Levine11

levine11_57-116 3-04-2002 8:27 Pagina 57
11
Analisi delle serie
storiche
Introduzione 58
11.1 L’importanza della previsione a livello aziendale 58
11.2 Il modello moltiplicativo classico delle serie storiche 59
11.3 Livellamento di una serie storica annuale 61
11.4 Il metodo dei minimi quadrati e la previsione 71
11.5 Modelli autoregressivi per la determinazione del trend e per la previsione 84
11.6 Scelta del modello di previsione 93
11.7 Analisi di serie storiche a cadenza mensile o trimestrale 97
11.8 Validità e limiti dei metodi di analisi delle serie storiche 106
Riepilogo del capitolo 107
A11.1 L’uso di Microsoft Excel per l’analisi delle serie storiche 114
◆
57
levine11_57-116 3-04-2002 8:27 Pagina 58
OBIETTIVI DEL CAPITOLO

✓ Presentare un modello classico per l’analisi delle serie storiche
✓ Introdurre una varietà di modelli per la previsione con dati a cadenza annuale
✓ Sviluppare modelli previsivi per dati trimestrali o mensili
Intr oduzione
Nei precedenti capitoli sono stati introdotti e discussi modelli di regressione lineare
assai utili a scopi previsivi. Abbiamo visto come l’analisi basata sulla regressione
possa costituire un valido supporto nel processo decisionale aziendale. In questo
capitolo introdurremo e approfondiremo il concetto di serie storica, molto impor-
tante nell’ambito della pianificazione e controllo.
Inizieremo presentando serie storiche a cadenza annuale e introducendo due tec-
niche di livellamento (“smussamento”) per serie siffatte: medie mobili e livella-
mento (o smorzamento) esponenziale (paragrafo 11.3). Il discorso toccherà poi
alcune importanti tecniche di interpolazione e previsione per serie annuali, dal
metodo dei minimi quadrati (paragrafo 11.4) a metodologie più avanzate (paragrafo
11.5). Gli stessi metodi saranno poi estesi e adattati all’analisi di serie storiche a
cadenza mensile e trimestrale e in particolare al problema della valutazione della
componente stagionale (paragrafo 11.7).
◆ APPLICAZIONE: Previsione delle entrate lorde annuali presso

la società Eastman Kodak
La Eastman Kodak è una delle più importanti società nel campo dell’immagine a livello
mondiale. I suoi principi sono: la produzione su vasta scala a basso costo, la distribuzione
internazionale dei prodotti, l’uso massiccio della pubblicità e l’attenzione nei confronti del
consumatore. I livelli direttivi della Eastman Kodak hanno capito l’importanza della ricerca
e della continua e accurata analisi dei risultati in termini di performance della società, fon-
damentali quando si ha come obiettivo quello di diventare leader nel settore. Nei paragrafi
11.4 e 11.5 di questo capitolo saranno presentati i dati relativi alle entrate lorde annuali della
società nel periodo compreso fra il 1975 e il 1998, che verranno utilizzati per fare delle pre-
visioni. Un’analisi di questo tipo può essere di grande aiuto al management della società per
comprendere l’evoluzione storica e gli eventuali cambiamenti nei livelli di performance con-
seguiti, per individuare concretamente la posizione ricoperta dalla Eastman Kodak all’in-
terno del settore e per valutare gli effetti futuri di alcune strategie che la società può deci-
dere di adottare. ◆
◆ 11.1 L’IMPORTANZA DELLA PREVISIONE A LIVELLO AZIENDALE

Poiché le condizioni economiche e del mercato cambiano continuamente nel corso del
tempo, gli operatori aziendali devono essere in grado di valutare e prevedere gli effetti di
tali cambiamenti sulla salute dell’azienda. È quindi necessario sviluppare delle tecniche di
previsione in grado di supportare le scelte e le strategie dell’azienda.
L’esigenza di fare previsioni caratterizza in un certo senso le società moderne. I governi
devono essere in grado di prevedere l’andamento di fenomeni quali la disoccupazione, l’in-
flazione, la produzione industriale, il gettito fiscale per poter adottare politiche sociali e
fiscali corrette; i responsabili del marketing all’interno di una società devono riuscire a
58 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

levine11_57-116 3-04-2002 8:27 Pagina 59
prevedere la domanda del prodotto, il volume delle vendite, l’evoluzione dei gusti del con-
sumatore per poter adottare corrette decisioni di politica aziendale; l’amministrazione di
un’università deve essere in grado di prevedere l’ammontare delle iscrizioni sulla base delle
proiezioni della popolazione e di altri elementi a sua disposizione per poter progettare gli
spazi, le strutture (mensa, pensionato).
Tipi di metodi di previsione

Gli approcci alla previsione sono essenzialmente due: un approccio qualitativo e un approc-
cio quantitativo. I metodi di previsione qualitativi devono essere adottati quando non si
dispone di dati storici, per esempio se si vogliono prevedere le entrate di una nuova società.
Si tratta naturalmente di metodi altamente soggettivi. Tra le più importanti tecniche di pre-
visione qualitative devono essere ricordate il factor listing method, l’expert opinion, e la
Delphi technique (riferimento bibliografico 4).
Le tecniche di previsione quantitative al contrario si basano proprio sull’uso di dati
storici, dai quali l’analista cerca di comprendere la struttura sottostante del fenomeno per
poi utilizzarla a scopi previsivi.
A loro volta i metodi di previsione quantitativi possono rientrare in due macro-catego-
rie: metodi basati sulle serie storiche e metodi aleatori. I primi consistono nell’effettuare
previsioni sull’andamento futuro di una variabile sulla base delle realizzazioni passate e pre-
senti della variabile in questione.
Serie Storica
Una serie storica è un insieme di dati numerici registrati ad intervalli regolari di
tempo.
Esempi di serie storica possono essere rappresentati dai prezzi di chiusura giornalieri di
un’azione, dalle pubblicazioni mensili dell’indice dei prezzi al consumo, dai valori trime-
strali del prodotto interno lordo oppure dai volumi di vendite annuali realizzati da una certa
società.
I metodi di previsione aleatori consistono nella determinazione di fattori legati alla
variabile di cui si vuole effettuare la previsione. Tali metodi includono la regressione mul-
tipla con variabili ritardate, i modelli econometrici, gli indici di diffusione e altri metodi
che vanno oltre gli scopi di questo testo (riferimenti bibliografici 5 e 8). Ci concentriamo
quindi sull’analisi delle serie storiche.
◆ 11.2 IL MODELLO MOLTIPLICATIVO CLASSICO DELLE SERIE STORICHE

Alla base dell’analisi delle serie storiche vi è l’assunzione secondo cui i fattori che hanno
influenzato l’andamento della serie nel passato e nel presente continuino a esercitare effetti
analoghi anche nel futuro. Di conseguenza l’analista non deve fare altro se non individuare
e isolare tali fattori per effettuare previsioni e quindi indirizzare l’attività di pianificazione
e controllo aziendali. A tale scopo gli statistici hanno elaborato diversi modelli per disag-
gregare la serie nelle sue componenti; in questo testo verrà approfondito il modello clas-
sico moltiplicativo, che sarà utilizzato a scopi previsivi.
Consideriamo a titolo di esempio la serie storica delle entrate lorde realizzate dalla
società Eastman Kodak nel periodo di tempo compreso fra il 1975 e il 1998 (Figura 11.1).
Volendo dare una prima caratterizzazione dei dati, osserviamo che i valori in questione
hanno manifestato una tendenza all’aumento nei 24 anni considerati: questa tendenza di
lungo termine all’incremento o al decremento dei valori della serie prende il nome di trend.
Chiaramente il trend non esaurisce le informazioni rilevanti sulla serie in questione (o
qualsivoglia serie storica) a meno che i dati non si trovino esattamente su una linea retta.
Altre due componenti (o fattori) di estrema importanza sono la componente ciclica e quella
IL MODELLO MOLTIPLICATIVO CLASSICO DELLE SERIE STORICHE 59

levine11_57-116 3-04-2002 8:27 Pagina 60
FIGURA 11.1
Andamento
delle entrate lorde
(in milioni di dollari)
realizzate dalla società
Eastman Kodak
nel periodo compreso
fra il 1975 e il 1998.
Grafico ottenuto
in Microsoft Excel.
irregolare. La componente ciclica spiega gli scostamenti verso l’alto o verso il basso dei
dati rispetto al trend; tali scostamenti possono avere diverse durate, ma solitamente coin-
volgono un periodo di tempo compreso fra due e dieci anni. I movimenti ciclici differi-
scono anche nell’intensità oltre che nella durata e sono spesso strettamente legati ai cicli
economici. In via residuale rispetto alle componenti cicliche e di trend è possibile indivi-
duare l’ultima componente della serie, la componente irregolare o casuale. Infine, quando
i dati non hanno una cadenza annuale e ci troviamo di fronte ad esempio a dati mensili o
trimestrali, è necessario tenere conto di un quarto fattore: la stagionalità (equazione (11.2)).
Nella Tabella 11.1 sono riassunte le quattro componenti.
Nel modello moltiplicativo classico ciascun punto della serie storica è visto come prodotto
di queste quattro componenti, come sintetizzato nelle equazioni (11.1) e (11.2) rispettiva-
mente per serie storiche annuali e infra-annuali.
Modello moltiplicativo classico per serie storiche annuali

Yi Ti Ci Ii (11.1)
Dove, nell’anno i
Ti valore della componente di trend
Ci valore della componente ciclica
Ii valore della componente irregolare
Modello moltiplicativo classico per serie storiche infra-annuali

Yi Ti Si Ci Ii (11.2)
Dove, con riferimento al periodo i (mese o trimestre)

Ti valore della componente di trend
Ci valore della componente ciclica
Ii valore della componente irregolare
Si valore della componente stagionale

levine11_57-116 3-04-2002 8:27 Pagina 61
Tabella 11.1 Componenti di una serie storica

CLASSIFICAZIONE MOTIVI
COMPONENTE DELLA COMPONENTE DEFINIZIONE DI INFLUENZA DURATA
Trend Sistematica tendenza di lungo termine Cambiamenti diversi anni

all’incremento o al decremento nella tecnologia,
dei valori della serie nella popolazione,
nella ricchezza o nel valore
Stagionale Sistematica Fluttuazioni periodiche regolari Condizioni climatiche, usi e 12 mesi (solo per
che si ripetono annualmente costumi sociali e religiosi dati infra-annuali)
Ciclica Sistematica Scostamenti verso l’alto o Interazione di diversi fattori Solitamente da 2
verso il basso dei dati rispetto economici a 10 anni
al trend, secondo le fasi
di prosperità (picchi positivi),
contrazione (dal picco verso
il basso), depressione
(in discesa verso un picco
negativo), ripresa (dal picco
negativo verso l’alto)
Irregolare Non Fluttuazione “residua” variazioni nei dati dovute breve durata
sistematica di una serie una volta al caso oppure ad eventi
depurata dalle componenti straordinari quali scioperi,
sistematiche uragani, alluvioni,
assassini politici e così via
Il primo passo nell’analisi di una serie storica consiste nella rappresentazione grafica dei
valori, dalla quale si possono trarre le prime considerazioni di carattere qualitativo sulla
serie. Osservando un grafico, infatti, è possibile intuire se i valori della serie manifestino
un trend di lungo periodo oppure oscillino intorno a un’immaginaria linea orizzontale, paral-
lela all’asse dei tempi. Nel paragrafo 11.3 saranno presentate alcune tecniche di livella-
mento adatte a cogliere le tendenze di lungo periodo in serie storiche che non presentano
un andamento di trend. In particolare saranno discusse le tecniche di livellamento espo-
nenziale e il metodo basato sulla costruzione di medie mobili. Nei paragrafi successivi
vedremo invece alcuni modi per affrontare l’analisi delle serie storiche che seguono un
trend, in particolare allo scopo di effettuare previsioni. Nei Paragrafi 11.4 e 11.5 ci occu-
peremo di serie storiche annuali, mentre nel paragrafo 11.7 ci concentreremo sui metodi di
previsione per dati mensili e trimestrali.
◆ 11.3 LIVELLAMENTO DI UNA SERIE STORICA ANNUALE
Nella Tabella 11.2 e nella Figura 11.2 sono rappresentate le vendite annuali della General
Motors Corporation (GM) nei 24 anni compresi tra il 1975 e il 1998. Esaminando il gra-
fico è difficile stabilire se i valori della serie seguano un trend di lungo periodo, poiché le
forti oscillazioni di breve periodo complicano l’impressione d’insieme. In situazioni di que-
sto tipo si rivelano di particolare utilità le tecniche di livellamento a cui si è accennato
prima, in grado di favorire una corretta visione delle tendenze di lungo periodo.
Le medie mobili
Il metodo di livellamento basato sulle medie mobili rappresenta una tecnica altamente sog-
gettiva, in quanto dipende dalla lunghezza del periodo scelto per la costruzione delle medie.
Volendo eliminare le fluttuazioni cicliche della serie, l’analista deve in qualche modo sti-
mare la durata media dei cicli all’interno della serie e sulla base di questa stima procedere
al calcolo delle medie mobili. Ma vediamo in dettaglio in cosa consiste una media mobile.
LIVELLAMENTO DI UNA SERIE STORICA ANNUALE 61

levine11_57-116 3-04-2002 8:27 Pagina 62
Tabella 11.2 Vendite (in milioni di unità) realizzate

dalla General Motors Corporation (1975-1998)
ANNO VENDITE ANNO VENDITE ANNO VENDITE
1975 6.6 1983 7.8 1991 7.4

1976 8.6 1984 8.3 1992 7.7
1977 9.1 1985 9.3 1993 7.8
1978 9.5 1986 8.6 1994 8.4
1979 9.0 1987 7.8 1995 8.3
1980 7.1 1988 8.1 1996 8.4
1981 6.8 1989 7.9 1997 8.8
1982 6.2 1990 7.5 1998 8.1
Nota: Le vendite sono quelle derivanti da qualunque fonte: macchina, camion, autobus e stabilimento
d’oltremare.
Fonte: Moody’s Handbook of Common Stocks, 1980, 1989, 1993 and annual reports. Reprinted by
permission of Financial Information Services, a division of Financial Communications Company, Inc.
Una media mobile di periodo L consiste in una serie di medie aritmetiche calcolate
su sequenze di valori osservati di lunghezza L. Indichiamo con MA(L) una media
mobile di periodo pari a L.
Supponiamo ad esempio di voler calcolare una media mobile con un periodo di 5 anni su
una serie di 11 anni. Essendo L = 5 anni, le medie mobili corrispondenti consisteranno in
una serie di medie che coinvolgono sequenze consecutive di 5 osservazioni. La prima di
tali medie si ottiene quindi sommando i primi 5 valori della serie e dividendo per 5:
Y1 Y2 Y3 Y4 Y5
MA(5)
5
La seconda media coinvolge i valori della serie dal secondo al sesto:
Y2 Y3 Y4 Y5 Y6
MA(5)
5
FIGURA 11.2
Rappresentazione
grafica delle vendite
(in milioni di unità)
realizzate dalla General
Motors Corporation
(1975-1998).
Fonte: dati
della Tabella 11.2.

levine11_57-116 3-04-2002 8:27 Pagina 63
Questo processo continua fino al calcolo dell’ultima media che sarà data da:
Y7 Y8 Y9 Y10 Y11
MA(5)
5
Quando si ha a che fare con dati annuali, è conveniente che L (lunghezza del periodo di
riferimento per il calcolo delle medie mobili) sia un numero dispari.
Tracciando il grafico delle medie, ciascun valore ottenuto come media deve essere inse-
rito nel punto centrale della sequenza di tempi coinvolti nella media. Nel nostro caso per
esempio, la prima media mobile sarà centrata nel terzo anno, la seconda nel quarto e così
via fino all’ultima che si troverà in corrispondenza del nono anno della serie. In questo
modo è evidente che la serie delle medie non coinvolgerà i primi due e gli ultimi due anni
coperti dai dati (in generale si perdono i primi (L–1)/2 e gli ultimi (L–1)/2 periodi).
Esempio 11.1 Calcolo di una media mobile con un periodo

di 5 anni
I seguenti dati rappresentano le entrate realizzate da una società negli 11 anni compresi fra
il 1987 e il 1997.
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5
Si calcolino le medie mobili di periodo 5 per questa serie.
S OLUZIONE
Le 7 medie si ottengono nel modo seguente:
Y1 Y2 Y3 Y4 Y5 4.0 5.0 7.0 6.0 8.0 30.0
MA(5) 6.0
5 5 5
Y2 Y3 Y4 Y5 Y6 5.0 7.0 6.0 8.0 9.0 35.0
MA(5) 7.0
5 5 5
Y3 Y4 Y5 Y6 Y7 7.0 6.0 8.0 9.0 5.0 35.0
MA(5) 7.0
5 5 5
Y4 Y5 Y6 Y7 Y8 6.0 8.0 9.0 5.0 2.0 30.0
MA(5) 6.0
5 5 5
Y5 Y6 Y7 Y8 Y9 8.0 9.0 5.0 2.0 3.5 27.5
MA(5) 5.5
5 5 5
Y6 Y7 Y8 Y9 Y10 9.0 5.0 2.0 3.5 5.5 25.0
MA(5) 5.0
5 5 5
Y7 Y8 Y9 Y10 Y11 5.0 2.0 3.5 5.5 6.5 22.5
MA(5) 4.5
5 5 5
e devono essere centrate negli anni dal terzo al nono.
Nella pratica, le medie mobili di una serie di dati vengono determinate ricorrendo all’au-
silio di software (ad esempio, Microsoft Excel) per evitare di perdersi in noiosi calcoli.
Nella Tabella 11.3 sono rappresentate le vendite annuali della General Motors nei 24 anni
compresi fra il 1975 e il 1998 insieme con le corrispondenti medie mobili di ampiezza 3 e
7. Le stesse sono state anche rappresentate nella Figura 11.3. Osserviamo che nella serie
rappresentata nella colonna C (media mobile di ordine 3) mancano il primo e l’ultimo
valore, mentre in quella in colonna D (media mobile di ordine 7) i valori mancanti sono i
primi tre e gli ultimi tre.

