9.1. Lineare und nichtlineare Trends. 9. Zeitreihen mit Trend Lineare und nichtlineare Trends Transformation der Daten
|
|
- Johanna Kaufman
- vor 5 Jahren
- Abrufe
Transkript
1 9. Zeitreihen mit Trend 9.1. Lineare und nichtlineare Trends In diesem Abschnitt beschäftigen wir uns mit ZR, die einen langfristigen linearen Trend, aber keine saisonalen Schwankungen, enthalten. Das zugrunde liegende Modell ist daher ein Modell das die ZR in eine Niveau-, eine lineare Trendkomponente und eine zufällige Restkomponente zerlegt. hotann 1.0 e e Abbildung 17: Zeitreihenplot Hotel-Daten. Department für Statistik & Mathematik 9-79 Department für Statistik & Mathematik Lineare und nichtlineare Trends Die Hotel-Daten in Abb. 17 zeigen einen deutlichen linearen Trend. Man kann gut eine Gerade als Näherung an die Daten legen. In diesem Abschnitt wird das Holt Verfahren hergeleitet. Es ist ein Verfahren, das Prognosen unter der Annahme eines linearen Trends trifft. Bei Daten, die einen Trend aufweisen, der aber nicht linear ist, kann eine Transformation dieser Daten sinnvoll sein. Wir geben 2 Beispiele: Die Daten in Abb. 18 zeigen einen nahezu quadratischen Trend. In Abb. 19 sehen wir die ZR, die sich als Wurzel aus den ursprünglichen Daten ergibt. Die Daten in Abb. 20 zeigen einen nahezu exponentiellen Trend. In Abb. 21 wurden die Daten logarithmiert. Department für Statistik & Mathematik 9-81 Department für Statistik & Mathematik 9-82
2 population sqrt(population) Abbildung 18: US population. Abbildung 19: Transformation der US population. Department für Statistik & Mathematik 9-83 Department für Statistik & Mathematik 9-83 sales log(sales) Abbildung 20: Verkaufszahlen einer Firma. Abbildung 21: Transformation der Verkaufszahlen. Department für Statistik & Mathematik 9-84 Department für Statistik & Mathematik 9-84
3 Das Verfahren des exponentiellen Glättens wird nun so erweitert, dass auch ZR, die einen langfristigen, linearen Trend enthalten, prognostiziert werden könnnen. ˆx T (h) = â T +1 + ˆb T +1 h, h = 1, 2,... Die Daten setzten sich hier aus einer Niveaukomponente â T +1 und einer linearen Trendkomponente ˆb T +1 h zusammen. Rekursion für t = 3,..., T : â t = αx t 1 + (1 α)(â t 1 + ˆb t 1 ) ˆbt = β(â t â t 1 ) + (1 β)ˆb t 1 Die Einschritt-Vorhersagen zum Zeitpunkt t 1 ergeben sich daher als Summe der Schätzwerte von Trend und Niveau: ˆx t 1 (1) = â t + ˆb t. Department für Statistik & Mathematik 9-85 Department für Statistik & Mathematik 9-86 Startwerte: â 2 = x 1, ˆb 2 = x 2 x 1 Rekursion: â 3 = αx 2 + (1 α)(â 2 + ˆb 2 ) = x 2 ˆb3 = β(â 3 â 2 ) + (1 β)ˆb 2 = x 2 x 1. â T = αx T 1 + (1 α)(â T 1 + ˆb T 1 ) ˆbT = β(â T â T 1 ) + (1 β)ˆb T 1 Holt Verfahren für die Hotel-Daten: Die Hotel-Daten weisen einen Trend auf, der gut durch eine lineare Trendfunktion modelliert werden kann. In Abb. 22 werden die Jahre füer die Prognose von verwendet. Wir sehen, dass die lineare Trendprognose die wahren Daten der Jahre gut approximiert. Prognose f. T+1: â T +1 = αx T + (1 α)(â T + ˆb T ) ˆbT +1 = β(â T +1 â T ) + (1 β)ˆb T Prognose f. T+h: â T +h = â T +1, ˆb T +h = ˆb T +1 h Department für Statistik & Mathematik 9-87 Department für Statistik & Mathematik 9-88
