Lapproccio classico per

lanalisi delle serie

storiche

Limpiego dellanalisi delle serie storiche nelle

previsioni: impostazione logica
Per serie storica (o temporale) si intende una successione di dati
osservati su un determinato fenomeno (variabile Y) ordinati secondo la
variabile tempo t (per t = 1, 2, , N).
La cadenza temporale di osservazione (oraria, giornaliera, settimanale,
mensile, trimestrale, annuale, ecc.) pu fare riferimento ad una
successione di istanti temporali o ad intervalli temporali, (equispaziati
o no ). Nel primo caso si parla di serie di stato o posizionali (ad es.
gli addetti di una azienda a fine mese), nel secondo di serie di
flusso (ad es. la produzione giornaliera).

Le serie storiche presentano, in genere, oscillazioni intorno ad un

andamento di lungo periodo che, incluso questultimo, sono state
denominate componenti (virtuali ) della serie. Queste, soprattutto
nel campo economico, sono di quattro tipi principali.
i) Trend (T): movimento tendenziale monotono di fondo, di lungo
periodo, che mette in evidenza una evoluzione strutturale del
fenomeno dovuta a cause che agiscono in modo sistematico sullo
stesso.
ii) Ciclo (C) o movimento (oscillazione) congiunturale: originato dal
presentarsi di condizioni pi o meno favorevoli, di espansione e
contrazione, del contesto economico nel quale si colloca il fenomeno
in esame.
iii) Stagionalit (S): oscillazioni originate da fattori climatici
(alternanza delle stagioni) e/o di organizzazione sociale
iv) Accidentalit (e) o componente di disturbo: data da movimenti
irregolari, erratici o accidentali provocati da una serie di circostanze
ciascuna di entit trascurabile.
3

In termini logico formali si pu quindi verosimilmente definire la

seguente ipotetica relazione per una serie storica:
Yt = f (Tt , Ct , St , et)
dove t=1,,N.
Tenendo presente la possibile esistenza di componenti sistematiche e
di disturbo, si ricorda che vi sono due approcci (vedi i testi citati)
allanalisi delle serie storiche: uno, cosiddetto classico (o
tradizionale), che assume che il processo rappresentato dalla serie,
comprenda una parte deterministica, che consente di stimare le
componenti virtuali sopra definite, e una componente di disturbo
casuale; laltro, cosiddetto moderno, che assume che la serie sia
stata generata da un processo stocastico a componenti correlate
descrivibile con appositi modelli probabilistici

In questa impostazione, le previsioni (proiezioni,

estrapolazioni) che si ottengono si propongono semplicemente di
fornire una informazione sul probabile valore futuro di una
variabile.
Gli strumenti che presentiamo servono perci a una elaborazione
sistematica delle informazioni disponibili e i risultati delle
previsioni non devono necessariamente sostituirsi a ci che
pensa il manager ma soltanto aiutarlo a decidere.
Di fatto, per effettuare previsioni statistiche ci si trover a
scegliere tra tecniche alternative; quindi opportuno conoscere
le ipotesi che costituiscono la struttura portante dei vari metodi.

Le fasi di una analisi delle serie storiche a fini

descrittivi e previsivi
La realizzazione di una previsione tramite lanalisi delle serie storiche
deve essere impostata seguendo la logica di qualsiasi ricerca statistica e,
quindi, si sviluppa attraverso le seguenti fasi:

1. approfondita analisi del problema di previsione da affrontare

2. raccolta dei dati e verifica della loro qualit
3. analisi preliminare dellandamento e della struttura della serie
storica
4. scelta e stima del modello
5. valutazione della bont del modello e sua utilizzazione a fini
previsivi.
6