levine11_57-116 3-04-2002 8:27 Pagina 64
Tabella 11.3 Medie mobili

di ordine 3 e di ordine 7
calcolate sulla serie
delle vendite della General
Motors (1975-1998)
Si nota immediatamente dal grafico che la media mobile di ampiezza 7 smussa in misura
notevolmente maggiore la serie originaria rispetto a quella di ordine 3. D’altra parte porta
a una perdita di valori più consistente (sei contro due). In generale si può dire che c’è un
trade-off tra la bontà del livellamento e la completezza della serie “smussata”.
Livellamento esponenziale
Il livellamento (o smorzamento) esponenziale è un’altra tecnica utilizzata per smussare una
serie storica di dati al fine di fornire all’analista un’impressione dei movimenti di lungo ter-
FIGURA 11.3
Rappresentazione
grafica in Microsoft
Excel delle medie mobili
di ordine 3 e di ordine
7 calcolate sulla serie
delle vendite
della General Motors.
Fonte: dati
della Tabella 11.2.

levine11_57-116 3-04-2002 8:27 Pagina 65
mine della serie stessa. Il metodo del livellamento esponenziale è di particolare interesse
poiché consente di effettuare previsioni di breve termine (ad un periodo) anche su dati che
non presentano un evidente andamento di trend, come quelli relativi alle vendite della Gene-
ral Motors presentati nella Tabella e nella Figura 11.3. In questo senso la tecnica di livel-
lamento rappresenta un metodo di analisi più vantaggioso rispetto alla tecnica basata sulle
medie mobili.
Il metodo del livellamento esponenziale consiste nell’applicazione alla serie dei dati di
una media mobile ponderata esponenzialmente. In questo modo, come vedremo, ciascun
valore della serie smussata dipende da tutti i valori osservati precedenti, cosa che non accade
quando si adotta il metodo basato sulle medie mobili. Inoltre, nel calcolo dei valori della
serie livellata, i pesi assegnati a ciascun valore osservato in precedenza non sono costanti,
ma decrescono passando dai più recenti a quelli più lontani nel tempo. Così ad esempio nel
calcolo del livellamento esponenziale per il periodo i verrà assegnato il peso maggiore al
valore osservato nel periodo i – 1, un peso inferiore al valore osservato nel periodo i – 2,
e pesi via via decrescenti fino ad arrivare al primo valore osservato della serie, al quale è
assegnato il peso minore. Come per le medie mobili, anche il calcolo del livellamento espo-
nenziale può essere facilmente effettuato con l’ausilio di Microsoft Excel o analoghi pro-
grammi di calcolo.
Concentrandoci per ora sullo smussamento della serie storica osservata (anziché sugli
aspetti previsivi), osserviamo che le formule per il livellamento esponenziale di una serie
storica si basano su tre soli termini: il valore corrente della serie Yi, il valore della serie
smussata calcolato per il periodo precedente, Ei – 1, e un peso, o fattore di smorzamento
assegnato soggettivamente, W. Per ogni periodo i si ha quindi la seguente formula per la
determinazione della serie smussata:
Come ottenere il valore smussato esponenzialmente

per il periodo i
Ei WYi (1 W)Ei1 (11.3)
dove
Ei valore della serie smussata esponenzialmente relativo al periodo i
Ei1 valore della serie smussata esponenzialmente relativo al periodo i – 1
Yi valore osservato della serie storica nel periodo i
W peso o fattore di smorzamento assegnato soggettivamente
(0 < W < 1)
E1 Y1
La scelta del fattore di smorzamento W è critica in quanto influisce enormemente sui

risultati. Si tratta di una scelta soggettiva, tuttavia è possibile seguire la seguente regola pra-
tica: se il nostro scopo è unicamente quello di smussare la serie eliminando le variazioni
cicliche e irregolari, conviene adottare un valore basso (prossimo a zero) di W; se invece
l’analista vuole anche effettuare una previsione di breve periodo, si rivela più conveniente
la scelta di valori elevati (prossimi a uno) di W. Con valori bassi di W infatti vengono
meglio evidenziate le tendenze di lungo periodo della serie, mentre valori elevati consen-
tono più precise previsioni di breve periodo.
◆ Livellamento Nella Tabella 11.4 sono presentati i valori della serie relativa alle ven-
dite della General Motors dal 1975 al 1998, smussati esponenzialmente con pesi pari a 0.5
e 0.25 (i valori sono stati ottenuti in Microsoft Excel). Nella Figura 11.4 le due serie livel-
late sono state rappresentate graficamente insieme con la serie originaria.

levine11_57-116 3-04-2002 8:27 Pagina 66
Tabella 11.4 Livellamento

esponenziale della serie
relativa alle vendite
realizzate dalla GM
nel periodo 1975-1998
Vediamo come è stata determinata la serie smussata con un fattore di smorzamento pari
a 0.25. Come punto di partenza consideriamo il primo valore osservato Y1975 = 6.6, che
coincide con il primo valore della serie smussata E1975. Quindi, utilizzando il valore osser-
vato della serie nell’anno 1976, è possibile ottenere anche il secondo valore della serie smus-
sata, con l’applicazione della semplice formula:
E 1976 WY1976 (1 W)E1975
(0.25)(8.6) (0.75)(6.6) 7.1 milioni
Negli anni successivi si procede iterativamente:
E 1977 WY1977 (1 W)E1976
(0.25)(9.1) (0.75)(7.1) 7.6 milioni
In questo modo si calcolano tutti i valori della serie smussata (ultima colonna della
Tabella 11.4).
E 1978 WY1978 (1 W)E1977
(0.25)(9.5) (0.75)(7.6) 8.075 milioni
◆ Previsione Se l’analista è interessato a effettuare una previsione di breve periodo, il
livellamento esponenziale può essere utilizzato nel seguente modo: il valore smussato rela-
tivo al periodo i è adottato come previsione al periodo i + 1.
Previsione al periodo i 1
Ŷi1 Ei (11.4)
Ad esempio, per prevedere il numero di unità vendute dalla GM nel 1999, possiamo uti-

levine11_57-116 3-04-2002 8:27 Pagina 67
FIGURA 11.4 Grafico delle serie smussate con fattori di smorzamento pari a 0.5
e 0.25 calcolate sulle vendite della GM nel periodo 1975-1998.
Fonte: dati della Tabella 11.4.
lizzare il valore smussato ottenuto per il 1998 (con un fattore di smorzamento pari a 0.5,
avremo Ŷ1999 = 8.32 milioni di unità).
Una volta che i dati relativi al 1999 diventano disponibili, l’equazione (11.3) può essere
utilizzata per fare una previsione al 2000:
E1999 WY1999 (1 W)E1998
Valore corrente smussato (W) (valore corrente osservato)
(1 – W) (precedente valore smussato)
In termini di previsione si ha:

Ŷ 2000 WY1999 (1 W)Ŷ1999
Nuova previsione (W)(valore corrente osservato) (1 W)(previsione corrente)
Esercizi del Paragrafo 11.3

11.1 Applicando il metodo del livellamento esponenziale alla serie storica delle entrate di una
società, supponete di aver ottenuto un valore “smussato” per l’ultimo anno dell’indagine di
32.4 milioni di dollari. Qual è la vostra previsione per l’anno successivo?
• 11.2 Considerate una serie storica di valori registrati a partire dal 1955. Applicando una media
mobile di ampiezza pari a 9 anni:
(a) In quale anno risulterà centrata la prima media mobile?
(b) Quanti anni vengono persi nella serie delle medie mobili?
11.3 Supponete ora di applicare alla stessa serie il livellamento esponenziale con fattore di smor-
zamento W 0.2. Supponete inoltre che il valore smussato della serie per l’anno 1996 sia
dato da: E1996 (0.20)(12.1) (0.80)(9.4). Calcolate il valore successivo della serie smus-
sata (E1997) supponendo che il valore osservato nell’anno in questione sia pari a 11.5 milioni
DATASET di dollari.
OILSUPP • 11.4 I seguenti dati rappresentano il numero annuale di impiegati (in migliaia) presso una società
che produce olio.

levine11_57-116 3-04-2002 8:27 Pagina 68
Numero di impiegati (in migliaia)

ANNO NUMERO ANNO NUMERO ANNO NUMERO
1978 1.45 1985 2.04 1992 1.65

1979 1.55 1986 2.06 1993 1.73
1980 1.61 1987 1.80 1994 1.88
1981 1.60 1988 1.73 1995 2.00
1982 1.74 1989 1.77 1996 2.08
1983 1.92 1990 1.90 1997 1.88
1984 1.95 1991 1.82
(a) Rappresentate i dati in un opportuno grafico.

(b) Calcolate le medie mobili di ampiezza pari a 3 anni e rappresentatene la serie sullo
stesso grafico.
(c) Applicate il livellamento esponenziale con fattore di smorzamento W 0.5 e aggiun-
gete la serie smussata al grafico precedente.
(d) Sulla base di quanto ottenuto al punto (c), fate una previsione per il 1998.
(e) Applicate ora un livellamento esponenziale con fattore di smorzamento W 0.25 e
aggiungete la serie smussata al grafico precedente.
(f ) Sulla base di quanto ottenuto al punto (e), fate una previsione per il 1998.
(g) Confrontate i risultati ottenuti ai punti (d) e (f).
DATASET 11.5 Nella seguente tabella sono rappresentate le vendite (in milioni di dollari) realizzate da una
FOODTIME società operante nel ramo alimentare negli anni compresi fra il 1972 e il 1997.
Vendite annuali (in milioni di dollari)

ANNO VENDITE ANNO VENDITE ANNO VENDITE
1972 41.6 1981 53.2 1990 36.4

1973 48.0 1982 53.3 1991 38.4
1974 51.7 1983 51.6 1992 42.6
1975 55.9 1984 49.0 1993 34.8
1976 51.8 1985 38.6 1994 28.4
1977 57.0 1986 37.3 1995 23.9
1978 64.4 1987 43.8 1996 27.8
1979 60.8 1988 41.7 1997 42.1
1980 56.3 1989 38.3

stesso grafico.
(c) Applicate un livellamento esponenziale con fattore di smorzamento W 0.25 e aggiun-
DATASET 11.6 I seguenti dati rappresentano per gli anni 1980-1996 il reddito mediano delle famiglie sta-
MEDFAMIN tunitensi con riferimento alla popolazione considerata nel suo complesso e separatamente
rispetto alle 3 razze più diffuse negli Stati Uniti: bianchi, neri e ispanici.

levine11_57-116 3-04-2002 8:27 Pagina 69
Reddito familiare mediano (in dollari)

negli Stati Uniti
ANNO COMPLESSIVO BIANCHI NERI ISPANICI
1980 33 763 35 620 20 521 26 025

1981 33 215 35 094 19 693 26 643
1982 33 105 34 657 19 642 24 910
1983 32 900 34 502 19 579 25 057
1984 33 849 35 709 20 343 25 660
1985 34 439 36 320 21 609 25 467
1986 35 642 37 471 21 588 26 272
1987 35 994 37 924 21 646 26 706
1988 36 108 38 172 21 760 27 002
1989 36 575 38 473 22 881 27 737
1990 35 945 37 492 22 420 26 806
1991 34 705 36 367 21 665 26 140
1992 34 261 36 020 20 974 25 271
1993 33 922 35 788 21 209 24 850
1994 34 158 36 026 22 261 24 796
1995 35 082 36 822 23 054 23 535
1996 35 492 37 161 23 482 24 906
Fonte: Statistical Abstract of the United States, 118th ed., 1996, U.S.
Department of Commerce, Bureau of the Census, 468.

stesso grafico.
gete la serie smussata al grafico precedente
(h) Quali conclusioni potete trarre in relazione all’andamento del reddito mediano statuni-
tense, sia complessivo che disaggregato rispetto ai tre gruppi dominanti?
DATASET 11.7 I seguenti dati rappresentano il tasso di disoccupazione in sette paesi europei negli anni
UNEMPLOY compresi fra il 1985 e il 1996.
Tasso di disoccupazione (1985-1997)

GRAN
ANNO BELGIO DENIMARCA FRANCIA ITALIA NETHERLANDS PORTOGALLO BRETAGNA
1985 10.3 7.1 10.2 8.5 8.3 8.7 11.5

1986 10.3 5.4 10.3 9.2 8.3 8.4 11.5
1987 10.0 5.4 10.4 9.9 8.0 6.9 10.6
1988 8.9 6.1 9.9 10.0 7.5 5.5 8.7
1989 7.5 7.4 9.4 10.0 6.9 4.9 7.3
1990 6.7 7.7 9.0 9.1 6.2 4.6 7.0
1991 6.6 8.4 9.5 8.8 5.8 4.0 8.8
(Continua)

levine11_57-116 3-04-2002 8:27 Pagina 70
Tasso di disoccupazione (1985-1997) (seguito)

GRAN
ANNO BELGIO DENIMARCA FRANCIA ITALIA NETHERLANDS PORTOGALLO BRETAGNA
1992 7.3 9.2 10.4 9.0 5.6 4.2 10.1
1993 8.9 10.1 11.7 10.3 6.6 5.7 10.4
1994 10.0 8.2 12.3 11.4 7.2 7.0 9.6
1995a 9.9 6.8 11.5 11.8 7.3 7.2 8.8
1996a 10.1 6.1 11.7 11.8 7.2 7.4 8.4
1997a 9.8 5.8 11.7 11.7 7.0 7.2 8.0
a
Initial, unrevised estimates.
Fonte: Extracted from Table 3 of European Commission’s Panorama of EU Industry 97 1 (1997): 22.

stesso grafico.
(c) Applicate un livellamento esponenziale con fattore di smorzamento W = 0.5 e aggiun-
(e) Applicate ora un livellamento esponenziale con fattore di smorzamento W = 0.25 e
(h) Cosa potete dire sull’andamento del tasso di disoccupazione in questi sette paesi?
DATASET 11.8 I seguenti dati riguardano il New Mexico e rappresentano il valore della bilancia dei pagamenti
BALPAY (differenza fra le spese federali pro capite e le tasse federali pro capite) negli ani compresi fra
il 1981 e il 1995.
Bilancia dei pagamenti pro capite nel New Mexico (1981-1995)

BILANCIA SPESE TASSE
DEI PAGAMENTI FEDERALI FEDERALI
ANNO FISCALE PRO CAPITE PRO CAPITE PRO CAPITE
1981 2961 6212 3251

1982 2913 5983 3069
1983 2426 5853 3427
1984 2881 6309 3428
1985 2919 6414 3495
1986 3218 6670 3452
1987 3322 6635 3313
1988 4336 7461 3125
1989 3496 6578 3083
1990 3545 6653 3108
1991 3462 6739 3277
1992 3632 7079 3447
1993 3709 7272 3563
1994 3343 6915 3572
1995 3300 6935 3635
Fonte: D.P. Moynihan, M.E. Friar, H.B. Leonard, and J.H. Walder, The Federal Budget and the
States: Fiscal Year 1995, jointly published by the John F. Kennedy School of Government, Harvard
University, and the Office of Senator Daniel Patrick Moynihan, September 30, 1996, 73.

levine11_57-116 3-04-2002 8:27 Pagina 71

stesso grafico.
gete la serie smussata al grafico precedente
(e) Applicate ora un livellamento esponenziale con fattore di smorzamento W = 0.25 e
(h) Cosa potete dire sull’andamento delle spese federali, delle entrate federali e della bilan-
cia dei pagamenti in questo stato americano?
◆ 11.4 IL METODO DEI MINIMI QUADRATI E LA PREVISIONE
In una serie storica il trend è sicuramente la componente oggetto di maggiore attenzione da

parte degli analisti. Lo studio del trend ci consente di effettuare previsioni sull’andamento
della serie nel medio e nel lungo periodo; ma anche, una volta eliminata la sua influenza
sulla serie, di fare previsioni di breve periodo sull’andamento ciclico generale del mercato.
Come si è già accennato in precedenza, è estremamente importante, prima di effettuare
l’analisi vera e propria della serie storica, farsi un’idea generale dell’andamento della serie
con l’ausilio di rappresentazioni grafiche come quelle già presentate nelle pagine precedenti
(Figura 11.1). In ogni caso, se la serie manifesta tendenze di lungo periodo, siano esse di
tipo lineare piuttosto che non lineare, ha senso valutare un trend attraverso il noto metodo
dei minimi quadrati (paragrafi 9.2 e 10.6).
Il trend lineare
Si è già visto nel paragrafo 9.2 come il metodo dei minimi quadrati possa essere adottato
per individuare una retta del tipo:
Ŷi b0 b1Xi (11.5)
dove Y rappresenta la variabile dipendente del modello e X la variabile indipendente
in modo che i due coefficienti b0 e b1 siano tali da minimizzare la somma delle differenze
al quadrato fra il valore osservato della serie e il valore dell’interpolante stessa:
n
(Y Ŷ )
i1
i i
2
minimo
Si è inoltre osservato che l’equazione (11.5) può essere utilizzata per effettuare una pre-
visione dei valori della variabile dipendente Y in corrispondenza di valori della X non osser-
vati, semplicemente sostituendo a X il valore in corrispondenza del quale si vuole preve-
dere la Y.
Quando applichiamo il metodo dei minimi quadrati al problema di determinazione del
trend di una serie storica, la variabile indipendente è il tempo, con la convenzione di far
partire l’asse delle ascisse (l’asse dei tempi in questo caso) dal primo periodo per il quale
sono disponibili i dati e quindi di considerare il primo anno o il primo trimestre o il primo
mese come il periodo zero (X = 0). Se ad esempio stiamo lavorando con una serie di 24
anni, al primo verrà assegnato il valore 0, al secondo il valore 1 e così via fino al venti-
quattresimo anno a cui sarà assegnato il valore 23.
Come esempio riprendiamo la serie storica rappresentata nella Tabella 11.5 e nella
IL METODO DEI MINIMI QUADRATI E LA PREVISIONE 71

levine11_57-116 3-04-2002 8:27 Pagina 72
Figura 11.1 e relativa alle entrate lorde (in milioni di dollari correnti) della società East-
man Kodak nei 24 anni compresi fra il 1975 e il 1998. Prima di effettuare l’analisi si
presenta il problema, tipico delle serie storiche di prezzi, di trasformare i prezzi correnti in
prezzi reali (costanti). Ciascun valore corrente è stato quindi rapportato all’indice dei prezzi
al consumo (CPI) e moltiplicato per 100. I risultati sono stati riportati nella Tabella 11.6 e
nella Figura 11.5.
Una volta codificati i valori della variabile X da 0 a 23 è possibile ottenere facilmente
l’espressione della retta interpolante (trend) utilizzando il software Excel:
Ŷi 10.8654 0.02506Xi
dove l’origine è rappresentata dall’anno 1975 e le unità della variabile X sono di un anno.
Nella Figura 11.6 è riportato l’output Excel della regressione.
DATASET
EASTMANK
Tabella 11.5 Entrate lorde (in milioni di dollari correnti)
della società Eastman Kodak (1975-1998)
ANNO VENDITE ANNO VENDITE ANNO VENDITE ANNO VENDITE
1975 5.0 1981 10.3 1987 13.3 1993 16.3
1976 5.4 1982 10.8 1988 17.0 1994 13.7
1977 6.0 1983 10.2 1989 18.4 1995 15.3
1978 7.0 1984 10.6 1990 18.9 1996 16.2
1979 8.0 1985 10.6 1991 19.4 1997 14.5
1980 9.7 1986 11.5 1992 20.2 1998 13.4
Fonte: Moody’s Handbook of Common Stocks, 1980, 1989, 1993, 1996, 1998. Reprinted by permission of
Financial Information Services, a division of Financial Communications Company, Inc.
Tabella 11.6 Dalle entrate a prezzi

correnti alle entrate a prezzi costanti
(riferimento biennio 1982-1984)
Fonte: Bureau of Labor Statistics, U.S. Department of

