Professional Documents
Culture Documents
Aplicatii Trend Liniar
Aplicatii Trend Liniar
Rezumat
Dintre ace tia, factorilor cu ac iune constant le este atribuit trendul seriei de timp, care
exprim direc ia general în care evolueaz variabila analizat . Se consider c un
trend relev tr s turile esen iale ale fenomenului descris de seria de timp. În practic ,
pentru a facilita demersul de analiz , se obi nuie te transpunerea trendului în rela ii
matematice. Ar fi de men ionat c oricât de riguroase ar fi metodele aplicate, parametrii
acestor rela ii nu pot identifica precis un trend, fiind, mai degrab , estimatori ai
acestuia. De regul , termenii unei serii de timp constituie doar un e antion al valorilor
fenomenului analizat. În plus, în practic , identificarea factorilor esen iali se poate
dovedi foarte dificil . În aceste condi ii, un demers de analiz a tendin elor unei serii de
timp nu î i poate propune determinarea precis a trendului trebuind s se mul umeasc ,
mai degrab , cu estimarea acestuia. În acest capitol vom aborda dou categorii de rela ii
asociate trendurilor:
a. func ii matematice;
b. rela ii recurente.
b. Exprimarea trendurilor prin rela ii recurente. Trendul unei serii de timp poate fi
descris i printr-o rela ie de recuren între valoarea unui termen i cele ale unor
termeni anteriori. Acestea pot fi stabilite prin tehnici relativ simple (de exemplu,
ajust ri prin medii mobile simple, ponderate, exponen iale etc.) sau destul de complexe
(de exemplu, procedee specifice regresiilor).
Capitolul 2
Obiectul analizei trendurilor seriilor de timp
Analiza trendurilor seriilor de timp are numeroase utiliz ri. În acest capitol vom prezenta
succint trei dintre acestea:
a. delimitarea între influen ele principalelor categorii de factori ce ac ioneaz asupra unui
fenomen;
b. aprecierea sensului evolu iei unui fenomen;
c. prognozele pe baza extrapol rii trendurilor.
b. Aprecierea sensului evolu iei unui fenomen. În raport cu sensurile în care evolueaz
fenomenele studiate pot fi delimitate trei categorii de tendin e:
i. tendin e orizontale;
ii. tendin e ascendente;
iii. tendin e descendente.
4.5500
4.5100
4.4700
CURSL_EURM
4.4300
4.3900
4.3500
Sep-13 Feb-14 Jul-14 Dec-14 May-15
4.7000
4.6500
4.6000
CURSL_EURM
4.5500
Trend liniar
4.5000
4.4500
4.4000
Jul-15 Dec-15 May-16 Oct-16 Mar-17 Aug-17 Jan-18
3.9000
3.7000
CURSL_EURM
3.5000
Trend liniar
3.3000
3.1000
Jan-05 May-05 Sep-05 Jan-06 May-06 Sep-06 Jan-07 May-07
14
SL.UEM.TOTL.ZS
11
Trend liniar
Prognoza
8
5
1991 1995 1999 2003 2007 2011 2015 2019
Figura 2.4. Extrapolarea trendului ratei omajului din Europa Central i rile baltice
(SL.UEM.TOTL.ZS) din perioada 1991 – 2017 pentru anii 2018 i 2019
Sursa datelor: https://data.worldbank.org
În Figura 2.4. este reprezentat evolu ia ratei omajului din Europa Central i rile
baltice (calculat ca o pondere a num rului de omeri în totalul for ei de munc ) din
perioada 1991 – 2017. O previziune a valorilor acestui indicator pentru anii 2018 i 2019
poate fi ob inut prelungind linia trendului seriei de timp c tre ace ti ani.
Capitolul 3
Estimarea trendurilor liniare prin regresii simple
3.1. Coresponden a dintre parametrii unui trend liniar i
ecua ia unei regresii simple
El ( yt i ) = β 0 + β1 × ti (3.1.)
