Procese staţionare

 Definiţie: Un caz particular de proces staţionar este procesul Zgomot

Alb (White Noise) care este un proces ce descrie o variabilă aleatoare
cu media zero şi varianţa constantă, dar fără o structură anume.
 Dacă t este un şir de variabile aleatoare necorelate (independente), fiecare cu
media zero şi varianţa constantă finită, atunci t este staţionar, fiind satisfăcute
condiţiile de staţionaritate, adică:
 E ( t ) = 0
 Var ( t ) =  2

cov( t ,  s ) = 0 , t  s
 Observaţie: Pentru un proces zgomot alb:
 2 , k = 0
 funcţia de autocovarianţă este: k = 
0 , k  0
1, k = 0
 funcţia de autocorelaţie este: k = 
0 , k  0
 Notaţie:  t ~ WN (0, 2 )
Proces stochastic nestaţionar
Definitie: O serie de timp y t este mers la întâmplare (Random Walk)
dacă:
yt = yt −1 +  t
unde y 0 este unnumăr real care indică valoarea de start a procesului şi  t
este zgomot alb.
Observatii:
1. Dacă  t are o distribuţie simetrică în jurul lui zero, atunci y t , condiţionat de
y t −1 , are şanse 50-50%, să crească sau să scadă, adică y t creşte sau scade la
întâmplare.
2. Modelul mers la întâmplare este un model de tip AR(1) cu  = 1 şi este o serie
nestaţionară cu o rădăcină unitară.
3. Procesul Random Walk este o serie staţionară în prima diferenţă deoarece
prima diferenţă a procesului yt − yt −1 =  t este un proces staţionar. Este o
serie I(1), adică integrată de ordinul 1.
Modele ARMA(p,q)
 Definiție: Un proces autoregresiv (AR) este un proces unde valoarea
curentă a lui y este influenţată de propriile valori din trecut şi de o
perturbaţie t:
yt = f ( yt −1 , yt − 2 , ) +  t

yt = a0 + a1  yt −1 + a2  yt − 2 +  + a p  yt − p

variabila aleatoare t este numită şi inovaţie, deoarece reprezintă partea

nepredictibilă a valorilor variabilei yt, date fiind valorile anterioare yt-1, yt-2, ….;

 Definiție: Un proces de medie mobilă (MA) este un proces unde

valoarea curentă (contemporană) a lui y este influenţată atât de valoarea
contemporană cât şi de valorile din trecut ale termenului inovaţie t:

yt = f ( t −1 ,  t − 2 , ) +  t

yt = a0 − b1 t −1 − b2 t − 2 −  − bq t − q +  t

Modele ARMA(p,q)
 Definiție: Un model de tip autoregresiv-medie mobilă ARMA(p,q) are o
componentă de tip autoregresiv respectiv o componentă de tip medie mobilă:
yt = f ( yt −1 , yt − 2 , ) + g ( t −1 ,  t − 2 , ) +  t

yt = a0 + a1 yt −1 + a2 yt − 2 +  + a p yt − p − b1 t −1 − b2 t − 2 −  − bq t − q +  t

 unde p este ordinul părţii autoregresive, q ordinul mediei mobile iar t este
un proces de tip zgomot alb (acesta fiind o succesiune de variabile
aleatoare independente şi identic repartizate, cu medie zero).
Funcția parțială de autocorelație (PAC)
 Observație: Coeficientul de autocorelaţie parţială măsoară efectul direct al
lui yt-k asupra variabilei yt (se izolează influenţa variabilei yt-k). Definiția
acestuia este similară cu a coeficientului de corelaţie parţială din
econometrie.
 Definiție: Coeficientul de autocorelaţie parțială între două variabile separate
de k unităţi de timp notat prin kk este coeficientul de regresie al variabilei yt-k
în modelul autoregresiv AR(k):
yt = k1 yt −1 + k 2 yt − 2 +  + kk yt − k +  t

şi măsoară informaţia adiţională adusă de variabila yt-k în explicarea

comportamentului prezent yt (cu câte unităţi se modifică yt dacă yt-k creşte cu
o unitate iar celelalte variabile yt-1, yt-2,…, yt-k+1 rămân nemodificate).
 Definiție: Funcția de autocorelație parțială constă în setul de
coeficienți kk, unde k=1,2,3,…
Estimarea coeficienților de autocorelație
parțială
 11 se estimează cu coeficientul de regresie a variabilei yt-1 în modelul AR(1):
yt = 11 yt −1 +  t  11 = corr ( yt , yt −1 ) = 1