Labor, and Moody’s Handbook of Common Stocks,
1980, 1989, 1993, 1996, 1998. Reprinted by permission
of Financial Information Services, a division of Financial
Communications Company, Inc.

levine11_57-116 3-04-2002 8:27 Pagina 73
Vediamo ora l’interpretazione dei coefficienti della retta di regressione stimata:

• L’intercetta b0 10.8654 rappresenta il valore del trend nell’anno base, vale a dire
le entrate lorde (a prezzi costanti 1982-84) della società Eastman Kodak nell’anno
1975.
• L’inclinazione b1 0.02506 rappresenta l’aumento annuo previsto (in milioni di dol-
lari) nelle entrate lorde della società.
Una volta individuato il trend, se vogliamo effettuare una previsione delle entrate per il
1999, è sufficiente sostituire nell’equazione della retta a minimi quadrati al posto della X il
valore corrispondente all’anno 1999 (X25 24). Di conseguenza la nostra previsione sarà:
1999: Ŷ25 10.8654 (0.02506)(24) 11.47 milioni di dollari costanti 1982-1984
Nonostante il trend riveli un notevole incremento di lungo periodo della serie conside-
rata, esaminando la Figura 11.7 notiamo che i dati tendono ad allontanarsi in misura molto
significativa dal trend. Nasce quindi il sospetto che l’andamento generale della serie possa
essere colto meglio con un trend di tipo non lineare. Vediamo ora a confronto due modelli:
il primo adatta alla serie un trend quadratico, il secondo un trend esponenziale.
FIGURA 11.5
Rappresentazione
in un grafico
a dispersione
sovrapposto delle due
serie relative alle entrate
della Eastman Kodak
a prezzi reali e a prezzi
costanti. Grafico
realizzato in Microsoft
Excel.
FIGURA 11.6
Output di Excel
del modello
di regressione lineare
per la determinazione
del trend.
Fonte: dati
della Tabella 11.6.
b0
b1

levine11_57-116 3-04-2002 8:27 Pagina 74
FIGURA 11.7
Interpolazione
della serie delle entrate
della Eastman Kodak
con un trend lineare.
Fonte: dati
della Tabella 11.6.
Il trend quadratico
Il modello quadratico (basato su un polinomio di secondo grado) è il più semplice fra i
modelli non lineari. Il trend quadratico si ottiene applicando il metodo dei minimi quadrati
introdotto nel paragrafo 10.6:
Il trend quadratico
Ŷi b0 b1Xi b2X2i (11.6)
Dove:
b0 intercetta stimata di Y
b1 effetto lineare stimato della variabile X sulla variabile Y
b2 effetto non lineare stimato della variabile X
sulla variabile Y
Ancora una volta possiamo utilizzare Microsoft Excel per i calcoli necessari alla deter-
minazione del trend quadratico. Nella Figura 11.8 è riportato l’output Excel della regres-
sione quadratica relativa alle entrate lorde annuali (a prezzi costanti) della Eastman Kodak.
Come possiamo leggere dalla tabella Excel, si ottiene:
Ŷi 8.5284 0.6624Xi 0.0277X2i
dove l’origine è rappresentata dal 1975 e l’unità di misura della variabile X è l’anno.
L’equazione del trend quadratico può essere utilizzata a scopi previsivi, semplicemente
sostituendo il valore di X assegnato all’anno per il quale interessa una previsione della serie
e calcolando il corrispondente valore di Ŷ . Per esempio, se vogliamo prevedere le entrate
della Eastman Kodak per il 1999 (X25 24), abbiamo:
1999: Ŷ25 8.5284 0.6624(24) 0.0277(24)2
8.47 milioni di dollari
Nella Figura 11.9 sono rappresentati la serie delle entrate della società insieme con il
trend quadratico. Il modello quadratico sembra in grado di interpolare la serie meglio di
quanto non faccia quello lineare.

levine11_57-116 3-04-2002 8:27 Pagina 75
FIGURA 11.8
Output Excel del modello
di regressione
quadratica
del trend.
Fonte: dati
della Tabella 11.6.
b0
b1
b2
FIGURA 11.9
Interpolazione
della Eastman Kodak
con un trend quadratico.
Il trend esponenziale
Nel caso in cui i valori di una serie sembrano aumentare a un tasso crescente, in modo
tale che la differenza percentuale fra le osservazioni sia costante nel tempo, si rivela utile
applicare un modello esponenziale come quello presentato nell’equazione (11.7).
Il modello esponenziale
Ŷi b0bX1 i (11.7)
dove
(b1 1) 100% stima del tasso di crescita annuale composto
L’equazione (11.7) con una semplice trasformazione logaritmica assume la forma analitica data
dall’equazione (11.8):
Il modello esponenziale
logŶi log b0 Xi log b1 (11.8)

levine11_57-116 3-04-2002 8:27 Pagina 76
Osserviamo che l’equazione (11.8) è in forma lineare. Di conseguenza è possibile applicare

il metodo dei minimi quadrati alla variabile log Yi e quindi ottenere la stima dell’inclina-
zione (log b1) e dell’intercetta (log b0). I calcoli saranno effettuati ancora una volta con
l’ausilio del software Excel.
Nella Figura 11.10 è rappresentato l’output del modello esponenziale relativo alle entrate
della Eastman Kodak. Si è quindi ottenuto il seguente risultato:
log Ŷi 1.03508 0.0005565Xi
Dove l’anno iniziale è il 1975 e l’unità di misura dell’asse delle ascisse è l’anno.
I valori di b0 e b1 si ottengono calcolando l’antilogaritmo dei coefficienti stimati della
regressione:
b0 antilog 1.03508 10.8413
b1 antilog 0.0005565 1.00128
Quindi il trend esponenziale stimato è dato da:
Ŷi (10.8413)(1.00128) Xi
Dove l’anno iniziale è sempre il 1975 e l’unità dell’asse delle ascisse è l’anno.
L’intercetta b0 10.8413 rappresenta il valore stimato del trend nell’anno iniziale
(1975); mentre il valore (b1 – 1)*100% = 0.128% rappresenta la stima del tasso di crescita
annuale composto nella serie delle entrate della Eastman Kodak.
Analogamente a quanto visto nell’applicazione dei modelli precedenti, anche nel caso
del modello esponenziale per ottenere la previsione della serie in un istante futuro è suffi-
ciente sostituire il valore di X assegnato all’anno in una delle equazioni (11.7) o (11.8) e
calcolare il corrispondente valore della serie stimata Ŷ . Per esempio, se vogliamo prevedere
le entrate per il 1999 (X25 = 24) dobbiamo effettuare i seguenti passaggi algebrici:
1999: log Ŷ25 1.03508 (0.0005565)(24) 1.0484
Ŷ25 antilog (1.0484) 11.18 milioni di dollari
o
1999: Ŷ25 (10.8413)(1.00128)24 11.18 milioni di dollari
Il trend esponenziale stimato è stato rappresentato nella Figura 11.11 insieme con la serie
originaria. Possiamo osservare che fra i tre modelli considerati il modello esponenziale si
rivela il meno adeguato a rappresentare l’andamento della serie.
FIGURA 11.10
Output Excel del modello
di regressione
esponenziale
del trend.
Fonte: dati
della Tabella 11.6.
b0
b1

levine11_57-116 3-04-2002 8:27 Pagina 77
FIGURA 11.11
Interpolazione
della Eastman Kodak
con un trend
esponenziale.
Scelta del modello attraverso lo strumento delle differenze

prime, delle differenze seconde e delle differenze percentuali
Nelle pagine precedenti abbiamo cercato di interpolare una serie storica (la serie delle
entrate della Eastman Kodak) con tre tipi di trend: lineare, quadratico ed esponenziale. Se
vogliamo individuare il modello migliore per i nostri dati possiamo considerare il grafico
dal quale scaturisce un’idea d’insieme della capacità del modello di “spiegare” i dati. Esi-
stono anche tecniche più rigorose, basate sul calcolo e sull’analisi delle differenze prime,
seconde e percentuali fra i valori della serie. Per comprendere il significato di questo metodo
di indagine, è utile riassumere alcune proprietà dei trend analizzati.
Riquadro 11.1 Scelta del modello attraverso

le differenze prime, seconde
e percentuali
• Quando le osservazioni sono interpolate perfettamente da un trend lineare, le diffe-
renze prime fra i valori della serie sono costanti. Cioè:
(Y2 Y1) (Y3 Y2) (Yn Yn1)
• Quando le osservazioni sono interpolate perfettamente da un trend quadratico, le

differenze seconde fra i valori della serie sono costanti. Cioè:
[(Y3 Y2) (Y2 Y1)] [(Y4 Y3) (Y3 Y2)]
[(Yn Yn1) (Yn1 Yn2)]
• Quando le osservazioni sono interpolate perfettamente da un trend esponenziale, le
differenze percentuali fra i valori della serie sono costanti. Cioè:
Y Y Y 100% Y Y Y 100% Y Y Y 100%

2
1
1 3
2
2 n n1
n1
Anche se non dobbiamo attenderci che uno dei trend analizzati si adatti perfettamente
alla serie, le differenze prime, seconde e percentuali possono rivelarsi un utile strumento

levine11_57-116 3-04-2002 8:27 Pagina 78
per scegliere il modello appropriato a un insieme di dati. Negli esempi 11.2, 11.3 e 11.4
saranno illustrati dei casi in cui uno dei trend proposto nelle pagine precedenti si adatta per-
fettamente alle osservazioni.
Esempio 11.2 Un modello lineare con perfetto adattamento

I seguenti dati rappresentano il numero di passeggeri (in milioni) che annualmente si ser-
vono di una compagnia aerea.
ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Passeggeri 30.0 33.0 36.0 39.0 42.0 45.0 48.0 51.0 54.0 57.0
Mostrate, con il metodo delle differenze prime, che il trend lineare fornisce una perfetta
interpolazione della serie.
S OLUZIONE
ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Passeggeri 30.0 33.0 36.0 39.0 42.0 45.0 48.0 51.0 54.0 57.0
Differenze prime 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0
Osserviamo che le differenze fra valori consecutivi della serie sono costanti.
Esempio 11.3 Un modello quadratico con perfetto adattamento

ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Passeggeri 30.0 31.0 33.5 37.5 43.0 50.0 58.5 68.5 80.0 93.0
Mostrate, con il metodo delle differenze seconde, che il trend quadratico fornisce una perfetta
interpolazione della serie.
S OLUZIONE
ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Passeggeri 30.0 31.0 33.5 37.5 43.0 50.0 58.5 68.5 80.0 93.0
Differenze seconde 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5
Osserviamo che le differenze seconde fra i valori della serie sono costanti.

levine11_57-116 3-04-2002 8:27 Pagina 79
Esempio 11.4 Un modello esponenziale con perfetto

adattamento
ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Passeggeri 30.0 31.5 33.1 34.8 36.5 38.3 40.2 42.2 44.3 46.5
Mostrate, con il metodo delle differenze percentuali, che il trend esponenziali fornisce una
perfetta interpolazione della serie.
S OLUZIONE
ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Passeggeri 30.0 31.5 33.1 34.8 36.5 38.3 40.2 42.2 44.3 46.5
Differenze percentuali 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0
Osserviamo che le differenze percentuali fra valori consecutivi della serie sono costanti.
Nella Tabella 11.7 sono rappresentate le differenze prime, seconde e percentuali relative
alla serie delle entrate lorde della società Eastman Kodak.
Osservando la tabella possiamo notare che nessuno dei tre modelli confrontati fornisce
una perfetta interpolazione delle osservazioni. Tuttavia il trend quadratico sembra da pre-
ferire in quanto la serie delle differenze seconde manifesta un andamento più erratico e
Tabella 11.7 Confronto fra le differenze prime, seconde e percentuali relative alle entrate lorde
(in miliardi di dollari a prezzi costanti 1982-84) della Eastman Kodak
ENTRATE ENTRATE
(IN MILIARDI DIFFERENZE DIFFERENZE DIFFERENZE (IN MILIARDI DIFFERENZE DIFFERENZEDIFFERENZE
ANNO DI DOLLARI) PRIME SECONDE PERCENTUALI ANNO DI DOLLARI) PRIME SECONDE PERCENTUALI
1975 9.3 — — — 1987 11.7 1.2 0.6 11.4

1976 9.5 0.2 — 2.2 1988 14.4 2.7 1.5 23.1
1977 9.9 0.4 0.2 4.2 1989 14.8 0.4 2.3 2.8
1978 10.7 0.8 0.4 8.1 1990 14.5 0.3 0.7 2.0
1979 11.0 0.3 0.5 2.8 1991 14.2 0.3 0.0 2.1
1980 11.8 0.8 0.5 7.3 1992 14.4 0.2 0.5 1.4
1981 11.3 0.5 1.3 4.2 1993 11.3 3.1 3.3 21.5
1982 11.2 0.1 0.4 0.9 1994 9.2 2.1 1.0 18.6
1983 10.2 1.0 0.9 8.9 1995 10.0 0.8 2.9 8.7
1984 10.2 0.0 1.0 0.0 1996 10.3 0.3 0.5 3.0
1985 9.9 0.3 0.3 2.9 1997 9.0 1.3 1.6 12.6
1986 10.5 0.6 0.9 6.1 1998 8.2 0.8 0.5 8.9
Fonte: Tabella 11.6 di pagina 72.

levine11_57-116 3-04-2002 8:27 Pagina 80
sembra fluttuare più casualmente al di sotto e al di sopra dell’origine rispetto alle serie delle
differenze prime e percentuali.
Esercizi del paragrafo 11.4

11.9 Supponete di applicare il metodo dei minimi quadrati per individuare il trend di una serie
annuale contenente 25 osservazioni.
(a) Quale valore deve essere assegnato a X in corrispondenza del primo anno della serie?
(b) Quale valore deve essere assegnato a X in corrispondenza del quinto anno della serie?
(c) Quale valore deve essere assegnato a X in corrispondenza dell’ultimo anno della serie?
(d) Quale valore deve essere assegnato a X per effettuare una previsione a 5 anni della serie?
• 11.10 Supponete che una serie contenente 20 osservazioni (dal 1980 al 1999): sia caratterizzata
dal trend lineare Ŷi 4.0 1.5Xi.
(a) Interpretate il significato dell’intercetta b0.
(b) Interpretate il significato dell’inclinazione b1.
(c) Calcolate il valore del trend corrispondente al quinto anno di osservazione dei dati.
(d) Calcolate il valore del trend corrispondente all’ultimo anno di osservazione dei dati.
(e) Sulla base del modello proposto, qual è la previsione per i tre anni successivi al periodo
di osservazione dei dati?
DATASET • 11.11 I seguenti dati rappresentano i valori di un indice dei prezzi al consumo (CPI) registrati
CPI-2 negli Stati Uniti nei 34 anni compresi tra il 1965 e il 1998 (il periodo base è il 1982-84).
L’indice misura la variazione media dei prezzi di un paniere di beni e servizi acquistati da
una vasta gamma di consumatori.
Indice dei prezzi al consumo

ANNO CPI ANNO CPI ANNO CPI
1965 31.5 1977 60.6 1989 124.0

1966 32.4 1978 65.2 1990 130.7
1967 33.4 1979 72.6 1991 136.2
1968 34.8 1980 82.4 1992 140.3
1969 36.7 1981 90.9 1993 144.5
1970 38.8 1982 96.5 1994 148.2
1971 40.5 1983 99.6 1995 152.4
1972 41.8 1984 103.9 1996 156.9
1973 44.4 1985 107.6 1997 160.5
1974 49.3 1986 109.6 1998 163.0
1975 53.8 1987 113.6
1976 56.9 1988 118.3
Fonte: Bureau of Labor Statistics, U.S. Department of Labor.

(b) Descrivete i movimenti della serie nei 34 anni considerati.
DATASET 11.12 Il prodotto interno lordo (GDP) costituisce uno dei più importanti indicatori del benessere
GDP economico di un Paese e riassume le spese per il consumo individuale, gli investimenti pri-
vati, le esportazioni nette di beni e di servizi e le spese di governo. Nella seguente tabella
sono rappresentati i valori del prodotto interno lordo americano registrati nel periodo di 17
anni fra il 1982 e il 1998.

levine11_57-116 3-04-2002 8:27 Pagina 81
Prodotto interno lordo (GDP) in dollari costanti. Periodo 1982-1998

ANNO GDP REALE ANNO GDP REALE ANNO GDP REALE
1982 4620.3 1988 5865,2 1994 6608.4

1983 4803.7 1989 6062.0 1995 6742.2
1984 5140.1 1990 6136.3 1996 6906.8
1985 5323.5 1991 6079.4 1997 6928.4
1986 5487.7 1992 6244.4 1998 7188.4
1987 5649.5 1993 6386.1
Fonte: U.S. Bureau of Economic Analysis—see Statistical Abstract of the United States,
118th ed., 1999, Bureau of the Census, U.S. Department of Commerce, 715.