Lanalisi del problema di previsione da affrontare certamente

indispensabile, anche per avere informazioni a priori sul
comportamento evolutivo che in genere presenta il fenomeno oggetto di
studio.
La fase 2 riguarda la possibilit di utilizzare i dati gi disponibili o da
raccogliere ex novo sul fenomeno di interesse. E evidente che in ogni caso
occorre valutare bene la qualit dei dati disponibili (definizioni, metodi
di rilevazione, ecc.) e la loro comparabilit nel tempo.
La fase 3 riguarda lanalisi della serie dal punto di vista grafico e con
indici descrittivi al fine di evidenziare leventuale presenza delle
oscillazioni di interesse (trend, ciclo, stagionalit).
La fase 4 ha lobbiettivo di individuare il modello pi adeguato per la
stima delle componenti virtuali della serie e di stimare il modello scelto.
La fase 5 riguarda i metodi e gli indici per valutare la bont del modello
utilizzato e delle eventuali previsioni che si desidera effettuare.

Analisi grafiche preliminari e correlogramma

La prima cosa importante da fare quando vogliamo analizzare una serie
storica per verificare landamento e leventuale presenza delle
oscillazioni/componenti, richiamate nel paragrafo precedente, quella
di predisporne un opportuna rappresentazione grafica.
In genere, si inizia con la costruzione e osservazione di un grafico
riguardante tutta la serie, detto anche di lungo periodo o time plot, in
cui vengono riportati i valori del fenomeno osservato Y (in ordinata) in
corrispondenza di ciascun tempo t (in ascissa).

Se nel periodo osservato il livello della serie rimane grosso modo lo

stesso ovvero, come solitamente si dice, la serie stazionaria in
media, la spezzata del time plot dovrebbe oscillare intorno ad un valore
costante uguale alla media della serie viceversa se la serie evolutiva,
il time plot mette in evidenza il trend (crescente o decrescente, lineare o
non lineare).
8

Esempi di serie storica stazionaria e non stazionaria (evolutiva)

(a)stazionaria

(b) evolutiva

Per verificare la presenza di oscillazioni stagionali utile

predisporre il cosiddetto grafico ad anni sovrapposti o seasonal
plot, che consiste nella rappresentazione dei valori della serie (in
ordinata) con riferimento ad un solo periodo annuale (in ascissa)
scansionato nei sottoperiodi mensili o trimestrali, ecc. (ma anche
giornalieri o settimanali).
Presenza del trend e stagionalit possono essere messe in
evidenza anche da un grafico dove in ascissa sono riportati gli
anni e in ordinata i valori della serie relativi ai periodi sub-annuali
per ciascun anno.
Due esempi di queste rappresentazioni sono illustrati nei grafici
che seguono.

10

10

Grafici stagionali di una serie mensile

(a) seasonal plot
(mesi ad anni sovrapposti)

11

(b) mesi di ciascun anno

11

Esempio
Ipotizziamo che le vendite mensili di un prodotto dellazienda Alfa siano
quelle riportate nella tabella che segue.
Vendite mensili di un prodotto dellazienda Alfa negli anni dal 2008 al
2011

gennaio febbraio marzo

anni

12

aprile

maggio

giugno

luglio

agosto settembre ottobre novembredicembre

2005 4479

4496

4333

4184

4212

4115

4095

4217

4267

4441

4534

4840

2006 4510

4630

4400

4195

4367

4252

4252

4318

4386

4526

4726

4992

2007 4765

4689

4634

4575

4513

4427

4458

4549

4569

4663

4939

5252

2008 4968

4847

4747

4548

4590

4378

4583

4665

4789

4754

5036

5352

2009 5077

5151

4951

4826

4837

4703

4811

4825

4862

4986

5262

5476

2010 5218

5245

5134

4995

4946

4839

4945

5012

5105

5154

5318

5630

2011 5399

5485

5331

5087

5146

5112

5000

5113

5216

5278

5592

5847

12

Se siamo interessati a stimare le eventuali componenti della serie e poi

ad effettuare delle previsioni, opportuno in primo luogo svolgere le
analisi preliminari sopra indicate e predisporre i grafici time plot,
seasonal plot e correlogramma.
Time plot e Seasonal plot della serie in Tabella 7.1

