Probablità, Statistica e Processi Stocastici
Franco Flandoli, Università di Pisa
Corso per la Scuola di Dottorato in Ingegneria
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Esempio di serie storica
Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca
stagionalità)
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Esempio di serie storica
Esportazioni italiane di motocicli (trend debole variabile, molta
stagionalità)
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Metodo di smorzamento esponenziale
Scelta automatica dei parametri (minimi quadrati)
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
SET
Cattura la pendenza in fase di previsione (forse troppo sensibile)
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
HW
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
HW
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Metodi regressivi
Essi costituiscono la classe più ampia e forse l’unica in cui è possibile
sviluppare elementi di teoria rigorosa.
Ci stiamo riferendo ai metodi denominati AR, MA, ARMA, ARIMA,
ARIMAX ecc.
Non sviluppiamo la loro teoria, suggerendo eventualmente di
esaminare il comando ar.ols del software R per vedere in azione uno
di questi metodi
(ar.ols = AR, cioè autoregressivi, con stima ols, cioè ordinary least
squares, minimi quadrati, dei coe¢ cienti del modello; il metodo di
stima più ragionevole per serie qualsiasi, in assenza di ipotesi
particolari come la stazionarietà).
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Metodi regressivi
Sviluppiamo invece "a mano" un esempio di metodo autoregressivo (un
sottocaso della classe AR).
Si parte da un modello, cioè si ipotizza che la serie storica soddis… la
relazione autoregressiva
xn = a1 xn
1
+ a12 xn
12
+ b + en
con errore en piccolo (questa relazione è sempre veri…cata, scelti a caso i
coe¢ cienti, se l’errore viene de…nito per di¤erenza; il punto è sperare che,
per certi coe¢ cienti, l’errore sia molto piccolo).
Si applica la regressione lineare multipla per stimare i coe¢ cienti a1 , a12 , b
a partire dalla serie storica.
Il metodo è del tutto generale, cioè applicabile a qualsiasi relazione
ricorsiva lineare del tipo precedente (ritardi qualsiasi, quanti si vuole).
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Tra chi si fa la regressione
Data la serie storica x1 , x2 , ...., xN , volendo applicare la regressione
xn = a1 xn
1
+ a12 xn
12
+ b + en
si deve considerare la serie stessa come input e come output, ma
opportunamente traslata.
Preciasamente, l’output è la serie
x13 , ...., xN
ed i due input le serie
Franco Flandoli, Università di Pisa
x12 , ...., xN
1
x1 , ...., xN
12
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Previsione
Calcolati i coe¢ cienti del modello, la previsione del primo istante
successivo è
pN +1 = a1 xN + a12 xN +1 12 + b
ma dalla successiva in poi bisogna usare le previsioni stesse nel primo
fattore
pN +2 = a1 pN +1 + a12 xN +2 12 + b
e così via.
Nota: la logica di questo modello è di replicare periodicamente (se 12 è il
periodo) mantenendo nota della situazione più recente. Una forma
particolare di innovazione-conservazione.
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Esempio di previsione
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Confronto gra…co con HW
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Fattori esogeni
Un elemento di sicuro vantaggio dei metodi regressivi è la possibilità di
inserire fattori esogeni.
Se ad esempio x1 , x2 , ...., xN è la serie storica delle esportazioni di un
prodotto e z1 , z2 , ...., zN è la serie storica del costo del petrolio, possiamo
immaginare che un modello del tipo
xn = a1 xn
1
+ ck z n
k
+ a12 xn 12
+ b + en
sia più accurato. Il ritardo k può essere cercato con il comando ccf (cross
correlation function, versione empirica della formula E [Xt Zs ] molto usata
in Telecomunicazioni).
Queste considerazioni sono la base dei cosidetti modelli econometrici.
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Analisi dei residui
I residui variano a seconda del modello utilizzato. Es.
xn = tn + sn + en
en = xn
pn
(decomposizione additiva)
(modelli SE, SET, HW, AR)
Anche i comandi variano. Però il comando residuals() è
abbastanza generico. Funziona ad es. per HW.
Le prime analisi sono visive:
- plot dei residui per vedere eventuali strutture ed eventuali anomalie
- acf, per vedere eventuali periodicità residue; confrontare con white
noise
- hist, per vedere come si distribuiscono; confrontare con hist della
serie storica
- qqnorm, per vedere se sono abbastanza gaussiani
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Analisi dei residui
E’evidente una struttura moltiplicativa residua. Si noti anche il picco a
…ne 2003 - inizio 2004: esso è molto più alto dei picchi precedenti e
successivi visibili sulla serie storica.
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Analisi dei residui
Non c’è evidenza di periodi residui.
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Analisi dei residui
così abbiamo una percezione gra…ca della variabilità originaria e di quella
dei residui
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Analisi dei residui
I campioni gaussiani hanno qqplot abbastanza rettilineo.
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Incertezza della predizione tramite i residui
Premessa: data una gaussiana di parametri m ed s, se si vuole un
intervallo simmetrico rispetto alla media che contenga il 90% dei
valori, esso è dato da
qnorm(0.05,m,s),
qnorm(0.95,m,s)
o equivalentemente da
m+s*qnorm(0.05),
m+s*qnorm(0.95).
Se abbiamo un campione sperimentale x1 , ..., xn e decidiamo di
descriverlo con una gaussiana, possiamo stimare m ed s dal campione
ed usare le formule precedenti.
Oppure possiamo usare un comando di R che fa una stima empirica,
non parametrica,
quantile(X,0.05),
Franco Flandoli, Università di Pisa
quantile(X,0.95).
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Incertezza della predizione tramite i residui
Possiamo applicare i calcoli precedenti ai residui, ad es.
X=residuals(HW), trovando così un intervallo che contiene i residui al
90%
Poi, traslando del valore previsto per il mese successivo
P=predict(HW,1), troviamo un intervallo che contiene i valori futuri
al 90%:
P+qnorm(0.05,m,s),
P+qnorm(0.95,m,s)
Possiamo poi tracciare due bande, entro le quali prevediamo stiano i
valori al 90%.
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Incertezza della predizione tramite i residui
Oct 2010 : 34.223 — 80.740
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Incertezza della predizione tramite i residui
I calcoli precedenti sono una prima approssimazione.
Da un lato, si potrebbero innescare algoritmi che allargano le bande al
crescere del tempo (valori più lontani nel futuro sono più incerti).
Omettiamo questa direzione.
Dall’altro, si potrebbe modulare l’incertezza in modo stagionale.
In…ne, applicando PCA (che in questa versione è la cosidetta fPCA),
si possono trovare i pro…li più tipici delle ‡uttuazioni, dell’incertezza.
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Modulazione stagionale dell’incertezza sulla predizione
Pro…lo annuale delle deviazioni standard dei residui e bande di previsione
stagionali
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Variazioni tipiche dell’incertezza sulla predizione
Pro…lo semestrale della variazione tipica dei residui (prima componente
principale, 54%)
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
Variazioni tipiche dell’incertezza sulla predizione
Pro…lo semestrale della variazione tipica dei residui (seconda componente
principale, 25%)
Franco Flandoli, Università di Pisa
() Probablità, Statistica e Processi Stocastici
Corso per la Scuola di Dottorato in Ingegneria
/ 26
