Ekonometri e avancuar

Modelimi i serive kohore

Visar Malaj (PhD)
Universiteti i Tirans
Fakulteti i Ekonomis
Departamenti i Ekonomiksit
visarmalaj@feut.edu.al

Modelimi i serive kohore

Koncepte baz
Proes stacionar i fort
Nj proes sht stacionar i fort nse:

P{yt1 b1,..., ytn bn} P{yt1 m b1,..., ytn m bn}

Masa e probabilitetit pr sekuencn {yt} sht e njjt me sekuencn{yt+m} m.

Proes stacionar i dobt (stacionar n varianc)
Nj proes sht stacionar i dobt nse prmbush ekuacionet:
1. E(yt) = ,
t = 1,2,...,
2
2. E ( yt )( yt )
3. E ( yt1 )( yt 2 ) t 2 t1 t1 , t2

Modelimi i serive kohore

Nj proes sht stacionar i dobt nse varianca nuk ndryshon dhe kovariancat
varen n diferencn midis t1 dhe t2. Momentet...
E ( yt E ( yt ))( yt s E ( yt s )) s , s = 0,1,2, ...
njihen si funksion i autokovariancs.
Zakonisht, prdorim funksionet e autokorrelacionit q jepen nga
autokovariancat e normalizuara, pra t pjestuara me variancat prkatse:

s s , s = 0,1,2, ...

Nj grafik i s sipas
korrelogramn.

s=0,1,2,... na jep funksionin e autokorrelacionit ose

Proesi White Noise

Nj proes white noise prmbush:

E ( yt )
Var ( yt ) 2
2 per t r
t r
0
anasjelltas

Pra, funksioni i autokorrelacionit do t jet zero me prjashtim t rastit

s = 0, kur sht 1.
Kemi: s N(0,1/T)
Ne mund t kryejm teste duke ndrtuar interval besimi.
Pr shembull, nj IB 95% jepet nga:
s .196 1
T

Nse koefienti i autokorrelacionit kampionar bie jasht intervalit t

besimit, ather refuzojm hipotezn zero q vlera e vrtet e koefientit
n astin s sht zero.

Testimi i hipotezave
Ne mund t testojm gjithashtu hipotezn se m nga k koefient
korrelacioni jan njkohsisht zero, mem an t statistiks Q t
2
prkufizuar nga Box dhe Pierce:

Q T k
k 1

ku T = dimensioni kampionar, m = distanca kohore maksimale

Statistika Q ndjek shprndarjen m2 .
Pr shkak t vetive statistikore prdoret zakonisht nj test
alternativ, i njohur si statistika Ljung-Box:
m

Q T T 2

k 1

k2
T k

~ m2

Statistika Ljung-Box: testim i varsis lineare t serive kohore

Shembull ACF
Pyetje:
Supozojm se nj krkues ka vlersuar 5 koefientt e par t
autokorrelacionit duke prdorur nj seri prej 100 vzhgimesh:
0.207, -0.013, 0.086, 0.005, -0.022
Testoni secilin prej koefientve dhe kryeni gjithashtu testet BoxPierce dhe Ljung-Box pr kontrollin e varsis kohore.
Zgjidhje:
Nj koefient sht i rndsishm nse qndron jasht
(-0.196,+0.196) n nivelin 5% pra vetm autokorrelacioni i
par sht i rndsishm. Varsia kohore:
Q=5.09 dhe Q*=5.26
Krahasojm me 2(5)=11.1 n nivelin 5% dhe konkludojm se
pes koefientt jan t rndsishm.

Proesi Moving Average (MA)

Le t jet ut (t=1,2,3,...) nj sekuenc variablash rastsor iid
(independently and identically distributed) me
E(ut)=0 dhe Var(ut)=2 , ather
yt = + ut + 1ut-1 + 2ut-2 + ... + qut-q
sht nj proes MA i rendit q (MA(q)).
Vetit e tij jan:
E(yt)=; Var(yt) = 0 = (1+12 22 ... q2 )2
Kovariancat:
( s s 1 1 s 2 2 ... q q s ) 2
s
0

for

sq

pr s 1,2,..., q

Shembull i proesit MA
1. Konsiderojm proesin MA(2):

X t u t 1u t 1 2 u t 2

ku t sht white noise me mesatare zero dhe varianc

(i) Llogarit mesataren dhe variancn e Xt

(ii) Nxirrni funksionin e autokorrelacionit (shprehni
funksionet e autokorrelacionit 1, 2, ... si funksione t 1
dhe 2).
(iii) Nse 1 = -0.5 dhe 2 = 0.25, nxirr acf-n e Xt.

