Econometria Universit di Bari Facolt di Economia

Dott.ssa Laura Serlenga Dispense #8 A.A. 2003-2004 2ndo semestre

1
ANALISI DELLE SERIE STORICHE
MODELLI ARMA PER SERIE STORICHE STAZIONARIE
Processo Moving Average (1)
(*)
1
+ + =
t t t
u u y
dove u
t
un processo white noise con media zero e varianza
u
2
. Si pu dimostrare
che il processo MA(1) stazionario (in senso debole) indipendentemente dal valore
assunto da . Se 1 < il processo MA(1) si dice invertibile e (*) pu essere
rappresentato da un processo AR()
( )( )
t t
u y L L L = + + ... 1
3 3 2 2

mentre se 1 la sequenza infinita sar non ben definita ed il processo MA(1) sar
non invertibile (le osservazioni di y pi distanti hanno leffetto maggiore su y
corrente).

Processo AutoRegressive (p)
t p t p t t t
u y y y y + + + + + =

...
2 2 1 1

dove u
t
un processo white noise con media zero e varianza
u
2

Se tutte le radici di
(+) 0 ... 1
2
2 1
=
p
p
z z z
cadono fuori dal circolo unitario il processo AR(p) stazionario.
Qualche regola utile:
1. condizione necessaria affinch tutte le radici nella (+) cadano al di fuori del
circolo unitario che

=
<
p
i
i
1
1
2. poich i valori di
i
possono essere sia positivi che negativi la condizione
sufficiente che

=
<
p
i
i
1
1
3. AR a radice unitaria almeno una radice e uguale a uno se

=
=
p
i
i
1
1
Econometria Universit di Bari Facolt di Economia
Dott.ssa Laura Serlenga Dispense #8 A.A. 2003-2004 2ndo semestre
2
MA(q)
q t q t t t t
u u u u y

+ + + + + = ...
2 2 1 1

dove u
t
un processo white noise con media zero e varianza
u
2
.
Se le radici di
0 ... 1
2 2
=
q q
L L L
cadono fuori dal circolo unitario il processo MA(q) invertibile.

ARMA(p,q)
q t q t t t p t p t t t
u u u u y y y y

+ + + + + + + + + = ... ...
2 2 1 1 2 2 1 1

Se tutte le radici di
0 ... 1
2
2 1
=
p
p
z z z
cadono fuori dal circolo unitario il processo ARMA(p,q) stazionario.

Come scegliere lordine di lag di un processo ARMA(p,q)
Approccio di Box e Jenkins
Identificazione: visualizzare il plot della serie, della Autocorrelation Function
e della Partial Autocorrelation Function
Stima: considerare diverse specificazioni, stimare i vari modelli di regressione
e confrontare il fit di ogni modello usando il model selecion criteria
(AIC,SBC)
Controllo diagnostico: controllare che i residui del modello stimato siano
serialmente non correlati. Ogni evidenza di autocorrelazione fra i residui
implica un movimento sistematico della serie che non tenuto in
considerazione dalla specificazione ARMA scelta.
I tre principi fondamentali accennati da Box e Jenkins sono di parsimonia,
stazionariet ed invertibilit e bont della regressione.
Econometria Universit di Bari Facolt di Economia
Dott.ssa Laura Serlenga Dispense #8 A.A. 2003-2004 2ndo semestre
3
Consideriamo ora alcune serie storiche non stazionarie. Molte serie storiche
economiche non stazionarie sono caratterizzate da una crescita accentuata (i.e.
prodotto nazionale lordo). Questa caratteristica pu essere semplicemente catturata da
un trend lineare che implica una crescita deterministica di lungo periodo. Tuttavia, i
processi stocastici potrebbero anche essere governati da trend stocastici, come shock
tecnologici (Real Business Cycle). In generale, siccome molte serie
macroeconomiche sono chiaramente non stazionarie, importante trovare
unadeguata rappresentazione della non stazionariet.
Processo con radice unitaria
Consideriamo un AR(1) con =1
t t t
u y y + =
1

