Ekonometri

Proceset stokastike
Java 9
Çështjet
1.Proceset stokastike stacionare
2.Testi Dickey-Fuller dhe ADF
3.Disa procese të dalluara të SK
Proceset stokastike stacionare
Përkufizim: Një bashkësi (familje) ndryshoresh të rastit
{ , t me vlera në R e indeksuar nga parametri “kohë” t quhet proces stokastik
ose proces rasti.
….. ,,,…
Nqs T është bashkësi diskrete, atëherë { , t quhet process stokastik me kohë
diskrete.
Nqs T është bashkësi e vazhduar, atëherë { , t quhet process stokastik me kohë
të vazhduar.
Kështu, seria kohore nuk është gjë tjetër veçse një realizim i procesit stokastik.
Nga procest stokastike, do veçojmë proceset stacionare.
Proceset stokastike stacionare
Përkufizim:Një process stokastik , t=1,2,.. është strikt stacionar nëse
shpërndarja probabilitare e përbashkët e çdo k vrojtimeve
(, ,….. ) është e njëjtë me shpërndarjen e (, ,….. ) , për çdo k dhe l.

Inferenca statistikore është më e lehtë kur procesi stokastik është

stacionar, pra kur shpërndarja e tij nuk ndryshon me kalimin e kohës.
Proceset stokastike stacionare
Stacionariteti strikt është vështirë për tu testuar apo vërtetuar, ndaj
mjaftohemi me stacionaritetin e dobët.

Përkufizim.Një proces është stacionar i dobët atëherë kur funksionet e

mesatareve, variancave dhe autokovariancave nuk ndryshojnë (varet
vetëm nga numri i vonesave kohore dhe jo nga t), pra:
1.E}==c
2.Var}=c dhe
3.cov(, )=(k)
Proceset stokastike stacionare
Përse janë seritë stacionare kaq të rëndësishme?
Nëse një seri nuk është stacionare, ne mund të studiojmë sjelljen e saj
vetëm për periudhën e kohës që kemi marrë në shqyrtim.
Kjo do të thotë se nuk është e mundur përgjithësimi i rezultateve për
periudhat e tjera kohore.
Si rrjedhim, për qëllime të parashikimit, seritë jo stacionare kanë pak
vlerë praktike.
Proceset stokastike stacionare

Praktikisht, nëse ne duam të kuptojmë marrëdhënien mes dy ose më

shumë ndryshoreve duke përdorur analizën regressive, ne na duhet të
pranojmë një marrëdhënie stabiliteti mes ndryshoreve gjatë kohës.

Nëse mendojmë se marrëdhënia ndryshon arbitrarisht gjatë kohës, ne e

kemi të pamundur të mësojmë shumë rreth asaj se sa ndryshimi në një
variabël shkakton ndryshim tek variabli tjetër duke pasur vetëm një
realizim të serisë kohore.
Paraqitje grafike e proceseve stacionare dhe jo
stacionare
Paraqitje grafike e proceseve stacionare dhe jo
stacionare
Paraqitje grafike e proceseve stacionare dhe
jo stacionare
Diferencimi i serisë kohore

Nëse një seri nuk është stacionare, atëherë ajo duhet transformuar
për ta kthyer në stacionare.
Hapi i parë për këtë, është ndërtimi i serive me “vonesë kohore”.
Seria ose X(-1) quhet seri me një vonesë kohore dhe kështu me rradhë.
Seritë me vonesa kohore merren në shqyrtim në disa raste:
• Në gjetjen e serive në diferencë
• Në rastet e shqyrtimit të modeleve kur vlerat e përparme të një serie
ndikojnë në vlerat më pas me një ose disa vonesa kohore.
Diferencimi i serisë kohore
Për të transformuar një seri nga jo stacionare në stacionare, bëhet
veprimi i diferencimit.
Këtu po shohim ndërtimin e serisë në diferencë të parë.
Kur flasim për një seri kohore në diferencë të parë, kemi parasysh një
seri e cila është e ndërtuar kështu:
Seria në kohë t minus Serinë në kohën t-1, pra:
d()=
Në momentin kur një seri kohore vendoset në diferencë, ka një shans të
lartë që ti kemi korrigjuar mungesën e stacionaritetit
Gjithsesi, mbetet për tu kontrolluar….
Diferencimi i serisë kohore
Nëse seria në diferencë të parë nuk është stacionare, atëherë me qëllim
që ta bëjmë stacionare duhet ta diferencojmë atë, pra bëjmë
diferencimin e serisë në diferencë.Këtë e quajmë seri në diferencë të
dytë të serisë fillestare (pra d(d()).
Kemi:
d()==

