Concetti Chiave
- I modelli ARIMA sono utilizzati per rappresentare processi stocastici e si basano su tre componenti: autoregressione, integrazione e media mobile, rappresentati dai parametri (p,d,q).
- Questi modelli trasformano serie non stazionarie in stazionarie utilizzando differenze di ordine "d" e, se necessario, trasformazioni come quella logaritmica.
- La metodologia Box-Jenkins per i modelli ARIMA include fasi iterative di identificazione, stima e verifica per adattare il modello alla serie storica osservata.
- La verifica del modello ARIMA coinvolge il controllo dei residui per assicurare che rappresentino un processo white noise, utilizzando test specifici come il Portmanteau.
- Il software R fornisce funzioni come arima.sim() per simulare modelli ARIMA, facilitando la definizione dei parametri e dell'ordine del modello.
I modelli ARIMA (autoregressivi integrati a media mobile ) di Box e Jenkins partono dal presupposto che fra due osservazioni di una serie quello che altera il livello della serie è il cosiddetto disturbo. Un modello generale di Box-Jenkins viene indicato come: ARIMA (p,d,q) dove AR=AutoRegression (autoregressione) e p è l'ordine della stessa, I=Integration (integrazione) e d è l'ordine della stessa, MA=Moving Average (media mobile) e q è l'ordine delle stessa.
Pertanto un modello ARIMA (p,d,q) è analogo ad un modello ARMA(p,q) applicato alle differenze d'ordine "d" della serie dei valori, invece che agli effettivi valori. Se la serie non è stazionaria (la media e la varianza non sono costanti nel tempo) viene integrata a livello 1 o 2, dopo aver eseguito un' eventuale trasformazione dei dati (solitamente quella logaritmica). In tal modo viene ottenuta una serie stazionaria (random walk).La procedura proposta Box e Jenkins è di tipo iterativo e serve per: l'identificazione, la stima e la verifica di un modello ARIMA ed ha come scopo la costruzione di un modello che si adatti alla serie storica osservata e che rappresenti il processo generatore della serie stessa.1) Verifica della stazionarietà della serie: analisi grafica della serie; identificazione di eventuali valori anomali; ricerca delle trasformazioni più adeguate a rendere stazionaria la serie (calcolo delle differenze e uso della trasformazione Box-Cox);
2) Identificazione del modello ARIMA: individuazione degli ordine p,d,q del modello mediante l'analisi delle funzioni di autocorrelazione parziale e totale;
3) Stima dei parametri: stima dei parametri del modello ARIMA con il metodo della massima verosimiglianza o dei minimi quadrati;
4) Verifica del modello: controllo sui residui del modello stimato per verificare se sono una realizzazione camponaria di un processo white noise a componenti gaussiane. Si effettuano analisi dei residui, test sui coefficienti, cancellazione fra operatori, test Portmanteau.
Se il modello stimato supera la fase di verifica allora può essere usato per la scomposizione e/o le previsioni. Altrimenti si ripetono le fasi di identificazione, stima e verifica (procedura iterativa).
Per quanto riguarda la stima dei parametri dei processi stocastici R mette a disposizione alcune funzioni che ora esaminiamo. Il comando arima.sim() permette di ottenere la simulazione di modelli AR, MA, ARMA, ARIMA specificando il numero dei valori che si vogliono ottenere, i parametri e/o l'ordine del modello in una lista.Domande da interrogazione
- Qual è il presupposto fondamentale dei modelli ARIMA di Box e Jenkins?
- Quali sono i passaggi principali della procedura di Box e Jenkins per costruire un modello ARIMA?
- Come si verifica la stazionarietà di una serie secondo la procedura di Box e Jenkins?
I modelli ARIMA di Box e Jenkins partono dal presupposto che il disturbo è ciò che altera il livello della serie fra due osservazioni.
La procedura di Box e Jenkins include l'identificazione, la stima e la verifica del modello ARIMA, con l'obiettivo di adattarlo alla serie storica osservata.
La stazionarietà si verifica attraverso l'analisi grafica della serie, l'identificazione di valori anomali e la ricerca di trasformazioni adeguate, come il calcolo delle differenze e l'uso della trasformazione Box-Cox.
Accedi a tutti gli appunti
Tutor AI: studia meglio e in meno tempo
