L. Bisio, F. Moauro - La disaggregazione temporale nei modelli dinamici: recenti avanzamenti
-
Upload
istituto-nazionale-di-statistica -
Category
Education
-
view
1.096 -
download
2
Transcript of L. Bisio, F. Moauro - La disaggregazione temporale nei modelli dinamici: recenti avanzamenti
Disaggregazione temporale nei modelli
dinamici: recenti avanzamenti I conti economici trimestrali: avanzamenti metodologici
e prospettive di innovazione
Laura Bisio, Filippo Moauro
Roma, 21 Aprile 2016, ISTAT, Aula Magna
• Anni ’80
• Prima informatizzazione dell’Istituto e rilascio sistematico dei CET
• Modelli utilizzati: Chow-Lin (1971) versione Barbone et al. (1981) e Denton (1971)
• Ambiente informatico: Speakeasy/Modeleasy+
L’evoluzione della pratica dei CET in Contabilità nazionale
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Anni ‘90
• Analisi critica dei metodi di disaggregazione temporale (Lupi e Parigi, 1996)
• Introduzione di moderne procedure informatiche per l’analisi dei risultati di
disaggregazione temporale
• Anni 2000
• Commissione di studio sul trattamento dei dati ai fini dell’analisi congiunturale
(ISTAT, 2005): raccomandazioni teoriche e operative per l’evoluzione della
produzione CET
• Anni 2010
• Sviluppo dei suggerimenti operativi proposti della Commissione di studio (Di
Fonzo, 2005; Proietti, 2005)
Questa presentazione
1) Documenta l’insieme degli avanzamenti recentemente introdotti sulla
base dei suggerimenti della Commissione di studio del 2005 tra cui:
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
2) Documenta i risultati di un’applicazione delle nuove procedure,
modelli e strumenti diagnostici basata su un’estesa gamma di serie
storiche ISTAT di contabilità nazionale
• Ampliamento della gamma dei metodi di disaggregazione alla classe dei
modelli dinamici ADL(1,1)
• Approccio basato sulla formulazione «State-space» (SSF) dei modelli
• Disaggregazione temporale non lineare per dati modellati nei logaritmi
• Implementazione informatica dei nuovi algoritmi in Speakeasy/Modeleasy+
• Ampliamento report diagnostico di stima
• Algoritmo di stima basato su filtro di Kalman e funzione verosimiglianza
La classe dei modelli autoregressivi a ritardi distribuiti (ADL)
• HP modelli ADL(1,1): relazione lineare tra la variabile dipendente 𝐲𝐭, il suo valore
ritardato 𝐲𝐭−𝟏 e i regressori 𝐱𝐭 = (𝒙𝟏𝐭, … , 𝒙𝒌𝒕) al tempo t e t-1, nell’intervallo t = 1,… , T:
∆𝒍𝒚𝒕 = 𝛗∆𝒍𝒚𝐭−𝟏 + ∆
𝒍𝐱′𝒕𝜷𝟎 + ∆𝒍𝐱′𝐭−𝟏𝜷𝟏 + 𝝐𝒕 , 𝝐𝒕~𝐍𝐈𝐃 𝟎, 𝝈
𝟐
𝐲t: variabile da disaggregare osservata a bassa frequenza t = s, 2s, 3s, … , T/s (s = 4 con dati trimestrali)
𝒙𝒕 : vettore indicatori ad alta frequenza t (t = 1,… , T) (per esempio trimestrale)
𝛗, 𝜷𝟎, 𝜷𝟏: parametro AR e coefficienti di regressione da stimare 𝝐𝒕 : vettore errori stocastici
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Si tratta di una classe di modelli generale che
• Sotto restrizioni ad hoc, comprende la classe dei modelli statici (ad es.