în care:
- El ( yt i ) este valoarea trendului liniar al variabilei yi pentru termenul cu num rul de
ordine i;
- ti este valoarea variabilei timp pentru termenul cu num rul de ordine i;
- 0 este o constant care reflect valoarea trendului liniar atunci când variabilei t i se
atribuie valoarea nul ;
- 1 (numit i panta ecua iei trendului) este un coeficient asociat variabilei timp care
indic varia ia valorii trendului atunci când t cre te cu o unitate.
Formula (3. 1.) poate fi asimilat ecua iei unei regresii simple liniare care reflect
dependen a variabilei studiate de factorul timp:
yi = yˆ i + ε i = β 0 + β1 × ti + ε i (3.2.)
unde:
- yi este valoarea empiric (furnizat de observa ii) a variabilei dependente;
- yˆ i = β 0 + β1 × ti = El ( yti ) este valoarea func iei matematice asociate regresiei ob inut
în raport cu valoarea ti a variabilei independente;
- i este un termen eroare (diferen a dintre valoarea dat de func ia de regresie i cea
empiric , furnizat de observa ii), presupus a avea o distribu ie normal cu media
aritmetic zero i o varian care nu depinde de valoarea variabilei predictor.
Metoda celor mai mici p trate ofer formule de calcul pentru coeficien ii ecua iei de
regresie. Panta ecua iei de regresie ( 1) se poate estima prin rela ia:
N N N
N× yi × t i − yi × ti
βˆ1 = i =1
N
i =1
N
i =1
(3.3.)
N× t −(
i
2
ti ) 2
i =1 i =1
unde N este num rul de termeni ai seriei de timp asociate variabilei yi.
Dup stabilirea valorii pantei ecua iei trendului se poate estima constanta 0 prin formula:
unde
- y este media aritmetic a valorilor variabilei yi;
- t este media aritmetic a valorilor variabilei ti.
Pentru analiza unui trend este important de estimat ce propor ie din valoarea variabilei
dependente ar putea fi atribuit influen ei variabilei timp. Aceast propor ie poate fi
estimat prin intermediul coeficientului de determinare (R2) dat de rela ia:
N
( yˆi − y ) 2
R2 = i =1
N (3.5.)
( yi − y ) 2
i =1
Coeficientul de determinare poate lua valori în intervalul [0; 1]. Cu cât valorile sale sunt
mai apropiate de 1 (sau, într-o form procentual , 100%), cu atât trendul de ine o pondere
mai mare în valorile seriei de timp analizate.
Evident, o analiz riguroas ar implica, pe lâng estimarea coeficien ilor func iei de
regresie, investigarea autocorela iei termenilor seriei precum i testarea normalit ii i
heteroskedasticit ii valorilor termenului eroare. Totu i, atunci când nu este necesar o
acurate e deosebit pentru rezultatele cercet rii, se poate trece peste aceste exigen e
(Montgomery et al., 2015).
Exemplul 3.1. În Tabelul 3.1. este prezentat o serie de timp care descrie evolu ia
ponderii datoriei guvernamentale în produsul intern brut pentru cele 28 de ri membre
ale Uniunii Europene în perioada 2007 – 2016. Se cere s se determine, prin intermediul
unei regresii simple, valorile trendului liniar al acestei serii.
Tabelul 3.1. Evolu ia ponderii datoriei guvernamentale în produsul intern brut al statelor
UE - 28 în perioada 2007 – 2016
An Datorie guvernamental general
brut – pondere în PIB (yi) [%]
2007 57,5
2008 60,7
2009 72,7
2010 78,3
2011 81,0
2012 83,7
2013 85,6
2014 86,5
2015 84,5
2016 83,2
Sursa datelor: http://ec.europa.eu/eurostat/data
Tabelul 3.2. Calcule intermediare pentru determinarea ecua iei trendului liniar
An Datorie Variabila (ti2 )
guvernamental independent ( yi × ti ) [%]
general brut (ti)
– pondere în
PIB (yi) [%]
(0) (1) (2) (3) = (1) × ( 2) (4)=(2)2
2007 57,5 1 57,5 1
2008 60,7 2 121,4 4
2009 72,7 3 218,1 9
2010 78,3 4 313,2 16
2011 81,0 5 405,0 25
2012 83,7 6 502,2 36
2013 85,6 7 599,2 49
2014 86,5 8 692,0 64
2015 84,5 9 760,5 81
2016 83,2 10 832,0 100
Total 773,7 55 4501,1 385
Simbol N N N N
total yi ti yi × t i ti2
i =1 i =1 i =1 i =1
N
ti
55
t= i =1
= = 5,5%
N 10
El ( yt i ) = 60,986 + 2,979 × ti
Introducând, în formula acestei func ii, valorile variabilei t pentru termenii seriei rezult
valorile anuale ale trendului (Tabelul 3.3.).
