ2 − φ1 λ − φ 2 = 0 se află în interiorul cercului unitate. φ 2 − φ1 < 1 şi | φ 2 |< 1 . φ1 1 − φ2 φ2 k = 2 ⇒ ρ 2 − φ1 ρ1 − φ 2 ρ 0 = 0 ⇒ ρ 2 = φ1 ρ1 + φ 2 ⇒ ρ 2 = 1 + φ 2 1 − φ2 k > 2 ⇒ ρ k = φ1 ρ k −1 + φ 2 ρ k − 2 k = 1 ⇒ ρ1 − φ1 ρ 0 − φ 2 ρ1 = 0 ⇒ ρ1 (1 − φ 2 ) = φ1 ⇒ ρ1 = Determinarea funcţiei PACF: Scriem ecuaţiile Yule-Walker ρ1 = φ1 + ρ1φ2 ρ 2 = ρ1φ1 + φ 2 Coeficienţii de autocorelaţie parţială sunt: φ11 = ρ1 . Avem φ1 = 0. Calcularea autocorelaţiilor unui proces AR(2) Înmulţim ecuaţia y t − φ1 y t −1 − φ 2 y t − 2 = ε t prin y t − k . după care aplicăm operatorul de medie şi împărţim prin varianţa γ 0 . adică λ1 < 1 şi λ 2 < 1 . Determinarea funcţiei ACF: γ0 − φ1 E ( y t −1 y t − k ) γ0 − φ2 E ( yt −2 yt − k ) γ0 = E (ε t yt − k ) .z1 > 1 şi z 2 > 1 sau echivalent. Pentru k > 0 obţinem: E (ε t y t − k ) = 0 . Deoarece E (ε t y t − k ) = E ( y t ) = 0 pentru toţi t şi k > 0 .08 = 0 .6λ + 0. obţinem ecuaţiile Yule-Walker: ρ k − φ1 ρ k −1 − φ 2 ρ k −2 = 0 pentru k > 0 . Avem γ 0 − φ1γ 1 − φ 2 γ 2 = σ 2 ⇒ γ 0 (1 − φ1 ρ1 − φ 2 ρ 2 ) = σ 2 . 1 φ 22 = ρ1 1 ρ1 ρ 2 ρ 2 − ρ12 ≠0 = ρ1 1 − ρ12 1 ρ1 φ kk = 0 pentru k > 2 . Rezultă următoarele relaţii: yt y t − k − φ1 y t −1 y t − k − φ 2 y t − 2 y t − k = ε t yt − k E ( y t y t − k ) − φ1 E ( y t −1 y t − k ) − φ 2 E ( y t − 2 y t − k ) = E (ε t y t − k ) E ( y t yt −k ) γ0 2 Pentru k = 0 obţinem: E (ε t y t ) = σ .6 şi φ 2 = −0. Pentru ca ultimele două condiţii să fie îndeplinite trebuie ca cei doi parametri ai modelului să satisfacă următoarele condiţii: φ1 + φ 2 < 1 .08 yt − 2 + ε t Verificaţi dacă este îndeplinită condiţia de staţionaritate.08 Φ ( L) = (1 − φ1 L − φ 2 L2 ) Φ ( z ) = (1 − φ1 z − φ 2 z 2 ) = (1 − λ1 z )(1 − λ 2 z ) = 0 P (λ ) = λ2 − φ1 λ − φ 2 = 0 ⇒ P (λ ) = λ2 − 0.6 y t −1 − 0.

24062 . Ex2. b) Calculaţi PACF şi reprezentaţi corelograma corespunzătoare.4 = 2.15625 . Condiţia de staţionaritate este îndeplinită. deci λ1 < 1 şi λ 2 < 1 .6 ACF: φ 1. ρ 4 = −0.6 y t − 2 + ε t a) Calculaţi ACF şi reprezentaţi corelograma asociată.2 .1 şi φ 2 = −0. deci z1 > 1 şi z 2 > 1 . Avem φ1 = 1.2 = 5 . ρ 3 = −0. φ 22 = ρ 2 − ρ12 = 0.4 şi λ 2 = 0. Rezultă z1 = 1 / λ1 = 1 / 0.λ1 = 0.35843 PACF: φ11 = ρ1 = 0.6) ρ 2 = 0.6 1 − ρ12 φ kk = 0 pentru k > 2 .1 y t −1 − 0.1 ρ1 = 1 = = 0.6875 1 − φ 2 1 − (−0.5 şi z 2 = 1 / λ 2 = 1 / 0.6875 . yt = 1.