 22 se estimează cu coeficientul de regresie a variabilei yt-2 în modelul AR(2):

yt = 21 yt −1 + 22 yt − 2 +  t  22 = corr ( yt , yt − 2 yt −1 )

Știind că:
r ( x, y ) − r ( x, z ) r ( y , z )
r ( x, y | z ) =  22 = (  2 − 12 ) /(1 − 12 )
1 − r ( x, z ) 1 − r ( y , z )
2 2

 kk se estimează cu coeficientul de regresie a variabilei yt-k în modelul AR(k):

yt = k1 yt −1 + k 2 yt − 2 +  + kk yt − k +  t
Estimarea funcției parțiale de autocorelație
 Observaţie: În practică (inclusiv în softurile de statistică) coeficienţii de
autocorelaţie parţială nu se determină prin modele de regresie ci se
folosesc ecuaţiile Yule-Walker, ce redau relaţiile dintre coeficienţii de
autocorelaţie şi coeficienţii de autocorelaţie parţială.
 Ecuaţiile Yule-Walker exprimă coeficienţii de autocorelaţie k sub
forma unor funcţii de coeficienţii autoregresivi i. Definim matricea
coeficienţilor liniari de autocorelaţie prin R(p), vectorul parametrilor
modelului prin  şi vectorul coeficienţilor de autocorelaţie prin .
0 1  p
R( p)   =  R( p) =
1 0 1  p −1
2 1  1
p  p −1  0

 Funcția parțială de autocorelație de selecție este mulțimea

coeficienților
{ˆ11 , ˆ22 ,...} = {ˆkk , k  1}
Testul de staționaritate (pentru o rădăcină unitară).
Testul Dickey-Fuller (Unit Root Test)
 Dacă în modelul de regresie
yt = yt −1 +  +  t
 găsim =1 , spunem că variabila are o rădăcină unitară.
yt = (  − 1) yt −1 +  t =  yt −1 +  t
 Ipoteza de rădăcină unitară (Unit Root)
 H0: seria are rădăcină unitară şi este nestaţionară ( =1 sau =0)
 H1: seria este staţionară ( 1 sau 0)
 Testul Dickey-Fuller (Unit Root Test)
 Dacă =1 sau =0 atunci seria nu este staţionară.
 Dacă 1 atunci seria este explozivă (tot nestaţionară; de regulă astfel de comportament nu este regăsit
în economie)
 Dacă 1 sau 0 atunci seria este staţionară.

 Statistica testului:  = DF = ˆ se(ˆ)

 Regula de decizie:
 Dacă |  calc |  |  crt | respingem H0 şi acceptăm că seria este staţionară.
 Dacă |  calc |  |  crt | acceptăm H0 că seria este nestaţionară.
Testul de staționaritate (pentru o rădăcină unitară).
Testul Dickey-Fuller (Unit Root Test)
 Dickey şi Fuller au propus trei ecuaţii de regresie diferite, care pot fi
folosite pentru a testa prezenţa unei rădăcini egale cu 1
 Test pentru un proces de mers la întâmplare, contra unui proces autoregresiv, de ordinul
întâi, AR(1), staţionar:
H 0 : yt = yt −1 +  t
H 1 : yt = yt −1 +  t ,   1 y t − y t −1 = (  − 1) y t −1 +  t  yt =  yt −1 +  t

 Test pentru un proces de mers la întâmplare, contra unui proces AR(1), staţionar, cu
deplasare
H 0 : yt = yt −1 +  t
H 1 : yt = yt −1 +  +  t ,   1 yt − yt −1 = (  − 1) yt −1 +  +  t  yt =  yt −1 +  +  t

 Test pentru un proces de mers la întâmplare, contra unui proces AR(1), staţionar, cu
deplasare şi trend în timp.
H 0 : yt = yt −1 +  t
H 1 : yt = yt −1 +  + t +  t ,   1
yt − yt −1 = (  − 1) yt −1 +  + t +  t  yt =  yt −1 +  + t +  t
Testul de staționaritate (pentru o rădăcină unitară).
Testul Dickey-Fuller (Unit Root Test)

 Parametrul de interes în toate cele trei ecuaţii de regresie este .

