Zeitreihenanalyse mit R

Weitere Magazine

Empfehlungen

Info

Das Paket tseries in R stellt eine Funktion garch(x) bereit, mit der man ein GARCH(p,q) Modell an einen Datensatz x fitten kann. Das AICC Kriterium ist leider in diese Funktionnicht implementiert (Übung).5.5 R-Befehlegarch(x) Fittet x an ein GARCH(p, q) Modell. p und q müssen dabei im Vektor order übergebenwerden (Standardwert ist p=q=1)Setzt man trace = FALSE, so verschwindet der Output, den das Optimierungsverfahrenfür die Maximumssuche ausgibt.In $n.likeli ist −log(L x (̂α 0 , . . . , ̂α q , ̂β 1 , . . . , ̂β p )) gespeichert.Die Funktion ist Teil des Packetes tseries, welches man mit library(tseries) ladenmuss.summary(obj) Gibt eine Übersicht zu einem Objekt aus und berechnet einige Diagnosetests im Falleines garch Objektes. Man kann daran ablesen, wie signifikant die geschätzten Parameter̂α 0 , . . . , ̂α q , ̂β 1 , . . . , ̂β p in das Modell eingehen: (***) bedeutet starke Signifikanz,kein Sternchen sehr schwache. Im letzteren Fall sollte man x an ein GARCH Modell mitkleinerer Ordnung fitten.50
Literaturverzeichnis[1] P. Cowpertwait, A. Metcalfe: Introductory Time Series with R, Springer 2009[2] P. Brockwell, R. Davis: Introduction to Time Series and Forecasting, Springer 1996[3] K. Neusser: Zeitreihenanalyse in den Wirtschaftswissenschaften, Teubner 2006[4] R. Schlittgen, B. Streitberg: Zeitreihenanalyse, 5. Auflage, R. Oldenbourg Verlag MünchenWien 1994[5] W. Zucchini: Vorlesungsskript Zeitreihenanalyse. Göttingen, 2004. online unter: http://www.statoek.wiso.uni-goettingen.de/veranstaltungen/zeitreihen/sommer04/51
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 und 38: 3.4.2 Box-Jenkins-Methode der Model
Seite 39 und 40: 4 ARIMA-ModelleDieses Kapitel widme
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: erfüllt ist. In diesem Fall giltVa

Zeitreihenanalyse mit R

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?