(b) Adattate alla serie un trend lineare e riportatelo sul grafico.
(c) Quali sono le vostre previsioni del GDP americano per gli anni 1999 e 2000?
(d) Cosa potete dire in generale sull’andamento della serie analizzata?
DATASET • 11.13 Nella seguente tabella sono riportate le entrate federali americane (tasse sul reddito, tasse
FEDRECPT sulle successioni e donazioni, imposte sul consumo, …) a prezzi correnti, registrate nel
periodo compreso fra il 1978 e il 1998.
Entrate federali americane a prezzi correnti. Periodo 1982-1998

ANNO ENTRATE ANNO ENTRATE ANNO ENTRATE
1978 399.6 1985 734.2 1992 1091.3

1979 463.3 1986 769.3 1993 1154.4
1980 517.1 1987 854.4 1994 1258.6
1981 599.3 1988 909.3 1995 1351.8
1982 617.8 1989 991.2 1996 1453.1
1983 600.6 1990 1032.0 1997 1579.3
1984 666.5 1991 1055.0 1998a 1657.9
a
Stima preliminare.
Fonte: U.S. Office of Management and Budget—see Statistical Abstract of the United
States, 118th ed., 1998, Bureau of the Census, U.S. Department of Commerce, 339.
(a) Costruite la serie delle entrate a prezzi costanti dividendo ciascun valore della tabella
per il corrispondente valore dell’indice dei prezzi al consumo (Esercizio 11.11) e mol-
tiplicando il risultato per 100.
(b) Rappresentate la serie delle entrate a prezzi correnti in un opportuno grafico.
(c) Adattate alla serie un trend lineare e riportatelo sul grafico.
(d) Quali sono le vostre previsioni per gli anni 1999 e 2000?
(e) Ripetete i punti (a)-(d) sulla serie delle entrate a prezzi costanti e confrontate i risultati.
DATASET 11.14 Nella seguente tabella sono riportati i depositi totali (in milioni di dollari) di una delle più
JPMORGAN grandi banche americane, la J. P. Morgan, nei 19 anni compresi fra il 1979 e il 1997.
Depositi totali (in milioni di dollari)

della J. P. Morgan. Periodo 1979-1997
ANNO DEPOSITI ANNO DEPOSITI
1979 30 279 1989 39 158

1980 35 594 1990 37 557
1981 36 024 1991 36 976
(Continua)

levine11_57-116 3-04-2002 8:27 Pagina 82
Depositi totali (in milioni di dollari)

della J. P. Morgan. Periodo 1979-1997
(seguito)
ANNO DEPOSITI ANNO DEPOSITI
1982 37 910 1992 32 519
1983 38 070 1993 40 402
1984 38 760 1994 43 085
1985 39 845 1995 46 438
1986 42 960 1996 52 724
1987 43 987 1997 58 879
1988 42 469
Fonte: Moody’s Handbook of Common Stocks, 1989,
1998.
(a)
Rappresentate i dati in un opportuno grafico.
(b)
Adattate alla serie un trend lineare e riportatelo sul grafico.
(c)
Adattate alla serie un trend quadratico e riportatelo sul grafico.
(d)
Adattate alla serie un trend esponenziale e riportatelo sul grafico.
(e)
Quale fra i modelli applicati vi sembra il più appropriato a rappresentare l’andamento
dei dati?
(f) Usando il modello che ritenete più appropriato, prevedete il valore dei depositi della
banca per il 1998.
DATASET 11.15 Nella seguente tabella sono riportate le entrate a prezzi correnti della società Coca-Cola nei
COCACOLA 24 anni compresi fra il 1975 e il 1998.
Entrate a prezzi costanti della società Coca-Cola. Periodo 1975-1998

1975 2.9 1983 6.6 1991 11.6

1976 3.1 1984 7.2 1992 13.0
1977 3.6 1985 7.9 1993 14.0
1978 4.3 1986 7.0 1994 16.2
1979 4.5 1987 7.7 1995 18.0
1980 5.3 1988 8.3 1996 18.5
1981 5.5 1989 9.0 1997 18.9
1982 5.9 1990 10.2 1998 18.8
Fonte: Moody’s Handbook of Common Stocks, 1980, 1989, 1993, 1997. Reprinted by
permission of Financial Information Services, a division of Financial Communications
Company, Inc. and Standard and Poor’s Corp., New York: McGraw-Hill, Inc., April, 1999.

(b) Adattate alla serie un trend quadratico e riportatelo sul grafico.
(c) Quali sono le vostre previsioni per il 1999 e il 2000?
(d) Costruite la serie delle entrate a prezzi costanti dividendo ciascun valore della tabella
per il corrispondente valore dell’indice dei prezzi al consumo (Esercizio 11.11) e mol-
tiplicando il risultato per 100.
(e) Rappresentate in un grafico la nuova serie.
(f ) Adattate alla serie delle entrate a prezzi costanti un trend lineare e riportatelo sul grafico.
(g) Adattate alla serie un trend quadratico e riportatelo sul grafico.
(h) Adattate alla serie un trend esponenziale e riportatelo sul grafico.

levine11_57-116 3-04-2002 8:27 Pagina 83
(i) Usando il modello che ritenete più appropriato, prevedete il valore delle entrate a prezzi
costanti per gli anni 1999-2000.
(j) Confrontate tale previsione con quella ottenuta nel punto (c).
(k) Cosa potete concludere circa l’andamento delle due serie analizzate?
DATASET 11.16 I dati della seguente tabella rappresentano i valori di chiusura dell’indice Dow Jones Indu-
DJIA strial Average (DJIA) nei 20 anni compresi fra il 1979 e il 1998.
Valori di chiusura dell’indice DJIA

(Dow Jones Industrial Average).
Periodo 1979-1998
ANNO DJIA ANNO DJIA
1979 0838.7 1989 2753.2

1980 0,0964.0 1990 2633.7
1981 0,0875.0 1991 3168.8
1982 1046.5 1992 3301.1
1983 1258.6 1993 3754.1
1984 1211.6 1994 3834.4
1985 1546.7 1995 5117.1
1986 01896.0 1996 6448.3
1987 1938.8 1997 7908.3
1988 2168.6 1998 9181.4
Fonte: Yahoo.com, June 16, 1999. Reprinted by
permission of TIBCO Software.
(a)
Rappresentate i dati in un opportuno grafico.
(b)
Adattate alla serie un trend lineare e riportatelo sul grafico.
(c)
Adattate alla serie un trend quadratico e riportatelo sul grafico.
(d)
Adattate alla serie un trend esponenziale e riportatelo sul grafico.
(e)
Quale fra i modelli applicati vi sembra il più appropriato a rappresentare l’andamento
dei dati?
(f) Usando il modello che ritenete più appropriato, prevedete il valore dell’indice per il 1999.
DATASET 11.17 Applicando a ciascuna delle serie riportate nella tabella il metodo di scelta del modello
TSMODEL1 basato sulle differenze prime, seconde e percentuali,
ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Serie storica I 10.0 15.1 24.0 36.7 53.8 74.8 100.0 129.2 162.4 199.0
Serie storica II 30.0 33.1 36.4 39.9 43.9 48.2 53.2 58.2 64.5 70.7
Serie storica III 60.0 67.9 76.1 84.0 92.2 100.0 108.0 115.8 124.1 132.0
(a) Determinate il modello più appropriato a rappresentare l’andamento dei dati

(b) Calcolate i coefficienti della corrispondente equazione.
(c) Prevedete il valore della serie per l’anno 2000.
11.18 Per ciascuna delle tre serie riportate nella tabella,
ANNO
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
Serie storica I 100.0 115.2 130.1 144.9 160.0 175.0 189.8 204.9 219.8 235.0
Serie storica II 100.0 115.2 131.7 150.8 174.1 200.0 230.8 266.1 305.5 351.8
(a) Rappresentate in due differenti grafici la serie dei dati e il suo logaritmo e confrontate,
sulla base del risultato grafico, la bontà dei modelli lineare ed esponenziale.

levine11_57-116 3-04-2002 8:27 Pagina 84
(b) Determinate l’equazione del trend che avete scelto per rappresentare i dati.
(c) Prevedete il valore della serie per l’anno 2000.
DATASET 11.19 Nella seguente tabella sono rappresentati i dati relativi alle entrate lorde (a prezzi costanti
GROSSREV del 1995) di una società, nel periodo compreso fra il 1984 e il 1987.
Entrate annuali lorde a prezzi costanti

ANNO ENTRATE ANNO ENTRATE
1984 13.0 1991 26.2

1985 14.1 1992 29.0
1986 15.7 1993 32.8
1987 17.0 1994 36.5
1988 18.4 1995 41.0
1989 20.9 1996 45.4
1990 23.5 1997 50.8
(a) Scegliete il modello che secondo voi rappresenta le osservazioni in modo ottimale,
basandovi sul metodo delle differenze prime, seconde e percentuali.
(b) Fornite l’equazione del trend corrispondente.
(c) Prevedete il valore del trend per l’anno 2000.
◆ 11.5 MODELLI AUTOREGRESSIVI PER LA DETERMINAZIONE

DEL TREND E PER LA PREVISIONE
1
Occorre osservare I modelli autoregressivi1 rappresentano uno strumento molto utile per affrontare il pro-
che il livellamento blema della previsione in relazione a una serie storica annuale. Spesso si osserva una forte
esponenziale (paragrafo
correlazione fra valori consecutivi di una serie; si parla in questo caso di autocorrelazione,
11.3) e i modelli
autoregressivi sono dei casi del primo ordine quando si considerano valori adiacenti, del secondo ordine se ci si riferi-
particolari dei modelli ARIMA sce alla relazione che intercorre tra i valori della serie a distanza di due periodi e, in gene-
(modelli autoregressivi rale, del p-esimo ordine se i valori considerati “distano” fra loro p periodi. I modelli auto-
integrati a media mobile) regressivi consentono appunto di sfruttare questi legami di dipendenza per ottenere utili
sviluppati da Box and Jenkins
previsioni del comportamento futuro della serie.
(op. cit. 3).
Nelle equazioni (11.9), (11.10) e (11.11) sono rappresentati tre importanti modelli auto-
regressivi:
Modello autoregressivo del primo ordine

Yi A0 A1Yi1 i (11.9)
Modello autoregressivo del secondo ordine

Yi A0 A1Yi1 A2Yi2 i (11.10)
Modello autoregressivo del p-esimo ordine

Yi A0 A1Yi1 A2Yi2 ApYip i (11.11)
dove
Yi valore osservato della serie al tempo i

levine11_57-116 3-04-2002 8:27 Pagina 85
Yi1 valore osservato della serie al tempo i 1

Yip valore osservato della serie al tempo i p
A0 costante da stimare con il metodo dei minimi quadrati
A1, A2, . . . , Ap parametri autoregressivi da stimare con il metodo dei minimi
quadrati
i componente di errore non autocorrelata, di media nulla
e con varianza costante
Osserviamo che la forma del modello autoregressivo del primo ordine (equazione 11.9)
è del tutto simile a quella del modello di regressione lineare semplice (equazione 9.1), così
come il modello auto regressivo del p-esimo ordine (equazione 11.11) può essere visto come
un modello di regressione multipla (equazione 10.1). In questo contesto i parametri sono
stati chiamati A0, A1, …., Ap e le relative stime saranno indicate con le corrispondenti let-
tere minuscole a0, a1, …, ap.
Scegliere fra modelli autoregressivi di diverso ordine significa stabilire l’ampiezza delle
relazioni fra osservazioni ritardate con cui si intende lavorare. Il modello autoregressivo del
primo ordine coinvolge solo le relazioni fra variabili consecutive della serie storica, nel
modello autoregressivo del secondo ordine oltre alle relazioni fra osservazioni consecutive
si tiene conto anche dei legami fra osservazioni ritardate di due periodi, e così via fino al
modello autoregressivo del p-esimo ordine che coinvolge tutte le relazioni fra variabili che
distano 1, 2,.., p periodi. La scelta non è quindi facile; esiste inoltre un trade-off fra la sem-
plicità dei modelli di ordine più basso e l’eventuale maggior capacità esplicativa di quelli
di ordine superiore. Occorre inoltre tenere conto della lunghezza della serie (n) rispetto alla
quale p, l’ordine del modello, non deve essere eccessivamente elevato. Con l’aiuto dei
seguenti esempi sarà infatti chiaro che nella stima di Ap, il coefficiente della p-esima varia-
bile autoregressiva, il numero di osservazioni che entrano in gioco è n – p.
Esempio 11.5 Schema dei confronti in un modello

autoregressivo del primo ordine
Data la seguente serie composta da n = 7 valori annuali consecutivi:
ANNO
1 2 3 4 5 6 7
Serie 31 34 37 35 36 43 40
Mostrate i confronti fra osservazioni che entrano in gioco in un modello autoregressivo del
primo ordine.
S OLUZIONE
ANNO, MODELLO AUTOREGRESSIVO
i DEL SECONDO ORDINE(Yi RISPETTO A Yi1)
1 31 ↔ …
2 34 ↔ 31
3 37 ↔ 34
4 35 ↔ 37
5 36 ↔ 35
6 43 ↔ 36
7 40 ↔ 43
MODELLI AUTOREGRESSIVI PER LA DETERMINAZIONE DEL TREND E PER LA PREVISIONE 85

levine11_57-116 3-04-2002 8:27 Pagina 86
Poiché Y1 = 31 è il primo valore della serie, si osserva che nell’analisi della regressione si
perde uno dei confronti. Quindi in questo caso (n = 7) il modello autoregressivo del primo
ordine viene a basarsi su n – 1 = 6 coppie di osservazioni.
Esempio 11.6 Schema dei confronti in un modello

autoregressivo del secondo ordine
Data la seguente serie composta da n = 7 valori annuali consecutivi:
ANNO
1 2 3 4 5 6 7
Serie 31 34 37 35 36 43 40
Mostrate i confronti fra osservazioni che entrano in gioco in un modello autoregressivo del
secondo ordine.
S OLUZIONE
ANNO, MODELLO AUTOREGRESSIVO DEL SECONDO ORDINE
i (Yi RISPETTO Yi1 E Yi RISPETTO Yi2)
1 31 ↔ … e 31 ↔ …
2 34 ↔ 31 e 34 ↔ …
3 37 ↔ 34 e 37 ↔ 31
4 35 ↔ 37 e 35 ↔ 34
5 36 ↔ 35 e 36 ↔ 37
6 43 ↔ 36 e 43 ↔ 35
7 40 ↔ 43 e 40 ↔ 36
Poiché Y1 = 31 è il primo valore della serie, si osserva che nell’analisi della regressione si
perdono due dei confronti. Quindi in questo caso (n = 7) il modello autoregressivo del
secondo ordine viene a basarsi su n – 2 = 5 coppie di osservazioni.
Una volta scelto il modello e applicato il metodo dei minimi quadrati per stimare i para-
metri, occorre definire criteri che consentano di valutare la capacità di adattamento del
modello scelto. Una possibilità consiste nello stimare un modello con un numero abbastanza
elevato di parametri, per poi stabilire se sia il caso di eliminarne alcuni. Si tratta in pratica
di risolvere un problema di verifica di ipotesi sulla significatività dei parametri che via via
si vengono a trovare in corrispondenza dell’ultimo ordine del modello. In un modello auto-
regressivo di ordine p faremo quindi le seguenti ipotesi sul parametro Ap (parametro auto-
regressivo di ordine massimo):
H0: Ap 0 (il parametro di massimo ordine è uguale a zero)
H1: Ap 0 (il parametro di massimo ordine è diverso da zero)
Il test statistico per la verifica delle due ipotesi è dato dall’equazione (11.2)
Test t per la significatività del parametro autoregressivo

di ordine massimo
ap Ap
t (11.12)
Sap

levine11_57-116 3-04-2002 8:27 Pagina 87
dove
ap stima del parametro autoregressivo di ordine massimo Ap
Sap deviazione standard di ap
Si può dimostrare che questo test segue una distribuzione t di Student con n 2p
2
Per ottenere i gradi 1 gradi di libertà2. Quindi, fissato il livello di significatività , l’ipotesi nulla deve essere
di libertà dobbiamo sottrarre rifiutata se il valore osservato della statistica test è maggiore in modulo del valore critico
a n il numero di parametri
del modello (p parametri
tn2p1 della distribuzione t di Student corrispondente. Si arriva quindi alla seguente
di inclinazione regola decisionale:
+ 1 intercetta) e il numero Rifiutare H0 se t tn2p1 oppure t
tn2p1;
di confronti fra accettare H0 altrimenti
le osservazioni che vengono
“persi” (p nel nostro caso). Nella Figura 11.12 sono riportate le regioni di rifiuto e di accettazione del test descritto.
Se il valore osservato della statistica test ci porta a non rifiutare l’ipotesi nulla Ap = 0, dob-
biamo concludere che il modello analizzato contiene un numero eccessivamente elevato di
parametri. La componente autoregressiva di ordine massimo viene quindi scartata e, una volta
determinato il nuovo modello, il procedimento deve essere ripetuto sul parametro Ap – 1, che
rappresenta il nuovo parametro autoregressivo di massimo ordine.
La procedura continua fino a quando l’ipotesi nulla non viene rifiutata. Quando ciò
accade, l’analista può essere sicuro della significatività dell’ultimo parametro autoregres-
sivo e può quindi utilizzare il modello selezionato a scopi previsivi.
Una volta individuato il numero ottimo di componenti autoregressive con il metodo sopra
descritto, è possibile procedere alla stima dei parametri.
Il modello autoregressivo del p-esimo ordine stimato

Ŷi a0 a1Yi1 a2Yi2 apYip (11.13)
dove
Ŷi valore stimato della serie al tempo i
Yip valore osservato della serie al tempo i p
a0, a1, a2, . . . , ap parametri stimati
FIGURA 11.12
Regioni di rifiuto
e di accettazione di un test
di significatività a due code
sul parametro autoregressivo
di ordine massimo Ap.
tn2p1 0 tn2p1 t
Regione Regione di Regione

di rifiuto accettazione di rifiuto
Valore Ap 0 Valore
critico critico

levine11_57-116 3-04-2002 8:28 Pagina 88
Supponiamo ora di trovarci nell’istante n: in che modo il modello può essere utilizzato
per effettuare delle stime a j istanti futuri?
Utilizzo del modello autoregressivo a scopi previsivi

