Sei sulla pagina 1di 15

Analisi delle serie storiche

parte V Modelli autoregressivi

a.a. 2016/2017

Statistica Economica Laurea in Relazioni Economiche Internazionali

1

Definizioni introduttive

Autoregressione: modello di regressione che spiega una serie temporale con i suoi valori passati Autocorrelazione o correlazione seriale: correlazione di una serie storica con i propri valori ritardati Si definisce p esima autocovarianza di una serie Y t la covarianza tra il valore assunto dalla serie al tempo t e il valore assunto p periodi precedenti:

autocovarianza p = cov(Y t ,Y t p ) mentre la pesima autocorrelazione (o p esimo coefficiente di autocorrelazione) è data da:

autocorrelazione p =corr(Y t ,Y t p )= p =

Statistica Economica Laurea in Relazioni Economiche Internazionali

cov( Y Y , ) t t  p var( Y ) var( Y )
cov(
Y Y
,
)
t
t
p
var(
Y
) var(
Y
)
t
t
p

2

Modelli autoregressivi

Modello autoregressivo del primo ordine AR(1) Y t = 0 +1 Y t 1 +u t dove u t NID(0, σ u 2 ) previsione al tempo T del valore al tempo T+1:

prev Y T+1lT = b 0 +b 1 Y T

dove b 0 e b 1 sono gli stimatori OLS del modello di regressione delle osservazioni Y t sulla osservazione immediatamente precedente

Statistica Economica Laurea in Relazioni Economiche Internazionali

3

Modelli autoregressivi

Modello autoregressivo del p esimo ordine AR(p)

Y t = 0 +1 Y t 1 + … + p Y t p + u t dove u t NID(0, σ u 2 )

previsione al tempo T del valore al tempo T+1:

prev Y T+1lT = b 0 + b 1 Y T + + b p Y Tp+1

dove b 0 , b 1 ,…b p sono gli stimatori OLS del modello di regressione delle osservazioni Y t sulle p osservazioni precedenti

Statistica Economica Laurea in Relazioni Economiche Internazionali

4

Scelta dell’ordine del modello AR

Tradeoff fra la semplicità dei modelli di ordine più basso e la (eventuale) maggiore capacità esplicativa di quelli di ordine superiore. Se l’ordine dell’autoregressione è troppo basso si tralasceranno le informazioni contenute nei valori ritardati più lontani, se troppo alto si stimeranno più coefficienti del necessario, introducendo errori di stima aggiuntivi nelle previsioni

Statistica Economica Laurea in Relazioni Economiche Internazionali

5

Scelta dell’ordine del modello AR

Test di significatività del parametro autoregressivo di ordine più elevato Si inizia con un modello con molti ritardi e si verifica man mano la significatività del coefficiente relativo al ritardo finale.

t n

2 p 1

b

p

p

S bp

NB per p =1 si ha

t

n 3

b

1

1

s ( b )

1

( 1

t

Y Y

) 2

1  1 s ( b ) 1  ( 1 t  Y  Y

Statistica Economica Laurea in Relazioni Economiche Internazionali

6

Scelta dell’ordine del modello AR

Se l’ipotesi nulla H 0 : p =0 viene accettata, si passa da un modello AR(p) a un modello AR(p 1) C’è però il rischio (pari all’errore di I specie, , probabilità di rifiutare H 0 quando è vera) di stimare comunque modelli con ritardi troppo lunghi.