13

13

La valutazione della bont del modello e della sua

capacit previsiva
Nel campo della analisi delle serie storiche a fini previsivi si pu parlare di
due tipi di valutazione riguardanti un modello scelto per rappresentare
la serie di interesse.
In primo luogo, si possono stimare (t), sulla base del modello scelto, i
valori teorici della serie e confrontare i dati stimati con i valori osservati
verificando come il modello riesce a riprodurre i dati storici. Si parla in
questo caso di goodness of fit e in termini formali si ha che lerrore di
stima :

rt yt yt

14

14

In secondo luogo, interessa verificare come il modello stimato riesce a

riprodurre i dati futuri, e si effettua perci il confronto tra i valori futuri e
le previsioni del fenomeno. In questo caso si misura la goodness of
forecast, che in termini formali indica un errore di previsione (ep) al
tempo t+h e cio: ept h yt h Ft h
Ovviamente lerrore di previsione, come sopra definito, si pu calcolare
solo quando i dati per i tempi futuri saranno disponibili. Si pone
perci il problema di come si possa valutare la goodness of forecast
in anticipo, fin dal tempo in cui si fa la previsione, per capire la capacit
previsiva del modello.

15

15

Nel complesso si avr:

- una serie di dati disponibili: y1, y2, , yN

- una serie di dati precedenti al tempo n sui quali si adatta il modello da
utilizzare per le previsioni: y1, y2, , ym con m < N

- una serie di stime per i periodi da 1 a m: , che si possono confrontare

con i valori osservati y1, y2, , ym per valutare il goodness of fit
- una serie di valori previsti: Fm+1, Fm+2, , FN, che possono essere
confrontati con i valori osservati per lo stesso periodo ym+1,
ym+2,,yN fornendo la possibilit di valutare il goodness of forecast.
La valutazione delle capacit previsive del modello effettuata per il
periodo passato e quindi nellutilizzare il modello a fini previsivi occorre
accettare lipotesi, o sperare, che gli errori di previsione abbiano la stessa
intensit anche per il futuro.

16

16

Si osservi che spesso colui che utilizza le previsioni interessato a

prevedere il valore della serie nel periodo immediatamente successivo
allultimo dato disponibile. Si tratta della previsione ad un passo
(one-step forecast) e in questo caso spesso si utilizzano i precedenti t-1
dati per effettuare la previsione al tempo t (Ft) e poi successivamente, nel
momento in cui sar disponibile, si aggiunge losservazione del tempo t
(yt) per ri-stimare il modello e effettuare la previsione al tempo t+1
(Ft+1), e cos via. Gli errori di previsione vengono in tal modo valutati
passo per passo.

17

17

Ovviamente interessa avere una valutazione sintetica degli errori di

adattamento (rt) e di quelli di previsione (ept) e a questo fine si
utilizzano frequentemente le seguenti misure:
-Errore medio (mean error: ME): media aritmetica degli errori;

1 m
ME rt
m t 1

N
1
ME
ept

N m t m1

- Errore quadratico medio (mean square error: MSE): media aritmetica

dei quadrati degli errori

1 m 2
MSE rt
m t 1

N
1
2
MSE
ep
t
N m t m1

- Errore medio assoluto (mean absolute error: MAE): media aritmetica

degli errori presi in valore assoluto

1 m
MAE rt
m t 1
18

N
1
MAE
ept

N m t m1
18

Per evitare che le suddette misure dipendano dallunit di misura della

serie, gli errori possono essere trasformati in errori relativi (solitamente
espressi in percentuale rispetto ai valori osservati), sui quali si calcolano
le medie sopra indicate. In particolare, dal MAE si ottiene il MAPE, mean
absolute percentage error):

