Introducere în analiza trendului, Partea întâi

R zvan tef nescu

Ramona Dumitriu

Rezumat

Analiza trendului este o component important a unei investiga ii asupra

evolu iei unei variabile. Rezultatele acesteia pot servi în aprecierea
tendin ei fiind utile, totodat , în prognoze. În aceast lucrare este abordat
estimarea trendurilor seriilor de timp prin intermediul regresiilor simple.

Electronic copy available at: https://ssrn.com/abstract=3128521

 Capitolul 1
Considera ii generale asupra estim rii trendului unei
serii de timp
În general, în analiza evolu iei unei variabile transpus într-o serie de timp sunt
delimitate influen ele a patru categorii de factori:
- factori cu ac iune constant , de durat ;
- factori sezonieri, cu un impact regulat, care se repet la perioade mai mici de un an:
semestre, trimestre, luni, zile, ore etc.;
- factori ciclici, având, de asemenea, un impact regulat care se repet îns la perioade
mai mari de un an;
- factori cu ac iune aleatorie, cu un impact neregulat, dificil de prev zut.

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.

a. Func ii matematice asociate trendurilor. Trendul unei serii de timp poate fi

exprimat prin dependen a valorilor fa de scurgerea timpului. Rela iei de dependen îi
pot fi asociate diferite tipuri de func ii matematice: liniare, polinomiale, exponen iale,
logaritmice etc. ai c ror parametri pot fi determina i prin metode specifice regresiilor
(de exemplu, metoda celor mai mici p trate). În ce prive te elementul timp, acesta
poate fi exprimat prin valori numerice care reflect pozi ionarea cronologic a
termenilor seriei de timp (Hamilton, 1994; Montgomery et al., 2015; Brockwell &
Davis, 2016; Chatfield, 2016). În general, termenii seriilor de timp sunt dispu i la
distan e cronologice egale ceea ce face ca diferen ele dintre valori numerice asociate
termenilor consecutivi s fie egale. De exemplu, pentru o serie de timp ce descrie
evolu ia datoriei externe pe termen lung a României în perioada august – decembrie
2017 s-a atribuit, pentru primul termen, valoarea 1, diferen a dintre doi termeni
consecutivi fiind de o unitate (Tabelul 1.1.).

Electronic copy available at: https://ssrn.com/abstract=3128521

 Tabelul 1.1. Evolu ia datoriei externe pe termen lung a României în perioada august –
decembrie 2017
Luna Datorie extern pe termen lung Variabil a
(DE6L_DTML) [mil. euro] timpului (ti)
Aug. 2017 69527,10 1
Sep. 2017 68661,20 2
Oct. 2017 69559,00 3
Nov. 2017 69353,90 4
Dec. 2017 68754,20 5
Sursa datelor: http://www.bnro.ro

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.

a. Delimitarea între influen ele principalelor categorii de factori. În analiza unei

evolu ii este important , pe lâng stabilirea impactului factorilor esen iali, cunoa terea
tendin elor sezoniere i ciclice precum i a efectelor factorilor cu ac iune aleatorie. Pentru
multe metode de investigare delimitarea acestor influen e este întreprins dup ce, în
prealabil, a fost estimat trendul seriei de timp.

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.

i. Evolu ii cu tendin e orizontale. O tendin orizontal descrie evolu ia unei variabile

care fluctueaz în jurul unei valori medii. În acest caz se poate considera c seria de timp
nu are un trend semnificativ, variabila fiind sta ionar . O astfel de tendin indic
stabilitatea seriei de timp. De exemplu, în perioada septembrie 2013 – iunie 2015 cursul
valutar mediu lunar RON/EUR a avut o evolu ie relativ sta ionar , fluctuând între 4,3951
i 4,5219 RON/EUR (Figura 2.1.).

4.5500

4.5100

4.4700
CURSL_EURM
4.4300

4.3900

4.3500
Sep-13 Feb-14 Jul-14 Dec-14 May-15

Figura. 2. 1. Exemplu de tendin relativ orizontal : evolu ia cursului valutar mediu

lunar RON/EUR (CURSL_EURM) în perioada septembrie 2013 – iunie 2015
Sursa datelor: http://www.bnro.ro

ii. Evolu ii cu tendin e ascendente. O serie de timp cu tendin ascendent corespunde

unei cre teri semnificative a variabilei pentru ansamblul perioadei analizate. De exemplu,
în perioada februarie 2015 – ianuarie 2018, moneda na ional a României s-a depreciat
accentuat în raport cu cea european astfel încât cursul valutar mediu lunar RON/EUR a
crescut de la 4,422 la 4,650 RON/EUR (Figura 2.2.).