Ŷnj a0 a1Ŷnj1 a2Ŷnj2 apŶnjp (11.14)
dove
a0, a1, a2, . . . , ap parametri stimati
j numero di anni nel futuro
Ŷnjp previsione effettuata all’istante n per l’istante Ynjp
se j p 0
Ŷnjp valore osservato di Ynjp se j p 0
Osserviamo che, quando applichiamo a scopi previsivi un modello autoregressivo del p-

esimo ordine, il numero di osservazioni che entrano in gioco della previsione è sempre pari
a p, a prescindere dalla distanza j nel futuro del valore che vogliamo prevedere. Quindi se
p = 3, una previsione a j periodi successivi all’istante n si baserà unicamente sui valori
osservati negli anni n, n – 1, n – 2.
Applicando l’equazione (11.14) otteniamo la seguente previsione a un anno:
Ŷn1 a0 a1Yn a2Yn1 a3Yn2
La previsione a un anno entra in gioco nella determinazione della previsione a due anni:
Ŷn2 a0 a1Ŷn1 a2Yn a3Yn1
Procedendo iterativamente si ottengono le previsioni agli anni successivi:
Ŷn3 a0 a1Ŷn2 a2Ŷn1 a3Yn
Ŷn4 a0 a1Ŷn3 a2Ŷn2 a3Ŷn1
E così via.
Nel Riquadro 11.2 sono sintetizzati i principali passaggi richiesti per l’applicazione del
modello autoregressivo:
Riquadro 11.2 Analisi di una serie storica annuale

attraverso i modelli autoregressivi
✓ 1. Scegliete l’ordine p del modello iniziale.
✓ 2. Rappresentate in un foglio di lavoro Microsoft Excel le variabili Yn – 1, Yn – 2,
…,Yn – p (predittori) ritardate rispettivamente di 1, 2, …,p periodi (Tabella 11.8).
✓ 3. Stimate un modello di regressione multipla con i predittori rappresentati dalle
variabili Y ritardate.
✓ 4. Effettuate un test per la significatività del parametro autoregressivo di ordine mas-
simo Ap.
(a) Se il test porta a rifiutare l’ipotesi nulla, il modello con p predittori deve
essere scelto per rappresentare la serie e per effettuare previsioni (equazioni
11.3 e 11.4).

levine11_57-116 3-04-2002 8:28 Pagina 89
(b) Se il test porta ad accettare l’ipotesi nulla, l’ultimo predittore deve essere scar-
tato. Considerate ora il modello con un regressore in meno. Verificate la signi-
ficatività del parametro autoregressivo di ordine massimo del nuovo modello.
La procedura continua fino ad individuare un modello il cui parametro auto-
regressivo di ordine massimo risulta significativo.
✓ 5. Il modello così selezionato può essere utilizzato per interpolare le osservazioni
(equazione 11.3) e per prevedere valori futuri della serie (equazione 11.4).
Riprendiamo l’esempio relativo alle entrate lorde a prezzi costanti 1982-84 della società
Eastman Kodak per il periodo compreso fra il 1975 e il 1998 (Tabella 11.6). Nella Tabella
11.8 sono riportati, insieme alle osservazioni, i predittori per modelli autoregressivi fino al
terzo ordine. Notiamo che nelle variabili ritardate a 1, 2 e 3 periodi vengono persi rispettiva-
mente 1, 2 e 3 valori rispetto alle 24 osservazioni della serie originaria.
Esempio 11.7 Scelta del modello autoregressivo appropriato

Scegliete il modello autoregressivo più appropriato fra quelli di ordine compreso tra 1 e 3
per interpolare la serie delle entrate lorde della società Eastman Kodak.
S OLUZIONE
La Tabella 11.8 serve come punto di partenza per la determinazione di un modello autore-
gressivo del terzo ordine.
Il modello stimato, ottenuto con l’ausilio di Microsoft Excel, è:
Ŷi 2.7673 1.285Yi1 .5957Yi2 0.0634Yi3
Tabella 11.8 Predittori di modelli

autoregressivi del primo, secondo
e terzo ordine sulla serie delle entrate
lorde della società Eastman Kodak
(1975-1998)

levine11_57-116 3-04-2002 8:28 Pagina 90
dove l’origine è rappresentata dal 1978 e l’unità è l’anno.

A questo punto conviene applicare il test per la verifica della significatività di A3, il para-
metro autoregressivo di ordine massimo. Sulla base del modello autoregressivo di ordine 3,
il valore della stima di A3 è pari a a3 = 0.0634, con un errore standard Sa3 0.2509.
Si vuole quindi verificare l’ipotesi nulla
H0: A3 0
contro l’alternativa
H1: A3 0
Applicando l’equazione (11.12) otteniamo il valore osservato della statistica test:
a3 0.0634
t 0.253
Sa3 0.25089
Con = 0.05, il valore critico della distribuzione t di Student con n – 2p –1 =17 gradi di
libertà è pari a t17 = 2.1098. Poiché |t|= 0.253 < t17 = 2.1098 (e anche p-value = 0.803 >
= 0.05) l’ipotesi nulla, secondo cui il parametro A3 sarebbe uguale a zero, non può essere
rifiutata. La componente autoregressiva di terzo ordine deve essere eliminata.
A questo punto determiniamo un nuovo modello autoregressivo di ordine 2, ottenendo i
seguenti risultati:
Ŷi 2.900 1.256Yi1 0.516Yi2
dove l’origine è rappresentata dal 1977 e l’unità è sempre l’anno.
Dobbiamo ora verificare che il parametro autoregressivo di secondo ordine sia significa-
tivo. Si vuole quindi verificare l’ipotesi nulla
H0: A2 0
contro l’alternativa
H1: A2 0
Applicando ancora una volta l’equazione (11.12) otteniamo il valore osservato della stati-
stica test:
a2 0.516
t 2.51
Sa2 0.206
RIQUADRO A Output Excel del modello autoregressivo del terzo ordine

implementato sulle entrate lorde della Eastman Kodak.

levine11_57-116 3-04-2002 8:28 Pagina 91
RIQUADRO B Output Excel del modello autoregressivo del secondo

ordine implementato sulle entrate lorde della Eastman Kodak.
Con 0.05, il valore critico della distribuzione t di Student con n – 2p – 1 19 gradi di

libertà è pari a t19 2.093. Poiché |t| 2.51 > t19 2.093 (e anche: p-value 0.021 <
0.05) l’ipotesi nulla, secondo cui il parametro A2 sarebbe uguale a zero, deve essere rifiu-
tata. La componente autoregressiva di secondo ordine deve essere considerata significativa e
non può essere eliminata dal modello. Siamo quindi giunti alla conclusione che il modello
autoregressivo di secondo ordine è il più appropriato per rappresentare le osservazioni.
Avendo scelto il modello autoregressivo del secondo ordine, qualsiasi previsione per il
futuro si baserà esclusivamente sui tre parametri stimati a0 2.90, a1 1.256 e a2 – 0.516
e sugli ultimi due valori osservati della serie (Y23 9,034 e Y24 8.22). In particolare le
previsioni per gli anni 1999 e 2000 si ottengono nel modo seguente:
Ŷnj 2.900 1.256Ŷnj1 0.516Ŷnj2

1999: 1 anno prima Ŷ25 2.900 1.256(8.22) 0.516(9.034) 8.56 milioni di dollari
2000: 2 anni prima Ŷ26 2.900 1.256(8.56) 0.516(8.22) 9.41 milioni di dollari
Nella Figura 11.13 sono riportati i valori della serie delle entrate lorde della Eastman
Kodak insieme con i valori previsti sulla base del modello autoregressivo del secondo
ordine.

• 11.20 Considerate una serie storica di 40 osservazioni e supponete di voler stimare un modello
autoregressivo del quinto ordine sui valori della serie.
(a) Quanti valori vengono persi nello sviluppo del modello?
(b) Quanti parametri devono essere stimati?
(c) Quali dei valori originari entrano in gioco nelle previsioni?
(d) Esprimete analiticamente il modello.
(e) Rappresentate in un’equazione la previsione a j periodi futuri.
11.21 Considerate una serie storica di 17 osservazioni. Supponete di aver stimato un modello autore-
gressivo del terzo ordine, ottenendo le seguenti stime dei parametri, con i corrispondenti errori
standard:
a0 4.50 a1 1.80 a2 0.80 a3 0.24
Sa 0.50 Sa 0.30 Sa 0.10
1 2 3
(a) Adottando un livello di significatività = 0.05, valutate la bontà del modello.

levine11_57-116 3-04-2002 8:28 Pagina 92
FIGURA 11.13
Modello autoregressivo
del secondo ordine
sulla serie delle entrate
lorde della Eastman
Kodak.
(b) Supponendo che le tre osservazioni più recenti siano:

Y15 23 Y16 28 Y17 34
Prevedete il valore della serie per i periodi 18 e 19.
(b) Supponendo che le tre osservazioni più recenti siano:
Sa1 0.45 Sa2 0.35 Sa3 0.15
Come cambierebbero le vostre considerazioni sul modello?
11.22 Fate riferimento ai dati dell’Esercizio 11.14 (depositi totali della J.P. Morgan nei 19 anni
compresi fra il 1979 e il 1997).
(a) Stimate un modello autoregressivo del terzo ordine, verificando al livello 0.05 la
significatività del parametro di ordine maggiore.
(b) Stimate un modello autoregressivo del secondo ordine, verificando al livello 0.05
la significatività del parametro di ordine maggiore.
(c) Stimate un modello autoregressivo del primo ordine, verificando al livello 0.05 la
(d) Scelto il modello che considerate più appropriato, prevedete il valore della serie per gli
anni compresi tra il 1998 e il 2001.
11.23 Fate riferimento ai dati dell’Esercizio 11.15 (entrate a prezzi correnti della società Coca-
Cola nei 24 anni compresi fra il 1975 e il 1998).
(b) Se necessario, stimate un modello autoregressivo del secondo ordine, verificando al
livello 0.05 la significatività del parametro di ordine maggiore.
(c) Se necessario, stimate un modello autoregressivo del primo ordine, verificando al livello
0.05 la significatività del parametro di ordine maggiore.
anni 1999 e 2000.
11.24 Fate riferimento ai dati dell’Esercizio 11.16 (valori di chiusura dell’indice Dow Jones Indu-
strial Average (DJIA) nei 20 anni compresi fra il 1979 e il 1998).
(b) Se necessario, stimate un modello autoregressivo del secondo ordine, verificando al
livello 0.05 la significatività del parametro di ordine maggiore.
(c) Se necessario, stimate un modello autoregressivo del primo ordine, verificando al livello
0.05 la significatività del parametro di ordine maggiore.

levine11_57-116 3-04-2002 8:28 Pagina 93
anni compresi tra il 1999 e 2001.
◆ 11.6 SCELTA DEL MODELLO DI PREVISIONE
Nei paragrafi 11.4 e 11.5 sono stati presentati sei metodi alternativi per effettuare previsioni
su una serie storica: il modello basato sul trend lineare, il modello quadratico, il modello
esponenziale (paragrafo 11.4) e i modelli autoregressivi del primo, secondo e terzo ordine
(paragrafo 11.5).
A questo punto viene spontaneo domandarsi se esista effettivamente un modello ottimo
fra quelli di cui disponiamo per effettuare previsioni su una serie storica. Vediamo ora alcuni
strumenti estremamente utili per la scelta del modello.
Riquadro 11.3 Linee guida per la scelta

di un modello per l’analisi
di una serie storica e la previsione
del suo comportamento futuro
✓ 1. Analisi dei residui.
✓ 2. Misura della grandezza dell’errore residuo attraverso il metodo delle differenze
al quadrato.
✓ 3. Misura della grandezza dell’errore residuo attraverso il metodo delle differenze
in valore assoluto.
✓ 4. Applicazione del principio di parsimonia.
Vediamo ora nei dettagli questi strumenti di valutazione del modello e di scelta fra modelli
alternativi.
Analisi dei residui

Analogamente a quanto visto per l’analisi della regressione (paragrafi 9.5 e 10.2), i residui
del modello si ottengono come differenza fra i valori osservati e i valori ottenuti con il
modello stesso (“interpolati”): (Yi Ŷi) ei . Dal grafico dei residui (Figura 11.14) è pos-
sibile valutare la capacità del modello di cogliere le diverse componenti della serie storica.
Quando il modello interpola adeguatamente le osservazioni, i residui assumono il tipico
andamento casuale esemplificato nel riquadro A della figura; nei riquadri da B a D sono
invece riportati residui che seguono andamenti sistematici, segnalando l’inadeguatezza dei
rispettivi modelli a cogliere le componenti di trend (riquadro B), ciclica (riquadro C) o sta-
gionale (riquadro D) della serie.
Misura della grandezza dell’errore residuo attraverso

il metodo delle differenze al quadrato e delle differenze
in valore assoluto
Supponiamo di dover scegliere fra due modelli che, dal punto di vista dell’andamento dei
residui, sembrano spiegare altrettanto bene la nostra serie storica. In questo caso abbiamo
bisogno di un altro metodo che ci aiuti nella scelta del modello. Gli analisti hanno propo-
sto diverse misure di sintesi per la valutazione dell’errore residuo del modello (op. cit. 1,
2, 10, 11) alcune delle quali sono state già presentate con riferimento all’analisi della regres-
sione. Ci riferiamo in particolare al metodo, basato sul principio dei minimi quadrati, del-
l’errore standard della stima SYX (paragrafo 9.3, equazione 9.8), il quale può essere calcolato
SCELTA DEL MODELLO DI PREVISIONE 93

levine11_57-116 3-04-2002 8:28 Pagina 94
ei Yi Yi
ei Yi Yi
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Residui con andamento casuale Residui con andamento sistematico
ei Yi Yi (A) Modello adeguato (B) Modello incapace di cogliere il trend
ei Yi Yi
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Residui con andamento sistematico Residui con andamento sistematico
(C) Modello incapace di cogliere (D) Modello incapace di cogliere
la componente ciclica la componente stagionale (dati mensili)
FIGURA 11.14 Analisi dei residui per valutare i modelli.
come somma delle differenze al quadrato fra i valori osservati e quelli interpolati utiliz-
zando il modello. Naturalmente se il modello interpola perfettamente le osservazioni, il
valore di questo indicatore sarà zero; il valore dell’indice tende ad aumentare considerando
modelli sempre meno adatti alla rappresentazione della serie. Alcuni autori reputano que-
sto indice inadeguato in quanto, basandosi sugli scostamenti quadratici, porta a una eccessiva
penalizzazione di modelli in cui si abbiano singoli errori di previsione particolarmente ele-
vati. Viene quindi reputato più affidabile un indice che coinvolge le differenze in valore asso-
luto fra valori osservati e valori previsti, il MAD (deviazione media assoluta):
Deviazione media assoluta
Y Ŷ
n
i i
i1
MAD (11.15)
n
Il MAD rappresenta quindi una misura della bontà del modello. A valori più bassi dell’in-
dice corrispondono modelli che interpolano meglio le osservazioni. Abbiamo così a dispo-
sizione un altro criterio che ci consente di vagliare modelli alternativi per la stessa serie
storica: sceglieremo il modello con MAD minimo.
Il principio di parsimonia
Quando diversi modelli sembrano essere equivalenti sulla base dei criteri descritti in pre-
cedenza, nella scelta dobbiamo tenere presente un’ultima considerazione intuitiva: a parità
di performance, deve essere preferito il modello più semplice (principio di parsimonia). Fra
i modelli descritti, i più parsimoniosi sono naturalmente quelli basati sul trend lineare e qua-
dratico, seguiti dal modello autoregressivo di ordine 1. Fra i modelli più complessi invece
vanno menzionati i modelli autoregressivi di ordine superiore al primo e il modello esponen-
ziale.
Confronto fra quattro metodi di previsione

Riprendiamo l’esempio relativo alle entrate della società Eastman Kodak nel periodo di 24
anni compreso fra il 1975 e il 1998. Con riferimento a questa serie siamo interessati a con-

levine11_57-116 3-04-2002 8:28 Pagina 95
frontare i modelli lineare, quadratico, esponenziale e autoregressivo del secondo ordine (il
modello autoregressivo del terzo ordine è già stato scartato con l’analisi della significati-
vità del parametro di ordine 3 – Esempio 11.7). Nella Figura 11.15 sono stati riportati i
residui dei quattro modelli concorrenti. Osserviamo innanzitutto che i tre modelli basati sul
metodo dei minimi quadrati hanno residui che seguono un andamento strutturato ciclica-
mente (riquadri A, B e C): i tre modelli non sono in grado di cogliere la componente ciclica
della serie. Di questi tre modelli il migliore sembra comunque essere quello quadratico che,
almeno nei primi anni dell’analisi, sembra fluttuare in modo più casuale intorno all’origine.
Nessuno dei tre modelli si rivela in ogni caso adeguato a rappresentare le grosse fluttua-
zioni cicliche che la serie ha fatto registrare in anni più recenti (la ciclicità nei residui
diventa più marcata negli ultimi anni in tutti e tre i casi). I residui del modello autoregres-
sivo del secondo ordine hanno un andamento completamente diverso rispetto a quelli dei
modelli precedenti (riquadro D) manifestando il minor ammontare di componente struttu-
rata. Questo primo criterio ci porta quindi ad individuare nel modello autoregressivo il
modello più adatto a rappresentare la serie, mentre i due modelli peggiori sembrano essere
quelli basati sul trend lineare ed esponenziale.
Per avere una conferma di questa intuizione iniziale, è utile in ogni caso riferirsi agli
indicatori sintetici presentati in precedenza: l’errore standard della stima (SXY) e la devia-
zione media assoluta (MAD), in grado di misurare la grandezza complessiva dell’errore
residuo. I conti sono stati realizzati con Excel (Tabella 11.9) e ci portano alle stesse con-
clusioni cui eravamo giunti con la semplice analisi qualitativa dei residui: secondo entrambi
gli indici il modello migliore è quello autoregressivo, seguito dal modello quadratico, lineare
ed esponenziale.
Una volta scelto il modello (riferimento bibliografico 4 per una modellistica più com-
pleta sulle serie storiche) è molto importante valutare la sua capacità previsiva ex post. Via
RIQUADRO A Modello lineare. RIQUADRO B Modello quadratico.
RIQUADRO C Modello esponenziale. RIQUADRO D Modello autoregressivo

del secondo ordine.
FIGURA 11.15 Grafici dei residui di quattro modelli per la rappresentazione di una serie storica.
SCELTA DEL MODELLO DI PREVISIONE 95

levine11_57-116 3-04-2002 8:28 Pagina 96
Tabella 11.9 Confronto fra quattro metodi di previsione utilizzando

gli indici SXY e MAD
via che nuovi valori si rendono disponibili questi vanno confrontati con quelli che erano stati
previsti dal modello. Se le differenze sono eccessive, il modello deve essere adeguato oppor-
tunamente, ricorrendo a delle procedure di controllo adattivo (riferimento bibliografico 2).
Esercizi del paragrafo 11.6