Chow-Lin, 1971; Fernàndez, 1981; Litterman, 1983)
• Gode di rappresentazione «State-space» o «nello spazio degli stati»
Disaggregazione temporale, rappresentazione SSF e filtro di Kalman
• Principali riferimenti
Harvey e Pierce (1984), Harvey (1989), Harvey e Chung (2000), Moauro e
Savio (2002), Proietti (2005; 2006): disaggregazione temporale basata su
modelli ADL(1,1), rappresentati nella forma Spazio degli Stati (SSF) con
l’utilizzo del filtro di Kalman per il trattamento statistico
• La forma SSF è definita da un sistema di 3 equazioni:
1. Equazione di misurazione: definisce la serie storica osservata
2. Equazione di stato: definisce la dinamica del vettore delle variabili di stato
3. Equazione delle condizioni iniziali per il vettore delle variabili di stato
• Filtro di Kalman (De Jong, 1991): algoritmo ricorsivo che stima il previsore
ottimo (ex-ante) del vettore delle variabili di stato al tempo t, condizionato
all’informazione nota al tempo t (t = 1, … , T)
Stima funzione di log-verosimiglianza e parametri incogniti
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Algoritmo di smoothing: stima il previsore ottimo (ex-post) del vettore delle
variabili di stato, condizionato all’intera informazione campionaria disponibile (T)
Stima della serie disaggregata
Approccio SSF vs. approccio regressione
• Vantaggi
• Appropriato trattamento delle
«condizioni iniziali» in caso di
non stazionarietà della variabile di
stato
• Ampliamento delle statistiche
diagnostiche (es. innovazioni) per
valutare la qualità delle stime
• Maggior efficienza di
computazione delle diagnostiche di
stima basate sulle innovazioni
• Agevoli estrapolazioni delle serie
in corso d’anno in assenza di
indicatori
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Svantaggi
• Maggior complessità
computazionale data dal filtro di
Kalman
• Maggior pesantezza di
elaborazione dato dal carico
computazionale di calcolo in
alcuni ambienti informatici
Trattamento nei logaritmi e disaggregazione non lineare
• Motivazione
• Trasformazione tipica delle variabili riferite a grandezze di flusso
(produzione, valore aggiunto, etc.) in ambito statistico/econometrico
• Riduzione volatilità della serie
• Maggior plausibilità delle ipotesi valide per il modello di regressione
(linearità, omoschedasticità degli errori, etc…)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Accorgimenti necessari
• Dal lato analitico Trattamento della non linearità dei vincoli di
aggregazione temporale e di osservabilità validi tra serie aggregata e
serie disaggregata (incognita)
• Dal lato procedurale Predisposizione di appositi algoritmi di
stima per il trattamento statistico del modello espresso in forma
non lineare
L’implementazione in Speakeasy/Modeleasy+
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Nuove subroutine per la trimestralizzazione basata sull’approccio SSF:
• TRIMEKF modelli espressi nei livelli della serie
• TRIMEKFL modelli espressi nei logaritmi
• Modelli stimabili da entrambe le subroutine:
- Chow-Lin (1971)
- Denton (1971)
- Fernàndez (1981)
- Litterman (1983)
- ADL (1,1) e ADL(1,0) - specificazione serie nei livelli / nelle differenze
• Specificazioni alternative per ogni modello (escluso mod. Fernàndez)
• base (no componenti deterministiche)
• con costante
• con costante e trend
Ampliamento diagnostica della disaggregazione
• Si basano sulle innovazioni standardizzate (𝒗 𝒕 = 𝒗𝒕/𝐒𝐭𝐝 𝒗𝒕 ) i test diagnostici: • Test di Durbin-Watson su autocorrelazione dei residui
• Test N di normalità dei residui di Jarque-Bera
• Test Q di Ljung-Box sulle prime P autocorrelazioni dei residui
• Test H per l’eteroschedasticità dei residui
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Errori di previsione o innovazioni stimati dal filtro di Kalman:
𝒗𝒕 = 𝒀𝒕 − 𝐄 𝒀𝒕 𝒀𝐭−𝟏
• Altre statistiche di bontà di adattamento del modello incluse nel report:
• Errore standard di regressione
• Valore di massima verosimiglianza
• Criteri informativi AIC e BIC
• Grazie all’approccio SSF le diagnostiche sono implementate sfruttando la
medesima formulazione per tutti i modelli di disaggregazione:
maggior controllo dell’esito di stima e riduzione dell’onere computazionale!
NEW!
NEW!
NEW!