Tabelul 3.3. Valori lunare ale trendului liniar al ponderii datoriei guvernamentale în
produsul intern brut
An Variabila
independent Trend liniar
(ti) ( El ( yt i ) ) [%]
90
80 y
70 Trend liniar
60
50
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Figura 3.1. Trendul liniar al ponderii datoriei guvernamentale în produsul intern brut
pentru UE-28 în perioada 2007 - 2016
Sursa datelor: http://ec.europa.eu/eurostat/data
total ( yˆi − y ) 2 ( yi − y ) 2
i =1 i =1
N
( yˆi − y ) 2
732,04
R2 = i =1
N
= = 0,7435
984,54
( yi − y ) 2
i =1
Se poate aprecia, pe baza acestui indicator, c factorul timp este responsabil de 74,35%
din varia ia variabilei dependente.
Calculele asociate estim rii trendurilor prin regresii pot fi simplificate prin intermediul
unor func ii oferite de programul Microsoft Excel. Vom prezenta, în continuare, câteva
dintre acestea:
- func ia TREND;
- func ia FORECAST
- func iile INTERCEPT i SLOPE.
TREND(valorile variabilei y, valorile variabilei timp ata ate lui y, valoarea variabilei
timp pentru termenul cu rangul i)
Exemplul 3.2. Se vor estima, prin func ia TREND, valorile trendului liniar al seriei de
timp din Exemplul 3.1.
Rezolvare: Pentru început, înscriem, în dou coloane dintr-o foaie de lucru Excel,
valorile variabilei y i cele ale variabilei timp (Figura 3.1.). Valorile trendului liniar vor fi
determinate într-o coloan al turat în care, în celula corespunz toare primului termen
vom introduce, pe rând:
- semnul ‚=” urmat de denumirea func iei;
- adresele celulelor în care sunt înscrise valorile variabilei y (litera C, corespunz toare
coloanei, a fost încadrat cu simbolul „$” astfel încât intervalul valorilor lui y s nu se
modifice odat cu translatarea pe coloan );
- adresele celulelor în care sunt înscrise valorile variabilei timp (din acela i motiv ca în
cazul variabilei y, litera D, corespunz toare coloanei, a fost încadrat cu simbolul „$”);
- adresa celulei primului termen al variabilei y.
Figura 3.1. Utilizarea func iei TREND pentru estimarea unui trend liniar
Sursa datelor: http://ec.europa.eu/eurostat/data
Valoarea pentru primul termen se ob ine aplicând, expresiei înscrise în celul , tasta
„ENTER”. Dup calculul trendului liniar pentru primul termen, formula func iei se aplic
termenilor ulteriori, prin translatare pe coloan , rezultând, în final, acelea i valori ca în
cazul Exemplului 3.1. (Figura 3.2.).
Figura 3.2. Valori ale trendului liniar calculate prin func ia TREND
Sursa datelor: http://ec.europa.eu/eurostat/data
3.2.2. Func ia FORECAST
Principiul de aplicare al func ia FORECAST este foarte asem n tor celui al func iei
TREND. Atunci când se estimeaz , pentru un termenul cu rangul i, valoarea trendului
liniar al unei variabile y, se utilizeaz sintaxa:
Dup determinarea valorii func iei pentru primul termen, formula de calcul poate fi
extins , prin translatare, c tre restul seriei.
Exemplul 3.3. Prin intermediul func iei FORECAST se vor estima valorile trendului
liniar al seriei de timp din Exemplul 3.1.
