You are on page 1of 10

Modelarea unei serii de timp conform unui proces ARMA Analiza datelor În vederea construirii unui proces de tip

ARMA, am selectat rata de creștere a exporturilor pe o piață externă, în speță Austria. Pentru a surprinde mai bine caracteristicile acestei serii de timp, efectuăm analiza potrivit datelor trimestriale1, preluate pe perioada cuprinsă între 1988Q2 și 2013Q3, obținând astfel un eșantion de 100 de observații. Modelele și testele corespunzătoare, au fost implementate în integralitate cu ajutorul programului Eviews 7, pornind de la seria de timp notată cu ”rexport”. Un aspect relevant în analiza noastră îl constituie faptul că această rată de creștere a exporturilor se referă la creșterea ce se realizează de la un trimestru la altul, datele fiind deja ajustate împotriva sezonalității. În teorie se consideră că aproape orice rată de creștere este staționară. Pe parcursul studiului, vom demonstra că nici această serie de timp nu reprezintă o excepție de la regulă. Statistici descriptive În continuare, am realizat o scurtă analiză a seriei de timp, pe baza statisticilor descriptive rezultate în Eviews, în urma implementării Testului Jarque-Bera.
Figura 1. Statistici descriptive ale seriei de timp

sursa: vezi Eviews

O scurtă trecere în revistă a rezultatelor obținute, ne indică faptul că în medie, rata de creștere a exporturilor s-a situat în jurul valorii de 1.277701 (128%), atingând un maximum de 4.641344. Volatilitatea, evidențiată prin intermediul deviației standard, are o valoare de 1.950832. Dacă analizăm coeficientul de asimetrie, observăm că seria de timp prezintă o asimetrie la stânga, indicele skewness având o valoare negativă. Acest lucru înseamnă că rata de creștere a exporturilor urmează o distribuție ce are coada stângă mai lungă decât cea dreaptă, aspect indicat și de histograma seriei. Cât despre coeficientul de aplatizare, în speță indicele kurtosis, acesta are o valoare mai mare decât trei, ceea ce ne conduce la ideea că distribuția este una leptocurtică, adică mai înaltă
1

Datele au fost culese de pe site-ul: http://stats.oecd.org/.

După cum am precizat mai sus. conform căreia seria de timp ar fi distribuită normal.decât cea normală. ce ar putea invali da rezultatele modelelor determinate. Se observă că valorile tind să evolueze în interiorul unei benzi de fluctuație. nestaționară. putem utiliza ipotezele testului Jarque-Bera: ă ă ț ț ă ă Din moment ce probabilitatea asociată testului este mai mică decât 0. Phillips-Perron (PP) și Kwiatkowski–Phillips– Schmidt–Shin (KPSS). Figura 2. Metoda grafică Graficul de mai jos este sugestiv pentru ceea ce înseamnă staționaritatea seriei de timp. Distribuția seriei de timp sursa: vezi Eviews În semn de confirmare. În cele ce urmează. seria nu prezintă sezonalitate.05. Astfel. vom prezenta rezultatele obținute în urma metodei grafice. dimpotrivă. . Existența staționarității este deosebit de importantă. Staționaritate O condiție fundamentală de care va depinde implementarea ulterioară a procesului de tip ARMA este verificarea staționarității. implementat cu ajutorul opțiunii Kernel Density Epanechnikov. fără a manifesta un anumit trend. evidențiază acest ultim aspect. se respinge ipoteza nulă. deoarece seriile nestaționare conduc în general la regresii spurioase. Următorul grafic aferent distribuției. cu valori care tind să se aglomereze în jurul mediei și cozi mai groase 2 decât în cazul distribuției normale. 2 Denumirea generică este de ”fat tails”. există mai multe metode de abordare în acest sens. respectiv a testelor Augmented Dickey-Fuller (ADF). printre care metoda grafică sau teste de tip unit root ce au ca ipoteză nulă faptul că seria este staționară sau.

Prin urmare. Figura 3. . Ipoteze nulă este respinsă. De asemenea. dacă dorim să fim mai restrictivi. denumită intercept.01.10 sau mergând chiar și până la 0. demonstrând astfel staționaritatea seriei. este mai mică decât oricare dintre valorile critice ale testului. putem observa că probabilitatea asociată este mai mică decât orice prag de semnificație ales: 0. de -5. valoarea statistică a testului. testul a fost implementat incluzând doar o constantă. Ipotezele testului sunt urmatoarele: ă ă ă ă ă ț ă Figura 4. Metoda grafică în analiza staționarității sursa: vezi Eviews Testul Augmented Dickey-Fuller Având în vedere faptul că seria nu prezintă un anumit trend. Rezultatele testului ADF sursa: vezi Eviews În ceea ce privește rezultatul testului. putem menționa la acest pas că seria de timp este caracterizată de staționaritate. pentru cele trei nivele de semnificație.371250.