Zgjidhje
(i) Nse E(ut)=0, ather E(ut-i)=0 i.
Pra:
E(Xt) = E(ut + 1ut-1+ 2ut-2)= E(ut)+ 1E(ut-1)+ 2E(ut-2)=0
Var(Xt) = E[Xt-E(Xt)][Xt-E(Xt)]
E(Xt) = 0, pra:
Var(Xt) = E[(Xt)(Xt)]
= E[(ut + 1ut-1+ 2ut-2)(ut + 1ut-1+ 2ut-2)]
2
2 2
2 2
= E[ u t 1 u t 1 2 u t 2 +shumzimet-kryq]
Por E[shumzimet-kryq]=0 pasi Cov(ut,ut-s)=0 pr s0.

Zgjidhje
Pra Var(Xt) = 0= E [u t2 12 u t21 22 u t22 ]
2
2 2
2 2
= 1 2
2
2
2
= (1 1 2 )
(ii) acf e Xt.
1 = E[Xt-E(Xt)][Xt-1-E(Xt-1)]
= E[Xt][Xt-1]
= E[(ut +1ut-1+ 2ut-2)(ut-1 + 1ut-2+ 2ut-3)]
2
2
= E[( 1u t 1 1 2 u t 2 )]
= 1 2 1 2 2
= ( 1 1 2 ) 2

Zgjidhje
2

= E[Xt-E(Xt)][Xt-2-E(Xt-2)]
= E[Xt][Xt-2]
= E[(ut +1ut-1+2ut-2)(ut-2 +1ut-3+2ut-4)]
= E[( 2 u t22 )]
2
= 2

= E[Xt-E(Xt)][Xt-3-E(Xt-3)]
= E[Xt][Xt-3]
= E[(ut +1ut-1+2ut-2)(ut-3 +1ut-4+2ut-5)]
=0

Pra s = 0 pr s > 2.

Zgjidhje
Kemi autokovariancat, tani llogaritim autokorrelacionet:

0 0 1
0
( 1 1 2 ) 2
1
( 1 1 2 )
1

2
2
2
0 (1 1 2 )
(1 12 22 )

( 2 ) 2
2
2
2

2
2
2
0 (1 1 2 )
(1 12 22 )

3
3 0
0

s s 0s 2
0

(iii) Zvendsojm n formulat m sipr 1 = -0.5 dhe 2 =

0.25, pra kemi 1 = -0.476, 2 = 0.190.

Grafiku ACF (MA(2))

1.2
1
0.8
0.6

acf

0.4
0.2
0
0

-0.2
-0.4
-0.6

Proesi AR (Autoregressive)
Nj proes autoregresiv i rendit p, AR(p) jepet nga:

y t 1 y t 1 2 y t 2 ... p y t p u t
Ose duke prdorur operatorin vones:
Lyt = yt-1
Liyt = yt-i
p

y t i y t i u t
i 1

i
ose y t i L y t u t
i 1

ose ( L) y t u t

ku

( L) 1 (1 L 2 L2 ... p L.p )

Kushti i stacionaritetit pr modelin AR

Kushti i stacionaritetit pr modelin AR(p):
Rrnjt e 1 1z 2 z2 ... p z p 0 duhet t jen t ndryshme nga 1.
Nj model stacionar AR(p) mund t paraqitet me an t forms MA()
Shembull: A sht stacionar proesi yt = yt-1 + ut ?
Rrnja karakteristike sht 1, pra sht nj proes unit root, jostacionar.

Teorema e shprbrjes s Wold-it

do seri stacionare mund t shprbhet n shumn e dy proeseve t
ndar, nj pjes totalisht deterministe dhe nj pjes totalisht stokastike,
nj MA().

