Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
APROCCIO CLASSICO
Obiettivi analisi serie storiche:
• descrizione
• spiegazione
• previsione
• filtraggio
• controllo
1
trimestre). (Ex: PIL italiano, nel mese di Agosto tutte le grandi fabbriche
sono chiuse)
Tipi di composizione :
1) additiva
2) moltiplicativa
3) misto
Z t = Tt + C t + St + a t
2) non indipendenza tra le componenti, modello moltiplicativo
Z t = Tt × C t × St × a t
Il caso 2) si riduce al caso 1) considerando i logaritmi , cioè :
2
3) modello misto:
Z t = Tt × St + C t + a t
pregi
-semplicità
-serie anche corte
-prima approssimazione
difetti
-pluralità di soluzioni
-assunzione modellistica troppo rigida
-visione settorizzata
3
4
5
IL TREND
280
240
200
160
120
80
40
1960 1965 1970 1975 1980 1985 1990
Il trend di una serie storica è la tendenza di fondo del fenomeno nel lungo
periodo. Si caratterizza per un’evoluzione lenta e regolare nel tempo. In
genere è rappresentabile mediante una qualche funzione del tempo da
stimare.
Data una serie storica {y t }tn=1 per la quale ipotizziamo un modello del tipo
Yt = f (t ) + εt εt ≈ WN(0,σε2 ) (1.)
supponiamo per la nostra analisi che la parte sistematica f(t) della serie sia
composta dal solo trend.
Come si rappresenta f(t)?
6
Nota, a meno di un insieme di parametri
Procedure di smoothing
- Trend polinomiale
f (t ) = α0 + α1t + α2t 2 + ... + αqt q
La (1.) diventa il modello di regressione lineare:
y t = α 0 + α 1t + α 2t 2 + ... + α q t q + ε t t = 1,2,..., n
Che può essere espressa in forma matriciale :
7
y = Pα + ε
con
y1 α 0 ε 1
y α1 ε
y = 2 , α = , ε = 2
M M M
y n α q ε n
e
1 1 12 1q
L
2 q
1 2 2 L 2
P =
M M M O M
1 n n 2 q
L n
q = 0 Yt = α 0 + ε t trend costante
q = 1 Yt = α 0 + α1t + ε t trend lineare
q = 2 Yt = α 0 + α1t + α 2t 2 + ε t trend parabolico
8
Come scegliere q?
Es.
f (t ) = α 0 + α1t
(I − B )f (t ) = f (t ) − f (t − 1)
= α0 + α1t − α 0 − α1(t − 1) = α1
Es. trend polinomiale di secondo grado (applicare le differenze, vedi
anche libro p.25).
9
80
40
-40
-80
-120
1960 1965 1970 1975 1980 1985 1990
B. Il confronto tra R 2
Come è noto dalla regressione, l’aggiunta di una nuova variabile nel
modello provoca un aumento del coefficiente di determinazione lineare R2.
Dunque se indichiamo con R2r il coefficiente di determinazione lineare
calcolato su una regressione polinomiale di grado r, ed R2r+1 il coefficiente
di determinazione lineare calcolato su una regressione polinomiale di
grado r+1, si ha sempre R2r ≤ R2r+1. Non è invece detto che ciò accada per
il coefficiente corretto R 2 .
Dunque in tal senso un criterio di scelta del grado del polinomio è : si
sceglie un grado r se R 2r ≥ R 2r +1 , altrimenti si procede con la ricerca.
Inoltre è utile verificare la significatività del coefficiente associato
all’ultimo repressore introdotto.
Es.
r 0 1 2 3 4 5
R 2r 0 0,478 0,665 0,701 0,698 0,667
10
- Trend esponenziale
Adatto a fenomeni caratterizzati da una crescita nel tempo “esplosiva”.
α t
f ( t ) = α 0 e 1 (2.)
Con α0>0 e l’andamento dipende da α 1
La derivata della 2. rappresenta il tasso di crescita della curva al tempo t .
df ( t )
Il tasso di crescita relativo / f ( t ) = α 1 è costante.
dt
Es. f (t ) = 0,1e
0,1t
20
18
16
14
12
10
8
6
4
2
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
11
5
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
-1
-2
12
2. TREND NON LINEARE NEI PARAMETRI: CURVE DI CRESCITA
Sono trend non riconducibili a quelli polinomiali in t; sono legati a
fenomeni caratterizzati da crescite molto accelerate. Le curve utilizzate
non sono più lineari nei parametri.
1,2
0,8
Β=0,8
0,6 Β=0,4
Β=0,1
0,4
0,2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
13
Tale curva differisce da quella esponenziale semplice per la presenza della
costante o asintoto superiore β0.
Non è linearizzabile tramite trasformazione logaritmica, tuttavia la
differenza β0-f(t) è un’esponenziale linearizzabile e, conoscendo il
valore dell’asintoto (spesso fissato dall’esterno), potremmo
stimare i parametri come fatto in precedenza con la trasformazione
logaritmica.
- La curva logistica
In questo caso tasso di crescita direttamente proporzionale al
prodotto tra il livello raggiunto e l’ammontare di crescita ancora
da raggiungere (con k>0 fattore di proporzionalità e α>0 valore
limite della crescita).
α
f (t ) = −kt
con β>0
1+ βe
14
Es. f ( t ) = 1/(1 + e − kt )
1,2
0,8
Serie1
0,6 Serie2
Serie3
0,4
0,2
0
0
7
10
13
16
-8
-5
-2
-2
-1
-1
-1
1,2
0,8
k=4
0,6 k=1
k=1/4
0,4
0,2
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55
15
- La curva di Gompertz
0,8 Serie1
Serie2
0,6
Serie3
0,4 Serie4
0,2
0
4
8
12
16
20
24
-8
-4
-2
-2
-1
-1
1,2
0,8 B=1/8
B=1
0,6
B=8
0,4 B=64
0,2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27
16
LA COMPONENTE STAGIONALE
Anche questa componente, come il trend, può essere stimata con il
modello di regressione. Si rappresenta mediante una funzione periodica
g(t).