Figura 3.3. Utilizarea func iei FORECAST pentru estimarea unui trend liniar
Sursa datelor: http://ec.europa.eu/eurostat/data
Rezolvare: La fel ca în exemplul anterior, începem prin a înscrie, în dou coloane ale
unei foi de lucru Excel, valorile variabilei y i cele ale variabilei timp (Figura 3.3.). O
coloan al turat va fi destinat valorilor trendului liniar calculate prin func ia
FORECAST. În aceast coloan , în celula corespunz toare primului termen, preciz m,
pe rând:
- semnul ‚=” urmat de denumirea func iei;
- adresa celulei primului termen al variabilei y;
- adresele celulelor în care sunt înscrise valorile variabilei y (litera B, corespunz toare
coloanei, a fost încadrat cu simbolul „$”);
- adresele celulelor în care sunt înscrise valorile variabilei timp (litera C,
corespunz toare coloanei, a fost încadrat cu simbolul „$”).
Se aplic , apoi, tasta „ENTER” pentru a ob ine valoarea trendului pentru primul termen
al seriei.
Odat determinat valoarea trendului liniar pentru primul termen, formula de calcul se
aplic , prin translatare, celorlal i termeni ai seriei. Se ob in, astfel, valori identice celor
rezultate în Exemplele 3.1. i 3.2. (Figura 3.4.).
Figura 3.4. Valori ale trendului liniar calculate prin func ia FORECAST
Sursa datelor: http://ec.europa.eu/eurostat/data
Coeficien ii unei regresii simple liniare, 0 i 1, pot fi determina i, relativ simplu, prin
intermediul func iilor Excel INTERCEPT i SLOPE. Pentru a ob ine valoarea constantei
0, asociat trendului liniar al unei variabile, y se recurge la func ia INTERCEPT cu
sintaxa:
Panta aceluia i trend poate fi estimat prin func ia SLOPE, cu o sintax asem n toare:
Exemplul 3.4.: Trendul liniar al seriei de timp din Exemplul 3.1. va fi estimat prin
intermediul func iilor Excel INTERCEPT i SLOPE.
Rezolvare: Dup înscrierea, în dou coloane ale unei foi de lucru Excel, a valorilor
variabilelor y i t, calcul m, într-o celul separat , valoarea constantei 0 prin func ia
INTERCEPT (Figura 3.5.).
Figura 3.5. Utilizarea func iei INTERCEPT pentru estimarea constantei 0 a unui trend
liniar
Sursa datelor: http://ec.europa.eu/eurostat/data
Figura 3.6. Utilizarea func iei SLOPE pentru estimarea pantei 1 a unui trend liniar
Sursa datelor: http://ec.europa.eu/eurostat/data
Dup determinarea celor doi coeficien i, trecem la calculul valorii trendului pentru
primul termen al seriei de timp. Înscriem, în celula corespunz toare, elementele formulei
de calcul, derivat din rela ia 3.1. (Figura 3.7.). Atunci când se precizeaz adresele
valorilor coeficien ilor 0 i 1, literele care desemneaz coloanele sunt încadrate cu
simbolul „$”.În acest mod, atunci când formula de calcul va fi extins prin translatare pe
coloan , cei doi coeficien i î i vor p stra valorile.
Figura 3.7. Estimarea, prin intermediul func iilor Excel INTERCEPT i SLOPE, a
valorii trendului liniar pentru primul termen al unei serii de timp
Sursa datelor: http://ec.europa.eu/eurostat/data
Formula de calcul aplicat pentru primul termen este extins , prin translatare pe coloan
la termenii ulteriori rezultând, astfel, valorile trendului liniar (Figura 3.8.).