• 11.25 Supponete di avere stimato il trend con un modello lineare su una serie di 12 osservazioni
e di aver ottenuto i seguenti residui:
2.0 0.5 1.5 1.0 0.0 1.0 3.0 1.5 4.5 2.0 0.0 1.0
(a) Calcolate l’indice SXY e interpretate i risultati.
(b) Calcolate l’indice MAD e interpretate i risultati.
• 11.26 Con riferimento ai dati dell’Esercizio 11.25, supponete che il primo e l’ultimo residuo siano
in realtà 12.0 (anziché 2.0) e –11.0 (anziché –1.0).
(a) Calcolate l’indice SXY e interpretate i risultati.
(b) Calcolate l’indice MAD e interpretate i risultati.
DATASET 11.27 I seguenti dati rappresentano le spese federali pro capite effettuate in tre stati americani
FEDSPEND (Alabama, Arizona, Louisiana) nei 15 anni compresi fra il 1981 e il 1995.
Real federal spending per capita
(in constant 1995 dollars), 1981-1995
REAL FEDERAL SPENDING PER CAPITA
(IN CONSTANT 1995 DOLLARS)
FISCAL YEAR ALABAMA ARIZONA LOUISIANA
1981 4091 3996 4142
1982 4046 4036 3599
1983 4212 4084 3582
1984 4284 4242 3552

levine11_57-116 3-04-2002 8:28 Pagina 97
1985 4497 4289 3864

1986 4620 4654 3895
1987 4719 4784 3636
1988 4629 4367 3783
1989 4664 4439 4136
1990 5139 4590 4268
1991 5277 4526 4537
1992 5559 4520 4975
1993 5599 4765 5261
1994 5631 4633 5442
1995 5534 4686 5353
Fonte: D.P. Moynihan, M.E. Friar, H.B. Leonard, and J.H.
Walder, The Federal Budget and the States: Fiscal Year 1995,
jointly published by the John F. Kennedy School of Government,
Harvard University, and the Office of Senator Daniel Patrick
Moynihan, September 30, 1996, 43, 45, 60.
Perciascuna delle tre serie:

(a)Rappresentate i dati in un grafico.
(b)Determinate l’equazione del trend lineare.
(c)Prevedete il valore del trend per gli anni 1996 –1999.
(d)Effettuate un’analisi dei residui.
(e)Calcolate l’errore standard della stima (SYX).
(f)Calcolate il MAD.
(g)Sulla base dei risultati ottenuti ai punti (d), (e) e (f), siete soddisfatti della previsione
fatta al punto (c)? Commentate.
11.28 Sulla base dei risultati ottenuti negli Esercizi 11.14 e 11.22 riguardo ai depositi della J.P.
Morgan:
(a) Effettuate un’analisi dei residui per ciascun modello considerato.
(b) Calcolate l’errore standard della stima (SXY) per ciascun modello considerato.
(c) Calcolate il MAD per ciascun modello considerato.
(d) Sulla base dei risultati ottenuti ai punti (a), (b) e (c) e ricordando anche il criterio della
parsimonia, quale fra i modelli analizzati vi sembra il più idoneo a prevedere i valori
futuri della serie? Commentate.
11.29 Sulla base dei risultati ottenuti negli Esercizi 11.15 e 11.23 riguardo alle entrate annuali
della società Coca Cola:
11.30 Sulla base dei risultati ottenuti negli Esercizi 11.16 e 11.24 riguardo ai valori di chiusura
dell’indice Dow Jones Industrial Average:
◆ 11.7 ANALISI DI SERIE STORICHE A CADENZA MENSILE O TRIMESTRALE
Finora ci siamo concentrati sull’analisi di serie storiche a cadenza annuale. Tuttavia, nume-
rose serie storiche di carattere economico sono registrate con una cadenza trimestrale o
ANALISI DI SERIE STORICHE A CADENZA MENSILE O TRIMESTRALE 97

levine11_57-116 3-04-2002 8:28 Pagina 98
mensile, ma anche settimanale, giornaliera o oraria. Si è già accennato (Tabella 11.1) al

fatto che, quando i dati sono disponibili ad intervalli infra-annuali, è necessario considerare
un’ulteriore componente della serie: la componente stagionale. In questo paragrafo presen-
teremo un approccio all’analisi di serie storiche mensili o trimestrali, basato sui metodi di
regressione discussi nel Capitolo 10.
Nella Tabella 11.10 e nella Figura 11.16 sono rappresentate le spese private mensili per
abitazioni (a prezzi costanti 1995) in una piccola città americana dal gennaio 1992 fino a
dicembre 1997.
DATASET
PRIRECON
Tabella 11.10 Spese private mensili per abitazioni (a prezzi costanti 1995)
in una piccola città americana (gennaio 1992-dicembre 1997)
ANNO
MESE 1992 1993 1994 1995 1996 1997
Gennaio 10.2 11.2 12.5 12.6 13.2 13.0

Febbraio 9.7 11.0 12.0 12.0 12.5 12.7
Marzo 11.3 12.7 13.9 14.2 14.4 14.8
Aprile 12.4 14.3 15.4 15.6 15.8 15.9
Maggio 13.6 16.2 17.0 17.1 17.1 17.1
Giugno 14.5 17.7 18.2 18.3 18.1 17.7
Luglio 14.8 18.4 18.6 18.9 18.7 17.9
Agosto 15.3 18.6 18.8 19.3 18.9 18.0
Settembre 15.0 18.1 18.4 18.7 18.1 16.8
Ottobre 15.0 18.0 18.2 18.7 17.8 16.3
Novembre 14.2 16.7 17.1 17.7 16.7 14.7
Dicembre 12.4 14.2 14.5 15.0 14.0 12.2
FIGURA 11.16
Spese private mensili
per abitazioni (a prezzi
costanti 1995)
in una piccola città
americana (gennaio
1992-dicembre 1997).
Fonte: dati
della Tabella 11.10.
Per l’analisi di serie storiche mensili come quella descritta, riprendiamo il classico
modello moltiplicativo, aggiungendo alle componenti di trend, ciclica e irregolare (equa-
zione 11.4) un nuovo fattore rappresentato dalla componente stagionale.
Yi Ti Si Ci Ii

levine11_57-116 3-04-2002 8:28 Pagina 99
Previsione per serie storiche mensili o trimestrali

con il metodo dei minimi quadrati
Cercheremo ora di introdurre nel modello di regressione la componente stagionale, combi-
nando le tecniche basate sui minimi quadrati presentate nel paragrafo 11.4 con la modelli-
stica per regressori di tipo categorico di cui si è discusso nel paragrafo 10.7.
Il trend esponenziale ad esempio può essere adattato ad osservazioni a cadenza mensile
nel seguente modo:
Il modello esponenziale con dati mensili

Ŷi b0bX1 ibM1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11
2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12 (11.16a)
dove
(b1 1) 100% stima del tasso di crescita mensile composto
Xi valore assegnato al mese
b2 moltiplicatore di gennaio (rif. dicembre)
b3 moltiplicatore di febbraio (rif. dicembre)
b4 moltiplicatore di marzo (rif. dicembre)
...
.
b12 moltiplicatore dicembre-novembre
M1 1 se gennaio, 0 altrimenti
M2 1 se febbraio, 0 altrimenti
M3 1 se marzo, 0 altrimenti
..
.
M11 1 se novembre, 0 altrimenti
Il modello esponenziale con dati trimestrali

Ŷi b0bX1 ibQ1 Q2 Q3
2 b3 b4 (11.17a)
dove
(b1 1) 100% stima del tasso di crescita trimestrale composto
Xi valore assegnato al trimestre
b2 moltiplicatore del primo trimestre (rif. quarto trimestre)
b3 moltiplicatore del secondo trimestre (rif. quarto trimestre)
b4 moltiplicatore del terzo trimestre (rif. quarto trimestre)
Q1 1 se primo trimestre, 0 altrimenti
Q2 1 se secondo trimestre, 0 altrimenti
Q3 1 se terzo trimestre, 0 altrimenti

levine11_57-116 3-04-2002 8:28 Pagina 100
Osserviamo che le variabili Mi (i 1, …, 11) e Qi (i = 1, 2, 3) sono delle variabili dummy

necessarie per introdurre le componenti mensile e trimestrale. Passando al logaritmo natu-
rale (logaritmo in base e) in entrambi i membri delle equazioni (11.16a) e (11.17a) otte-
niamo le equazioni (11.16b) e (11.17b).
Il modello esponenziale con dati mensili

ln Ŷi ln b0 Xi ln b1 M1 ln b2 M2 ln b3 M3 ln b4 M11 ln b12 (11.16b)
Il modello esponenziale con dati trimestrali

ln Ŷi ln b0 Xi ln b1 Q1 ln b2 Q2 ln b3 Q3 ln b4 (11.17b)
Osserviamo che le equazioni (11.16b) e (11.17b) sono in forma lineare. Di conseguenza è

possibile applicare il metodo dei minimi quadrati alla variabile log Yi e quindi ottenere le
stime delle inclinazioni (log bi i = 1, ..., 12) e dell’intercetta (log b0). I coefficienti b0, b1,
…, b12 stimati si ricaveranno poi con una semplice trasformazione antilogaritmica.
Il modello presentato può sembrare molto complesso, tuttavia occorre osservare che, in
ciascun periodo, mese o trimestre che sia, solo una delle variabili dummy del modello è
diversa da zero. Questo porta ad una drastica semplificazione dell’equazione.
Per dati mensili ad esempio, le equazioni (11.6b) e (11.6a) si riducono nel modo seguente:
In gennaio: Ŷi ln b0 Xi ln b1 M1 ln b2 quindi passando agli antilogaritmi
Ŷi b0bX1 ibM
2
1
In febbraio: Ŷi ln b0 Xi ln b1 M2 ln b3 quindi passando agli antilogaritmi

Ŷi b0bX1 ibM
3
2
In marzo: Ŷi ln b0 Xi ln b1 M3 ln b4 quindi passando agli antilogaritmi

Ŷi b0bX1 ibM
4
3
..
.
In novembre: Ŷi ln b0 Xi ln b1 M11 ln b12 quindi passando agli antilogaritmi
Ŷi b0bX1 ibM
12
11
In dicembre: Ŷi ln b0 Xi ln b1 quindi passando agli antilogaritmi Ŷi b0bX1 i
Notiamo che il modello per il mese di dicembre, mese che rappresenta il periodo base del
modello, si ottiene ponendo pari a zero tutte le variabili dummy.
Per dati trimestrali invece, le equazioni (11.7b) e (11.7a) si riducono nel modo seguente:
Nel primo trimestre: Ŷi ln b0 Xi ln b1 Q1 ln b2 quindi passando agli antilogaritmi
Ŷi b0bX1 ibQ
2
1
Nel secondo trimestre: Ŷi ln b0 Xi ln b1 Q2 ln b3 quindi passando agli antilogaritmi

Ŷi b0bX1 ibQ
3
2
Nel terzo trimestre: Ŷi ln b0 Xi ln b1 Q3 ln b4 quindi passando agli antilogaritmi

Ŷi b0bX1 ibQ
4
3
Nel quarto trimestre: Ŷi ln b0 Xi ln b1 quindi passando agli antilogaritmi Ŷi b0bX1 i

levine11_57-116 3-04-2002 8:28 Pagina 101
FIGURA 11.17 Output Excel del modello su dati mensili.
In questo caso, il periodo di base del modello è quello relativo al quarto trimestre, che si
ottiene assumendo nulle tutte le variabili dummy del modello stesso.
Per mostrare un’applicazione del modello descritto, riprendiamo l’esempio relativo alle
spese private mensili per abitazioni (a prezzi costanti 1995) in una città americana nel
periodo compreso fra il gennaio 1992 e il dicembre 1997 (Tabella 11.10). Nella Figura
11.17 è riportato l’output Excel del modello nei logaritmi.
Notiamo che il modello sembra interpretare correttamente le osservazioni: i valori dei
coefficienti di determinazione R2 aggiustato e non aggiustato sono molto elevati (84.5% e
81.3% rispettivamente); il test statistico F segnala un’ottima significatività congiunta dei
coefficienti del modello (p-value = 0.000); quasi tutti i coefficienti sono singolarmente signi-
ficativi, eccetto quello relativo al mese di marzo che segnala una variazione solo casuale
della componente stagionale in quel mese rispetto al mese di riferimento (dicembre). Pas-
sando agli antilogaritmi otteniamo le seguenti stime dei coefficienti:
COEFFICIENTI DELLA REGRESSIONE ln bi bi elnbi
b0: Y intercetta 2.51683 12.3893

b1: Inclinazione del codice di mese 0.00241 1.0024
b2: Gennaio 0.09862 0.9061
b3: Febbraio 0.14032 0.8691
b4: Marzo 0.00831 1.0083
b5: Aprile 0.10132 1.1066
b6: Maggio 0.19218 1.2119
b7: Giugno 0.25310 1.2880
b8: Luglio 0.27688 1.3190
b9: Agosto 0.28978 1.3361
b10: Settembre 0.25198 1.2866
b11: Ottobre 0.23900 1.2700
b12: Novembre 0.16756 1.1824

levine11_57-116 3-04-2002 8:28 Pagina 102
Interpretazione delle stime:

• L’intercetta b0 12.3893 rappresenta il valore del trend all’inizio del periodo (gen-
naio 1992).
• Il valore (b1 – 1) 100% 0.24% è la stima del tasso di crescita mensile compo-
sto della serie analizzata.
• b2 0.9061 è il moltiplicatore stagionale per il mese di gennaio con riferimento al
mese base di dicembre. Rispetto al mese di dicembre, in gennaio si spende il 9.4% in
meno in abitazioni.
• b3 0.8691 è il moltiplicatore stagionale per il mese di febbraio con riferimento al
mese base di dicembre. Rispetto al mese di dicembre, in febbraio si spende il 13.1%
in meno in abitazioni.
• b4 1.0083 è il moltiplicatore stagionale per il mese di marzo con riferimento al
mese base di dicembre. Rispetto al mese di dicembre, in marzo si spende lo 0.8% in
meno in abitazioni.
..
.
• b12 1.1824 è il moltiplicatore stagionale per il mese di novembre con riferimento
al mese base di dicembre. Rispetto al mese di dicembre, in novembre si spende il
18.2% in più in abitazioni.
Vediamo ora in che modo il modello proposto può essere utilizzato per interpolare la
serie ed effettuare delle previsioni. A titolo di esempio, supponiamo di voler stimare la spesa
per abitazioni relativa ai mesi di novembre e dicembre 1997. Ci affideremo alle seguenti
equazioni:
Per novembre 1997: Ŷ71 2.51683 70(0.00241) 0.16756

2.85309 quindi passando agli antilogaritmi
Ŷ71 17.341
Per dicembre 1997: Ŷ72 2.51683 71(0.00241)
Ŷ72 14.701
In modo del tutto analogo a quanto descritto nei paragrafi precedenti, anche in questo
caso la bontà del modello può essere valutata attraverso il calcolo degli indici SYX e MAD.
Volendo poi utilizzare il modello per effettuare previsioni a ciascun mese dell’anno 2000,
si hanno le seguenti relazioni:
Gennaio 2000: Ŷ97 2.51683 96(0.00241) 0.09862

Ŷ97 14.148
Febbraio 2000: Ŷ98 2.51683 97(0.00241) 0.14032
Ŷ98 13.603
Marzo 2000: Ŷ99 2.51683 98(0.00241) 0.00831
Ŷ99 15.821

levine11_57-116 3-04-2002 8:28 Pagina 103
..
.
Novembre 2000: Ŷ107 2.51683 106(0.00241) 0.16756
Ŷ107 18.913
Dicembre 2000: Ŷ108 2.51683 107(0.00241)
Ŷ108 16.034

• 11.31 Supponete di aver stimato (col metodo dei minimi quadrati) il seguente modello esponen-
ziale su una serie storica mensile, con riferimento in particolare al mese di gennaio:
Ŷi 2.0 0.01 Xi 0.10 Gennaio
Calcolate l’antilogaritmo dei coefficienti e interpretate:
(a) il valore dell’intercetta b0 ;
(b) il tasso di crescita mensile;
(c) il moltiplicatore del mese di gennaio.
11.32 Se vogliamo costruire un modello per l’interpolazione e la previsione di una serie storica
settimanale, di quante variabili dummy abbiamo bisogno per tenere conto della componente
stagionale?
• 11.33 Supponete di aver stimato (col metodo dei minimi quadrati) il seguente modello esponen-
ziale su una serie storica trimestrale (I trimestre 1995 – IV trimestre 1998):
Ŷi 3.0 0.10Xi 0.25Q1 0.20Q2 0.15Q3
Calcolate l’antilogaritmo dei coefficienti e interpretate:
(a) il valore dell’intercetta b0 ;
(b) il tasso di crescita trimestrale;
(c) il moltiplicatore relativo al secondo trimestre.
• 11.34 Fate riferimento al modello esponenziale presentato nell’Esercizio 11.33.
(a) Calcolate il valore interpolato per il quarto trimestre 1996.
(b) Calcolate il valore interpolato per il primo trimestre 1997.
(c) Prevedete il valore della serie per il quarto trimestre 1999.
(d) Prevedete il valore della serie per il primo trimestre 2000.
DATASET • 11.35 Nella seguente tabella sono riportati i valori di un indice dei prezzi (Standard & Poor) dal
S&PSTKIN primo trimestre 1994 fino al quarto trimestre 1998.
Valori trimestrali dell’indice dei prezzi Standard & Poor

ANNO
TRIMESTRE 1994 1995 1996 1997 1998
1 445.77 500.71 645.50 757.12 1101.75

2 444.27 544.75 670.63 885.14 1133.84
3 462.69 584.41 687.31 947.28 1017.01
4 459.27 615.93 740.74 970.43 1229.23
Fonte: Standard & Poor’s Current Statistics, January 1998, 29. Reprinted by permission of Finan-
cial Information Services, a division of Financial Communications Company, Inc., and Yahoo.com,
June 24, 1999.
(a) Fornite un’opportuna rappresentazione grafica delle osservazioni.

(b) Adattate alla serie un modello esponenziale con componente stagionale trimestrale.

levine11_57-116 3-04-2002 8:28 Pagina 104
(1) Qual è il valore interpolato per il terzo trimestre del 1998?

(2) Qual è il valore interpolato per il quarto trimestre del 1998?
(3) Prevedete, in base al modello, i valori della serie relativi a tutti i trimestri degli
anni 1999 e 2000.
(4) Interpretate il tasso di crescita trimestrale.
(5) Interpretate il valore del moltiplicatore relativo al secondo trimestre.
DATASET 11.36 Nella seguente tabella sono riportati i valori dell’indicatore economico GNP (Gross Natio-
REALGNP nal Product) registrati a partire dal primo trimestre 1990 fino al quarto trimestre 1997.
Valori trimestrali del GNP (a prezzi costanti 1992)

ANNO
TRIMESTRE 1990 1991 1992 1993 1994 1995 1996 1997
1 6152.6 6047.5 6175.7 6327.9 6524.5 6703.7 6826.4 7101.6

2 6171.6 6074.7 6214.2 6359.9 6600.3 6708.8 6926.0 7159.6
3 6142.1 6090.1 6260.7 6393.5 6629.5 6759.2 6943.8 7217.6
4 6079.0 6105.3 6327.1 6436.9 6688.6 6796.5 7017.4 7250.0a
a
Stima.
Fonte: Survey of Current Business, December 1997.
(a) Fornite un’opportuna rappresentazione grafica delle osservazioni.