dove u
t
che processo white noise con media zero e varianza
u
2
. Nota che questo
un caso speciale di processo a radice unitaria chiamato random walk (con =1 e senza
intercetta). Mentre y
t
= y
t
- y
t-1
=u
t
stazionario. Si dice allora che y
t
differenza
stazionario (DS). Nota che poich un processo a radice unitaria ha una variazione
infinita quando t si dice che tale processo segue un trend stocastico (ACF con una
lievissima tendenza a decadere)
Processo trend stazionario, TS
Consideriamo un trend deterministico lineare
(1)
t t
t y + + =
dove +t il trend deterministico e
t
lunica non osservabile deviazione
stocastica di y
t
dal trend deterministico. Per semplicit qui consideriamo che
t
segue
un processo stazionario AR(1)
(1*)
t t t
u + =
1

dove u
t
processo white noise con media zero e varianza
u
2
e dove 1 < . In questo
caso sostituendo (1*) in (1) possiamo scrivere
(2)
t t t
u y t y + + + =
1

Econometria Universit di Bari Facolt di Economia
Dott.ssa Laura Serlenga Dispense #8 A.A. 2003-2004 2ndo semestre
4
y
t
chiamato processo trend stazionario (TS) o processo con un trend deterministico.
Il processo (2) non soddisfa tutte le condizioni di stazionariet (i.e. il trend non
stazionario). Il processo (2) reso stazionario attuando la seguente detrendizzazione:
consideriamo il modello
t t
t y + + =
ed otteniamo i residui stazionari (o y detrendizzato)
t y
t t

+ =
Dunque, la violazione della prima condizione di stazionariet (media che varia con il
tempo) pu essere facilmente risolta includendo una variabile trend fra i regressori.
Per questo a volte si considera un processo trend stazionario come stazionario in
senso ampio.
Test per la radice unitaria: Dickey-Fuller Test
Lo scopo principale di questo test di distinguere fra una serie Trend Stazionaria
(TS) da una Differenza Stazionaria (DS). Il test basato sulle seguenti regressioni:
(3)
t t t
u y y + =
1

(4)
t t t
u y y + + =
1

(5)
t t t
u y t y + + + =
1

ed implementato sotto il seguente sistema di ipotesi:
H
0
: =1 AR con radice unitaria
H
1
: <1 AR stazionario
Sotto lipotesi nulla si considerano tre diverse DF statistiche t (

, , ), una per ogni
regressione. Il test

il pi usato perch permette di testare lipotesi di radice

unitaria contro lalternativa di processi TS.
I limiti del DF test sono che (3) non consente di considerare come ipotesi alternativa
lesistenza di una costante o di un trend. La (4) permette di testare lipotesi nulla con
linclusione di un trend deterministico lineare ma consente solo la presenza
dellintercetta sotto lipotesi alternativa. Infine la (5) permette linclusione di una
Econometria Universit di Bari Facolt di Economia
Dott.ssa Laura Serlenga Dispense #8 A.A. 2003-2004 2ndo semestre
5
costante, di un trend lineare e di un trend quadratico ma implica una costante e un
trend lineare sotto lipotesi alternativa.
Per evitare questi inconvenienti le regressioni (4) e (5) vengono riscritte come
(4*) ( )
t t t
u y y + =


1

(5*) ( ) ( )
t t t
u t y t y + =

1
1
,
rispettivamente.
Nel modello (4) ( ) = 1
Nel modello (5) ( ) = 1 mentre non soggetto a restrizioni.
Si possono anche testare le seguenti ipotesi congiunte:
= 0 e =1 nella (4)
= 0 e =1 nella (5)
NOTA BENE
1) le statistiche t e F non seguono la distribuzione normale standard e F ma i
valori associati ai vari casi sono tabulati da DF attraverso simulazioni stocastiche
2) quando gli errori u
t
sono AR(1) il DF test non pi valido (in caso di
autocorrelazione negativa il test rifiuta troppo spesso lipotesi vera di radice unitaria).
In questo caso si utilizza lAugmented Dickey-Fuller test dove la serie y
t

modellata come un AR(p)
(6)
t
p
i
i t i t
u y t y + + + =

=

1
,
e si assume che u
t
non siano autocorrelati. Il sistema di ipotesi da testare sar
1 :
1
0
=