Un’applicazione delle nuove procedure (1 di 2)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Selezione di trimestralizzazioni basate su serie ISTAT di contabilità
nazionale:
• Aggregato annuale: valore aggiunto
• Indicatore congiunturale: IPI (stesso livello di dettaglio)
• Dettaglio: 17 branche industria in s.s. (br. 3-19, classif. A44 CET)
• Periodo di riferimento: 1995q1 – 2013q4
• Tipo di dati:
• Grezzi
• Destagionalizzati e corretti per i giorni lavorativi
• Valutazione delle serie:
• A prezzi correnti
• A valori concatenati (rif. 2010)
68 c
asi d
istin
ti
Un’applicazione delle nuove procedure (2 di 2)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
2176 d
isag
gre
gazio
ni e
seg
uite
• Ciascuna trimestralizzazione è stata ripetuta considerando i modelli:
• Chow-Lin
• Fernàndez
• ADL(1,0) - nei livelli e nelle differenze
• ADL(1,1) - nei livelli e nelle differenze
• Specificazione delle componenti deterministiche di ciascun
modello (tranne modello Fernàndez):
• Assenti
• Costante
• Costante e trend
• Ciascun modello combinato con ogni specificazione è stato stimato:
• nei livelli
• nei logaritmi
Modelli a confronto: criteri di valutazione utilizzati
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
1. L’errore medio assoluto (MAE) di previsione dei tassi di crescita
annuali
valutazione bontà di adattamento complessiva del modello
stimato alla serie storica oggetto della disaggregazione
2. La correlazione tra variazione prima dell’indicatore trimestrale e
variazione prima della serie disaggregata
valutazione qualità della disaggregazione temporale con
riferimento all’informazione congiunturale
Modelli a confronto: l’errore medio assoluto di previsione (MAE)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Esiti modelli stimati su serie destagionalizzate a prezzi correnti
Branche dell’industria in s.s.
Modelli 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
CL 6.37 2.32 2.78 1.81 14.7 4.03 2.58 2.48 1.92 3.63 3.16 1.98 4.30 2.11 2.38 4.61 3.01
FE 6.74 3.16 3.06 2.07 20.4 4.57 2.49 4.18 2.73 3.57 2.46 3.14 5.30 2.59 4.23 7.42 6.85
ADL(1,0) 6.68 1.78 2.87 1.09 19.7 3.23 2.27 2.18 2.08 4.54 2.17 1.38 2.45 2.55 2.39 3.78 2.98
ADL(1,1) 6.22 1.82 2.91 1.10 14.6 3.53 2.42 2.15 2.14 3.73 1.89 1.48 2.06 2.45 1.89 3.77 2.76
Esiti modelli stimati su serie destagionalizzate in volume
Branche dell’industria in s.s.
Modelli 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
CL 7.42 2.04 3.74 1.93 6.71 5.30 3.72 1.62 2.83 4.34 3.69 2.33 3.74 2.5 3.71 2.9 4.31
FE 7.98 1.88 4.61 2.04 9.65 7.27 4.77 1.84 2.67 3.67 3.31 2.79 4.00 1.96 4.32 3.24 7.26
ADL(1,0) 7.74 2.06 2.87 1.75 7.43 5.23 3.65 2.37 3.12 5.06 3.72 1.76 4.29 2.88 3.54 3.21 3.33
ADL(1,1) 7.29 1.91 3.83 1.78 9.57 5.27 3.78 2.19 3.63 3.98 3.47 1.63 4.16 2.45 3.43 3.36 4.01
Modelli a confronto: correlazione indicatore/serie disaggregata (var. prime)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Esiti modelli stimati su serie destagionalizzate a prezzi correnti
Branche dell’industria in s.s.
Modelli 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
CL 0.92 0.80 0.93 0.81 0.91 0.89 0.97 0.82 0.97 0.91 0.92 0.96 0.95 0.94 0.93 0.72 0.636
FE 0.92 0.81 0.93 0.83 0.92 0.89 0.97 0.84 0.96 0.92 0.91 0.93 0.95 0.94 0.93 0.73 0.638
ADL(1,0) 0.81 0.27 0.90 0.64 0.82 0.48 0.79 0.76 0.96 0.83 0.72 0.88 0.78 0.90 0.75 0.21 0.02
ADL(1,1) 0.89 0.30 0.90 0.79 0.91 0.87 0.89 0.75 0.97 0.82 0.91 0.96 0.95 0.93 0.93 0.22 0.06
Esiti modelli stimati su serie destagionalizzate in volume
Branche dell’industria in s.s.
