Sei sulla pagina 1di 16

Variabile Y

Tempo t

time series

t = 1

t = 2

t = j

t = T

 

y

11

y

12

y

1j

y

1T

y

21

y

22

y

2j

y

2T

 

y

i1

y

i2

y

ij

y

iT

 

y

N1

y

N2

y

Nj

y

NT

u

u

= 1

= 2

Unità

statistiche

u u = i

u = N

cross section

Raffaele Scuderi Introduzione all’analisi delle serie storiche economiche

panel data (dati misti)

Approccio classico

1. Metodo grafico

Stima del trend-ciclo

2. Metodo delle medie mobili semplici (in caso di stagionalità)

3. Metodo dei rapporti lordi/rapporti netti di stagionalità (in caso di stagionalità)

4. Metodo analitico

5. Metodo delle medie mobili ponderate.

Approccio moderno

Obiezione: I FATTI ECONOMICI AVVENGONO NEL TEMPO, MA NON SONO SPIEGATI DA QUESTO!!!

Approccio classico

L’evoluzione temporale dei fenomeni è di natura deterministica

temporale dei fenomeni è di natura deterministica Il tempo viene trattato, direttamente o indirettamente, come
temporale dei fenomeni è di natura deterministica Il tempo viene trattato, direttamente o indirettamente, come

Il tempo viene trattato, direttamente o indirettamente, come variabile dipendente

Errori del modello parte residuale (approccio decompositivo)

Approccio moderno

L’evoluzione temporale dei fenomeni è di natura stocastica

I dati sono originati da un “processo generatore”, che può essere “mimato” a partire dalle rilevazioni a disposizione

“mimato” a partire dalle rilevazioni a disposizione Il tempo è “solamente” il parametro in base al
“mimato” a partire dalle rilevazioni a disposizione Il tempo è “solamente” il parametro in base al

Il tempo è “solamente” il parametro in base al quale vengono ordinati i dati. Ciò che importa è risalire al loro “processo generatore”.

che importa è risalire al loro “processo generatore”. Errori del modello sono considerati generatori del

Errori del modello sono considerati generatori del processo di base

Processo stocastico

Approccio moderno

Processo stocastico

E’ una famiglia di variabili casuali descritte dal parametro t (indicante il tempo)

Serie storica

QUINDI

Realizzazione finita di un processo stocastico

Realizzazione di un processo stocastico continuo a parametro discreto

… ma tutto ciò non è sufficiente!!!

Approccio moderno

Caratteristiche del processo stocastico Necessarie perché si possa passare dalla serie al processo

Stazionarietà

- In senso forte - In senso debole

processo Stazionarietà - In senso forte - In senso debole E X E X ( (
processo Stazionarietà - In senso forte - In senso debole E X E X ( (

E X

E X

(

(

t ) =µ

t

2

µ ) =

E ( X

t

µ

)( X

t k

2

)

µ =

( k )

Si ha stazionarietà 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 quantità > 0 rispetto alle precedenti.

Approccio moderno

Caratteristiche del processo stocastico

Necessarie perché si possa passare dalla serie al processo

Invertibilità

- Proprietà connessa con la prevedibilità dei processi, in quanto

- consiste nella possibilità di esplicitare y t tramite una funzione convergente delle variabili casuali precedenti l’istante t.

Stazionarietà ed invertibilità non si implicano in alcun modo!!!

Approccio moderno

Caratteristiche del processo stocastico

Necessarie perché si possa passare dalla serie al processo

P.S. Gaussiano

Un processo stocastico X t è definito processo Gaussiano se e solo se, per ogni k-upla (t 1 , …, t k ) e per ogni k 1, la distribuzione di (X t1 , …, X tk ) è quella di una v.c. multivariata Normale.

Si dimostra che in un processo gaussiano la stazionarietà in senso debole ed in senso forte coincidono.

Approccio moderno

Caratteristiche del processo stocastico

Necessarie perché si possa passare dalla serie al processo

Ergodicità

Consente di inferire da una successione di dati su alcune funzioni- momento del processo (convergenza dei momenti campionari ai momenti del processo).