d() = - =- ( - ) = -
Shembull

Last updated: 01/13/16 - 10:52 Last updated: 01/13/16 - 10:53

Modified: 1983Q1 1987Q4 // shitjet1=shitjet(-1) Modified: 1983Q1 1987Q4 // dshitjet=d(shitjet)
Viti 3-mujori Kodi Shitjet
2006 1 1 20.96 1983Q1 NA NA
2 2 21.4 1983Q2 20.96 0.44
3 3 21.96 1983Q3 21.4 0.56
4 4 21.52 1983Q4 21.96 -0.44
2007 1 5 22.39 1984Q1 21.52 0.87
2 6 22.76 1984Q2 22.39 0.37
3 7 23.48 1984Q3 22.76 0.72
4 8 23.66 1984Q4 23.48 0.18
2008 1 9 24.1 1985Q1 23.66 0.44
2 10 24.01 1985Q2 24.1 -0.09
3 11 24.54 1985Q3 24.01 0.53
4 12 24.3 1985Q4 24.54 -0.24
2009 1 13 25 1986Q1 24.3 0.7
2 14 25.64 1986Q2 25 0.64
3 15 26.36 1986Q3 25.64 0.72
4 16 26.98 1986Q4 26.36 0.62
2010 1 17 27.52 1987Q1 26.98 0.54
2 18 27.78 1987Q2 27.52 0.26
3 19 28.24 1987Q3 27.78 0.46
4 20 28.78 1987Q4 28.24 0.54
Seria Last updated: 01/13/16 - 10:52
Modified: 1983Q1 1987Q4 // shitjet1=shitjet(-1)

1983Q1 NA
1983Q2 20.96
1983Q3 21.4
1983Q4 21.96
1984Q1 21.52
1984Q2 22.39
1984Q3 22.76
1984Q4 23.48
1985Q1 23.66
1985Q2 24.1
1985Q3 24.01
1985Q4 24.54
1986Q1 24.3
1986Q2 25
1986Q3 25.64
1986Q4 26.36
1987Q1 26.98
1987Q2 27.52
1987Q3 27.78
1987Q4 28.24
Seria në diferencë të parë
Last updated: 01/13/16 - 10:53
Modified: 1983Q1 1987Q4 // dshitjet=d(shitjet)

NA
0.44
0.56
-0.44
0.87
0.37
0.72
0.18
0.44
-0.09
0.53
-0.24
0.7
0.64
0.72
0.62
0.54
0.26
0.46
0.54
Dickey-Fuller (DF) tests
Hipoteza bazë dhe alternative shtrohen si më poshtë:
: I(1) (Seria {}, t=1,2,…k, nuk është stacionare)
: I(0) (Seria {}, t=1,2,…k, është stacionare)

Nëse Hipoteza bazë është e vërtetë, Dickey dhe Fuller ndërtuan testin
statistikor si dhe tabelën e vlerave kritike mbi bazën e Monte Carlo
simulations
Dickey-Fuller (DF) tests
Procedura e testit:
Testimi konsiston në kryerjen e vlerësimit OLS të modeleve të
mëposhtme:
= (1)
me konstante: = (2)
me konstante rreth trendit stokastik:
= (3)