4 Holt Winters filtering Zur Anwendung des Holt Verfahrens: Observed / Fitted 1.0 e e Approximiert eine ZR durch eine Niveau- und eine lineare Trendkomponente. Da die Prognosefunktion eine lineare Funktion in der Zeit ist, können nur ZR, die einen linearen Trend aufweisen, prognostiziert werden. Weder nichtlineare Trends noch saisonale Schwankungen können vorhergesagt werden. Abbildung 22: Holt-Verf. auf Hotel-Daten und Prognose für Die Glättungsparameter α und β liegen zwischen 0 und 1. Department für Statistik & Mathematik 9-89 Department für Statistik & Mathematik 9-90 Für α nahe bei 0 gehen auch länger zurückliegende Beobachtungen noch stärker in die Niveauschätzung ein. Die letzte Beobachtung erhält ein umso größeres Gewicht bei der Niveauschätzung, je näher der Glättungsparameter α an 1 liegt. Die Glättungsparameter können auch wieder durch Minimierung der Fehlerquadratsumme zwischen Einschritt-Vorhersage und wahrem Wert der ZR geschätzt werden. Für β nahe bei 0 geht die länger zurückliegende Trendentwicklung stärker in die aktuelle Trendschätzung ein. Die letzte Trendentwicklung erhält ein umso größeres Gewicht bei der Trendschätzung, je näher der Glättungsparameter β an 1 liegt. Department für Statistik & Mathematik 9-91 Department für Statistik & Mathematik 9-92
5 10. Holt Verfahren in R Um in R das Holt-Verfahren durchzuführen, wird die Funktion HoltWinters verwendet. Die Erklärung zur Anwendung stehen in HoltinR.pdf und können von der LV-Seite heruntergeladen werden. Übungen 3 Lösen Sie die folgenden Beispiele mit Hilfe von R: 1. Folgen Sie der Anleitung in HoltinR.pdf und rechnen Sie das dortige Beispiel nach. 2. Laden Sie die Daten austres in das Arbeitsverzeichnis. (Befehl: data( austres ), ist ein Datensatz, der im Package stats in R enthalten ist. Nähere Informationen können über help( austres ) abgefragt werden.) Gehen Sie wie in Bsp. 1. vor. Die Daten der Jahre sollen verwendet werden um Werte fuer vorherzusagen. Department für Statistik & Mathematik Department für Statistik & Mathematik 0-94 Übungen 3 (Hinweis: past <- window(austres, start=c(1985,1), end = c(1989,4)), future <- window(austres, start = c(1990,1)) ) Wählen Sie die Glättungsparameter α = 0.4 und β = 0.2. Wie lautet Ihre Prognose für das 2. Quartal 1993? 3. Lassen Sie für die Daten aus Bsp. 3. die Glättungsparameter von R optimieren. Welchen Wert bekommen α und β? Wie lautet die Prognose für das 2. Quartal 1993 jetzt? Wie hat sich die Fehlerquadratsumme für verändert? Wie hat sich die mittlere Fehlerquadratsumme für Quartal 1993 verändert? Department für Statistik & Mathematik 0-95
11. Zeitreihen mit Trend und Saisonalität
In diesem Abschnitt geht es um ZR, die in eine Trend-, eine Saisonund eine Restkomponente zerlegt werden können. (Das Niveau sei in der Trendkomponente enthalten.) Beispiele für solche ZR sind in Abb.
