Zeitreihenanalyse mit R

Dies ist die Grundidee des Akaike Information Criterion (AIC): Ein Modell für Datensatz Aist umso besser, je besser es auch als Modell für Datensatz B taugt, wobei B vom gleichendatengenerierenden Prozess (z.B. einem Thermometer am FMO) stammt wie A. Formal lässtsich dies mittels der (log-) Likelihood-Funktion ausdrücken: l M (B|ˆθ(A)) bezeichne die (logarithmierte)Wahrscheinlichkeit(sdichte) des Datensatzes B in einem festen Modell M, dessenParameter ˆθ anhand von Datensatz A gewählt wurden.Unter der Annahme, dass tatsächlich das Modell M den Daten generierenden Prozess beschreibt(mit tatsächlichem Parametern θ 0 ), können wir der Modellierung mittels M und ˆθ(·)die Zahl]E M,θ0[l M (B|ˆθ(A))zuordnen, wobei B und A zwei unabhängig identische, anhand M und θ 0 generierte Datensätzeseien.Diese Zahlen sind also ein Gütekriterium für Modelle: jedem Modell kann eine Zahl zugeordnetwerden, und wir entscheiden uns für das Modell mit der höchsten Zahl.Allerdings ist obige Formel keine durchführbare Rechenvorschrift; mit wachsendem Stichprobenumfanggilt jedoch, dass− 1 ]2 AIC ≈ E M,θ 0[l M (B|ˆθ(A)) ,das AIC muss also minimiert werden. Zur Herleitung dieser Beziehung siehe [4, Bemerkung6.3.3.9]. Das AIC selbst schließlich ist, bei gegebenem Datensatz A, definiert alsAIC = −2 · l M (A|ˆθ(A)) + 2 · Anzahl Modellparameter.Beachte dabei, dass σ 2 ebenfalls ein Modellparamter ist. Die Vorzeichen und -faktoren sindhistorisch bedingt; zudem berechnet R das AIC wie zuletzt angegeben. Das AIC eines gefittetenModells kann in R meist durch Anhängen von $AIC an den Modellaufruf, oder durchAIC(Modell) ausgegeben werden.In der Methode ar geschieht die Modellwahl standardmäßig anhand des AIC, dies erklärt,warum wir zunächst aic=F gesetzt hatten.3.4 ARMA-ModelleWie wir gesehen haben, können wir sowohl AR(p)-Prozesse als auch (invertierbare) MA-Prozesse einfach als AR-Modelle mit hoher Ordnung behandeln, jedoch kann dies schnell zueiner hohen Parameterzahl führen, welche im AIC bestraft wird. Einen Ausweg weist eineKombination aus beiden Prozessen, die sogenannten ARMA(p,q)-Prozesse.Definition 3.4.1 (ARMA(p,q)-Prozess)(X t ) heißt ARMA(p,q)-Prozess, falls (X t ) stationär ist, und es Polynome Φ und Θ vom Gradp bzw. q gibt, sodass alle X t der DarstellungΦ(B)X t = Θ(B)W tmit (W t ) ∼ W N(0, σ 2 ) genügen. Der Prozess heißt kausal bzw. invertierbar (bzgl. W t ), wenndie Polynomfunktion Φ(z) bzw. Θ(z) für alle z ∈ C mit |z| ≤ 1 invertierbar ist.35