Approccio moderno

Stazionarietà: “rimedi”

(

E X

t

E X

(

t

E ( X

t

) =µ

2

µ ) =

µ

)( X

t k

2

)

µ =

( k )

Come rendere stazionaria una serie che non lo è?

Applicazione di FILTRI:

- alle differenze, per serie non stazionarie in media - trasformazione logaritmica, per le serie non stazionarie in varianza

Stazionarietà: il modello White Noise - WN

x t = & + $ t

$ t ~ WN (0, B 2 )

- WN x t = & + $ t $ t ~ WN (0, B 2

iid media pari a zero varianza costante e finita incorrelate

Approccio moderno

Il teorema di Wold

Ogni processo stocastico stazionario in senso debole Xt può essere decomposto in due processi mutualmente incorrelati, dove il primo (G t ) è una componente deterministica, ed il secondo (A t ) è una componente aleatoria, sequenza infinita di variabili casuali incorrelate:

G

t

A

t

j = 1

+

[

(

)

+

= +

µ

j

s en

t

j

+

j

co s

=

0

t

1

t

1

2

t

2

+

=

0

(

j

1

) <+

2

X t = G t + A t

(

t

j

)]

=

j

j = 0

0

t j

j

2 X t = G t + A t ( t j ) ] = j

Raffaele Scuderi Introduzione all’analisi delle serie storiche economiche

Approssimato da un polinomio finito (la serie viene troncata al lag q)

Approccio moderno

Il processo AR (AutoRegressive – autoregressivo) - IDENTIFICAZIONE

AR ( AutoRegressive – autoregressivo) - IDENTIFICAZIONE Figure tratte da: Pankratz A., Forecasting with Univariate
AR ( AutoRegressive – autoregressivo) - IDENTIFICAZIONE Figure tratte da: Pankratz A., Forecasting with Univariate

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

MA ( moving average – a media mobile) - IDENTIFICAZIONE Figure tratte da: Pankratz A., Forecasting
MA ( moving average – a media mobile) - IDENTIFICAZIONE Figure tratte da: Pankratz A., Forecasting

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 più compiutamente “mimi” il processo stocastico generatore?

Algoritmo di Box e Jenkins

Identificazione

O

Stima

O

Verifica del modello

Approccio moderno

Il processo ARMA/ARIMA

Approccio moderno Il processo ARMA/ARIMA Algoritmo di Box e Jenkins 1. IDENTIFICAZIONE a. Verifica della stazionarietà

Algoritmo di Box e Jenkins 1. IDENTIFICAZIONE

a. Verifica della stazionarietà della serie, ed eventuale integrazione

b. Esame dei correlogrammi per “dedurre” l’ordine del processo

dei correlogrammi per “dedurre” l’ordine del processo Figure tratte da: Pankratz A., Forecasting with Univariate

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 più semplici:

Procedure iterative. Si sceglie il modello con il SSR più piccolo

… e comunque:

Minimi Quadrati Non Lineari

Metodo più utilizzato: “Marquardt’s compromise” combinazione del metodo di Gauss-Newton e del metodo del gradiente.

3. VERIFICA DEL MODELLO

- test di significatività sui parametri

- analisi dei residui (verificarne la normalità, l’omoschedasticità e l’incorrelazione)

- bontà dell’adattamento

Procedura TRAMO-SEATS (Gomez V. e Maravall A., 1994)

1.TRAMO - Time series Regression with Arima noise, Missing observations and Outliers

with Arima noise, Missing observations and Outliers 2.SEATS - Signal Extraction in Arima Times Series Fonte:

2.SEATS - Signal Extraction in Arima Times Series

Outliers 2.SEATS - Signal Extraction in Arima Times Series Fonte: GUIDA ALL’UTILIZZO DI TRAMO-SEATS PER LA

Fonte: GUIDA ALL’UTILIZZO DI TRAMO-SEATS PER LA DESTAGIONALIZZAZIONE DELLE SERIE STORICHE, dal sito internet www.istat.it