Decomposition of additive time seriesrandom−0.2 0.0 0.2seasonaltrendobserved−0.04 0.00 0.024.0 4.5 5.0 5.5 6.04.0 4.5 5.0 5.5 6.01996 1998 2000 2002 2004 2006TimeAbbildung 1.5: Anwendung von decompose auf die Arbeitslosendatendiese Berechnung alle beobachteten Werte einfließen, spricht man von einem globalen Ansatz -der gleitende Durchschnitt ist ein lokaler Ansatz, da nur benachbarte Werte in die Berechnungdes Trends zum Zeitpunkt t einfließen.1.3.1 Ohne SaisonkomponenteEin typischer Ansatz in einem Modell ohne Saisonkomponente istx t = α + β · t + r t<strong>mit</strong> unbekannten Parametern α und β, die <strong>mit</strong> der Methode der Kleinsten Quadrate geschätztwerden können. In R ist dies im Befehl lm (für lineares Modell) implementiert. Für Stochastiker:Beachte, dass im Allgemeinen die Annahmen eines linearen Modells nicht erfüllt sind, da wirbei Zeitreihen gerade gewisse Abhängigkeiten der Fehler- oder Restterme r t unterstellen. Esgibt Korrekturmöglichkeiten, fürs erste genügt uns aber, dass die korrigierten Ergebnisse nichtstark von den <strong>mit</strong> KQS-Schätzern erhaltenen abweichen.1.3.2 Regressionsmodelle für die SaisonkomponenteEs gibt zwei Ansätze: Den zuvor verfolgten Ansatz einer Folge von 12 monatlichen Komponenten,welche (bei linearem Trend) dem Modellx t = α + β · t + s i + r t ;i ≡ t(mod12)entspricht; und die Modellierung <strong>mit</strong>tels trigonometrischer Funktionen( 6∑γ k cos( 2π k t) + η k sin( 2π )k t) k=1x t = α + β · t ++ r t10
<strong>mit</strong> zu bestimmenden Parametern α, β, γ k , η k , 1 ≤ k ≤ 6. Dabei kann auf η 1 verzichtet werden- überlege, welche Werte sin(2πt) für t ∈ Z annimmt.1.3.3 PrognoseHat man eine Zeitreihe bis zum Zeitpunkt T beobachtet, und einen linearen Trend und eventuelleSaisonkomponenten berechnet, so kann man unter der Annahme, dass das Modell auchfür zukünftige Werte zutreffend ist (insbesondere sich also der Trend fortsetzt), Prognosewerteberechnen:ˆx T +k|T = α + β · (T + k) + S ⌊T +k⌋ .Dabei bezeichnet S ⌊T +k⌋ die zum Zeitpunkt T + k gehörige Saisonkomponente.Dieses Verfahren hat jedoch zwei Nachteile: Zum einen setzt es explizit einen linearen (oderzumindest funktional festgelegten) Trend voraus, zum anderen ist ein Update aufwendig: Liegenneue Beobachtungen vor, so muss die gesamte Regression erneut durchgeführt werden.1.4 Exponentielle Glättung und adaptive Prognose1.4.1 Exponentielle GlättungEin weiteres Verfahren, einen Trend zu berechnen, ist das sogenannte exponentielle Glätten;welches insbesondere für die Prognose den Vorteil hat, dass es sich ohne großen Rechenaufwandupdaten lässt.Ihm liegt die Idee zugrunde, dass sich künftige Beobachtungen eher auf dem Niveau von Wertenaus der jüngeren Vergangenheit befinden werden, als durch weit zurückliegende Werte beeinflusstzu werden - man denke an die Zeitreihe der Bundesligaplatzierungen eines beliebigenVereins. Die Erfolge der 60er Jahre mögen allenfalls ein finanzielles Polster angelegt haben,wesentlich relevanter ist jedoch die Qualität der aktuellen Mannschaft, die sich am bestendurch die Vorjahresplatzierung einschätzen lässt.Formal führen wir zunächst rekursiv das Niveau ein (der Trend in der Sprechweise der exponentiellenGlättung). Unsere Beobachtungen mögen zum Zeitpunkt 0 beginnen, dann setzenwir n 0 = x 0 , undn t := αx t + (1 − α)n t−1für t ≥ 1. Der auftauchende Parameter α heißt Glättungsparameter, und entstammt sinnvollerweisedem Intervall (0, 1). Großes α bedeutet starke "Gegenwartsorientierung" des Niveaus,ein kleines α räumt vergangenen Werten mehr Gewicht ein, wie auch die explizite Formelzeigt.t−1∑n t := (1 − α) k αx t−i + (1 − α) t x 0k=0Als Prognose nehmen wir nun einfach an, dass zukünftige Werte auf dem berechneten Niveauliegen, d.h.ˆx T +k|T = n T .11