( L,) yt ut
Pr modelin AR(p),
Duke mos marr n konsiderat konstanten, shprbrja e Wold jepet si:

yt ( L)ut
ku,

( L) (1 1 L 2 L2 ... p Lp ) 1

Momentet e nj proesi autoregresiv AR

Mesatarja:

0
1 1 2 ... p
Funksionet e autokovariancave dhe autokorrelacioneve nxirren nga zgjidhja
e ekuacioneve Yule-Walker:
1 1 12 ... p 1 p
E ( yt )

2 11 2 ... p 2 p

p p 11 p 22 ... p
Nse modeli AR sht stacionar, funksioni i autokorrelacionit do t shkoj
n zero n mnyr eksponenciale.

Shembull i modelit AR
Jepet modeli AR(1):

yt 1 yt 1 ut
(i) Llogaritni mesataren e pakushtzuar t yt.
Pr pyetjet e mposhtme merrni =0.
(ii) Llogaritni variancn e pakushtzuar t yt.
(iii) Llogaritni funksionin e autokorrelacionit t yt.

Zgjidhje
(i) Mesatare e pakushtzuar :
E(yt)= E(+1yt-1)
= +1E(yt-1)
E(yt)= +1 ( +1E(yt-2))
= +1 +12 E(yt-2))
E(yt)= +1 +12 E(yt-2))
= +1 +12 ( +1E(yt-3))
= +1 +12 +13 E(yt-3)

Zgjidhje
Nj numr i pafundm zvendsimesh bn q:
E(yt) = (1+1+12 +...) + 1y0
Modeli sht stacionar, pra 1 = 0.
Pra E(yt) = (1+1+12 +...) =

1 1

yt 1 yt 1 ut

(ii) Varianca e yt:

Nga teorema e Wold:
y t (1 1 L ) u t

y t (1 1 L ) 1 u t

y t (1 1 L 1 L2 ...)u t
2

Zgjidhje
Duke qen se 1 1 , do t konvergoj.

yt ut 1ut 1 1 ut 2 ...
2

Var(yt) = E[yt-E(yt)][yt-E(yt)]
por E(yt) = 0, pasi = 0.
Var(yt) = E[(yt)(yt)]
= E[ ut 1ut 1 12ut 2 .. ut 1ut 1 12ut 2 .. ]
= E[(ut 2 12ut 12 14ut 2 2 ... shumezimet kryq)]
2
2
2
4
2
= E[(ut 1 ut 1 1 ut 2 ...)]
= u2 12 u2 14 u2 ...
2
2
4
= u (1 1 1 ...)
2

u
=
(1 12 )

Zgjidhje
(iii) Pr t llogaritur acf, fillimisht nxjerrim autokovariancat:
1 = Cov(yt, yt-1) = E[yt-E(yt)][yt-1-E(yt-1)]
Duke qen se a0 sht zero, E(yt) = 0 dhe E(yt-1) = 0, pra
1 = E[ytyt-1]
2
2
1 = E[(ut 1ut 1 1 ut 2 ...)(u t 1 1u t 2 1 u t 3 ...) ]
2
3
2
. kryq ]
= E[ 1 u t 1 1 u t 2 ... shumez
=
=

1 2 13 2 15 2 ...
1 2
(1 12 )

Zgjidhje
Pr koefientin e dyt t autokorrelacionit,
2 = Cov(yt, yt-2) = E[yt-E(yt)][yt-2-E(yt-2)]
Duke prdorur t njjtin rregull, kemi kovariancn e rendit t par:
2 = E[ytyt-2]
2
2
= E[(ut 1ut 1 1 ut 2 ...) (ut 2 1ut 3 1 ut 4 ...) ]
= E[ 1 2 u t 2 2 1 4 u t 3 2 ... shumez
. kryq ]
= 12 2 14 2 ...
2 2
2
4
= 1 (1 1 1 ...)
=

12 2
(1 12 )

Zgjidhje
Prsritim hapat pr 3 dhe kemi:
3 =

13 2
(1 12 )

Kovarianca pr rendin s:

s =

1s 2
(1 12 )

acf jepet nga raporti i kovariancave me variancat.