╔
Si dicono periodiche quelle funzioni il cui valore all’istante t si
riproduce esattamente ad intervalli costanti, la cui lunghezza s costituisce
il periodo
g(t)=g(t+s)=g(t+2s)=g(t+3s)=…
s=4 serie trimestrale s=12 serie mensile
╝
17
La serie destagionalizzata coincide con quella dei residui:
y*d = y - Dγˆ * = e
0,5
0
0
12
15
18
21
24
27
30
33
36
39
-0,5
-1
-1,5
18
Che può essere comunque stimato con l’usuale metodo dei minimi
quadrati.
In forma matriciale:
y = Pα + Dγ + ε
y = [P D] θ + ε
α
dove θ =
γ
Le cui stime sono:
−1
αˆ P ' P P ' D P ' y
γˆ = D ' P D ' D D ' y
E la serie destagionalizzata si ottiene
y d = y − Dγˆ
ESERCIZI:
1. Trend polinomiale grado 1 e 2. Detrendizzare con il metodo delle
differenze.
2. Data una serie di numeri, applicare le differenze.
3. Stabilire il grado di un trend polinomiale con il metodo dell’R2
corretto.
4. Data la serie storica Yt=Tt+et. Modellare opportunamente il Trend
sapendo che è di tipo polinomiale di secondo grado e detrendizzare
la serie. Inserire nella serie storica una componente stagionale.
Supponendo di avere dati trimestrali modellare opportunamente la
componente stagionale.
5. es.2.2.d ed e.
6. es. 2.3 a, b.
19
MEDIE MOBILI
Quando siamo di fronte ad un fenomeno con un andamento molto
irregolare che richiederebbe, dal punto di vista analitico, approssimazioni
con polinomi di grado molto elevato, si può provare ad individuare la
componente di fondo senza evidenziarne la legge sottostante.
Uno strumento utile a tal fine è la media mobile, utilizzata per stimare il
trend, destagionalizzare ed eliminare o ridurre la componente erratica.
700.0 Osservati
600.0 MM3
500.0 MM7
400.0
300.0
200.0
100.0
0.0
0 5 10 15 20 25 30 35 40
ES. (3.1)
T 1998 1999 2000 2001 2002 2003 2004
Yt 6 7 14 3 13 5 15
6 + 7 + 14
Se m=1 *
y1999 = =9 …..
3
21
m m
∑ ϑi = 1 ∑ i ϑi = 0 r = 1,..., p
r
e per
i =− m i =− m
σ 2
= ∑
i =− m
ϑi2
23
Sˆ *j
Sˆ j =
12
∏ Sˆ j
*
12
j =1
24
Per verificare la flessibilità della curva dei coefficienti di utilizza la
quantità
m +3
Q = ∑ ((1 − B )3 ϑi )2
i =− m
Che misura lo scarto tra una parabola e la curva descritta dai coefficienti.
Q è 0 quando tutti i coefficienti descrivono una parabola e cresce per
scostamenti via via maggiori.
27
IL LISCIAMENTO ESPONENZIALE
(EXPONENTIAL SMOOTHING)
28
Se invece la serie cambia in modo stocastico è più realistico calcolare la
previsione tramite una media ponderata dando peso maggiore alle
osservazioni più recenti:
n
∑ w l y n −l +1
l =1
yˆ n +1 = n
con w l ≥ 0; w l ≤ w l −1 l=2,3,...,n
∑ wl
l =1
scritta anche
n −1 w j +1
yˆ n +1 = ∑ c j y n − j cj = n
j = 0,1,..., n − 1
j =0
∑w
l =1
l
Cioè come una media ponderata tra la previsione fatta al tempo n-1 e
l’ultima osservazione yn , il cui peso è tanto più forte quanto più piccola è
la costante.
Appare chiara la logica di aggiornamento sequenziale del metodo (la
previsione viene modificata dall’osservazione più recente) ed il ruolo della
costante di lisciamento
29
Riassumendo:
- per δ → 0 il lisciamento esponenziale attribuisce sempre più peso ai
nuovi dati e l’effetto perequativo è quasi nullo, considerando dunque
la serie affidabile e la previsione non fa altro che restituire l’ultima
osservazione disponibile.
- per δ → 1 il lisciamento esponenziale attribuisce peso pressoché
nullo ai nuovi dati e la nuova previsione tende a coincidere con la
precedente.
La costante esprime la vischiosità del sistema (importanza vecchia
previsione).
La previsione può essere vista come la costante che meglio si adatta alla
serie in prossimità di n. Questo fa capire che se la serie ha un trend non
costante o fluttuazioni marcate, tale metodo non è appropriato.
30
I metodi di Holt-Winters
Generalizzazione del precedente; cercano la perequazione di yt tramite la
determinazione del livello, del trend e della stagionalità.
31
Si ha:
Valori Valori realizzati rt
previsti pt p.s. No p.s. Tot
p.s. n11 n12 n1.
No p.s. n21 n22 n2.
Tot n.1 n.2 n
∑(p t −r t ) 2
U= t =1
n
∑r
t =1
t
2
J= n1
1
n2
∑e
t =1
2
t
Assume valore nullo quando a previsioni non tutte esatte nel primo
sottoperiodo corrispondono previsioni perfette nel secondo; viceversa
tende ad infinito.
33