SERIE STORICHE

INTRODUZIONE ALLA SERIE STORICA

Si parla di serie storiche quando si considera un fenomeno in relazione alla sua
evoluzione nel tempo. Finalit dell'analisi di una serie storica quella di descrivere
ed interpretare il fenomeno fisico da essa rappresentato in modo da poter effettuare
delle previsioni sulla dinamica temporale del fenomeno stesso.
In tale elaborato viene analizzata la serie mensile Extraction of natural gas relativa
al periodo che va da gennaio del 1996 a dicembre 2010, per un totale di 180
osservazioni.
I 12 valori disponibili per il 2011 verranno utilizzati per validare il modello in senso
predittivo.

CONSIDERAZIONI PRELIMINARI
Dopo aver effettuato le correzioni di calendario, la serie considerata la seguente:

120
100

140

160

Extraction of natural gas

2000

2005

2010

Time

Min.

1st Qu.

Media
n

Mean

3rd
Qu.

Max.

Var

86.38

109.90

130.40

126.10

140.00

159.50

330.39
78

Dal grafico chiaramente visibile la presenza di un trend altalenante.

APPROCCIO CLASSICO
Secondo lapproccio classico la serie storica esprimibile mediante una funzione del
tempo, detta componente sistematica o deterministica, e una componente aleatoria.
La componente deterministica rappresenta la legge di evoluzione temporale del
fenomeno, mentre la componente aleatoria riassume tutta la restante variabilit.
La componente sistematica pensata come la risultante dellinterazione di vari
fattori: trend, ciclo, stagionalit.
Il trend la componente delle serie storiche che si caratterizza per un'evoluzione lenta
e regolare nel corso del tempo. E' la tendenza di fondo di un fenomeno a modificarsi
(crescendo o decrescendo) o a mantenersi costante nel tempo.
Molto spesso gi un'osservazione visiva della serie permette di diagnosticare la
presenza di un trend, che necessario rimuovere.
La componente stagionale costituita da movimenti nel corso dellanno che tendono
a ripetersi, pi o meno regolarmente, da un anno allaltro.
La componente ciclica, infine, costituita da fluttuazioni pluriennali dovute al
ricorrere di fasi crescenti e decrescenti del fenomeno senza, per, una reale regolarit,
perch le fasi sono variabili in durata e grandezza.

IL MODELLO
Il modello considerato nel seguente elaborato del tipo:
yt = t + t + G xGt + P xPt + t

dove:
t = 0 + 1 t + + p tp

rappresenta il trend

t = 1D1,t + + 12D12, t

rappresenta la componente stagionale e in cui D 1 D12

sono delle variabili dummy ovvero delle variabili dicotomiche che assumono valore 0
o 1, Dj assumer valore 1 in corrispondenza del mese j e 0 in corrispondenza degli
altri mesi.
xGt una variabile esplicativa che cattura leffetto del variabile numero di giorni
lavorativi/festivi nei diversi mesi.
xPt una variabile esplicativa che coglie leffetto differenziale della Pasqua
t la componente irregolare.

ANALISI DELLA SERIE STORICA

Il primo passo per lanalisi della serie storica attraverso lapproccio classico lo
studio e la conseguente stima del trend. necessario, quindi, analizzare i vari tipi di
trend possibili: lineare, quadratico, cubico, eccetera e scegliere tra questi il migliore,
quello cio che meglio si adatta alla serie. Una funzione lineare del trend indica la
presenza di ununica tendenza di base (crescente o decrescente), una funzione
quadratica indica il ritorno ad una tendenza iniziale (trend prima crescente, poi
decrescente e poi nuovamente crescente), mentre una funzione cubica o di grado
superiore indica diversi cambiamenti di tendenza (rialzi e ribassi vari).
Dopo diverse prove, il trend cubico risulta essere quello che presenta i migliori
risultati, tesi confermata dallottima stima dei coefficienti di t, t 2 e t3. Questo indica
che la serie storica ha subto forti cambiamenti di tendenza.

120
100

140

160

Series and fitted trend

2000

2005

2010

Time

Coefficients:
(Intercept)
t
t2
t3
D1
D2
D3
D4
D5
D6
D7
D8
D9
D10
D11
giorni
Pasqua

Estimate
153
-1,1380
0,01609
-0,00006617
1,7070
-9,4750
-0,8457
-2,5310
2,4170
-2,0220
-1,9380
0,8629
-2,9170
-0,6219
-2,4830
-0,1814
0,0806

Std.
5,4330
0,1971
0,0025
9,18E-06
4,9450
4,9440
4,9460
4,9370
4,9420
4,9370
4,9320
4,9430
4,9310
4,9300
4,9370
0,3777
5,7310

Error
28,1680
-5,7770
6,3680
-7,2100
0,3450
-1,9170
-0,1710
-0,5130
0,4890
-0,4100
-0,3930
0,1750
-0,5920
-0,1260
-0,5030
-0,4800
0,0140

t value
2,00E-16
3,76E-08
1,87E-09
1,98E-11
0,73
0,057
0,864
0,609
0,625
0,683
0,695
0,862
0,555
0,9
0,616
0,632
0,989

Pr(>|t|)
***
***
***
***
.

Il modello identificato risulta:

yt = 153 - 1,138 t + 0,01609 t2 - 0,00006617 t3 + 1,707 D1 - 9,475 D2 - 0,8457 D3 +
- 2,5310 D4 + 2,417 D5 - 2,022 D6 - 1,938 D7 + 0,8629 D8 - 2,917 D9 - 0,6219 D10 +
- 2,483 D11 - 0,1814 giorni + 0,0806 Pasqua + t
Tra le variabili dummy, risulta significativa al livello =0.1 solo D 2 che identifica il
mese di Febbraio.

PREVISIONE
In conclusione del lavoro si riportano i risultati ottenuti dalla previsione effettuata
sulla serie stimata in precedenza. A tale scopo, inizialmente, si provveduto a
trascurare un certo numero di osservazioni (12) del campione in esame per il periodo
di previsione (anno 2011), in modo che i valori previsti dal modello possano essere
direttamente confrontati con i valori reali.

60

80

100

120

140

160

Previsioni

2000

2005
Time

2010

Dal confronto grafico tra i valori osservati per i 12 mesi del 2011 (in rosso nel
grafico) e le previsioni effettuate (in nero nel grafico) emerge che le previsioni
sottostimano i reali valori.
Valori
osservati
2011
Valori
Previsti
2011

Jan Feb Mar Apr

100, 88, 99, 98,
00
00
30
90

Ma
y
97,
70

Jun
93,
30

Jul
102,
50

Aug
108,
50

Sep
103,
70

Oct
109,
20

Nov
107,
80

Dec
111,
10

Jan Feb Mar Apr

84,0 70, 76, 73,
0
26
43
70

Ma
y
76,
48

Jun
69,
59

Jul
68,7
2

Aug
68,1
6

Sep
62,4
3

Oct
63,6
5

Nov
58,4
8

Dec
59,1
6

Vengono calcolati infine alcuni indici di bont delle previsioni:

lindice di Theil che con un valore pari a 0.2020858 indica previsioni
abbastanza accurate,
EMP (errore medio percentuale) che con un valore pari a 31.32888 indica che i
valori previsti sottostimano fortemente i valori osservati
importante sottolineare che lapproccio classico non si presta bene allobiettivo
previsionale; esso adatto prevalentemente allanalisi delle singole componenti della
serie storica e le sue previsioni sono quindi da ritenersi poco affidabili.