=
p
i
i
H AR con radice unitaria
1 :
1
1
<

=
p
i
i
H AR stazionario
Inoltre sottraendo y
t-1
da entrambi i lati, il modello (6) diventa
(6*)
t
p
i
i t i t t
u y y t y + + + + =

=

1
1
1

dove

= =
=

=
p
i
i i
p
i
i
1 1
; 1 ed il sistema di ipotesi sar cos riformulato
Econometria Universit di Bari Facolt di Economia
Dott.ssa Laura Serlenga Dispense #8 A.A. 2003-2004 2ndo semestre
6
0 :
0
= H AR con radice unitaria
0 :
1
< H AR stazionario

Problemi relativi al test DF/ADF per la radice unitaria:
test non molto potente contro lalternativa di stazionariet nei campioni finiti
i risultati dipendono sostanzialmente dal fatto che un trend deterministico sia
incluso o no nella regressione
nellADF la scelta corretta dellordine del ritardo fondamentale per
correggere eventuali problemi di autocorrelazione fra i residui
test molto sensibile alla presenza dellintercetta o di trend break nel periodo
considerato
Econometria Universit di Bari Facolt di Economia
Dott.ssa Laura Serlenga Dispense #8 A.A. 2003-2004 2ndo semestre
7
MODELLI A RITARDO DISTRIBUITO
Nelle serie storiche possibile che la variabile dipendente sia influenzata dalle
variabili esplicative ritardate e/o dai propri ritardi. Ci induce ad includere variabili
esplicative ritardate nella regressione e giustifica luso del cos detto modello
autoregressivo a ritardi distribuiti di ordine p e q, ARDL(p,q)
(7)
t q t r t t p t p t t t
u x x x y y y y + + + + + + + + =

.. ..
1 1 0 2 2 1 1

dove y
t
e x
t
sono entrambe stazionarie. Possiamo scrivere un modello generico nella
seguente maniera
( ) ( )
t t t
u x L y L + + = ; ( ) ( )

= =
= =
r
j
j
j
p
j
j
j
L L L L
1 1
; 1
anche se solito si tratta relazioni lineari ove
( )
p
p
L L L L = .. 1
2
2 1
; ( )
r
r
L L L L + + + + = ..
2
2 1 0

Definiamo il polinomio (L) stazionario se i coefficienti
i
sono tali per cui le radici
(
1
,
2

p
) dellequazione 0 ... 1
2
2 1
=
p
p
x x x sono tutte |
i
|>1 nella parte reale
quindi ( ) ( )( ) ( ) L L L L
p
= ...
2 1
. Se (L) stazionario allora
( ) L
1
un polinomio
di termini infiniti ma convergenti e assolutamente sommabili (ovvero la somma dei
coefficienti non diverge).
Possiamo trasformare il modello (7) ed ottenere la versione DL (a ritardi distribuiti)
pi facile da analizzare
( )
( )
( ) ( ) L
u
x
L
L
L
y
t
t t

+ + =
( ) L
u
x x x y
t
t t t t

+ + + + + =

...
~
2 2 1 1 0

se (L) stazionario allora
1) { }
i
convergente
2) ( ) K
J
J
= + + +

... 1 lim
2 1
finito
Nota che i coefficienti di un modello ARDL possono essere considerati come
moltiplicatori
t q t q t t p t p t t t
e x x x y y y t y + + + + + + + + + + =
+ + 1 1 1 1 1 1 1 1
.. ..