Zgjidhje
0
1
0 =
0

1 2

2
(
1

1 )
1

1
1 =

0
2

2
(
1

1 )

3
3 = 1

s = 1s

2 =

2 2
1

2
(
1

1 )
2

12
0

2
(
1

1 )

Funksioni i autokorrelacionit t pjesshm

(PACF ose kk)
Mat korrelacionin midis nj vzhgimi k periudha m par dhe
vzhgimit aktual, pas kontrollit t vzhgimeve t ndrmjetme.
Pra, kk mat korrelacionin midis yt dhe yt-k pas eliminimit t
efekteve t yt-k+1 , yt-k+2 , , yt-1 .
N astin 1, acf = pacf
N astin 2, 22 = (2-12) / (1-12)
N astet 3+, formulat jan m komplekse.

Funksioni i autokorrelacionit t pjesshm

(PACF ose kk)
pacf na jep diferencn midis proeseve AR dhe MA.
N rastin e AR(p), kemi lidhje direkte midis yt dhe yt-s vetm pr
s p.
Pra, pr nj AR(p), pacf teorike do t jet zero pas astit p.
N rastin e MA(q) ( mund t paraqitet si AR() ), kemi lidhje
direkte midis yt dhe gjith vlerave t mparshme.
Pr nj MA(q), pacf teorike sht rnse.

Proeset ARMA
Nga kombinimi i AR(p) dhe MA(q), mund t prftojm nj model
ARMA(p,q): ( L) yt ( L)ut

ku

( L) 1 1 L 2 L2 ... p Lp

dhe ( L) 1 1L 2 L2 ... q Lq
ose yt 1 yt 1 2 yt 2 ... p yt p 1ut 1 2 ut 2 ... q ut q ut
me

E(ut ) 0; E(ut2 ) 2 ; E (ut u s ) 0, t s

Kushti i Invertibilitetit

Ashtu si kushti i stacionaritetit, dshirojm q pjesa MA(q) e

modelit t ket rrnj t (z)=0 m t mdha se nj n vler
absolute.

Mesatarja e ARMA: E ( yt )
1 1 2 ...p
Funksioni i autokorrelacionit t proesit ARMA do t
paraqes kombinime t sjelljeve AR dhe MA, por pr astet
m t mdha se q, acf do t jet identike me modelin AR(p).

Prmbledhje e sjelljeve tipike

Modeli AR paraqet:
ACF rnse
Numri i bandave pacf = rendi i AR
Modeli MA paraqet:
Numri i bandave acf = rendi i MA
PACF rnse

Prmbledhje e sjelljeve tipike

Simulim i serive kohore duke prdorur nj numr t
madh t dhnash
ACF dhe PACF pr modelin MA(1): yt = 0.5ut-1 + ut
0.05
0
1

10

-0.05
-0.1
-0.15
-0.2
-0.25
-0.3
acf
-0.35

pacf

-0.4
-0.45
Lag

ACF dhe PACF pr modelin MA(2):

yt = 0.5ut-1 - 0.25ut-2 + ut
0.4
acf

0.3

pacf
0.2
0.1
0
1

-0.1

-0.2
-0.3
-0.4
Lags

10

ACF dhe PACF pr modelin AR(1) m rnie t leht:

yt = 0.9yt-1 + ut
1

0.9
acf
pacf

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
1

-0.1
Lags

10

ACF dhe PACF pr modelin AR(1) me rnie t shpejt:

yt = 0.5yt-1 + ut
0.6

0.5

acf
pacf

0.4

0.3

0.2

0.1

0
1

-0.1
Lags

10

ACF dhe PACF pr modelin AR(1) me rnie shum t

shpejt dhe me koefient negativ: yt = -0.5yt-1 + ut
0.3
0.2
0.1
0
1

-0.1
-0.2
-0.3
-0.4

acf
pacf

-0.5
-0.6
Lags

10

ACF dhe PACF pr nj model jo-stacionar (koefient i

barabart me 1):
yt = yt-1 + ut
1

0.9

acf
pacf

0.8
0.7
0.6
0.5
0.4
0.3

0.2
0.1
0
1

Lags

10

ACF dhe PACF pr modelin ARMA(1,1):

yt = 0.5yt-1 + 0.5ut-1 + ut
0.8

0.6

acf
pacf
0.4

0.2

0
1

-0.2

-0.4
Lags

10