Zeitreihenanalyse mit R

Weitere Magazine

Empfehlungen

Info

Angaben in der Liste, wobei bei ARMA-Modellen auf die Angabe von order verzichtetwerden kann, es genügt, die Koeffizienten ungleich Null anzugeben. Durch sd wird dieStandardabweichung σ der WN festgelegt.38
4 ARIMA-ModelleDieses Kapitel widmet sich der Untersuchung von nicht schwach-stationären Zeitreihenprozessen;insbesondere von Zeitreihen, die einen stochastischen Trend aufweisen, der sich nicht alseinfache Funktion der Zeit beschreiben lässt.4.1 Integrierte ProzesseErinnern wir uns an die Zeitreihe der Umlaufrenditen inländischer Inhaberschuldverschreibungen.Augenscheinlich besitzt diese Zeitreihe einen Trend, das <strong>mit</strong>tlere Niveau ändert sichlangfristig. Einen linearen Trend anzunehmen, würde jedoch den ökonomischen Gesetzmäßigkeitenwidersprechen, da die Zinssätze keine negativen Werte annehmen können, und auchgewisse Grenzen in der Vergangenheit nie überschritten haben. Vielmehr können wir hier voneinem stochastischen Trend sprechen, das heißt, der Trend kann durch einen Random Walkbeschrieben werden.Umlaufrendite inländischer InhaberschuldverschreibungenZinssatz3 4 5 6 7−5 −4 −3 −2 −1 0 11995 2000 2005 2010Time0 20 40 60 80 100Abbildung 4.1: Umlaufrendite inländischer Inhaberschuldverschreibungen, daneben 100 Realisierungeneines RWZur Unterscheidung nicht schwach-stationärer Zeitreihen führen wir zwei Begriffe ein; wir beschränkenuns dabei auf den Fall, dass die Zeitreihe durch einmaliges Differenzieren (d.h. Bildender Zeitreihe ∆X t = X t − X t−1 ) in eine schwach stationäre Zeitreihe überführt werden kann.Im Folgenden ist die Zeitparametermenge T üblicherweise die Menge der natürlichen Zahlen.Definition 4.1.1 (Trend-stationär)(X t ) heißt Trend-stationär, falls für jedes t ∈ T die DarstellungX t = a + b · t + Ψ(B)W t<strong>mit</strong> ∑ ∞i=0 |Ψ j | < ∞ und (W t ) ∼ W N(0, σ 2 ) gilt.39
Seite 1 und 2: Zeitreihenanalyse mit RMatti Schnei
Seite 3 und 4: 3 ARMA-Modelle 283.1 Partielle Auto
Seite 5 und 6: (c) der Saison, das ist eine jahres
Seite 7 und 8: Multiplikative Modelle können durc
Seite 9 und 10: gl. Durchschnitt Arbeitslosenquote
Seite 11 und 12: mit zu bestimmenden Parametern α,
Seite 13 und 14: So wird das vergangene Niveau entsp
Seite 15 und 16: Diese Umrechnungen sind jedoch nur
Seite 17 und 18: Der Pfad eines Random-Walkes ist we
Seite 19 und 20: mit der p × 2p Matrix⎛⎞0 · ·
Seite 21 und 22: mit (W t ) ∼ WN(0, σ 2 ) und φ
Seite 23 und 24: Bevor wir der Fragestellung nachgeh
Seite 25 und 26: und zum anderenE(X t · W t ) = E(
Seite 27 und 28: 2.3.3 Turning Point TestWir sagen,
Seite 29 und 30: sondern nur eine Auswahl von Zufall
Seite 31 und 32: Definition 3.2.1 (Moving Average-Pr
Seite 33 und 34: konvergierte die Summe der Koeffizi
Seite 35 und 36: Dies ist die Grundidee des Akaike I
Seite 37: 3.4.2 Box-Jenkins-Methode der Model
Seite 41 und 42: Aus der Definition erhält man nun
Seite 43 und 44: mögliche Trends oder Saisoneinflü
Seite 45 und 46: Schätzer für den Zeitpunkt n + 1
Seite 47 und 48: für alle t ∈ Z gilt. Dabei sei d
Seite 49 und 50: erfüllt ist. In diesem Fall giltVa
Seite 51: Literaturverzeichnis[1] P. Cowpertw

Zeitreihenanalyse mit R

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?