 Dacă o serie este staţionară, condiţia -1<<1 este echivalentă cu condiţia
de staţionaritate: .-2<<0.
 Dacă =0, seria conţine o rădăcină egală cu 1.
 Testul implică estimarea uneia din ecuaţiile de mai sus prin MCMMP, pentru
a obţine valorile estimate ale lui  şi eroarea standard asociată. Deoarece
termenul eroare este puţin probabil să fie un proces de zgomot alb, Dickey
şi Fuller au aplicat o procedură îmbunătăţită, care foloseşte p decalaje ale
variabilei dependente. Testul ADF include termeni AR(p) ai termenului yt în
cele trei modele alternative. Dacă termenul eroare este autocorelat, ultimul
din cele trei modele va fi:
p
yt =  yt −1 +  +  t +   i yt −i +  t
i =1
1. Analiza graficului unei serii de timp
 Graficele seriilor arată
că seriile au o tendinţă
crescătoare, deşi trendul
nu este neted.
 Se observă că media,
varianţa şi
autocovarianţele fiecărei
serii nu par a fi
invariante în raport cu
timpul. Aceste serii sunt
serii de timp
nestaţionare.

Sursa: Suport de curs Prof.univ.dr. Silvia Spataru

2. Analiza staţionarităţii seriei de timp
PIB, pe baza corelogramei seriei

Corelograma arată că seria PIB este nestaţionară.

Intervalul de incredere pentru coeficientii de
autocorelatie este:

(−1,96(0,1066),+1,96(0,1066))

Sursa: Suport de curs Prof.univ.dr. Silvia Spataru

3. Testul pentru staţionaritate sau pentru o
rădăcină egală cu 1,
Seria are Constantă dar nu si Trend

y t =  y t −1 +  t
 Dacă  = 0 , spunem că variabila are o
rădăcină unitară.

Nu putem respinge ipoteza nulă (acceptăm H0).

Există o rădăcină unitară, deci seria PIB este
nestaţionară.
3. Testul pentru staţionaritate sau pentru o
rădăcină egală cu 1
Seria are Constantă si Trend

p
yt =  yt −1 +  + t +   i yt −i +  t
i =1

 Dacă  = 0 , spunem că variabila are o

rădăcină unitară.

Nu putem respinge ipoteza nulă (acceptăm H0).

Există o rădăcină unitară, deci seria PIB este
nestaţionară.
Procese nestaționare
 Definiție: Un proces este nestaționar dacă nu verifică una sau mai multe
din cerinţele din definiția procesului staţionar.
 În economie majoritatea seriilor sunt nestaţionare, media respectiv varianţa
acestora nefiind constante în timp.

 Detectarea nestaţionarităţii:
 din cronogramă şi corelogramă: autocorelaţiile unei serii staţionare se apropie
rapid de zero, odată ce k creşte (tind exponenţial spre zero). Pentru o serie
nestaţionară autocorelaţiile sunt mari şi pozitive pentru un număr mare de valori
ale lui k.
 utilizarea unor teste de staţionaritate (numite şi teste de rădăcină unitate)
Serie nestaționară de tip TS (Trend Stationarity)
 Definiție: O serie nestaţionară este de tip TS dacă trendul este de
tip determinist şi se elimină prin scădere sau prin împărţire
y t =  +  t +  t t = 1,2,..., n;  t este zgomot alb
 Proprietăți:
 Media unei serii TS nu este constantă: E ( yt ) = E ( +  t +  t ) =  +  t

Varianța seriei este constantă în timp: Var ( yt ) = Var ( +  t +  t ) =  

2


 Covarianța este zero: cov( y t , y t + h ) = 0 ,  h  0

 Observații:
 Efectul produs de un șoc aleator este tranzitoriu, deci nu se acumulează în timp

 Staționarizarea se face prin estimarea trendului și eliminarea lui din seria

inițială
Serie nestaționară de tip DS (Differency Stationarity)
 Definiție: O serie nestaţionară este de tip DS dacă trendul este de
tip stochastic şi se elimină prin calculul diferențelor de ordinul 1 sau
mai mare decât 2
yt = yt −1 +  +  t t = 1,2,..., n;  t este zgomot alb

 Diferențele de ordin 1 și 2:
yt = yt − yt −1
2 yt = ( yt − yt −1 ) = yt − yt −1 = ( yt − yt −1 ) − ( yt −1 − yt − 2 ) = yt − 2 yt −1 + yt − 2