rt
100
MAPE

m t 1 yt
m

19

100 N ept
MAPE

N m t m1 yt

19

I modelli di composizione e scomposizione e i

metodi per la stima delle componenti
Lapproccio classico allanalisi delle serie temporali ipotizza, come si
detto, che la serie sia composta da variazioni (pattern) sistematiche
o deterministiche (trend, ciclo, stagionalit) e da oscillazioni di
disturbo o casuali.
Ipotizza, inoltre, che le oscillazioni sistematiche possano essere
stimate e previste per il futuro, se queste presentano regolarit di
comportamento che si ritiene possano continuare a verificarsi nel
tempo.
Con riferimento al modello Yt = f (Tt , Ct , St , et), si tratta quindi di
stimare le singole componenti virtuali Tt , Ct e St .

20

20

La stima della componente ciclica presenta notevoli difficolt anche

perch, il ciclo economico non presenta pi oscillazioni di carattere
regolare.
Pertanto in questo capitolo non affronteremo il problema della stima
della componente ciclica e ci limiteremo a considerare la componente
ciclica unitamente alla componente di trend, cio il trend-ciclo.
Al fine di stimare le componenti virtuali indicate occorre:

- stabilire il modo con il quale le stesse interagiscono tra loro (si

aggregano) per dar luogo alla serie effettiva (specificare la f).
- decidere il metodo con cui stimare le singole componenti.
Le due principali forme di f sono:
il modello additivo:
yt = Tt + St + et
il modello moltiplicativo:
yt = Tt x St x et
21

21

Un modello additivo appropriato quando lampiezza

delloscillazione stagionale non varia con il variare del livello della
serie (si parla allora di serie additiva). Se invece la fluttuazione
stagionale aumenta (o diminuisce) proporzionalmente allaumento
(diminuzione) del livello della serie, allora pi adeguato un modello
moltiplicativo. A titolo esemplificativo si vedano i grafici che seguono

Nel modello additivo, le componenti Tt, St, et sono espresse nella

stessa unit di misura di yt.
Nel modello moltiplicativo, solo Tt (per convenzione) viene espresso
nellunit di misura di yt mentre St e et sono espressi come numeri
indici rispetto a Tt.
22

22

Le singole componenti possono essere stimate utilizzando metodi

empirici (perequativi) oppure metodi analitici (ovvero di
interpolazione).
Nel primo caso si utilizza il metodo delle medie mobili che stima i
valori delle componenti, ma non consente di per s di effettuare
estrapolazioni.
Nel secondo caso si impiega una funzione analitica per la quale
possibile stimare i parametri e che consente di effettuare estrapolazioni
al futuro.

Come si vedr, i due metodi non sono strettamente alternativi e

possono anche essere applicati congiuntamente.
Iniziamo con la presentazione dellapplicazione del metodo delle medie
mobili per la stima simultanea della stagionalit e del trendciclo, poich nellambito della gestione operativa dellazienda, in
primo luogo fondamentale stimare la stagionalit delle vendite per
organizzare in maniera efficiente la produzione, mese per mese, e di
conseguenza anche lammontare delle scorte.
23

23

Limpiego delle medie mobili per eliminare le

oscillazioni e stimare le componenti sistematiche

Il metodo delle medie mobili consiste nel calcolo di una nuova serie
storica in cui il termine relativo ad un determinato tempo il risultato
della media di k termini contigui della serie originaria.
Se k dispari ciascuna media mobile si riferisce al tempo centrale su
cui stata calcolata. Ad esempio, se k=3, il valore della media mobile
riferito al tempo t dato da: MM3(yt ) = (yt-1+yt+yt+1)/3
Se k pari necessario calcolare la media di due medie mobili
contigue per ottenere un valore centrato sui tempi della serie storica
(media mobile centrata a k termini). Ad esempio, se k=4, il valore
della media mobile riferito al tempo t viene ottenuto nel modo seguente:
MM4(yt-1,t ) =(yt-2+yt-1+ yt+yt+1)/4
MM 4 ( yt 1,t ) MM 4 ( yt 1,t )
MM4(yt,t+1) =(yt-1+yt+yt+1+yt+2)/4
24

MM 4 ( yt )

2
24

Con k dispari si perdono (k-1)/2 termini allinizio e alla fine della

serie.