Mehr6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell
6. Das klassische Komponentenmodell Gegeben sei eine ZR x t für die Zeitpunkte t = 1,..., T. Im additiven klassischen Komponentenmodell wird sie folgendermaßen zerlegt: x t = ˆm t + ŝ t + ε t ˆm t ist
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil: Zerlegungsmodelle und naive Prognosemethoden für Zeitreihen Regina Tüchler Department für Statistik & Mathematik Inhalt Einleitung
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
Inhalt 4. Empirische Momente von Zeitreihendaten 4.1. Autokorrelation, Autokorrelogramm 4.2. Stationarität 5. Empirische Momente in R SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil:
MehrBeispiel in R: ZR mit Trend
Beispiel in R: ZR mit Trend Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Holt Verfahren für die Hotel-Daten : Die Daten hotelts-annual.rda werden geladen. Sie müssen sich dafür im working directory
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
Inhalt SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil: Zerlegungsmodelle und naive Prognosemethoden für Zeitreihen Regina Tüchler Einleitung 1. Einführung in das Modellieren von
MehrBeispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten
Beispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Einfacher Gleitender Durchschnitt der Nil-Daten: Wir haben Daten über
MehrBeispiel in R: Verfahren zur Modellierung von ZR mit Saison und Trend
Beispiel in R: Verfahren zur Modellierung von ZR mit Saison und Trend Regina Tüchler November 2, 2009 Beispiel: Zeitreihenanalyse der Übernachtungs-Daten: Wir haben Daten mit monatlichen Übernachtungszahlen
MehrZeitreihenanalyse Das Holt-Winters-Verfahren
Zeitreihenanalyse Das Holt-Winters-Verfahren Worum geht es in diesem Lernmodul? Einleitung Modellannahmen Die Prognoseformel des Holt-Winters-Verfahren Die Glättungskoeffizienten Die Startwerte Weiterführende
MehrDynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung 10 p.2/??
Dynamische Systeme und Zeitreihenanalyse Saisonbereinigung und Glättung Kapitel 10 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung
MehrZerlegung von Zeitreihen
Kapitel 7 Zerlegung von Zeitreihen Josef Leydold c 2006 Mathematische Methoden VII Zerlegung von Zeitreihen 1 / 39 Lernziele Klassische Zerlegung von Zeitreihen Saisonbereinigungsverfahren: Gleitende Durchschnitte
MehrExplorative Zeitreihenanalyse
Einheit 11 Explorative Zeitreihenanalyse Department of Statistics and Mathematics WU Wien c 2007 Statistik 11 Explorative Zeitreihenanalyse 0 / 53 Inhalt Beschreiben von Zeitreihen Klassische Zeitreihenzerlegung
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Zerlegung der Zeitreihe F t Trendkomponente
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrExplorative Zeitreihenanalyse
Kapitel 11 Explorative reihenanalyse Department of Statistics and Mathematics WU Wien c 2008 Statistik 11 Explorative reihenanalyse 0 / 66 Inhalt Beschreiben von reihen Klassische reihenzerlegung Trend,
MehrKapitel X - Lineare Regression
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel X - Lineare Regression Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Agenda 1 Untersuchung
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrZeitreihenanalyse Exponentielles Glätten
Zeitreihenanalyse Exponentielles Glätten Worum geht es in diesem Lernmodul? Einleitung Prognose mit der Methode des exponentiellen Glättens Die Prognoseformel des exponentiellen Glättens Die Wirkung der
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 11 - Filterverfahren Unterscheidung zwischen Wachstum und Konjunktur Wachstum: langfristige Entwicklung des Bruttoinlandsproduktes bei voller oder normaler Auslastung der
MehrÜberschrift. Titel Prognosemethoden
Überschrift Prognosemethoden Überschrift Inhalt 1. Einleitung 2. Subjektive Planzahlenbestimmung 3. Extrapolierende Verfahren 3.1 Trendanalyse 3.2 Berücksichtigung von Zyklus und Saison 4. Kausale Prognosen
MehrDidaktik der Mathematik der Sekundarstufe II
Didaktik der Mathematik der Sekundarstufe II Teil 8: Satz von Rolle - Mittelwertsatz - Monotoniekriterium Humboldt-Universität zu Berlin, Institut für Mathematik Sommersemester 2010/11 Internetseite zur
MehrDynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle und Kalman Filter 15 p.2/??
