u = N

u = i

u = 2
u = 1
Unit
statistiche
u
y
N1

y
i1

y
21
y
11
t = T t = j t = 2
...
t = 1
Tempo t
y
NT
y
Nj
y
N2
y
iT
y
ij
... y
i2
...
y
2T
y
2j
y
22
y
1T
y
1j
y
12
Variabile Y
cross section
time series
panel data
(dati misti)
Raffaele Scuderi
Introduzione allanalisi delle serie storiche economiche
Approccio classico
Stima del trend-ciclo
1. Metodo grafico
2. Metodo delle medie mobili semplici (in caso di stagionalit)
3. Metodo dei rapporti lordi/rapporti netti di stagionalit (in caso di
stagionalit)
4. Metodo analitico
5. Metodo delle medie mobili ponderate.
Approccio moderno
Approccio classico
Levoluzione temporale dei
fenomeni di natura deterministica
Il tempo viene trattato, direttamente o
indirettamente, come variabile dipendente
Errori del modello parte residuale (approccio decompositivo)
Approccio moderno
Levoluzione temporale dei
fenomeni di natura stocastica
I dati sono originati da un processo
generatore, che pu essere mimato a
partire dalle rilevazioni a disposizione
Il tempo solamente il parametro in base al quale
vengono ordinati i dati. Ci che importa risalire al loro
processo generatore.
Errori del modello sono considerati generatori del processo di base
Obiezione: I FATTI ECONOMICI AVVENGONO NEL
TEMPO, MA NON SONO SPIEGATI DA QUESTO!!!
Processo stocastico
Approccio moderno
Processo stocastico
E una famiglia di variabili casuali descritte dal parametro t (indicante il tempo)
QUINDI
Serie storica
Realizzazione finita di un processo stocastico
Realizzazione di un processo stocastico continuo a parametro discreto
ma tutto ci non sufficiente!!!
Approccio moderno
Caratteristiche del processo stocastico
Necessarie perch si possa passare dalla serie al processo
Stazionariet
- In senso forte
- In senso debole
= ) (
t
X E
2 2
) ( o =
t
X E
) ( ) )( ( k X X E
k t t
=

Si ha stazionariet in senso forte quando le n
realizzazioni campionarie (Yt1, Yt2, , Ytn)
hanno la stessa funzione di ripartizione delle
realizzazioni campionarie (Yt1+, Yt2+, ,
Ytn+) ossia di variabili casuali traslate di una
quantit > 0 rispetto alle precedenti.
Approccio moderno
Caratteristiche del processo stocastico
Necessarie perch si possa passare dalla serie al processo
Invertibilit
- Propriet connessa con la prevedibilit dei processi, in quanto
- consiste nella possibilit di esplicitare y
t
tramite una funzione
convergente delle variabili casuali precedenti listante t.
Stazionariet ed invertibilit
non si implicano
in alcun modo!!!
Approccio moderno
Caratteristiche del processo stocastico
Necessarie perch si possa passare dalla serie al processo
P.S. Gaussiano
Un processo stocastico X
t
definito processo Gaussiano se e solo se,
per ogni k-upla (t
1
, , t
k
) e per ogni k 1, la distribuzione di (X
t
1
, ,
X
t
k
) quella di una v.c. multivariata Normale.
Si dimostra che in un processo gaussiano la stazionariet in senso
debole ed in senso forte coincidono.
Approccio moderno
Caratteristiche del processo stocastico
Necessarie perch si possa passare dalla serie al processo
Ergodicit
Consente di inferire da una successione di dati su alcune funzioni-
momento del processo (convergenza dei momenti campionari ai
momenti del processo).
Approccio moderno
Stazionariet: rimedi
Stazionariet: il modello White Noise - WN
$
t
~ WN (0, B
2
)
iid
media pari a zero
varianza costante e finita
incorrelate
Come rendere stazionaria una serie che non lo ?
= ) (
t
X E
2 2
) ( o =
t
X E
) ( ) )( ( k X X E
k t t
=

x
t
= & + $
t
Applicazione di FILTRI:
- alle differenze, per serie non stazionarie in media
- trasformazione logaritmica, per le serie non stazionarie in varianza
Raffaele Scuderi
Introduzione allanalisi delle serie storiche economiche
Approccio moderno
Ogni processo stocastico stazionario in senso debole Xt pu essere
decomposto in due processi mutualmente incorrelati, dove il primo (G
t
)
una componente deterministica, ed il secondo (A
t
) una componente
aleatoria, sequenza infinita di variabili casuali incorrelate:
Il teorema di Wold
X
t
= G
t
+ A
t

=

= + + + =
0
2 2 1 1 0
...
j
j t j t t t t
A c v c v c v c v
1
0
= v
( ) + <

2
j
v
Approssimato da un
polinomio finito (la
serie viene troncata
al lag q)
( ) ( ) [ ]

=
+ + =
1
cos sen
j
j j j j t
t t G | o t s s
j
0
Approccio moderno
Il processo AR (AutoRegressive autoregressivo) - IDENTIFICAZIONE
Figure tratte da: Pankratz A., Forecasting with Univariate Box - Jenkins
Models: Concepts and Cases, John Wiley & Sons
Approccio moderno
Il processo MA (moving average a media mobile) - IDENTIFICAZIONE
Figure tratte da: Pankratz A., Forecasting with Univariate Box - Jenkins
Models: Concepts and Cases, John Wiley & Sons
Approccio moderno
Il processo ARMA/ARIMA
Partendo dai dati, come determinare il modello che pi
compiutamente mimi il processo stocastico generatore?
Algoritmo di Box e Jenkins
Identificazione
O
Stima
O
Verifica del modello
Approccio moderno
Il processo ARMA/ARIMA
Algoritmo di Box e Jenkins
1. IDENTIFICAZIONE
a. Verifica della stazionariet della serie, ed
eventuale integrazione
b. Esame dei correlogrammi per dedurre
lordine del processo
Figure tratte da: Pankratz A., Forecasting with Univariate Box - Jenkins
Models: Concepts and Cases, John Wiley & Sons
Approccio moderno
Il processo ARMA/ARIMA
Algoritmo di Box e Jenkins
2. STIMA
Casi pi semplici:
Procedure iterative. Si sceglie il modello con il SSR pi piccolo
e comunque:
Minimi Quadrati Non Lineari
Metodo pi utilizzato: Marquardts compromise combinazione del metodo di
Gauss-Newton e del metodo del gradiente.
3. VERIFICA DEL MODELLO
- test di significativit sui parametri
- analisi dei residui (verificarne la normalit, lomoschedasticit e
lincorrelazione)
- bont delladattamento
Procedura TRAMO-SEATS (Gomez V. e Maravall A., 1994)
1.TRAMO - Time series Regression with Arima noise, Missing observations and Outliers
2.SEATS - Signal Extraction in Arima Times Series
Fonte: GUIDA ALLUTILIZZO DI TRAMO-SEATS PER LA DESTAGIONALIZZAZIONE
DELLE SERIE STORICHE, dal sito internet www.istat.it