(b) Adattate alla serie un modello esponenziale con componente stagionale trimestrale.
(1) Qual è il valore “interpolato” per il terzo trimestre del 1997?
(2) Qual è il valore “interpolato” per il quarto trimestre del 1997?
(3) Prevedete, in base al modello, i valori della serie relativi a tutti i trimestri degli
anni 1998 e 1999.
(4) Interpretate il tasso di crescita trimestrale.
(5) Interpretate il valore del moltiplicatore relativo al primo trimestre.
DATASET 11.37 Nella seguente tabella sono riportati i prezzi medi della benzina (per gallone) registrati in
UNLDREG diverse città americane nel periodo compreso tra gennaio 1990 e dicembre 1997.
Prezzi medi della benzina per gallone (prezzi correnti)

ANNO
MESE 1990 1991 1992 1993 1994 1995 1996 1997
Gennaio 1.042 1.247 1.073 1.117 1.043 1.129 1.129 1.261
Febbraio 1.037 1.143 1.054 1.108 1.051 1.120 1.124 1.255
Marzo 1.023 1.082 1.058 1.098 1.045 1.115 1.162 1.235
Aprile 1.044 1.104 1.079 1.112 1.064 1.140 1.251 1.231
Maggio 1.061 1.156 1.136 1.129 1.080 1.200 1.323 1.226
Giugno 1.088 1.160 1.179 1.130 1.106 1.226 1.299 1.229
Luglio 1.084 1.127 1.174 1.109 1.136 1.195 1.272 1.205
Agosto 1.190 1.140 1.158 1.097 1.182 1.164 1.240 1.253
Settembre 1.294 1.143 1.158 1.085 1.177 1.148 1.234 1.277
Ottobre 1.378 1.122 1.154 1.127 1.152 1.127 1.227 1.242
Novembre 1.377 1.134 1.159 1.113 1.163 1.101 1.250 1.213
Dicembre 1.354 1.123 1.136 1.070 1.143 1.101 1.260 1.177
Fonte: Bureau of Labor Statistics, U.S. Department of Labor, ser. ID: APU000074714, extracted February 2, 1998.
(a) Con l’applicazione dell’indice dei prezzi al consumo presentato nell’Esercizio 11.11,
costruite la serie dei valori a prezzi costanti 1982-84 (dividete per CPI e moltiplicate
il risultato per 100).
(b) Fornite un’opportuna rappresentazione grafica delle osservazioni.
(c) Adattate alla serie un modello esponenziale con componente stagionale mensile.

levine11_57-116 3-04-2002 8:28 Pagina 105
(1) Qual è il valore “interpolato” per il mese di novembre 1997?

(2) Qual è il valore “interpolato” per il mese di dicembre 1997?
(3) Prevedete, in base al modello, i valori della serie per tutti i 12 mesi del 1998.
(4) Interpretate il tasso di crescita mensile.
(5) Interpretate il valore del moltiplicatore relativo al mese di luglio.
DATASET 11.38 Nella seguente tabella sono riportate le spese mensili associate ad una nota carta di credito.
CREDIT
Spese associate a una carta
di credito
ANNO
MESE 1997 1998 1999
Gennaio 31.9 39.4 45.0
Febbraio 27.0 36.2 39.6
Marzo 31.3 40.5
Aprile 31.0 44.6
Maggio 39.4 46.8
Giugno 40.7 44.7
Luglio 42.3 52.2
Agosto 49.5 54.0
Settembre 45.0 48.8
Ottobre 50.0 55.8
Novembre 50.9 58.7
Dicembre 58.5 63.4
Fonte: Dati reali raccolti da uno degli autori.
(a) Rappresentate graficamente le osservazioni.

(b) Fornite una prima descrizione intuitiva dell’andamento mensile della serie.
(c) In generale l’ammontare di spese associate alla carta di credito vi sembra in aumento
o in diminuzione?
(d) Adattate alla serie un modello esponenziale con componente stagionale mensile.
(e) Interpretate il tasso di crescita mensile.
(f) Interpretate il valore del moltiplicatore relativo al mese di gennaio.
(g) Quale valore prevedete, in base al modello, per il mese di marzo 1999?
(h) Quale valore prevedete, in base al modello, per il mese di aprile 1999?
DATASET 11.39 Nella seguente tabella sono riportate le entrate trimestrali della società Toys, fatte registrare
TOYS-REV a partire dal primo trimestre 1992 fino al terzo trimestre 1998.
Entrate trimestrali della società Toys (1992-98)

ANNO
TRIMESTRE 1992 1993 1994 1995 1996 1997 1998
1 1026 1172 1286 1462 1493 1646 1924

2 1056 1249 1317 1452 1614 1736 1989
3 1182 1346 1449 1631 1715 1883 2142
4 2861 3402 3893 4200 4605 4668
Fonte: Standard & Poor’s Stock Reports, November 1995, November 1998. New York: McGraw-
Hill, Inc.
(a) Pensate che le entrate della società siano soggette a variazioni stagionali?
(b) Fornite un’opportuna rappresentazione grafica delle osservazioni. Il vostro grafico sup-
porta l’ipotesi che avete fatto al punto (a)?
(c) Adattate alla serie un modello esponenziale con componente stagionale trimestrale.
(1) Interpretate il valore del tasso di crescita trimestrale.
(2) Commentate i quattro moltiplicatori trimestrali.

levine11_57-116 3-04-2002 8:28 Pagina 106
(3) Qual è la vostra previsione per il quarto trimestre del 1998?

(4) Quali valori prevedete per i quattro trimestri del 1999?
DATASET 11.40 Nella seguente tabella sono riportate le entrate trimestrali della società Ford Motor Com-
FORD-REV pany, fatte registrare a partire dal primo trimestre 1992 fino al terzo trimestre 1998.
Entrate trimestrali della società Ford Motor Company (1992-98)

ANNO
TRIMESTRE 1992 1993 1994 1995 1996 1997 1998
1 24 560 26 760 30 400 34 783 36 261 36 202 36 584

2 26 840 29 420 33 770 36 389 37 937 40 265 37 289
3 23 330 24 500 30 660 31 418 33 960 36 096 32 640
4 25 410 27 840 33 643 34 547 38 833 39 952
Fonte: Standard & Poor’s Stock Reports, November 1995, November 1998. New York:
McGraw-Hill, Inc.
(3) Qual è la vostra previsione per il quarto trimestre 1998?
DATASET 11.41 Nella seguente tabella sono riportate le entrate trimestrali della società Vulcan Materials, fatte
VUL-REV registrare a partire dal primo trimestre 1992 fino al terzo trimestre 1998.
Entrate trimestrali della società Vulcan Materials (1992-98)

ANNO
TRIMESTRE 1992 1993 1994 1995 1996 1997 1998
1 211 214 217 294 309 341 359

2 284 306 327 383 419 445 466
3 312 336 360 422 444 478 510
4 271 282 350 362 398 414
McGraw-Hill, Inc.
(3) Qual è la vostra previsione per il quarto trimestre 1998?
◆ 11.8 VALIDITÀ E LIMITI DEI METODI DI ANALISI DELLE SERIE STORICHE
La validità dei metodi, come quelli descritti in questo capitolo, che si basano sulla cono-
scenza del passato e del presente per prevedere l’evolversi futuro di un fenomeno è accet-
tata da sempre.
Se effettivamente non si verificasse nessun cambiamento nei fattori che, nel passato,
hanno influenzato l’attività economica, i metodi descritti rappresenterebbero uno strumento
validissimo per la previsione degli andamenti futuri dell’economia e quindi per la valuta-

levine11_57-116 3-04-2002 8:28 Pagina 107
zione delle migliori strategie aziendali. Naturalmente una simile stabilità non è realistica e
di fronte al cambiamento le tecniche presentate non possono non sembrarci ingenue e mec-
caniche. Proprio per superare alcuni dei limiti dell’analisi classica delle serie storiche sono
stati elaborati in anni recenti modelli più complessi (modelli econometrici) in grado di con-
siderare l’incidenza di fattori quali il giudizio personale dell’analista, l’esperienza manage-
riale, il progresso tecnologico, l’evoluzione dei gusti e dei bisogni. Tale modellistica (rife-
rimenti bibliografici 2, 3, 6 e 10) va oltre gli scopi di questo libro, in cui si è voluto dare
un quadro delle tecniche classiche di analisi delle serie storiche e di previsione degli anda-
menti futuri, le quali rappresentano pur sempre un valido punto di partenza per l’analista e
per il manager e un utile strumento di supporto decisionale aziendale.
◆R IEPILOGO DEL CAPITOLO

In questo capitolo, come potete osservare nel diagramma di riepilogo, sono stati presentati
diversi metodi per l’analisi di serie storiche annuali: le medie mobili, il livellamento espo-
nenziale, i modelli lineari, quadratici ed esponenziali, i modelli autoregressivi. Si è inoltre
discusso un metodo di regressione con l’aggiunta di variabili dummy, utile per cogliere la
componente stagionale e tentare un approccio previsivo su serie rilevate con cadenza men-
sile o trimestrale.
◆P AROLE CHIAVE
componente casuale 60 metodo di previsione qualitativo 59 modello moltiplicativo classico 60
componente ciclica 59 modelli autoregressivi 84 modello quadratico 74
componente irregolare 60 modello autoregressivo previsione 84
componente stagionale 60 del p-esimo ordine 84 principio di parsimonia 94
deviazione media assoluta (MAD) 94 modello autoregressivo serie storica 59
livello esponenziale 75 del primo ordine 84 tecniche di previsione quantitative 59
media mobile 62 modello autoregressivo trend lineare 71
del secondo ordine 84
metodi di previsione aleatori 59 trend 59
modello moltiplicativo classico
metodi di previsione basati
per serie storiche 60
sulle serie storiche 59
Previsione
di una serie storica
Rappresentazione
grafica dei valori
Sì Trend No
?
Trend Trend Trend Modelli Smoothing Medie

lineare quadratico esponenziale autoregressivi esponenziale mobili
Tabella riassuntiva del capitolo 11.
RIEPILOGO DEL CAPITOLO 107

levine11_57-116 3-04-2002 8:28 Pagina 108
Verifica della comprensione

11.42 Perché sono importanti le tecniche di previsione?
11.43 Cosa si intende esattamente per serie storica?
11.44 Descrivete le componenti del modello moltiplicativo classico per l’analisi di una serie storica.
11.45 Qual è la differenza fra le medie mobili e il livellamento esponenziale?
11.46 Sotto quali circostanze il modello basato su un trend esponenziale deve essere ritenuto il
più appropriato?
11.47 In cosa consiste la particolarità dei modelli di regressione discussi in questo capitolo?
11.48 In cosa differiscono i modelli autoregressivi rispetto agli altri approcci per la previsione di una
serie storica?
11.49 Quali sono i criteri per la scelta del modello appropriato in un caso concreto?
11.50 Commentate il significato degli indici SYX e MAD nella scelta del modello.
11.51 In che modo le tecniche di previsione su dati mensili o trimestrali differiscono da quelle
discusse in relazione a serie con cadenza annuale?
Esercizi di riepilogo del Capitolo

DATASET 11.52 I seguenti dati rappresentano l’incidenza della poliomielite (numero di casi su 100.000 per-
POLIO sone) registrata a cadenza quinquennale nel periodo compreso fra il 1915 e il 1955.
Tassi di incidenza della poliomielite
ANNO 1915 1920 1925 1930 1935 1940 1945 1950 1955
Tasso 3.1 2.2 5.3 7.5 8.5 7.4 10.3 22.1 17.6
Fonte: Data are taken from B. Wattenberg, ed., The Statistical History of the United States: From
Colonial Times to the Present, ser. B303 (New York: Basic Books, 1976).
(b) Adattate alla serie un trend lineare e disegnatelo sul precedente grafico.
(c) Prevedete l’incidenza della malattia per gli anni 1960, 1965 e 1970.
DATASET • 11.53 Nella seguente tabella sono riportate le entrate lorde (a prezzi correnti) della società Geor-
GAPAC gia-Pacific Corporation nei 24 anni compresi fra il 1975 e il 1998.
Entrate lorde (a prezzi correnti) della società
Georgia-Pacific Corporation
1975 2.4 1983 6.5 1991 11.5

1976 3.0 1984 6.7 1992 11.8
1977 3.7 1985 6.7 1993 12.3
1978 4.4 1986 7.2 1994 12.7
1979 5.2 1987 8.6 1995 14.3
1980 5.0 1988 9.5 1996 13.0
1981 5.4 1989 10.1 1997 13.1
1982 5.4 1990 12.7 1998 13.3
Fonte: Moody’s Handbook of Common Stocks, 1980, 1989, 1993, 1997. Reprinted by permission
of Financial Information Services, a division of Financial Communications Company, Inc., and
Standard and Poor’s Corp., New York: McGraw-Hill, Inc., April 1999.
(a) Calcolate le entrate la prezzi costanti 1982-84, dividendo ciascun valore della tabella
per l’indice dei prezzi al consumo (Esercizio 11.11) e moltiplicando il risultato per 100.
(b) Rappresentate la nuova serie di dati in un grafico.
(c) Individuate il trend lineare.
(d) Individuate il trend quadratico.
(e) Individuate il trend esponenziale.

levine11_57-116 3-04-2002 8:28 Pagina 109
(f) Stimate un modello autoregressivo del terzo ordine e verificate la significatività del
parametro autoregressivo di ordine tre ( = 0.05).
(g) Se necessario, stimate un modello autoregressivo del secondo ordine e verificate la
significatività del parametro autoregressivo di ordine due ( = 0.05).
(h) Se necessario, stimate un modello autoregressivo del primo ordine e verificate la signi-
ficatività del parametro autoregressivo di ordine uno ( = 0.05).
(i) Analizzate i residui dei tre modelli considerati ai punti (c) – (e) e del modello autore-
gressivo più appropriato fra quelli stimati ai punti (f) – (h).
(j) Calcolate l’indice SYX per tutti i modelli considerati al punto (i).
(k) Calcolate l’indice MAD per tutti i modelli considerati al punto (i).
(l) Sulla base dei risultati ottenuti ai punti (i) – (k), e tenendo conto anche del principio
di parsimonia, quale fra i modelli confrontati vi sembra il più idoneo a prevedere l’an-
damento futuro della serie?
(m) Utilizzate il modello scelto al punto (l) per effettuare una previsione per gli anni 1999-
2000.
DATASET 11.54 Nella seguente tabella sono riportate le entrate lorde (a prezzi correnti) della società Philip
PMORRIS Morris nei 24 anni compresi fra il 1975 e il 1998.
Entrate lorde (a prezzi correnti) della società Philip Morris

1975 3.6 1983 13.0 1991 56.5
1976 4.3 1984 13.8 1992 59.1
1977 5.2 1985 16.0 1993 60.9
1978 6.6 1986 25.9 1994 65.1
1979 8.1 1987 28.2 1995 66.1
1980 9.6 1988 31.7 1996 69.2
1981 10.7 1989 44.8 1997 72.0
1982 11.6 1990 51.3 1998 74.4
Company, Inc., and Standard and Poor’s Corp., New York: McGraw-Hill, April 1999.
(f ) Adattate alla serie un modello autoregressivo del terzo ordine e verificate la significa-
tività del parametro autoregressivo di ordine tre ( = 0.05).
(g) Se necessario, adattate alla serie un modello autoregressivo del secondo ordine e veri-
ficate la significatività del parametro autoregressivo di ordine due ( = 0.05).
(h) Se necessario, adattate alla serie un modello autoregressivo del primo ordine e verifi-
cate la significatività del parametro autoregressivo di ordine uno ( = 0.05).
(j) Calcolate l’indice SXY per tutti i modelli considerati al punto (i).
2000.
ESERCIZI DI RIEPILOGO DEL CAPITOLO 109

levine11_57-116 3-04-2002 8:28 Pagina 110
DATASET 11.55 Nella seguente tabella sono riportate le entrate lorde (a prezzi correnti) della società Mc
MCDONALD Donald’s Corporation nei 24 anni compresi fra il 1975 e il 1998.
Entrate lorde (a prezzi correnti) della società McDonald’s Corporation

1975 1.0 1983 3.1 1991 6.7

1976 1.2 1984 3.4 1992 7.1
1977 1.4 1985 3.8 1993 7.4
1978 1.7 1986 4.2 1994 8.3
1979 1.9 1987 4.9 1995 9.8
1980 2.2 1988 5.6 1996 10.7
1981 2.5 1989 6.1 1997 11.4
1982 2.8 1990 6.8 1998 12.4
(f ) Adattate alla serie un modello autoregressivo del terzo ordine e verificate la signifi-
catività del parametro autoregressivo di ordine tre ( = 0.05).
(h) Se necessario, adattate alla serie un modello autoregressivo del primo ordine e verifi-
(j) Calcolate l’indice SXY per tutti i modelli considerati al punto (i).
2000.
DATASET 11.56 Nella seguente tabella sono riportate le entrate lorde (a prezzi correnti) della società Sears,
SEARS Roebuck & Company nei 24 anni compresi fra il 1975 e il 1998.
Entrate lorde (a prezzi correnti) della società Sears,
Roebuck & Company
1975 13.1 1983 35.9 1991 57.2