Criteri alternativi:

BIC Criterio d’informazione bayesiano (detto anche SIC, Criterio d’informazione di Schwarz) AIC Criterio d’informazione di Akaike

Statistica Economica Laurea in Relazioni Economiche Internazionali

7

Scelta dell’ordine del modello AR

BIC indicando con SSR(p) la somma dei quadrati dei residui del modello AR(p) scegliamo il valore di p che rende minima la quantità

SSR ( p )

ln T

T

BIC p

(

)

ln

( p 1)

T

si osservi che il primo termine diminuisce (o comunque non cresce) al crescere del numero dei p regressori Y t p mentre il secondo aumenta con l’aumentare di p

Statistica Economica Laurea in Relazioni Economiche Internazionali

8

Scelta dell’ordine del modello AR

AIC

AIC p

(

)

ln

SSR ( p )

T

( p 1)

2

T

per un numero di osservazioni T superiore a 8 (ln8=2,08) il secondo termine è più piccolo rispetto al precedente: quindi basta una riduzione più piccola in SSR(p) per passare da un modello con p 1 ritardi ad uno con p ritardi. Teoricamente, dunque, l’uso del criterio AIC potrebbe portare ad una sovrastima dell’ordine del modello.

Statistica Economica Laurea in Relazioni Economiche Internazionali

9

Costruzione del modello AR(p) per una serie annuale

Scelta dell’ordine p del modello

Stima del modello di regressione multipla AR(p)

Si testa l’ipotesi H 0 : p =0. Se H viene rifiutata il modello stimato viene usato per rappresentare la serie e fare previsioni. Se H 0 viene accettata si stima un modello AR(p 1) e si testa l’ipotesi H 0 :

p 1 =0. Il processo continua fino ad individuare un modello AR(k) per cui l’ipotesi H 0 : k =0 viene rifiutata

Statistica Economica Laurea in Relazioni Economiche Internazionali

10

Scelta del tipo di modello per interpolare la serie storica

Analisi dei residui

errore standard della stima, s u

deviazione media assoluta

MAD

n

t 1

Y

t

ˆ

Y

t

n

Principio di parsimonia

Statistica Economica Laurea in Relazioni Economiche Internazionali

11

Analisi delle serie storiche infra annuali

Se la cadenza della serie storica è inferiore all’anno, occorre tener conto della stagionalità

Per inserire nel modello di regressione la componente stagionale si introducono delle variabili dummy stagionali.

Ad es. per dati Y t mensili si introducono 11 variabili indicatrici

M 1t =1 se il mese t è gennaio, 0 altrimenti

M 11t =1 se il mese t è novembre, 0 altrimenti

Statistica Economica Laurea in Relazioni Economiche Internazionali

12

Analisi delle serie storiche infra annuali

Per dati Y t trimestrali si introducono 3 variabili indicatrici

Q 1t =1 se il trimestre t è il primo, 0 altrimenti Q 2t =1 se il trimestre t è il secondo, 0 altrimenti Q 3t =1 se il trimestre t è il terzo, 0 altrimenti

Statistica Economica Laurea in Relazioni Economiche Internazionali

13

Cenni sui modelli ARIMA

I modelli autoregressivi e le medie mobili a livellamento esponenziale sono casi particolari di una classe molto generale di modelli per l’analisi delle serie storiche, i cosiddetti modelli Autoregressivi a media mobile, ARMA(p,q). Nei modelli ARMA(p,q) si ipotizza che la serie storica sia costituita da una componente prevedibile, che dipende dai valori assunti dalla serie in p periodi precedenti e da una componente casuale, funzione degli shock casuali verificatisi nei q periodi precedenti:

Y t =b 0 +b 1 Y t 1 +b 2 Y t 2 +

+b

p Y t p +u t +c 1 u t 1 +c 2 u t 2 ++c q u t q

Statistica Economica Laurea in Relazioni Economiche Internazionali

14

Cenni sui modelli ARIMA

Una ulteriore generalizzazione dei modelli ARMA è costituita dai cosiddetti modelli ARIMA(p,d,q) – modelli autoregressivi integrati a media mobile – in cui il modello ARMA viene applicato non ai valori delle osservazioni Y t ma alle differenze di ordine d delle osservazioni, dove

d Y t =(Y t Y t 1 ) (Y t 1 Y t 2 ) (Y t d+1 Y t d )

Un modello autoregressivo di ordine p, AR(p), costituisce pertanto un modello ARIMA di ordine p,0,0

ARIMA(p,0,0).

Statistica Economica Laurea in Relazioni Economiche Internazionali

15