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

Figura. 2. 2. Exemplu de tendin ascendent : evolu ia cursului valutar mediu lunar

RON/EUR (CURSL_EURM) în perioada iulie 2015 – ianuarie 2018
Sursa datelor: http://www.bnro.ro

iii. Evolu ii cu tendin e descendente. O tendin descendent survine atunci când

valorile seriei de timp descresc semnificativ pe ansamblul perioadei studiate. De
exemplu, în perioada ianuarie 2005 – iunie 2007 leul românesc s-a apreciat considerabil
în raport cu euro provocând o sc dere de la 3,6982 la 3,2264 RON/EUR a cursului
valutar mediu lunar (Figura 2.3.).

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

Figura. 2. 3. Exemplu de tendin descendent : evolu ia cursului valutar mediu lunar

RON/EUR (CURSL_EURM) în perioada ianuarie 2005 – decembrie 2007
Sursa datelor: http://www.bnro.ro

c. Prognozele pe baza extrapol rii trendurilor. Atunci când nu se întrev d schimb ri

structurale în evolu ia unei variabile se poate considera c tendin a din trecut va continua
în viitor. În acest caz, extrapolarea trendului ofer o previziune asupra evolu iei viitoare
(Armstrong, 1984; Montgomery et al., 2015; Brockwell, & Davis, 2016). Evident, într-un
astfel de demers trebuie luate în considerare i componentele sezoniere sau ciclice, atunci
când acestea au un impact semnificativ.

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

Un trend liniar este descris de func ia matematic :

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:

βˆ0 = y − βˆ1 × t (3.4.)

unde
- y este media aritmetic a valorilor variabilei yi;
- t este media aritmetic a valorilor variabilei ti.

Dac valoarea estimat a coeficientului 1 nu difer semnificativ de zero se poate

considera c seria de timp are o tendin orizontal fluctuând în jurul constantei. O
valoare semnificativ pozitiv indic o tendin ascendent iar una semnificativ negativ o
tendin descendent .

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

Rezolvare: Pentru variabila ti au fost atribuite valori de la 1 la 10, cu diferen e de o

unitate între termenii succesivi. Pe baza acestora i a valorilor variabilei yi au fost
calcula i termenii formulelor de calcul a coeficien ilor ecua iei trendului liniar (Tabelul
3.2.).

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

Sursa datelor: http://ec.europa.eu/eurostat/data

Rezult o valoare estimat a pantei ecua iei trendului:

 N N N
N× yi × t i − yi × ti
10 × 4501,1 − 773,7 × 55
βˆ =
1
i =1 i =1 i =1
= = 2,979%
N N
10 × 385 − (55) 2
N× ti2 − ( ti ) 2
i =1 i =1

Valoarea pozitiv ob inut sugereaz o tendin ascendent a seriei de timp.

Pentru a estima valoarea coeficientului 0 începem prin a calcula media aritmetic a

valorilor variabilei dependente:
N
yi
773,7
y= i =1
= = 77,37%
N 10

Trecem apoi la determinarea mediei aritmetice a valorilor variabilei independente:

N
ti
55
t= i =1
= = 5,5%
N 10

Aplicând formula (3.4.) rezult :

βˆ0 = y − β1 × t = 77,37 − 2,979 × 5,5 = 60,986%

Am ob inut, astfel, un trend liniar descris de func ia:

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 ) ) [%]

(0) (1) (2)

2007 1 63,97
2008 2 66,94
2009 3 69,92
2010 4 72,90
2011 5 75,88
2012 6 78,86
2013 7 81,84
2014 8 84,82
2015 9 87,80
2016 10 90,77
Sursa datelor: http://ec.europa.eu/eurostat/data

Valorile variabilei y i ale trendului acesteia sunt prezentate în Figura 3.1.

100

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

Trecem, apoi, la stabilirea valorii coeficientului de determinare asociat regresiei. În

Tabelul 3.4. sunt prezentate calculele intermediare pentru termenii formulei (3.5.).

Tabelul 3.4. Calcule intermediare pentru stabilirea valorii coeficientului de determinare

An ( ( yˆi − y ) 2 ) Valori empirice ( ( yi − y ) 2 )
Trend liniar ( yˆi ) [(%)2] (yi) [%]
[(%)2]
[%]

(0) (1) (2) (3) (4)

2007 63,97 179,68 57,5 394,82
2008 66,94 108,70 60,7 277,89
2009 69,92 55,46 72,7 21,81
2010 72,90 19,96 78,3 0,86
2011 75,88 2,22 81,0 13,18
2012 78,86 2,22 83,7 40,07
2013 81,84 19,96 85,6 67,73
2014 84,82 55,46 86,5 83,36
2015 87,80 108,70 84,5 50,84
2016 90,77 179,68 83,2 33,99
Total x 732,04 x 984,54
Simbol x N x N

total ( yˆi − y ) 2 ( yi − y ) 2
i =1 i =1

Sursa datelor: http://ec.europa.eu/eurostat/data

Rezult , astfel, o valoare a coeficientului de determinare:

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.