Analogamente, con k pari, si perdono k/2 termini allinizio e alla fine

della serie.
La perdita dei primi termini ha poca importanza; lo stesso non pu dirsi
per la perdita dei termini pi recenti, soprattutto se siamo interessati a
predisporre un modello di previsione.
La metodologia delle medie mobili ,se applicata su una serie storica, ha
innanzitutto leffetto di smussare le oscillazioni di qualunque tipo.

Effetto che appare evidente dai grafici che seguono.

25

25

Le medie mobili hanno in particolare leffetto (la propriet) di eliminare

o ridurre le oscillazioni che hanno un periodo pari al numero dei
termini coinvolti nel calcolo della media mobile stessa.

Questa propriet, che vale in modo completo soltanto per serie

rettilinee, ha una conseguenza ancora pi importante ai nostri fini
essendo di particolare rilievo per la eliminazione delle oscillazioni
stagionali.
Infatti, una media mobile che ha un numero di termini pari al periodo
della stagionalit (k = 12 se si tratta di dati mensili; k = 4 se i dati sono
trimestrali; e cos via) elimina le oscillazioni stagionali con periodo e
ampiezza costanti; quindi, consente di scomporre la serie
originaria nelle componenti virtuali.

26

26

La stima della stagionalit, della serie

destagionalizzata e del trend-ciclo utilizzando le
medie mobili

Vediamo ora come si stimano le componenti di una serie storica

impiegando le medie mobili.

Indipendentemente dal modello di composizione (additivo o

moltiplicativo) scelto, occorre attuare le seguenti quattro fasi,
ammettendo che i dati della serie storica abbiano cadenza mensile:
1. Calcolo della media mobile centrata a 12 termini per tutta la serie
2. Calcolo della componente di stagionalit mista ad errore (S,e)t
confrontando la serie originaria yt con la serie stimata.
3. Stima della componente stagionale St

4. Derivazione della serie destagionalizzata Dt e stima del trendciclo

27

27

Calcolo della media mobile centrata a 12 termini per

tutta la serie
La MM12(yt) dovrebbe eliminare le oscillazioni stagionali, e
gran parte di quella erratica, e quindi rappresenta una stima di
prima approssimazione del trend-ciclo che possiamo indicate con T (1)t
La serie delle medie mobili , per i motivi detti, pi breve della
serie originaria.
In particolare, con una serie mensile, si perdono 6 termini
allinizio ( T (1)t inizia dal 7 termine) e 6 alla fine della serie.
Ammettendo di avere una serie completa per n anni e m mesi
(1)
allinterno dellanno, la serie T t sar composta da (Nm)=
(nxmm) termini dove N il numero totale di osservazioni della
serie e m il numero dei termini del ciclo stagionale (numero di
mesi ad esempio) e n il numero di anni.

28

28

Calcolo della componente di stagionalit mista ad

errore (S,e)t confrontando la serie originaria yt con
la serie stimata T (1)t .
Il confronto tra le due serie consister in una differenza, se il modello
di composizione prescelto additivo, in un rapporto se il modello
moltiplicativo. Questa operazione consente di ottenere la stima della
serie della stagionalit mista ad errore, che sar composta
ovviamente da (N-m) termini. Quindi per ciascun mese si ottengono
n-1 stime della componente (S,e)t . Queste stime sono dette
differenze lorde (per il modello additivo) o coefficienti lordi (per il
modello moltiplicativo) di stagionalit, in quanto inglobano la
componente di disturbo.