1976 17.7 1984 38.8 1992 52.3
1977 19.6 1985 40.7 1993 50.8
1978 22.9 1986 42.3 1994 54.6
1979 24.5 1987 48.4 1995 34.9

levine11_57-116 3-04-2002 8:28 Pagina 111
1980 25.2 1988 50.3 1996 38.2

1981 27.4 1989 53.8 1997 41.3
1982 30.0 1990 56.0 1998 41.3
(a) Calcolate le entrate prezzi a costanti 1982-84, dividendo ciascun valore della tabella
(f ) Adattate alla serie un modello autoregressivo del terzo ordine e verificate la significa-
tività del parametro autoregressivo di ordine tre ( = 0.05).
(h) Se necessario, adattate ala serie un modello autoregressivo del primo ordine e verifi-
(i) Analizzate i residui dei tre modelli considerati ai punti (c) – (e) e del modello auto-
regressivo più appropriato fra quelli stimati ai punti (f) – (h).
(j) Calcolate l’indice SXY per tutti i modelli considerati al punto (i)
(k) Calcolate l’indice MAD per tutti i modelli considerati al punto (i)
2000.
DATASET 11.57 Nella seguente tabella sono riportate le entrate trimestrali fatte registrare dalla società Wal-
WALMART Mart Stores nel periodo di 7 anni compreso fra il 1992 e il 1998.
Entrate trimestrali della società Wal-Mart Stores (1992-1998)
ANNO
TRIMESTRE 1992 1993 1994 1995 1996 1997 1998
1 9280 11 650 13 920 17 690 20 440 22 772 25 409
2 10 340 13 030 16 237 19 942 22 723 25 587 28 366
3 10 630 13 680 16 827 20 418 22 913 25 644 28 777
4 13 640 17 122 20 361 24 448 27 550 30 856 35 386
McGraw-Hill, Inc.
(a) Quali fra le componenti che in generale compongono una serie storica riuscite ad indi-
viduare nei dati riportati nella tabella?
(b) Rappresentate i valori in un grafico.
(c) Adattate alla serie un modello esponenziale con componente trimestrale.
(d) Interpretate i valori dei “moltiplicatori” trimestrali.
(e) Effettuate una previsione a tutti i trimestri degli anni 1999 e 2000.
DATASET 11.58 Nella seguente tabella è riportato il numero medio di ore di lavoro settimanali per addetti
WORKWEEK alla produzione nel ramo manifatturiero, calcolato mensilmente a partire dal gennaio 1992
fino a dicembre 1997.
ESERCIZI DI RIEPILOGO DEL CAPITOLO 111

levine11_57-116 3-04-2002 8:28 Pagina 112
Numero medio di ore di lavoro settimanali nel ramo manifatturiero

ANNO
MESE 1992 1993 1994 1995 1996 1997
Gennaio 40.8 41.3 41.7 42.2 40.1 41.8

Febbraio 41.0 41.5 41.2 41.9 41.4 41.9
Marzo 41.0 41.1 42.0 41.8 41.3 42.1
Aprile 41.0 41.6 41.9 41.5 41.5 42.1
Maggio 41.1 41.3 42.0 41.4 41.6 42.0
Giugno 41.1 41.2 42.0 41.4 41.7 41.8
Luglio 41.1 41.4 42.0 41.3 41.6 41.8
Agosto 41.1 41.4 42.0 41.5 41.7 41.8
Settembre 41.0 41.6 41.9 41.5 41.7 41.9
Ottobre 41.1 41.5 42.1 41.5 41.7 42.0
Novembre 41.2 41.6 42.1 41.5 41.7 42.1
Dicembre 41.2 41.7 42.1 41.2 42.0 42.1a
a
Stima.
Fonte: Standard & Poor’s Current Statistics, January 1998, 7. Reprinted by permission of
Financial Information Services, a division of Financial Communications Company, Inc.
(a) Rappresentate i valori in un grafico.

(b) Adattate alla serie un modello esponenziale con componente mensile e utilizzatelo per
effettuare una previsione della serie a tutti i mesi del 1998.
◆I L CASO ANALISI DI UNA SERIE STORICA DI TASSI DI CAMBIO
Supponete di essere membro di una società finan- sterlina inglese. Nella tabella sono riportati i cambi
ziaria che investe a livello internazionale. I vostri (rispetto al dollaro americano) registrati negli anni
soci, per stabilire la politica degli investimenti, dal 1967 al 1997. Analizzate opportunamente le
hanno bisogno di una previsione dei valori futuri cinque serie storiche proposte, utilizzando gli stru-
dei tassi di cambio rispetto al dollaro americano di menti appresi in questo capitolo, e prevedete i tassi
diverse valute quali il dollaro canadese, il franco di cambio delle cinque valute rispetto al dollaro
francese, il marco tedesco, lo yen giapponese e la americano per gli anni 1998-1999 e 2000.
DATASET Tassi di cambio di cinque valute rispetto al dollaro americano

CURRENCY
DOLLARO FRANCO MARCO YEN STERLINA
a
ANNO CANADESE FRANCESE TEDESCO GIAPPONESE INGLESE
1967 1.0789 4.921 3.9865 362.13 275.04

1968 1.0776 4.953 3.9920 360.55 239.35
1969 1.0769 5.200 3.9251 358.36 239.01
1970 1.0444 5.529 3.6465 358.16 239.15
1971 1.0099 5.510 3.4830 347.79 244.42
1972 0.9907 5.044 3.1886 303.13 250.34
1973 1.0002 4.454 2.6715 271.31 245.25
1974 0.9780 4.811 2.5868 291.84 234.03
1975 1.0175 4.288 2.4614 296.78 222.17
1976 0.9863 4.783 2.5185 296.45 180.48
1977 1.0633 4.916 2.3236 268.62 174.49

levine11_57-116 3-04-2002 8:28 Pagina 113
1978 1.1405 4.509 2.0097 210.39 191.84

1979 1.1713 4.257 1.8343 219.02 212.24
1980 1.1693 4.225 1.8175 226.63 232.46
1981 1.1990 5.440 2.2632 220.63 202.43
1982 1.2344 6.579 2.4281 249.06 174.80
1983 1.2325 7.620 2.5539 237.55 151.59
1984 1.2952 8.736 2.8455 237.46 133.68
1985 1.3659 8.980 2.9420 238.47 129.74
1986 1.3896 6.926 2.1705 168.35 146.77
1987 1.3259 6.012 1.7981 144.60 163.98
1988 1.2306 5.960 1.7570 128.17 178.13
1989 1.1842 6.380 1.8808 138.07 163.82
1990 1.1668 5.447 1.6166 145.00 178.41
1991 1.1460 5.647 1.6610 134.59 176.74
1992 1.2085 5.294 1.5618 126.78 176.63
1993 1.2901 5.663 1.6533 111.20 150.20
1994 1.3656 5.552 1.6228 102.21 153.16
1995 1.3027 4.853 1.5014 103.35 152.84
1996 1.3704 5.184 1.5415 115.87 171.26
1997 1.4296 6.024 1.7986 130.38 165.18
a
In cents per pound.
Fonte: Board of Governors of the Federal Reserve System, Table B-107.
◆I L CASO IL CASO SPRINGVILLE HERALD

Si è discusso dell’importanza che riveste per il gior- giornale vuole verificare se effettivamente l’impe-
nale il ramo delle consegne a domicilio, per incre- gno ha prodotto i risultati sperati. A tal fine i re-
mentare le quali i responsabili di marketing del sponsabili hanno raccolto informazioni dettagliate
quotidiano hanno messo a punto una serie di strate- sul numero di abbonamenti per consegna a domici-
gie di cui si è parlato nei precedenti capitoli. Ora il lio in un periodo di due anni (Tabella SH11.1).
DATASET
SH11
Tabella SH11.1 Numero di abbonamenti per consegna a domicilio
in un periodo di 24 mesi
MESE ABBONAMENTI MESE ABBONAMENTI
1 75 327 13 90 507
2 77 116 14 91 927
3 79 341 15 93 878
4 80 983 16 94 784
5 82 326 17 96 109
6 82 879 18 97 189
7 84 006 19 97 899
8 85 119 20 99 208
9 86 182 21 100 537
10 87 418 22 102 028
11 88 063 23 103 977
12 89 444 24 106 375
IL CASO SPRINGVILLE HERALD 113

levine11_57-116 3-04-2002 8:28 Pagina 114
(a) Analizzate opportunamente i valori della serie e individuate un modello che vi consenta di
effettuare previsioni.
(b) Prevedete il numero di abbonamenti per i 4 mesi successivi.
(c) Siete in grado di utilizzare il vostro modello per previsioni a oltre un anno nel futuro?
◆B IBLIOGRAFIA
1. Bails, D.G., e L.C. Peppers, Business Fluctuations: Foreca- Business Perspective (Upper Saddle River, NJ: Prentice
sting Techniques and Applications (Englewood Cliffs, NJ: Hall, 1996).
Prentice Hall, 1982). 7. Hanke, J.E., e A.G. Reitsch, Business Forecasting, 6th ed.
2. Bowerman, B.L., e R.T. O’Connell, Forecasting and Time (Upper Saddle River, NJ: Prentice Hall, 1998).
Series, 3d ed. (North Scituate, MA: Duxbury Press, 1993). 8. Mahmoud, E., “Accuracy in Forecasting: A Survey,” Jour-
3. Box, G.E.P., G.M. Jenkins, e G.C. Reinsel, Time Series nal of Forecasting 3 (1984): 139–159.
Analysis: Forecasting and Control, 3d ed. (Englewood 9. Microsoft Excel 2000 (Redmond, WA: Microsoft Corp.,
Cliffs, NJ: Prentice Hall, 1994). 1999).
4. Brown, R.G., Smoothing, Forecasting, and Prediction (En- 10. Newbold, P., Statistics for Business and Economics, 4th ed.
glewood Cliffs, NJ: Prentice Hall, 1963). (Englewood Cliffs, NJ: Prentice Hall, 1994).
5. Chambers, J.C., S.K. Mullick, e D.D. Smith, “How to 11. Wilson, J.H., e B. Keating, Business Forecasting (Ho-
Choose the Right Forecasting Technique,” Harvard Busi- mewood, IL: Irwin, 1990).
ness Review 49, no. 4 (July–August 1971): 45–74.
6. Frees, E.W., Data Analysis Using Regression Models: The
◆ A11.1 L’USO DI MICROSOFT

DELLE SERIE STORICHE
EXCEL PER L’ANALISI
L’uso di Excel per il calcolo delle medie mobili

Per mostrare l’applicazione del calcolo di una media mobile con l’uso di Excel, aprite il file GM.XLS
e considerate il foglio di lavoro Data. Selezionate Strumenti | Analisi dei dati e scegliete l’opzione
media mobile. Inserite C1 : C25 nel campo Intervallo di input, selezionate l’opzione Etichette nella
prima riga, inserite l’ordine della media mobile (in questo caso 3) nel campo Intervallo e scegliete
un opportuno Intervallo di output (ad esempio D2:D25). Fate clic sul tasto OK e otterrete nella
colonna D la media mobile di ordine 3 calcolata sulle osservazioni.
Ripetete il procedimento richiedendo di calcolare la media mobile di ordine 7. Si osserva che in
entrambi i casi Excel non posiziona correttamente l’output in corrispondenza della parte centrale della
serie, ma lo sposta di qualche cella verso il basso. Potete correggere l’errore con un semplice taglia-
incolla che sposti la serie delle medie mobili di ordine tre a partire dalla terza cella e quella delle
medie di ordine 7 a partire dalla quinta cella, in modo da centrare correttamente le medie.
L’uso di Excel per il livellamento (o smorzamento) esponenziale

Scegliete ora, all’interno del percorso Strumenti|Analisi dei dati l’opzione Smorzamento esponen-
ziale. Inserite C1:C25 nel campo Intervallo di input, selezionate l’opzione Etichette nella prima
riga. Se volete ottenere valori smussati con un W = 0.25, inserite il valore 1 – W = 0.75 nel campo
Fattore di smorzamento e scegliete un opportuno Intervallo di output (ad esempio F2:F25).
Ripetete il procedimento scegliendo un fattore di smorzamento pari a 0.5. Anche in questo caso
dovete incollare le formule una riga più in alto rispetto a quella automaticamente scelta da Excel.
A questo punto potete utilizzare Autocomposizione grafico per rappresentare i valori, le medie
mobili e i valori smorzati, seguendo le indicazioni fornite nell’Appendice 2.1.

levine11_57-116 3-04-2002 8:28 Pagina 115
L’uso di Excel per la determinazione del trend col metodo

dei minimi quadrati
La determinazione di un trend col metodo dei minimi quadrati con riferimento a una serie storica si
traduce nell’applicazione di un modello di regressione. Si rimanda pertanto a quanto detto nelle
Appendici 9.1 (per la stima di un trend lineare), 10.1 (per la stima di un trend non lineare). In parti-
colare se vogliamo adattate alla serie un modello esponenziale dobbiamo semplicemente effettuare la
trasformazione logaritmica delle osservazioni e considerare la nuova variabile come variabile dipen-
dente in un modello di regressione lineare.
L’uso di Excel per la determinazione di modelli autoregressivi

Anche i modelli autoregressivi si riducono a modelli di regressione multipla: in questo caso i regres-
sori (variabili indipendenti) sono le variabili ritardate. A titolo di esempio aprite il file EAST-
MANK.XLS e posizionatevi sul foglio di lavoro Data. Copiate per comodità le colonne relative al
valore assegnato all’anno e alla variabile dipendente (entrate lorde) in un nuovo foglio di lavoro
(colonne A e B). Per creare la variabile ritardata di un periodo inserite la formula =B2 nella cella C3
e copiatela nella stessa colonna fino alla riga 25. Ricordate di inserire il simbolo #N/A nella cella
rimasta vuota (C2) in modo tale che il contenuto della cella sia considerato come un valore mancante
ai fini della regressione. In modo del tutto analogo create nelle colonne D e D le variabili ritardate
di 2 e 3 periodi. A questo punto potete utilizzare l’opzione Strumenti | Analisi dei dati | Regres-
sione per stimare i parametri del modello (vedi anche Appendice 9.1).
L’uso di Excel per calcolare l’indice MAD

(deviazione media assoluta)
Excel non prevede il calcolo automatico dell’indice MAD per i modelli descritti. Tuttavia il MAD può
essere agevolmente calcolato applicando ai residui del modello le formule di Excel. Si è visto che
tutti i modelli presentati possono essere visti come casi particolari di modelli di regressione. Uno degli
output Excel del modello di regressione è dato dai residui. Il MAD si ottiene applicando ai valori
assoluti dei residui (=ASS()) la funzione MEDIA.
Il calcolo del MAD diventa un po’ più complesso nel caso di trend esponenziale. In questo caso
infatti il modello restituisce il logaritmo (in base 10) dei valori previsti e quindi, prima di calcolare
i residui del modello, occorre passare all’antilogaritmo e quindi calcolare i residui basandosi su que-
st’ultimo valore. Si tratta cioè di applicare la funzione:
POTENZA(numero; potenza)
Per esempio POTENZA (10; 2) = 100 = 102.
APPENDICE 115

Molto più che documenti.

Levine11

Caricato da

Informazioni sul documento

Descrizione:

Copyright:

Formati disponibili

Levine11

Caricato da

Descrizione:

Copyright:

Formati disponibili

Titoli correlati

levine11_57-116 3-04-2002 8:27 Pagina 57

OBIETTIVI DEL CAPITOLO

◆ APPLICAZIONE: Previsione delle entrate lorde annuali presso

◆ 11.1 L’IMPORTANZA DELLA PREVISIONE A LIVELLO AZIENDALE

58 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

Tipi di metodi di previsione

◆ 11.2 IL MODELLO MOLTIPLICATIVO CLASSICO DELLE SERIE STORICHE

IL MODELLO MOLTIPLICATIVO CLASSICO DELLE SERIE STORICHE 59

Modello moltiplicativo classico per serie storiche annuali

Modello moltiplicativo classico per serie storiche infra-annuali

Dove, con riferimento al periodo i (mese o trimestre)

60 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

Tabella 11.1 Componenti di una serie storica

Trend Sistematica tendenza di lungo termine Cambiamenti diversi anni

◆ 11.3 LIVELLAMENTO DI UNA SERIE STORICA ANNUALE

LIVELLAMENTO DI UNA SERIE STORICA ANNUALE 61

Tabella 11.2 Vendite (in milioni di unità) realizzate

1975 6.6 1983 7.8 1991 7.4

62 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

Esempio 11.1 Calcolo di una media mobile con un periodo

LIVELLAMENTO DI UNA SERIE STORICA ANNUALE 63

Tabella 11.3 Medie mobili

64 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

Come ottenere il valore smussato esponenzialmente

La scelta del fattore di smorzamento W è critica in quanto influisce enormemente sui

LIVELLAMENTO DI UNA SERIE STORICA ANNUALE 65

Tabella 11.4 Livellamento

66 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

In termini di previsione si ha:

Esercizi del Paragrafo 11.3

LIVELLAMENTO DI UNA SERIE STORICA ANNUALE 67

Numero di impiegati (in migliaia)

1978 1.45 1985 2.04 1992 1.65

(a) Rappresentate i dati in un opportuno grafico.

Vendite annuali (in milioni di dollari)

1972 41.6 1981 53.2 1990 36.4

(a) Rappresentate i dati in un opportuno grafico.

68 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

Reddito familiare mediano (in dollari)

1980 33 763 35 620 20 521 26 025

(a) Rappresentate i dati in un opportuno grafico.

Tasso di disoccupazione (1985-1997)

1985 10.3 7.1 10.2 8.5 8.3 8.7 11.5

LIVELLAMENTO DI UNA SERIE STORICA ANNUALE 69

Tasso di disoccupazione (1985-1997) (seguito)

(a) Rappresentate i dati in un opportuno grafico.

Bilancia dei pagamenti pro capite nel New Mexico (1981-1995)

1981 2961 6212 3251

70 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

(a) Rappresentate i dati in un opportuno grafico.

◆ 11.4 IL METODO DEI MINIMI QUADRATI E LA PREVISIONE

In una serie storica il trend è sicuramente la componente oggetto di maggiore attenzione da

Ŷi b0 b1Xi (11.5)

dove Y rappresenta la variabile dipendente del modello e X la variabile indipendente

IL METODO DEI MINIMI QUADRATI E LA PREVISIONE 71

Tabella 11.6 Dalle entrate a prezzi

Fonte: Bureau of Labor Statistics, U.S. Department of

72 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

Vediamo ora l’interpretazione dei coefficienti della retta di regressione stimata:

IL METODO DEI MINIMI QUADRATI E LA PREVISIONE 73

74 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

IL METODO DEI MINIMI QUADRATI E LA PREVISIONE 75

Osserviamo che l’equazione (11.8) è in forma lineare. Di conseguenza è possibile applicare

76 CAPITOLO 11 ANALISI DELLE SERIE STORICHE

Scelta del modello attraverso lo strumento delle differenze

Riquadro 11.1 Scelta del modello attraverso

(Y2 Y1) (Y3 Y2)    (Yn Yn1)

(Y2 Y1) (Y3 Y2) (Yn Yn1)

Y Y Y 100% Y Y Y 100% Y Y Y 100%