Modelli 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
CL 0.88 0.86 0.93 0.85 0.83 0.90 0.96 0.89 0.91 0.90 0.93 0.86 0.95 0.94 0.92 0.89 0.65
FE 0.88 0.86 0.93 0.89 0.85 0.90 0.96 0.93 0.96 0.90 0.94 0.96 0.98 0.94 0.93 0.89 0.65
ADL(1,0) 0.65 0.27 0.89 0.71 0.82 0.81 0.85 0.89 0.96 0.74 0.91 0.97 0.98 0.92 0.55 0.42 0.22
ADL(1,1) 0.73 0.71 0.90 0.88 0.90 0.85 0.85 0.90 0.96 0.77 0.60 0.97 0.98 0.93 0.91 0.60 0.28
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
• Tra i modelli ADL con la migliore performance in termini di MAE, la
specificazione alle differenze prime è prevalente nell’esercizio
condotto su serie nominali (vs. serie in volume)
Commenti
• La maggior parte dei modelli per cui si ottiene la max correlazione derivano
da trasformazione logaritmica e disaggregazione non lineare
novità metodologica migliorativa per la statistica trimestrale
• La classe di modelli ADL amplia la possibilità di individuare un
modello con migliore bontà di adattamento (misurata dal MAE) alla
serie storica, utile in fase di previsione
• Netta prevalenza dei modelli di disaggregazione statici / tradizionali
(Fernàndez e Chow-Lin) vs. modelli dinamici in termini di qualità della
disaggregazione (vd. dinamica congiunta indicatore/serie indicata)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Serie disaggregate del v.a. «Altri macchinari e apparecchiature»: modelli a confronto
80
90
100
110
120
130
140
4000
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
CLc ADL10 ADL11 ADL10Δ ADL11Δ indicatore ipi
70
80
90
100
110
120
130
140
150
4000
5000
6000
7000
8000
9000
CLc ADL10 ADL11 ADL10Δ ADL11Δ indicatore ipi
Serie destagionalizzate (a prezzi correnti)
Serie grezze (a prezzi correnti)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Dati destagionalizzati e corretti per i giorni lavorativi (serie a prezzi correnti)
Modello c β0 β1 MAE Correlazioni
Congiunturali
Correlazioni
Tendenziali Log-lik AIC BIC
R2
corr.
CLc 0.99 10.9 38.4 2.96 0.96 0.94 -154.9 9.75 9.85 0.996
ADL(1,0) 0.87 -- 8.5 6.46 0.77 0.89 -167.1 11.47 11.52 0.973
ADL(1,1) 0.98 -- 37.6 -36.4 2.81 0.96 0.94 -153.2 9.68 9.78 0.996
ADL(1,0)Δ 0.16 -- 33.1 2.53 0.88 0.93 -151.9 9.30 9.40 0.997
ADL(1,1)Δ 0.67 -- 36.7 -24.1 1.81 0.95 0.93 -151.1 8.10 8.25 0.999
Dati grezzi e non corretti per i giorni lavorativi (serie a prezzi correnti)
Modello c β0 β1 MAE Correlazioni
Congiunturali
Correlazioni
Tendenziali Log-lik AIC BIC
R2
corr.
CLc 0.99 11.2 37.6 -- 2.98 0.99 0.93 -155.0 9.76 9.86 0.996
ADL(1,0) 0.87 -- 8.3 -- 6.37 0.62 0.88 -166.6 11.41 11.45 0.976
ADL(1,1) 0.98 -- 36.7 -35.4 2.81 0.99 0.93 -153.1 9.68 9.78 0.996
ADL(1,0)Δ 0.17 -- 31.9 -- 2.52 0.97 0.92 -151.8 9.27 9.37 0.997
ADL(1,1)Δ 0.67 -- 35.6 -23.4 1.91 0.99 0.93 -151.0 8.09 8.24 0.999
Output di stima: parametri stimati e statistiche
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
La disaggregazione temporale in assenza di indicatore
Pratica corrente (sebbene rara): in assenza di opportuno indicatore metodo
Denton con indicatore «fittizio» (ad es. un trend) ma …
Nuova opportunità: filtro di Kalman per disaggregazione temporale in assenza
di indicatore guadagno di efficienza!
