Modele liniare de serii de timp

ARMA-ARIMA

Departamentul de Statistică și Econometrie

Academia de Studii Economice din București
Facultatea de Cibernetică, Statistică și Informatică Economică
www.dse.ase.ro
ARMA 1

1. Modele Auto Regressive Moving Average

▪ Peter Whittle (1953): The Analysis of Multiple Stationary Time Series.

Serii de timp
ARMA 2
Definiție (Procese liniare):

▪ X t este un proces liniar dacă are reprezentarea: X t =  +  ai t −i ,
i =−

unde filtrul ( ai )i este absolut sumabil (i.e. a
i =−
i   ) și ( t )t este un

zgomot alb: ( t )t WN (0,  2 ) .

 
▪ E ( X t ) =  , Cov ( X t , X t + ) = 
2
  a a 1( = i − j ) .
i =− j =−
i j

Definiție (Procese integrate):

▪ X t este un proces integrat de ordinul d ( X t I (d ) ), dacă
(1 − L)d −1 X t este nestaționar și (1 − L)d X t este staționar.

Exemplu: White noise - I(0), random walk - I(1).

Serii de timp
ARMA 3

Definiție (MA(q)):
▪ X t este un proces MA (q) dacă:

X t =  t + 1 t −1 ++ q t −q =  ( L) t ,

unde  ( L) = 1 + 1L ++ q Lq este polinomul de medie

mobilă, ( t )t WN (0,  2 ) și L este operatorul de întîrziere.

▪ MA (q) este un proces staționar

▪ E( X t ) = 0 .

Serii de timp
ARMA 4
▪ Funcția de autocovarianță a unui proces MA(q) ( 0 = 1 ):
 q q

  = Cov ( X t , X t + ) = Cov   i t −i ,   j  t + − j  =
 i =0 j =0  .
q −| |
Cov (  t −i ,  t + − j ) =  ii +| | , |  | q
q q

 
i =0 j =0
i j
i =0
2

▪ Funcția de autocorelație a unui proces MA(q) ( 0 = 1 ):

q −| |

   i i +| |
 = = i =0

Var ( X t ) Var ( X t + )
q


i =0
i
2

 = 0,|  | q .

Serii de timp
ARMA 5
Exemplu pentru un proces MA(1)

▪ X t =  t −1 +  t , 1 =  / (1 +  2 ) ;  = 0,  1 .

1/  
▪ Yt = (1/  ) t −1 +  t , 1 = = .
1 + (1/  ) 1 +  2
2

▪ X t și Yt au aceleași proprietăți stochastice.

▪ Problemă de identificare!!!

▪ 1 + 1 z ++ q z q  0  | z | 1 , i.e.  ( L) este inversabil.

Serii de timp
ARMA 6
 1 =  / (1 + 
 ).
2

▪ ACF: 
  k = 0, k  1


11 = 1

 1 1
  0 2
▪ PACF: 22 = 1 =− 1 2 .
 1 1 1 − 1
...........



Serii de timp
ARMA 7

ACF pentru un proces MA(1) proces cu  = 0.5 (stînga) și  = −0.5

(dreapta).

SFEacfma1

Serii de timp
ARMA 8

ACF pentru un proces MA(2) cu 1 = 0.5,  2 = 0.4 (stînga sus),

1 = 0.5,  2 = −0.4 (dreapta sus), 1 = −0.5,  2 = 0.4 (stînga jos),
1 = −0.5,  2 = −0.4 (dreapta jos). SFEacfma2
Serii de timp
ARMA 9
Definiție (AR(p)):
▪ X t este un proces AR(p) dacă:

X t =  + 1 X t −1 ++  p X t − p +  t ,

unde  ( L) = 1 − 1L −−  p Lp este polinomul autoregresiv,

( t )t WN (0,  2 ) și L este operatorul de întîrziere.

▪ Xt AR( p)   ( L) X t =  +  t .

