Generalmente si assume che una serie storica osservata sia il risultato della composizione di:
a) una sequenza completamente deterministica, f(t), che costituisce la parte sistematica della serie;
b) una sequenza di variabili casuali a(t), che rappresenta la parte stocastica della serie ed obbedisce ad una determinata legge di probabilità.
Zt = f(t) + a(t)
Le due sequenze non sono individualmente osservabili, ma vanno determinate sulla base di un campione.
Secondo l’approccio classico alle serie storiche, si suppone che esista una legge di evoluzione temporale del fenomeno, rappresentata da f(t).
La componente casuale a(t), viene assunta a rappresentare l’insieme delle circostanze, ciascuna di entità trascurabile, che non si vogliono o non possiamo considerare in Zt .
Per cui la parte residua Zt, non spiegata da f(t), viene pertanto imputata al caso ed assimilata ad un insieme di errori accidentali. Questo equivale ad ipotizzare che la componente stocastica a(t) sia generata da un processo white noise, ovvero da una successione di variabili casuali indipendenti, identicamente distribuite, di media nulla e varianza costante.
In sintesi, nell’approccio classico l’attenzione viene concentrata su f(t), essendo a(t) considerato un processo a componenti incorrelate e dunque trascurabile.
L’approccio classico si basa sulla decomposizione della parte deterministica della serie in un insieme di componenti di «segnale» (che esprimono l’informazione strutturale della serie) rispetto alla parte di «rumore» trascurabile.
Le componenti di una serie sono:
I modelli di composizione possono essere studiati da due punti di vista
I modelli di decomposizione sono i più interessanti nella pratica.
Modello Additivo
Zt = Tt + Ct + St + At
Modello Moltiplicativo
Zt = Tt x Ct x St x At
Misto
Zt = Tt x St + Ct + At
Un modello moltiplicativo può essere ricondotto a quello additivo attraverso una trasformazione logaritmica della componenti della serie:
Zt = Tt x Ct x St x At
diventa
Log Zt = Log Tt + Log Ct + Log St + Log At
Una tecnica empirica per estrarre il trend da una serie storica è quello della curva ad occhio basata sul principio della conservazione delle aree.
Si traccia una linea “ad occhio” sulla serie in modo tale che le aree al di sopra della linea siano di pari ampiezza alle aree al di sotto della linea.
Se il trend della serie è lineare, o linearizzabile nei parametri attraverso una trasformazione di tipo logaritmico:
Tali trend sono stimabili attraverso le procedure derivate dalla regressione lineare.
- Trend polinomiale
f(t)= αo + α1 t + α2 t2 + … + αq tq + εt
Dove q rappresenta il grado del polinomio.
Per:
La presenza di un trend non lineare rende difficoltosa, se non impossibile, la individuazione di una forma funzionale nota f(t) con cui esprimere lo stesso.
In questi casi si ricorre allo strumento della media mobile (Moving Average)
La MA è una media aritmetica (semplice o ponderata) che si sposta ad ogni nuova iterazione (ad ogni tempo t) dall’inizio verso la fine della successione dei dati.
Supponiamo di disporre di n dati z1, z2, z3, …, z(n-1), zn
Calcoliamo la media dei primi 3 dati e sostituiamo al dato centrale il valore medio.
Ripetiamo il procedimento con i secondi 3 dati.
Il procedimento si esaurisce quando non vi sono più dati a disposizione.
Nel caso considerato la media mobile è composta da 3 soli dati. L’ordine della MA può essere esteso a 5, 7, 9, ecc.
Affinchè la MA possa essere centrata rispetto ai dati disponibili è necessario che l’ordine sia dispari.
Serie annuale del tasso di inflazione in Canada dal 1950 al 2000. In blu si riporta la stima della componente trend con un metodo a media mobile di ordine 9
Lo studio della stagionalità di una serie storica può avere il fine di:
Se si devono confrontare più serie storiche con diversa stagionalità, l’unica via di comparazione è la destagionalizzazione di entrambe
Vi sono diversi modi di stimare la componente stagionale. Uno di questi è il ricorso ad un modello di regressione mediante variabili ausiliari dicotomiche (variabili dummy).
Supponiamo l’esistenza di un modello additivo senza componente trend
Zt = St +At
E supponiamo di avere misurato la serie su cadenza mensile. E’ possibile definire le variabili dummy nel seguente modo
djt = 1 se l’ossservazione t è relativa al j-esimo mese dell’anno
djt = 0 altrimenti
Come si può vedere in tabella per tute le osservazioni relative al mese di gennaio la variabile D1 assume valore 1, così come D2 per quelle di febbraio, ecc.
Una volta create le variabili dummy peridiodiche, la componente stagionale potrà essere stimata attraverso un modello di regressione:
Zt = β1D1 + β2D2 + … + β12D12 + εt
(Nel nostro caso ipotizziamo dati mensili)
La parte εt residua del modello rappresenta la parte della serie non spiegata dalla stagionalità. Se nella serie è presente una componente tendenziale, essa coinciderà proprio con εt
Nella tabella a lato si ripotano i coefficienti beta stimati per le variabili dummy mensili del traffico passeggeri del porto di Napoli.
Nel grafico a lato si riporta:
2. Caratteri statistici e scale di misura
3. Sintesi tabellare e grafica di una distribuzione statistica
6. Forma di una distribuzione statistica
7. Distribuzioni doppie di frequenza
8. Relazioni tra variabili: associazione e dipendenza in media
9. Relazioni tra variabili: Correlazione lineare
10. Interpolazione statistica e Retta di regressione
11. Elementi di calcolo delle probabilità
12. Introduzione alle variabili casuali
13. Modelli per variabili casuali discrete di uso comune
14. Modelli per variabili casuali continue di uso comune
15. Introduzione alle serie storiche
16. Approccio classico: Modello di decomposizione di una serie storica