 Definiție: Dacă =1 spunem că yt are o rădăcină unitate

 Proprietăți:
 Media unei serii DS este variabilă în timp: E ( yt ) = y 0 +  t

Varianța seriei depinde de timp: Var ( yt ) = t 

2


Covarianța seriei nu este zero: cov( yt , yt + h ) = h    ,  h  0

2

Serie nestaționară de tip DS (Differency Stationarity)
 Observații:
 Termenul liber al seriei de tip DS nu este o constantă ci o realizare a variabilei
aleatoare yt

 Efectul produs de un șoc aleator nu este tranzitoriu ci de durată

 Staționarizarea se face prin aplicarea operatorului de diferențiere

Serii integrate
 Definiție:
 Spunem că seria yt este integrată de ordinul 1, sau conţine o rădăcină egală cu 1,
dacă este nestaţionară dar seria diferenţelor este staţionară. O astfel de serie se
notează prin yt  I(1).
 Spunem că seria yt este integrată de ordinul 2 dacă ea conţine două rădăcini egale cu
1 şi astfel, este necesară diferenţierea de două ori pentru a induce staţionaritatea. Se
notează prin yt  I(2).
 Spunem că seria yt este integrată de ordinul d dacă ea conţine d rădăcini egale cu 1
şi astfel, este necesară diferenţierea de d ori pentru a induce staţionaritatea. Se
notează prin yt  I(D).
 Observație:
 Ordinul de integrare al unei serii este egal cu numărul care arată de câte ori trebuie
diferenţiată seria pentru a deveni staţionară şi este egal cu numărul de rădăcini egale cu 1.
 Majoritatea seriilor de date economice conţin o singură rădăcină egală cu 1.
 Cele mai multe serii cronologice macroeconomice au tendinţă şi, în mod specific, ele
conţin trenduri stochastice.
Modele ARIMA
 Definiție: xt este un proces ARIMA(p,d,q) dacă:
 xt este o serie nestaționară
 xt devine staționară după d diferențieri
 d xt = (1-L)dxt este proces ARMA(p,q)

 Scrierea modelelor ARIMA folosind operatorul de diferențiere:

 ARMA(p,q): Yt = a1Yt −1 + a 2Yt −2 +  + a PYt − P − b1 t −1 − b2 t −2 −  − bq  t −q +  t
(1 − a L − a L
1 2
2
) ( )
−  − a p L p Yt = 1 − b1 L −  − bq Lq  t

 (L )Yt =  (L ) t
 (L ) = 1 − a1 L − a2 L2 −  − a p Lp
 ( L) = 1 − b1 L −  − bq Lq

ARIMA(p,d,q):  (L )(1 − L) X t =  (L ) t
d

Definiții, Notații
 Un proces autoregresiv
 AR (p): 𝑦𝑡 = 𝑎0 + 𝑎1 ⋅ 𝑦𝑡−1 + 𝑎2 ⋅ 𝑦𝑡−2 + ⋯ + 𝑎𝑝 ⋅ 𝑦𝑡−𝑝 + 𝜀𝑡

 Un proces de medie mobilă

 MA (q): 𝑦𝑡 = 𝑎0 − 𝑏1 𝜀𝑡−1 − 𝑏2 𝜀𝑡−2 − ⋯ − 𝑏𝑞 𝜀𝑡−𝑞 + 𝜀𝑡

 Un model de tip autoregresiv-medie mobilă

 ARMA(p,q): yt = a0 + a1 yt −1 + a2 yt − 2 +  + a p yt − p − b1 t −1 − b2 t − 2 −  − bq t − q +  t

 Un model integrat de tip autoregresiv-medie mobilă

ARIMA(p,d,q):  (L )(1 − L) X t =  (L ) t
d


 (L ) = 1 − a1 L − a2 L2 −  − a p Lp
 ( L) = 1 − b1 L −  − bq Lq
d xt = (1-L)dxt staționară
Teorema de descompunere a lui Wold
 Orice proces stochastic slab staţionar şi absolut nedeterminist (yt - )
poate fi reprezentat ca o combinaţie liniară (sau filtru liniar) de variabile
aleatoare necorelate.

yt −  =  t − b1 t −1 − b2 t − 2 −  =  j  t − j  0 = 1, j = −b j pentru j = 1,2,...
j =0 


j =0
2
j 

 teste un proces de zgomot alb (white noise), adică un şir de variabile

aleatoare independente, identic distribuite, cu media 0 şi varianţa 2.
Ponderile j sunt legate de autocorelaţiile lui yt prin relaţiile:

  j j +k

  0 =1
 k = k = j =0  2 , k  0
 0 1+   j
j =1