29

( S , et ) yt Tt (1)

Nel modello additivo

yt
( S , et ) (1)
Tt

Nel modello moltiplicativo

29

3. Stima della componente stagionale St

Se, come spesso si ipotizza, il modello di stagionalit costante
negli anni (cio, se leffetto delle oscillazioni stagionali si presenta nel
medesimo mese dei vari anni, con la stessa direzione e forza),
lobiettivo quello di stimare un coefficiente unico per ciascun
mese. Lipotesi di stagionalit costante consiste nellassumere che:
St=St+k,=St+2k= . . .
dove k lampiezza del periodo stagionale (k=12 con dati mensili).
Per stimare un unico coefficiente per ciascun mese occorre effettuare
due operazioni.

30

30

1)Calcolare la media aritmetica dei termini (S,e)t dei vari anni

riferiti allo stesso mese e cos eliminare la componente di
errore; si otterr per ciascun mese j (j=1,2,, m) il coefficiente j ,
cio in totale 12 coefficienti diversi.
2) Verificare se le stime della stagionalit cos ottenute per ognuno
dei 12 mesi soddisfano la propriet, cosiddetta del principio di
conservazione delle aree, che prevede che le oscillazioni
stagionali esauriscono il loro effetto allinterno dellanno. La media
dei 12 coefficienti stagionali deve essere uguale a 0 nel caso di
un modello additivo e uguale ad 1 nel caso di un modello
moltiplicativo (uguale a 0 la media dei coefficienti st). Se la
propriet non soddisfatta occorre aggiustare i singoli coefficienti
mensili: si sottrae la media nel caso del modello additivo; si divide
per la media nel caso del modello moltiplicativo.
Queste operazioni consentono di ottenere quelli che vengono
chiamati coefficienti netti di stagionalit ( St ). In realt si tratta
della stima definitiva dei 12 coefficienti mensili St (j=1,..,12)
31

31

Derivazione della serie destagionalizzata Dt e stima

del trend-ciclo
I coefficienti netti di stagionalit possono essere utilizzati per
eliminare la stagionalit dalla serie originaria (tramite
differenze o rapporti a seconda se il modello additivo o
moltiplicativo) consentendo di stimare la serie destagionalizzata
Dt completa, cio per tutti i termini della serie originaria. Quindi:

Dt yt St
yt
Dt

Nel modello additivo

Nel modello moltiplicativo

dove, per t corrispondente ai vari mesi di ciascun anno,

S j , j (j=1,2,,m).
32

St

in realt

32

Se le stima dei coefficienti netti di stagionalit sono valide, la

serie destagionalizzata non dovrebbe presentare oscillazioni stagionali.
Questo pu essere verificato col time-plot e col calcolo del
correlogramma dei residui. La serie destagionalizzata contiene il
trend-ciclo e leffetto di disturbo.
Dalla serie destagionalizzata si pu poi ottenere una stima del
trend-ciclo ( T ) eliminando le oscillazioni residue attraverso una
t
media mobile con un opportuno numero di termini (3, 5, 7 o pi, da
verificare empiricamente) oppure con ladattamento di una funzione
polinomiale attraverso il metodo dei minimi quadrati.
Naturalmente al termine di queste operazioni possibile ricomporre la
parte sistematica virtuale della serie storica che contenga la stima
del trend e quella della stagionalit.
Con il modello additivo sar y t Tt St , mentre con il modello
moltiplicativo sar y T S.
t
t
t
33

33

Obiettivi delle previsioni e funzioni analitiche pi

utilizzate
Come si gi accennato allinizio del capitolo, in azienda necessario
effettuare le previsioni delle vendite anche per predisporre i piani
strategici, in genere a medio termine.
Non vi dubbio che, tra queste ultime, la previsione
dellandamento tendenziale delle vendite di ciascun prodotto sar
di estremo interesse.
E quindi importante stimare il trend della serie storica delle
vendite riguardante il prodotto di interesse impiegando i cosiddetti
metodi analitici, cio specificando il trend con una funzione del
tempo da poter poi utilizzare a fini previsivi (estrapolativi).