Dynamische Systeme und Zeitreihenanalyse Zustandsraummodelle und Kalman Filter Kapitel 15 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle
Mehr1 Prognoseverfahren F H
1 Prognoseverfahren 1.1 Zielsetzung 1.2 Bedarfsverlauf von Verbrauchsfaktoren 1.3 Prognose bei regelmäßigen Bedarf 1.4 Prognosemodelle in Standard-ERP-Software 1.5 Ausblick Herrmann, Frank: Operative Planung
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrGütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signalklassen
Gütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signallassen Diplomverteidigung Yongrui Qiao 25. 06. 2009 1/33 Gliederung Motivation und Problemstellung Testverfahren
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrDynamische Systeme und Zeitreihenanalyse // Beschreiben von Zeitreihen 9 p.2/??
Dynamische Systeme und Zeitreihenanalyse Beschreiben von Zeitreihen Kapitel 9 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Beschreiben von Zeitreihen 9 p.0/??
MehrHauptseminar Technische Informationssysteme
Hauptseminar Technische Informationssysteme Residualanalyse zur Fehlerlokalisierung und prädikativen Steuerung Vortragender: Betreuer: Tobias Fechter Dr.-Ing. Heinz-Dieter Ribbecke, Dipl.-Inf. Jakob Krause
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
Mehr4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR
Im Allgemeinen wird sich das Verhalten einer ZR über die Zeit ändern, z.b. Trend, saisonales Verhalten, sich verändernde Variabilität. Eine ZR wird als stationär bezeichnet, wenn sich ihr Verhalten über
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrElementare Regressionsrechnung
Elementare Regressionsrechnung Motivation: Streudiagramm zweier metrisch skalierter Merkmale X und Y Y X Dr. Karsten Webel 107 Ziel: Erfassung des Zusammenhangs zwischen X und Y durch eine Gerade der Form
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrProblemstellung und Lernziele
Nachfrageprognose Problemstellung und Lernziele Inwiefern können Serviceunternehmen durch Nachfrageprognosen einen Wettbewerbsvorteil erwirtschaften? Nach dieser Veranstaltung sollten Sie, die wichtigsten
MehrSBWL Tourismusanalyse und Freizeitmarketing,
SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2: Multivariate Verfahren 1 2. Teil: Multiples Regressionsmodell Regina Tüchler Department für Statistik & Mathematik Inhalt Einleitung 1. Einfaches
MehrBestandsmanagement. Prognoseverfahren und Lagerhaltungspolitiken
Bestandsmanagement Prognoseverfahren und Lagerhaltungspolitiken Inhalt Bestandsmanagement in Supply Chains Prognoseverfahren Prognose bei regelmäßigem Bedarf Konstantes Bedarfsniveau Trendförmiges Bedarfsniveau
MehrQUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013
QUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013 ZEITREIHEN 1 Viele Beobachtungen in den Wirtschaftswissenschaften
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrZeitreihenanalyse Differenzenbildung
Zeitreihenanalyse Differenzenbildung Worum geht es in diesem Lernmodul? Einleitung Verfahren der einfachen Differenzenbildung Verfahren der saisonalen Differenzenbildung Kombination einfacher und saisonaler
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrPrognosemethoden angewandt auf Besucherzahlen ausgewählter Ausflugsziele in Niederösterreich: Stift Geras und Kunsthalle Krems
Wirtschaftsuniversität Wien Institut für Tourismus und Freizeitwirtschaft Course 2 WS 2002/03 Andreas Zins Prognosemethoden angewandt auf Besucherzahlen ausgewählter Ausflugsziele in Niederösterreich:
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrZeitreihenanalyse mit EViews Klassische Zeitreihenanalyse. 4.1 Empirisches Autokorrelogramm. 4.2 Exponentielle Glättungsverfahren
Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 28. April 2005, Redaktion: Wagner 4 Klassische Zeitreihenanalyse
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
Mehr[ 1 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an.