- Metodo non ottimale (Feijoò et al. 2003)
- Forte distorsione nelle prime osservazioni della serie disaggregata
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
BR11 Chow-Lin - KF BR11 Denton
Serie disaggregate del valore aggiunto "Metallurgia e prodotti in metallo"
(serie in volume, destagionalizzate)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Criticità dei modelli ADL (1): Inizializzazione
80
85
90
95
100
105
110
115
120
125
130
3400
3600
3800
4000
4200
4400
4600
4800
199
5
199
5
199
6
199
6
199
7
199
7
199
8
199
8
1999
199
9
200
0
200
0
200
1
200
1
200
2
200
2
200
3
200
3
200
4
200
4
200
5
200
5
200
6
200
6
200
7
2007
200
8
200
8
200
9
200
9
201
0
201
0
201
1
201
1
201
2
201
2
201
3
201
3
CL CLc FeADL10 ADL11 ADL10Δ ADL11Δ INDICATORE (asse dx)
Serie trimestralizzate del v.a. e indicatore IPI : branca “Legno, carta e stampa”
(dati destagionalizzati, a valori concatenati)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Criticità dei modelli ADL (2): Erraticità
0
20
40
60
80
100
120
1500
2500
3500
4500
5500
6500
7500
199
5
199
5
199
6
199
6
199
7
199
7
199
8
199
8
199
9
199
9
200
0
200
0
200
1
200
1
200
2
200
2
200
3
200
3
200
4
200
4
200
5
200
5
200
6
200
6
2007
200
7
200
8
200
8
2009
200
9
201
0
201
0
201
1
201
1
201
2
201
2
201
3
201
3
CL Fe ADL10ADL11 ADL10Δ ADL11Δ INDICATORE (asse dx)
Serie trimestralizzate del v.a. e indicatore IPI : branca “Legno, carta e stampa”
(dati destagionalizzati, a prezzi correnti)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Valutazione globale delle criticità riscontrate dei modelli ADL
• Il problema di errata inizializzazione della serie disaggregata
• si riscontra nei soli modelli ADL alle differenze: 15.7% con
ADL(1,0) e 31.6% con ADL(1,1)
• è più frequente nei casi stimati su serie in volume (32% dei
casi) vs. serie nominali (15% dei casi)
• Il problema di accentuata erraticità della serie disaggregata
• è piuttosto diffuso tra i diversi modelli e si riscontra: nel 12,4% dei
casi con modelli ADL alle differenze, nell’ 8.6% con ADL nei livelli, nel
6% con Chow-Lin (con trend)
• nel caso dei modelli ADL (livelli e differenze) è più frequente nei casi
stimati su dati grezzi (11%) vs. dati destagionalizzati (9.6%)
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Conclusioni : una valutazione globale
• Miglioramento capacità previsiva grazie ai modelli ADL
• Miglioramento qualità disaggregazione con i metodi non lineari
• Miglioramento qualità disaggregazione in assenza di indicatore
• Problemi di errata inizializzazione ed elevata erraticità della serie
disaggregata per diverse specificazioni dei modelli ADL
da considerare con attenzione!
• Ampliamento modellistico e metodologico
guadagno globale nella pratica della produzione CET
Grazie per l’attenzione!
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
metodo di stima : metodo -- ADL11T
tipo di aggregazione : somma
equazione : Y = C + D * t + B_0 * I_1_t + B_1 * I_1_t-1
+-----------------------------------------------------------------------------------------+
| Confronto dati annuali veri - previsioni |
+-------+----------+-----------+----------+-----------+-----------+-----------+-----------+
| ANNIT | liv.veri | liv.prev. | innov. | var. veri | var.prev. | err% var. | innov.std |
+-------+----------+-----------+----------+-----------+-----------+-----------+-----------+
| 2006 | 31216.7 | 30500.7 | 716.05 | 7.42 | 4.96 | -2.46 | .04 |
| 2007 | 32869.2 | 31533.8 | 1335.38 | 5.29 | 1.02 | -4.28 | .08 |
| 2008 | 33226.5 | 32190.7 | 1035.84 | 1.09 | -2.06 | -3.15 | .06 |
| 2009 | 26363.2 | 27932.9 | -1569.75 | -20.66 | -15.93 | 4.72 | -.03 |
| 2010 | 30134.4 | 30428.4 | -294.06 | 14.30 | 15.42 | 1.12 | -.01 |
| 2011 | 32578.3 | 32345.5 | 232.83 | 8.11 | 7.34 | -.77 | .01 |