34

34

In termini formali, ammettendo di avere una serie di dati annuali

(come spesso si fa in pratica) o una serie di dati con cadenza inferiore
allanno per destagionalizzata (e cio la parte sistematica
composta dal solo trend), si pone
yt = f (t) + et , dove appunto Tt una funzione del tempo f(t).
La specificazione della f(t) pu avvenire con qualsiasi funzione
analitica, ovviamente dipende dallandamento che si presume abbia
la serie e che pu essere ipotizzato sulla base dellesame del time-plot.
Illustriamo di seguito le funzioni pi frequentemente utilizzate

35

35

1. Funzione costante

f(t) = 0

In questo caso l'andamento di fondo della serie storica

costante e la serie quindi stazionaria (pattern orizzontale).

36

36

2. Funzione lineare

f(t) = 0 + 1t

dove 0 lintercetta e 1 la pendenza della retta. Se 1> 0,

il trend crescente; se 1< 0, il trend decrescente; se 1
=0 esiste un pattern orizzontale (serie stazionaria, cio si
riconduce al caso precedente).

37

37

3. Polinomio di secondo grado

f(t) = 0 + 1t + 2t2

che rappresenta un ramo di parabola, crescente o decrescente,

convesso o concavo a seconda dei segni dei coefficienti.

38

38

4. Funzione esponenziale
f(t) = 0 1t
che caratterizzata da una crescita repentina e apparentemente
senza limiti ed spesso usata quando le vendite di un
prodotto si trovano nel periodo di massimo sviluppo.

Pur non essendo lineare nei parametri, si pu rendere lineare

attraverso una trasformazione logaritmica: ln f(t) = ln 0 + t ln 1
Si riportano di seguito alcune rappresentazioni grafiche della
funzione esponenziale

39

39

Metodi di stima dei parametri e previsione

Nel caso in cui la parte sistematica del modello rappresentata
soltanto dal trend, cio con Yt = Tt + et, e i modelli statistici
proposti per rappresentare il trend in funzione di t sono lineari o
linearizzabili nei parametri per la stima dei loro parametri si pu
ricorrere al metodo dei minimi quadrati ordinari.
Nel caso delle serie temporali anche importante verificare la
costanza dei parametri nellintervallo di stima e leventuale
cambiamento strutturale della serie. Se i parametri del modello non
sono stabili nellintervallo di stima difficilmente il suo impiego
produrr buone previsioni per il futuro. Questa verifica pu essere
svolta utilizzando i cosiddetti stimatori ricorsivi, cio stimando i
parametri del modello impiegando inizialmente un campione di (N1)
unit del totale dei dati di osservazione (N), con N1<N e stimando
successivamente un nuovo vettore dei parametri utilizzando N1+1
unit, e cos via. La sequenza delle stime ricorsive consente di trarre
importanti informazioni circa la stabilit dei parametri.
40

40

Per quanto riguarda poi lutilizzo del modello per la previsione del
trend, ricordando lipotesi fatta su et , la previsione puntuale (valore
atteso) sul possibile valore del fenomeno al tempo t+h con h 1
sar basata sulla seguente relazione:
Ft+h = E [Yt+h] = E [ft+h] + E [et+h]
ed essendo il valore atteso del secondo addendo uguale a zero, se si
opera con un modello lineare o linearizzabile, si ha che la previsione
sul futuro andamento del fenomeno corrisponde alla estrapolazione
della sola componente di fondo condizionatamente a tutte le
informazioni raccolte sino al tempo t, cio:
Ft+h = E [Yt+h] =

41

t+h/t

ft+h

41

Esempio - La stima di una funzione analitica per la

previsione del trend
Una impresa sta predisponendo un piano strategico di produzione per
i prossimi due anni e desidera disporre di una previsione delle
vendite di un determinato prodotto effettuata sulla base del loro
andamento passato. A tal fine dispone dei dati mensili delle vendite
dal gennaio 2000 al dicembre 2011 riporatati nella tabella 7.3.
Tabella 7.3 Vendite mensili di un prodotto dellazienda Alfa dal 2000
al 2011