Testul Phillips-Perron Ca o completare a celor constatate anterior. de unde reiese că seria de date este una staționară. se poate concluziona că ipoteza nulă este acceptată pentru un nivel de încredere de 99%. Acesta păstrează ipotezele testului Testul Augmented Dickey-Fuller.01. Testul Kwiatkowski–Phillips–Schmidt–Shin Ultimul test de staționaritate implementat prezintă o modificare asupra ipotezelor și anume: ț ă Figura 6. ne îndreptăm atenția către un test din aceeași categorie și anume testul Phillips-Perron. Figura 5. ceea ce înseamnă că seria este una staționară. Rezultatele testului PP sursa: vezi Eviews Probabilitatea aferentă testului este mai mică decât 0. . concomitent cu o valoare statistică inferioară celor trei praguri critice. în cazul în care valoarea statistică a testului este mai mică decât oricare dintre valorile critice. modul de interpretare fiind asemănător. Rezultatele testului KPSS sursa: vezi Eviews Potrivit acestuia.

q) În continuare.q). vom alege pentru coeficientul p valoarea 1. deoarece PACF tinde brusc la 0. se observă că ACF tinde ușor către 0.Ca o scurtă sumarizare. valorile ar putea oscila de la 1 la 4. În cazul în care seria nu este staționară. pentru a putea trece la pasul următor. descriere ce corespunde în fapt metodologiei Box-Jenkins:  Primul pas prevede testarea staționarității seriei. . Având în vedere testele implementate anterior. Funcția de autocorelație (ACF) și de autocorelație parțială (PACF) Figura 7. acestea fiind mai semnificative pe grafic. în timp ce PACF se anulează după aproximativ un lag. această serie de date ar urma un proces preponderent AR. Corelograma seriei de timp sursa: vezi Eviews Reprezentarea grafică a funcțiilor ACF și PACF ne ghidează în stabilirea procesului de tip ARMA(p. Determinarea procesului de tip ARMA(p. La prima vedere.q) care se pretează cel mai bine seriei noastre de date. seria de date privind rata de creștere a exporturilor este una staționară. vom parcurge pașii de estimare a unui model de tip ARMA(p. În momentul implementării modelului ARMA. iar pentru q. acestea fiind specificații pe care le vom adopta în cadrul metodologiei Box-Jenkins. Astfel. se va staționariza prin procedee specifice. 2 sau 3. menționăm că toate rezultatele testelor s-au dovedit a fi concludente în ceea ce privește stabilirea staționarității seriei de timp.