Teoremă: X t este staționar dacă toate rădăcinile polinomului

autoregresiv se află în afara cercului unitate.

▪  ( z ) = 0 | z | 1
▪  | z | 1  ( z) = 1 z ++  p z p  0 .
Serii de timp
ARMA 10
▪ Dacă X t este staționar, atunci există un filtru invers  ( L) a.î.
−1

 ( L) −1 ( L) = 1
 .
 −1 ( L) = a0 + a1 L + a2 L2 + =  ai Li
i =0
▪ Descompunerea Wold:
 
X t =  (1) +  ( L) t =  ai  +  ai Li t .
−1 −1

i =0 i =0

▪ X t admite o reprezentare a MA: X t MA() .

Serii de timp
ARMA 11
▪ Funcția de autocovarianță a unui proces AR(p):
E  X t X t −  = E (1 X t −1 ++  p X t − p ) X t −  =
.
= 1E  X t −1 X t −  ++  p E  X t − p X t − 
▪ Dacă  = 0 :
  = Cov ( X t , X t − ) = E  X t X t − 
1 0 + 2 1 + +  p p −1 =  1
1 1 + 2 0 + +  p p − 2 =  2
.

1 p −1 + 2 p −2 + +  p 0 =  p

Serii de timp
ARMA 12
▪ Funcția de autocorelație a unui proces AR(p):

▪ Ecuațiile Yule-Walker:  = R
▪  = ( 1 , 2 ,,  p ) ,  = (1 , 2 ,,  p )

 1 1  p −1 

1 1  p −2 
▪ R= .
 
 
  p −1  p−2 1 

Serii de timp
ARMA 13
Exemplu: AR(1) cu  = 0 : X t =  X t −1 +  t .
▪ 1 −  z = 0  z = 1/  .
▪ | z | 1 |  | 1 .

▪  ( L) = 1 −  L,  −1 ( L) =  i Li .
i =0

▪ Reprezentarea MA: X t =  
i =0
i
t −i .

▪ ACF:  =  .
11 = 1 = 

  − 2 2 −2
▪ PACF: 22 = 2 21 = =0 .
 1 − 1 1− 2
kk = 0, k  1

Serii de timp
ARMA 14
Exemplu: AR(2) cu  = 0 : X t = 1 X t −1 + 2 X t −2 +  t .
Ecuația autoregresivă: 1 − 1 z − 2 z = 0 .
2
▪
▪ Procesul AR(2) este staționar dacă z1  1, z2  1 .

1 12 1
▪ z1,2 = −  + 2 , z1 z2 = −1/ 2 .
22 42 1
2

▪ Triunghiul de staționaritate:

2
1 + 2  1

1 − 2  1 1
  −1
 2

Serii de timp
ARMA 15

 1 = 1 / (1 − 2 )

▪ ACF:   2 = 1 1 + 2 .
  =   +   ,  2
  1  −1 2  −2

 1
11 = 1 = 1 − 
 2

 1 1

   2  2 − 12
▪ PACF: 22 = 1 = = 2 .
 1  1 1 − 1
2

 1 1

kk = 0, k  2


Serii de timp
ARMA 16

ACF pentru un proces AR(1) cu  = 0.9 (stînga) și  = −0.9

(dreapta).
SFEacfar1

Serii de timp
ARMA 17

ACF pentru un proces AR(2) cu 1= 0.5, 2 = 0.4 (stînga sus),

1 = 0.5, 2 = −0.4 (dreapta sus), 1 = −0.5, 2 = 0.4 (stînga jos),
1 = −0.5, 2 = −0.4 (dreapta jos). SFEacfar2

Serii de timp
ARMA 18

PACF pentru un proces AR(2) cu1 = 0.5, 2 = 0.4 (stînga sus),

1 = 0.5, 2 = −0.4 (dreapta sus), 1 = −0.5, 2 = 0.4 (stînga jos),
1 = −0.5, 2 = −0.4 (dreapta jos). SFEpacfar2
Serii de timp