Figura 3.8. Estimarea, prin intermediul func iilor Excel INTERCEPT i SLOPE a
trendului liniar al unei serii de timp
Sursa datelor: http://ec.europa.eu/eurostat/data
3.2. Testarea semnifica iei unui trend liniar
Într-o analiz de regresie se obi nuie te testarea ecua iei ob inute pentru a se aprecia
m sura în care aceasta reflect rela ia dintre valorile efective ale variabilelor studiate. În
cazul analizei trendurilor, testarea semnifica iei ofer indicii asupra gradului în care
valorile unei variabile urmeaz o anumit tendin . Vom aborda, în acest capitol, dou
dintre formele de testare a semnifica iei unui trend liniar:
a. testarea semnifica iei ecua iei de regresie în ansamblu;
b.testarea separat a semnifica iei fiec rui coeficient al ecua iei de regresie.
H 0 : β 0 = β1 = 0
sau, altfel spus, niciuna dintre valorile coeficien ilor ecua iei (3.1.) nu difer semnificativ
de zero.
H A : β 0 ≠ 0, sau , β1 ≠ 0
adic , altfel spus, cel pu in unul dintre coeficien ii ecua iei (3.1.) difer semnificativ de
zero.
b. Testarea separat a semnifica iei fiec rui coeficient al ecua iei de regresie. Pentru
a aprecia semnifica ia unui coeficient j (în cazul unei regresii simple liniare j = 0 sau 1)
al unei ecua ii de regresie se aplic un algoritm asem n tor celui descris mai devreme. Se
porne te de la formularea unei ipoteze nule:
H0 : β j = 0
c reia i se opune ipoteza alternativ :
HA :βj ≠ 0.
ansele ca ipoteza nul s fie adev rat pot fi apreciate prin distribu ia probabilistic t.
Pentru analiza sensului evolu iei unui fenomen c ruia i-a fost asociat un trend liniar este
deosebit de important testarea semnifica iei coeficientului 1. Atunci când acesta nu
difer semnificativ de zero se poate concluziona c fenomenul are o tendin orizontal .
Calculele, destul de laborioase, asociate celor dou modalit i de testare a unei ecua ii de
regresie pot fi substan ial simplificate prin utilizarea unor programe specializate. De
exemplu, programul Microsoft Excel ofer pachetul de analiz „Data Analysis” care
permite o apreciere rapid a semnifica iei ecua iei unui trend.
Rezolvare: Dup ce valorile variabilelor y i t au fost înscrise în dou coloane ale unei
foi de lucru Excel alegem, din pachetul de analiz „Data Analysis”, componenta
„Regression” (Figura 3.9.).
Dup ce aplic m un „click” asupra op iunii „OK” se deschide o list a datelor solicitate
pe care o complet m dup cum urmeaz :
- în sec iunea „Input Y Range” introducem adresele celulelor unde au fost înscrise
valorile variabilei y i a celei în care a fost trecut eticheta (denumirea) acesteia;
- în sec iunea „Input X Range” introducem adresele celulelor unde au fost înscrise
valorile variabilei t i a celei în care a fost trecut eticheta acesteia;
- marc m articolul „Labels” care indic , pentru prima celul asociat unei
variabile, prezen a etichetei;
- în sec iunea „New Worksheet Ply” înscriem denumirea foii de lucru unde vor fi
afi ate valorile parametrilor regresiei;
- marc m articolul „Residuals” pentru a ob ine valorile trendului i pe cele ale
termenului eroare (Figura 3.10.).
La final, dup ce aplic m un alt „click” asupra op iunii „OK”, rezultatele sunt afi ate în
noua foaie de lucru (Figura 3.11.). Coeficientul de determinare (R2), calculat în Exemplul
3.1. este prezentat aici sub denumirea „R square”. Valorile trendului liniar al variabilei y
apar, în acest caz, sub titlul „ Predicted y” iar cele ale termenului eroare sub cel de
„Residuals”
Începem prin a aprecia semnifica ia ecua iei de regresie în ansamblu. Stabilim un nivel de
semnifica ie de 5%. Pentru ipoteza nul :
H 0 : β 0 = β1 = 0
probabilitatea furnizat de testul F apare sub denumirea „Significance F”. Valoarea
acesteia, de 0,001328, sau 0,1328% este mai mic decât nivelul de semnifica ie. În
consecin , respingem ipoteza nul i o accept m pe cea alternativ ceea ce înseamn c ,
în ansamblu, ecua ia trendului este semnificativ .