 Pe baza corelogramei reprezentate mai sus. MA(2). Se observă faptul că coeficienții p și q sunt semnificativi din punct de vedere statistic.641221 0.351267 3.489168 3. MA(3) nesemnificativ Coef pt. vom considera în continuare modelul ARMA(1.376434 3.636853 0.503768 0. cât și nesemnificativi. iar lista nu se oprește aici.1) ARMA(2.2). AR(3). judecând după valoarea maximă a lui ajustat.651401 0.289255 3.169262 3. AR(6).456225 3.214803 Criteriul Schwarz 3.635903 0. se alege modelul cel mai potrivit seriei de date.4) ARMA(3. AR(2) nesemnificativ MA(1) și MA(3) nesemnificativi Semnificativi AR(2) și AR(3) nesemnificativi AR(2) și AR(3) nesemnificativi sursa: vezi estimarea modelelor în Eviews Cele mai mici valori aferente criteriilor informaționale se înregistrează în cazul modelului ARMA(1.191726 3.644628 0. AR(7) și AR(8) nesemnificativi Semnificativi Semnificativi Coef pt.4) ARMA(2. Sumarul criteriilor în cazul simulării modelelor de tip ARMA Model\Criterii AR(1) AR(2) AR(3) AR(4) AR(8) MA(1) MA(2) MA(3) MA(4) ARMA(1.244253 3.374064 Coeficienti semnificativi/nesemnificativi pentru α = 5% Semnificativi Semnificativi Semnificativi Semnificativi AR(5).3) ARMA(1. Al doilea cel mai bun model vizat ar putea fi un ARMA(2.638747 0.3) ARMA(2. în urma estimării diverselor modele în Eviews.1) ARMA(3.166530 3.350051 3.580376 0.193987 3.299521 3. MA(4) nesemnificativ Semnificativi Semnificativi Semnificativi AR(1) și MA(2) nesemnificativi Nesemnificativi AR(1).370563 3. MA(3) și MA(4) nesemnificativi Coef pt.580988 0. Astfel. urmând ca mai apoi să le combinăm în ARMA(1.331313 3.185000 3.215307 3. MA(2). obținând atât coeficienți semnificativi.184402 3.1). Akaike și Schwartz.644875 0.191203 3.q). iar ajustat are o valoare apropiată de cea maximă.  În cadrul următorului punct.1). În concluzie. ARMA(1. am estimat aproximativ 20 de modele de tip ARMA.243072 3. AR(2).  Luând în considerare criteriile informaționale.166098 3. Am ales inclusiv lag -uri mai mari.215805 3.2) ajustat 0.365659 3.475202 3.444790 3.4).289207 3.638981 0.652263 0.324331 3.2) ARMA(3.348027 3.644218 0.297235 3.1) ca fiind propice pentru modelarea seriei de date aleasă: .541594 3.566421 0.228505 3.187440 3. vom începe cu modele simple de tip AR(1).212300 3.1).639203 0.351170 3. MA(3).349365 3. precum și a valorii foarte apropiate a criteriului Akaike de cel obținut în cazul modelului ARMA(1. ca de exemplu un AR(8).2) ARMA(1. precum și valoarea lui ajustat.645778 0.658164 0. Tabel 1. MA(1). În tabelul de mai jos este realizată o sinteză a acestor indicatori.1) ARMA(2.164432 3.642481 0. tocmai pentru a observa cum s-ar comporta un astfel de model. vom stabili punctul de plecare în implementarea modelului de tip ARMA(p.377006 3.3) ARMA(1.640536 Criteriul Akaike 3.200246 3.319327 3.653396 0.

Cât despre termenul MA. . Coeficienții obținuți respectă regula portivit căreia în cadrul modelelor ce conțin termeni AR. evoluția ratei de creștere a exporturilor este descrisă de următoarea ecuație de regresie: Coeficienții modelului Regăsirea termenului autoregresiv în cadrul modelului conduce la ideea că rata de creștere a exporturilor este explicată de rata de creștere aferentă trimestrului anterior. pentru ca procesul să nu fie unul explosiv.1) sursa: vezi estimarea modelelor în Eviews Conform estimărilor în Eviews. Rezultatele estimării modelului ARMA(1.Figura 8. valorile proprii ale polinomului caracteristic trebuie să se situeze în interiorul cercului unitate. Astfel. este necesară testarea stabilității modelului. valoarea absolută a unuia trebuie să fie mai mică decât 1.

1) Autocorelarea reziduurilor În practica econometrică. Valorile proprii ale polinomului caracteristic sursa: vezi Eviews Potrivit graficului. În cele ce urmează. În cazul în care probabilitățile aferente testului Q depășesc pragul de semnificație ales. condiția de stabilitate este îndeplinită. . pentru un nivel de semnificație de 1%. se acceptă ipoteza nulă.  Ultimul pas în cadrul metodologiei Box-Jenkins este descris de testarea efectivă a modelului identificat. testul Breushy-Godfrey. vom utiliza statistica testului Q. În graficul de mai jos se distinge faptul că nu există autocorelație serială până la nivelul 20.Figura 9. există mai multe modalități de a testa autocorelarea la nivelul erorilor din cadrul unui model. Testul Q-statistic Ipoteza nulă a acestui test este că nu există autocorelație până la la lag-ul k specificat. Validitatea modelului ARMA(1.

iar modelul nu prezintă autocorelație serială până la lag-ul k. Corelograma reziduurilor în modelul ARMA(1.7598. Corelograma reziduurilor în modelul ARMA(1. mai mare decât 0. de unde rezultă că acceptam ipoteza nulă.1) sursa: vezi Eviews Testul Breushy-Godfrey (pus tot) Ipotezele testului sunt prezentate în continuare: ă ț ă â ă Figura 10. .Figura 10.1) sursa: vezi Eviews Probabilitatea asociată testului este de 0.05.

Testul White Figura 10.15 > 0. Testul Jarque-Bera .1) sursa: vezi Eviews . Prob(F) = 0. Corelograma reziduurilor în modelul ARMA(1.05 acceptam ipoteza nula =>> varianta erorilor este constanta.