dhe testimit nëse parametri i është apo jo zero

DF test
Nëse hipoteza bazë hidhet poshtë atëherë seria është stacionare me
mesatare zero në rastin (1), jo zero në rastin (2) dhe stacionare rreth
trendit determinist në rastin (3).
Në rastin DF test, termat e gabimit janë të pakorreluara.
Në rastin kur janë të korreluara, DF ndërtuan ADF test.
Edhe në këtë rast testimi, përdoren të njëjtat vlera kritike.
Testi Dickey-Fuller
Kriteri: Hipoteza bazë hidhet poshtë nëse p-vlera .
P-vlera, del në outputin nga softi i përdorur.
Problemet:
DF test paraqet këto dy probleme:
• Në presencë të autokorrelacionit të termit të gabimit, shpërndarja e
statistikës DF varet nga autocovariancat e
• Ka fuqi të ulët në rastet kur procesi është stacionar, me rrënjë afër 1
(pra më të vogla se 1).
ADF test
ADF test, në dallim nga DF tests, konsideron procesin AR(p) në vend të
AR(1).
Ky test bazohet tek vlerësimi OLS i modelit të mëposhtëm:

: I(1) (Seria nuk është stacionare)

: I(0) (Seria është stacionare)

Testi statistikor: ADF= ka të njëjtën shpërndarje si DF test

Testi Augmented Dickey-Fuller
Vlerat kritike të kësaj shpërndarje janë të tabeluara.
Kriteri: Hipoteza bazë hidhet poshtë nëse p-vlera .

P- vlera del në outputin e softit statistikor që përdoret dhe prej këtu

vendoset për kontrollin.
Disa procese stokastike
Modelimi i serive kohore ka tërhequr vemendjen e komunitetit të
studiuesve gjatë dekadave të fundit
Modelimi i serive kohore realizohet nga mbledhja e të dhënave dhe
studimi i tyre me qëllimin për të ndërtuar një model të përshtatshëm
për të përshkruar strukturën e serisë nëpërmjet të dhënave kohore të
kaluara.
Modeli përdoret më pas për të gjeneruar vlera të serisë në të ardhmen
nëpërmjet të dhënave të serisë pra, për të bërë parashikime.
Disa procese stokastike
Modelet që do paraqesim më poshtë, kanë rëndësi të madhe në
modelimin e proceseve në botën reale.
Zhurma e bardhë/White noise
Një proces {} quhet Zhurmë e Bardhë (white noise (WN) process), nëse
është një varg ndryshoresh rasti, me mesatare zero, variancë konstante
dhe kovariancë mes ndryshoreve të barabartë me zero, pra:
Nëse një process është “Zhurmë e Bardhë”, atëherë:
• E()==0
• varianca konstante Var()=
• dhe Cov(, )=0 për çdo k>0.
• Ndryshoret kanë të njëjtën shpërndarje
Zhurma e Bardhë (WN) PROCES
• Proceset Zhurma e bardhë janë:
• Procese stacionare të dobëta
• Procese pa memorie
• Na ndihmojnë për të ndërtuar modele më të komplikuara.

26
Images for WN
Mesatarja rrëshqitëse me rend p
Një process stokastik quhet process i Mesatares Rrëshqitëse të rendit p
nëse:
=++, ku {} është “zhurmë e bardhë”

Në bazë të përkufizimit strikt të stacionaritetit, meqë kanë të njëjtën

shpërndarje kemi që procesi MA(p) është stacionar.

Një process stokastik quhet process i Mesatares Rrëshqitëse të rendit 1

(MA(1)) nëse: =+
Proceset autoregresive
Nisemi nga {} që është një proces “zhurmë e bardhë”, me mesatare
zero, e variancë konstante
Përkufizim: Proces Autoregresiv i rendit p (AR(p) ) quhet:

=+

Siç shihet, këto procese tregojmë influencën e vlerave të serisë nga

periudhat e kaluara
Proceset AR(1)
AR(1) Proces autoregresiv i rendit të parë:

Kushti <1 , quhet kusht i stabilitetit dhe procesi në këtë rast quhet
proces autoregresiv i qendrueshëm i rendit të parë.
Në rastin e procesit AR(1), nëse:
<1 – procesi është stacionar
=1 – procesi nuk është stacionar
>1 – procesi quhet “shpërthyes”
Proceset AR(1)
Në rastin kur AR(1) është stacionar, kemi:
E

Var ( meqë dhe të pavarura

Prej këtu: Var ((1)