42

gennaio

febbraio

marzo

aprile

maggio

giugno

luglio

Agosto

settembre ottobre

novembre

dicembre

TOTALE

2000

324

312

318

442

463

431

152

313

189

2001

482

624

625

606

499

440

525

463

501

430

520

667

4561

659

741

946

7112

2002

710

789

769

1037

747

763

601

607

687

944

964

1104

9722

2003

989

825

879

1012

827

951

1256

842

1015

968

1076

1341

11980

2004

1183

1143

1257

1291

1100

984

2005

1208

1442

1229

1250

1173

1261

1126

1079

1152

1230

1402

1405

14353

1377

986

1256

1406

1449

1509

15547

2006

1590

1504

1508

1429

1443

1589

1475

1451

1440

1504

1545

1606

18084

2007

1665

1826

1460

1493

1550

1731

1562

1513

1564

1588

1563

1918

19433

2008

1957

1561

1617

2009

1905

1868

1665

1589

1658

1636

1626

1634

1861

1772

1726

1843

20481

1981

1899

1658

1777

1552

1601

1782

1853

2041

21583

2010

1935

1974

1728

1783

1935

1913

1765

1679

1833

1899

2096

2080

22620

2011

1900

1959

1931

1908

1897

1996

1782

1717

1614

1965

1810

2004

22483
42

La risposta a questa domanda pu essere fornita stimando il trend

delle vendite del prodotto sulla base di un funzione analitica del
tempo. Poich i dati sono mensili, onde evitare problemi legati
alleventuale stagionalit, la stima viene fatta impiegando i dati
annuali che sono uguali alla somma delle vendite di ciascun anno
(lalternativa potrebbe essere quella di eliminare prima la eventuale
presenza di stagionalit dalla serie storica).
Il time-plot mette in evidenza che, verosimilmente, landamento
tipico di un polinomio di secondo grado, e del resto i valori delle
differenze prime della yt non sono costanti ma decrescenti, mentre
quelli delle differenze seconde
oscillano attorno ad un valore
costante.

43

43

Figura 7.5 Vendite annuali di un prodotto dellazienda Alfa dal 2000 al 2011

Si decide pertanto di adattare alla serie storica una parabola di 2 grado

e di stimarne i parametri con il metodo dei minimi quadrati.

44

44

La stima dei parametri della parabola fornisce i seguenti risultati, dai

quali sono evidenti il buon adattamento del modello (R2 vicino a 1) e
la significativit della stima dei parametri. Ci significa che il modello
potrebbe essere impiegato con una certa fiducia per effettuare
previsioni (estrapolazioni) agli anni successivi.
yt = 4386,49+ 2905,65 t 111,57 t2
R = 0,9982
A soli fini esemplificativi stata adattata alla serie storica anche una
retta. La stima ha fornito i seguenti risultati che a prima vista
potrebbero apparire anchessi interessanti a fini previsivi visto che
lR2 molto elevato.
yt = 6431,941+ 1678,4 t
R = 0,9586

45

45

Nel grafico che segue sono state riportate le due funzioni stimate
(retta e parabola di 2 grado) e le previsioni fatte per lanno 2012.
Esso conferma chiaramente come la
parabola fornisca sia un migliore
adattamento che previsioni pi
plausibili. Tuttavia si rileva anche
come la previsione effettuata con
funzioni analitiche del tempo
presenti elementi di rigidit in
relazione alla costanza dei
parametri, mentre magari negli
ultimi periodi landamento del
fenomeno si sta modificando.
Effettuando le previsioni ex-post si ottengono per lanno 2011 i valori
previsti di 25.902,71 e di 23.290,35, rispettivamente con la retta e
con la parabola, mentre il valore rilevato stato pari a 22.483

46

46