3.2. Estimarea trendurilor liniare prin func ii Excel

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.

3.2.1. Func ia TREND

Cu ajutorul func iei TREND poate fi determinat valoarea trendului liniar pentru un
termen cu rangul i al unei serii de timp ce descrie evolu ia unei variabile y. Sintaxa
func iei este:

TREND(valorile variabilei y, valorile variabilei timp ata ate lui y, valoarea variabilei
timp pentru termenul cu rangul i)

Prin translatare, calculul poate fi extins la to i termenii seriei.

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:

FORECAST(valoarea variabilei timp pentru termenul cu rangul i, valorile variabilei y,

valorile variabilei timp ata ate lui y).

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

3.2.3. Func iile INTERCEPT i SLOPE

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:

INTERCEPT(valorile variabilei y, valorile variabilei timp ata ate lui y).

Panta aceluia i trend poate fi estimat prin func ia SLOPE, cu o sintax asem n toare:

SLOPE(valorile variabilei y, valorile variabilei timp ata ate lui y).

Cunoscând valorile coeficien ilor 0 i 1 se poate trece, cu ajutorul formulei (3.1.), la

determinarea valorilor trendului liniar.

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

Determin m, în continuare, prin func ia SLOPE, valoarea pantei 1 (Figura 3.6.).

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.

a. Testarea semnifica iei ecua iei de regresie în ansamblu. Demersul de a testa

semnifica iei ecua iei de regresie în ansamblu porne te de la formularea unei ipoteze nule
(H0):

H 0 : β 0 = β1 = 0

sau, altfel spus, niciuna dintre valorile coeficien ilor ecua iei (3.1.) nu difer semnificativ
de zero.

Ipotezei nule îi opunem o alta, numit alternativ (HA):

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.

În demersul de judecat asupra veridicit ii ipotezei nule se adopt un nivel de

semnifica ie, care indic probabilitatea minim pentru care ipoteza nul ar putea fi
acceptat . De regul , acesta se stabile te la 5%. Ceva mai rar sunt utilizate i niveluri de 1
sau 10%. Pentru a aprecia ansele ca ipoteza nul s fie adev rat poate fi utilizat
distribu ia probabilistic F.

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.

Exemplul 3.5.: Prin intermediul pachetului de analiz „Data Analysis” al programului

Microsoft Excel vom testa semnifica ia trendului liniar al seriei de timp din Exemplul
3.1.

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.).

Figura 3.9. Alegerea, din pachetul de analiz „Data Analysis”, a componentei

„Regression”
Sursa datelor: http://ec.europa.eu/eurostat/data

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.).

Figura 3.10. Introducerea datelor în componenta „Regression”

Sursa datelor: http://ec.europa.eu/eurostat/data

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

Proced m, în continuare, la testarea semnifica iei coeficien ilor 0 i 1, estima i în

Exemplul 3.1., adoptând acela i nivel de semnifica ie de 5%. Valoarea constantei 0, este
prezentat într-o celul aflat la intersec ia rândului care începe cu denumirea
„INTERCEPT” i a coloanei cu denumirea „Coefficients”. Pentru ipoteza nul :
H 0 : β0 = 0

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.

Armstrong, J. S. (1984). Forecasting by extrapolation: Conclusions from 25 years of

research. Interfaces, 14(6), 52-66. https://repository.upenn.edu/marketing_papers/77

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.

Granger, C. W., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of

Econometrics, 2(2), 111-120.

Gujarati, D. N. (2009). Basic econometrics. Fourth Edition, Tata McGraw-Hill

Education, New York.

Hamilton, J. D. (1994). Time series analysis, Princeton University Press, New Jersey.

Lawrence, K. D., Klimberg, R. K., & Lawrence, S. M. (2009). Fundamentals of

forecasting using Excel. Industrial Press, Inc., New York.

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.

Pollock, D. S. G. (2001). Methodology for trend estimation. Economic Modelling, 18(1),

75-96.
https://pdfs.semanticscholar.org/bba6/05cd90bdaabb5e1f2c3b392645f3fc6c617b.pdf

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.

Wegner, T. (2007) Applied Business Statistics: Methods and Excel-based applications.

Second Edition. Juta & Co. Ltd., Cape Town.

Weiers, R. (2011) Introduction to Business Statistics. Seventh Edition. Cengage

Learning.

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