Corr(,)= dhe në veçanti: Corr(,)=

Kështu është koeficienti i korrelacionit ndërmjet çdo dy kufizave ngjitur në këtë

varg.
Përcaktimi se kur seria AR (1) është I(1)
• Nëse < 1, atëherë seria është stacionare
• Nëse =1, atëherë seria nuk është stacionare
• Bazuar në të dhënat e zgjedhjes, si rregull mund të përdoret:
>0.9 ose >0.8 atëherë seria nuk është stacionare pra duhet të
diferencohet për të arritur në stacionaritet.
Proceset jo stacionare
Mgjs interesi ynë janë seritë stacionare, shpesh ndeshemi me seritë jo
stacionare.
Një shëmbull i serive jo stacionare është modeli “Ecje e Rastësishme”
(Random Walk).
Çmimet e aksioneve si dhe të kurset e këmbimit janë shembuj të
proceseve Ecje e Rastësishme.
Dallojmë 2 tipe të proceseve Ecje e Rastësishme:
1.Ecje e Rastësishme pa konstante
2.Ecje e Rastësishme me konstante
Ecja e rastësishme/Random walk
Ecje e Rastësishme pa konstante:
,

ku është WN dhe vlera fillestare është e pavarur prej

për t . Prej modelit RW mund të shkruajmë:

= +
= + +
Prej këtu: +
Ecja e rastësishme (RW)
Të gjejmë fillimisht vlerën e pritshme të .
Kemi:
,

Kjo do të thotë se mesatarja e këtij procesi nuk ndryshon në kohë.

Në veçanti, nëse =0, kemi që: ==0

Ecje e rastësishme
Po çfarë ndodh me variancën?

Var

=Var+ t Var() = t , meqë është konstante (jo rastësore) dhe në

përgjithësi vlera e saj merret 0.

Kjo do të thotë se, varianca e procesit RW rritet me kalimin e kohës.

Ecje e rastësishme

Gjithashtu:
Corr(=
Kjo do të thotë se korrelacioni varet nga pika e nisjes, jo vetëm nga h

Si përfundim, procesi Random Walk nuk është stacionar.

Ecje e Rastësishme
Ecje e Rastësishme me konstante:

Prej këtu, = + t = t
Var t
Siç shihet, në këtë rast mesatarja dhe varianca rriten me kalimin e
kohës.
Proceset RW njihen si procese me një rrënjë njësi
Proceset stokastike me një rrënjë njësi

Nëse në procesin AR(1):

Kemi = 1, atëherë përftojmë Ecje e rastësishme (RW).

Rasti me = 1 njihet si rasti me rrënjë njësi.Emri rrënjë njësi lidhet me
faktin që = 1.
Kështu, termat: jo stacionare, RW dhe rrënjë njësi janë sinonime.
Images for RW
Proceset e integruara të rendit p
Nëse një seri kohore jo-stacionare duhet të diferencohet “p” herë për
të arritur në stacionaritet atëherë seria thuhet se është e integruar e
rendit p dhe shënohet I(p).Në këtë rast thuhet se ajo ka p rrënjë njësi
(unit roots)
Nëse kemi: Y(t) I(0) themi se seria është e integruar e rendit 0, pra
është stacionare.
Kjo do të thotë se nuk kemi nevojë ta transformojmë para se ta
përdorim në analizën regresive.
Ushtrime
ADF test
: I(1) (Seria nuk është stacionare)
: I(0) (Seria është stacionare)
-shkalla e inflacionit 1959-1995
1.Me konstante
P=0.3358>=0.05
Hipoteza bazë nuk hidhet dot poshtë
2.Me trend dhe konstante
P=0.7892>=0.05
Hipoteza bazë nuk hidhet dot poshtë
Ushtrime
d()==
Pas diferencimit, seria d() rezulton stacionare sepse p=0.000<0.05
Ushtrime

ADF test
: I(1) (Seria nuk është stacionare)
: I(0) (Seria është stacionare)
- te ardhurat reale per fryme 1959-1995
1.Me konstante
P=0.8141>=0.05
Hipoteza bazë nuk hidhet dot poshtë
2.Me trend dhe konstante
P=0.6272>=0.05
Hipoteza bazë nuk hidhet dot poshtë
Ushtrime

d()==
Pas diferencimit, seria d() rezulton stacionare sepse p=0.0001<0.05