Figura 3.11. Parametrii unui trend liniar ob inu i prin pachetul de analiz „Data
Analysis”
Sursa datelor: http://ec.europa.eu/eurostat/data
testul t ofer o probabilitate ce apare într-o celul aflat la intersec ia aceluia i rând care
începe cu denumirea „INTERCEPT” i a unei coloane cu denumirea „P-value”.
Deoarece valoarea acesteia, de aproximativ 0%, este mai mic decât nivelul de
semnifica ie de 5% respingem ipoteza nul acceptând-o în schimb, pe cea alternativ care
afirm c 0 difer semnificativ de zero.
Valoarea pantei 1 apare într-o celul aflat la intersec ia unui rând care începe cu
denumirea „t” (eticheta variabilei timp) i a coloanei cu denumirea „Coefficients”.
Formul m ipoteza nul :
H 0 : β1 = 0
pentru care testul t furnizeaz o probabilitate ce apare într-o celul aflat la intersec ia
aceluia i rând care începe cu denumirea „t” i a unei coloane cu denumirea „P-value”. A
rezultat o probabilitate de 0,1328%, evident mai mic decât nivelul de semnifica ie de
5%, ceea ce conduce la respingerea ipotezei nule. Se accept , în consecin , ipoteza
alternativ c 1 difer semnificativ de zero.
Valoarea semnificativ pozitiv a pantei 1 a ecua iei trendului liniar estimat pentru
variabila y indic o tendin ascendent .
Bibliografie
Aadland, D. (2002). Detrending time-aggregated data. Economics Research Institute
Study Paper, 5, 1. ftp://129.123.19.10/RePEc/usu/pdf/ERI2002-05.pdf
Anderson, T. W. (2011). The statistical analysis of time series. John Wiley & Sons, New
York.
Bianchi, M., Boyle, M., & Hollingsworth, D. (1999). A comparison of methods for trend
estimation. Applied Economics Letters, 6(2), 103-109.
https://c.mql5.com/forextsd/forum/141/3.pdf
Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis:
forecasting and control. John Wiley & Sons, New York.
Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting. Third
Edition. Springer.
Chatfield, C. (2016). The analysis of time series: an introduction, Sixth Edition. Chapman
& Hall/CRC, New York.
Doane, D. P., & Seward, L. E. (2013). Applied statistics in business and economics.
Fourth Edition, McGraw-Hill/Irwin, New York.
Hamilton, J. D. (1994). Time series analysis, Princeton University Press, New Jersey.
Mansfield, E. (1994). Statistics for Business and Economics. Fifth Edition, W.W. Norton
& Company, New York.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series
analysis and forecasting. Second Edition. John Wiley & Sons, Inc., Hoboken, New
Jersey.
Nelson, C. R., & Plosser, C. R. (1982). Trends and random walks in macroeconomic time
series: some evidence and implications. Journal of Monetary Economics, 10(2), 139-162.
http://www.ccee.edu.uy/ensenian/catmetec/material/Plosser.PDF
Pollock, D. S. G., Green, R. C., & Nguyen, T. (Eds.). (1999). Handbook of time series
analysis, signal processing, and dynamics. Academic Press, San Diego.
Stefanescu, R., & Dumitriu, R. ( 2017). Ajustarea seriilor de timp financiare, Partea întâi
(Smoothing of Financial Time Series, Part 1) SSRN Papers.
https://ssrn.com/abstract=2953390
Stock, J. H., & Watson, M. W. (1988). Variable trends in economic time series. Journal
of Economic Perspectives, 2(3), 147-174.
Swift, L., & Piff, S. (2014). Quantitative methods: for business, management and finance.
Forth Edition. Palgrave Macmillan, New York.
Verbeek, M. (2012). A guide to modern econometrics. Fourth Edition, John Wiley &
Sons, New York.
Zhao, S., & Wei, G. W. (2003). Jump process for the trend estimation of time series.
Computational Statistics & Data Analysis, 42(1-2), 219-241.
http://users.math.msu.edu/users/wei/PAPER/p86.pdf