| 2012 | 31562.2 | 32554.9 | -992.74 | -3.12 | -.07 | 3.05 | -.06 |
| 2013 | 31753.4 | 31073.7 | 679.70 | .61 | -1.55 | -2.15 | .04 |
+-------+----------+-----------+----------+-----------+-----------+-----------+-----------+
Report TRIMEKF: risultati disaggregazione a livello annuale
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
coefficienti stimati del modello (t-student tra parentesi)
------------------------------------------------------------------------------------------------------------------------
costante : 359.17 (3.10)**
trend : 4.27 (10.32)**
b_0 : 45.304 (13.76)**
b_1 : -42.524 (-12.71)**
diagnostica del modello (livello prob. tra parantesi)
------------------------------------------------------------------------------------------------------------------------
rho : .8856
r2 : .9976
r2 corretto : .9972
test f : 2116.52 (.00)**
standard error regressione : 113.14
log-likelihood : -147.15
aic : 9.64
bic : 9.84
durbin-watson : 1.99
jarque-bera : .22 (.90)
Q-Ljung-Box : .81 (.85)
H-test : .49443 (.78068)
statistiche sulla disaggregazione (ultima meta' del campione tra parantesi)
------------------------------------------------------------------------------------------------------------------------
correlazione var. prime : .96 (.99)
correlazione var. quarte : .95 (.98)
rmse var. prime : 1.51 (1.89)
rmse var. quarte : 4.43 (5.28)
massima discrepanza var. prime : 6.81 [200901] (6.81 [200901])
massima discrepanza var.quarte : 13.94 [200903] (13.94 [200903])
------------------------------------------------------------------------------------------------------------------------
- errori medi di previsione su ultimi 8 anni:
- ME liv.: 142.9 - ME var.: -.492 - MAE liv.: 857.0 - MAE var.: 2.713 - RMSE liv.: 963.1 - RMSE var.: 3.008
------------------------------------------------------------------------------------------------------------------------
Report TRIMEKF: sezione diagnostica stima
Formulario diagnostica disaggregazione e statistiche bontà di stima
• Test di Durbin-Watson su autocorrelazione dei residui
d = 𝑣 𝑡 − 𝑣 𝑡−12
𝑇/𝑠
𝑡=𝑘+2
/ 𝑣 𝑡2
𝑇/𝑠
𝑡=𝑘+2
• Test N di normalità dei residui di Jarque-Bera:
N =𝑇∗
6∙ 𝑏1 +
𝑇∗
24∙ 𝑏2 − 3
2
• Test H(h) per l’eteroschedasticità dei residui:
H h = 𝜐 𝑡2
𝑇
𝑡=𝑇−ℎ+1
𝜐 𝑡2
𝑘+1+ℎ
𝑡=𝑘+1
• Errore standard di regressione:
SER = 𝑆𝑆𝑅/ 𝑇/𝑠 − 𝑘
• Valore di max verosimiglianza:
𝐿 𝑐 = −0.5 ∙ 𝑑𝑇+1 +𝑇
𝑠𝑙𝑛𝜎 2 + ln 2𝜋 + 1
• Criteri informativi AIC =2k𝑇
𝑠
+ ln𝜎 2 e BIC = k ∙ln 𝑇/𝑠
𝑇/𝑠 + ln𝜎 2
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Disaggregazione temporale nei modelli dinamici: recenti avanzamenti, Laura Bisio - Roma, 21 Aprile 2016, ISTAT
Tavola valutazione criticità modelli dinamici
Casi problematici dovuti ad errata inizializzazione. Valori % per classe di modello sul totale branche stimate.
Effetto destagionalizzazione Effetto deflazione Effetto trasformazione
modello Effetto totale
Dati Grezzi Dati
Destagionalizzati Prezzi correnti
Valori
concatenati
Modelli nei
Livelli
Modelli nei
Logaritmi
CL 0.5 0.0 0.0 0.5 0.5 0.0 0.2
FE 0.0 1.5 1.5 0.0 1.5 0.0 0.7
ADL(1,0) 0.0 0.0 0.0 0.0 0.0 0.0 0.0
ADL(1,1) 1.5 1.5 1.0 1.0 0.0 2.0 1.0
ADL(1,0)Δ 12.3 13.7 11.8 19.6 4.4 27.0 15.7
ADL(1,1)Δ 26.5 31.9 18.1 45.1 30.9 32.4 31.6
Casi problematici dovuti ad erraticità della serie trimestralizzata. Valori % per classe di modello sul totale branche stimate.
Effetto destagionalizzazione Effetto deflazione Effetto trasformazione
modello Effetto totale
Dati Grezzi Dati
Destagionalizzati Prezzi correnti
Valori
concatenati
Modelli nei
Livelli
Modelli nei
Logaritmi
CL 5.4 6.4 7.8 4.4 5.9 6.4 6.1
Fe 0.0 0.0 0.0 0.0 0.0 0.0 0.0
ADL(1,0) 11.3 10.3 9.3 12.7 5.9 16.2 11.0
ADL(1,1) 6.4 5.4 4.9 7.4 6.9 5.4 6.1
ADL(1,0)Δ 12.7 11.3 14.2 10.3 12.3 12.3 12.3
ADL(1,1)Δ 13.7 11.3 13.7 11.3 19.1 5.9 12.5