13 Zeitreihenanalyse 1 Kapitel 13: Zeitreihenanalyse A: Übungsaufgaben: [ 1 ] 1 a a) Nach der Formel x t+i berechnet man einen ein f achen gleitenden Durchschnitt. 2a + 1 i= a b) Die Residuale berechnet
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
Mehrdie täglichen Schlusskurse eines börsengehandelten Wertpapiers,
Wirtschaftswissenschaftliches Zentrum 5 Universität Basel Statistik Dr. Thomas Zehrt Zeitreihen Motivation Typische Beispiele für Zeitreihen sind die täglichen Schlusskurse des SMI Nummer 1 2 3 4 5 Datum
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
Mehr6. Ausgewählte Aufgabenstellungen Mathematik
6. Ausgewählte Aufgabenstellungen Mathematik Bevölkerungsprognose (Teil-1-Aufgabe) In der angegebenen Tabelle der Statistik Austria ist die Bevölkerungsprognose für die österreichischen Bundesländer bis
MehrModelle und Methoden der Zeitreihenanalyse
Modelle und Methoden der Zeitreihenanalyse Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1 Einordnung der Zeitreihenanalyse.................. 2 1.2 Darstellung von Zeitreihen......................
MehrStochastisches Matchen. Klaus Pommerening IMBEI Oberseminar Medizin-Informatik
Stochastisches Matchen Klaus Pommerening IMBEI Oberseminar Medizin-Informatik 16. 7. 2002 Entscheidungssituation Y = M U disjunkte Zerlegung γ Beobachtungsfunktion Γ Merkmalsraum τ Entscheidungsfunktion
MehrHauptdierentialanalyse
Hauptdierentialanalyse Jan Ditscheid TU Dortmund Seminar funktionale Datenanalyse 19.11.2015 1 / 40 1 Wozu HDA? 2 Denition des Problems 3 HDA am Beispiel 4 Techniken zur HDA 5 Beurteilung der Anpassung
MehrLineare Transformationen und Determinanten. 10-E Ma 1 Lubov Vassilevskaya
Lineare Transformationen und Determinanten 10-E Ma 1 Lubov Vassilevskaya Lineare Transformation cc Definition: V und W sind zwei Vektorräume. Eine Funktion T nennt man eine lineare Transformation von V
MehrBasiswerkzeuge. Kapitel 6. Lernziele. Zeitreihen-Plot. Beschreiben von Zeitreihen. Graphische Darstellungen. Univariate und bivariate Maßzahlen
Kapitel 6 Basiswerkzeuge Josef Leydold c 2006 Mathematische Methoden VI Basiswerkzeuge 1 / 29 Lernziele Beschreiben von Zeitreihen Graphische Darstellungen Univariate und bivariate Maßzahlen Transformationen
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
Mehr5.6 Empirische Wirtschaftsforschung
5.6.0 Vorbemerkungen Literatur Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie. 3. Auflage. Springer. Insbesondere Kapitel 1, 4 und 10. Volltext-Download im Rahmen des LRZ-Netzes. Rinne,
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrKapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
MehrDatenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum
GMF-Tagung Zukunft der Lehre in Statistik und Stochastik Zürich, 21. Oktober 2017 Datenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum Andreas Ruckstuhl Dozent für Statistische
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j
MehrZeitreihenanalyse Das klassische Komponentenmodell
Zeitreihenanalyse Das klassische Komponentenmodell Worum geht es in diesem Lernmodul? Zeitreihen mit unterschiedlichen Charakteristika Zeitreihen mit regelmäßigen Schwankungen Mittel und Niveau einer Zeitreihe
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2007 Aufgabe 1 25 Schülern einer
MehrWirtschaftliche Trendbetrachtung und Prognosemodelle im Rahmen des kommunalen Objektmanagements
Wirtschaftliche Trendbetrachtung und Prognosemodelle im Rahmen des kommunalen Objektmanagements Alexander Haß, Denny Megallis, Maik Moser Gliederung 1. Theoretische Einführung in Trendanalysen 2. Beispielhafte
MehrUntersuchung von Algorithmen zur Fehlerlokalisation und Prognose in Automatisierungsprozessen. Yongrui Qiao Yongrui Qiao
Untersuchung von Algorithmen zur Fehlerloalisation und Prognose in Automatisierungsprozessen Yongrui Qiao Yongrui Qiao Übersicht. Motivation und Problemstellung. Theoretische Grundlagen stochastisch-gestörter
MehrDie Stochastischen Eigenschaften von OLS
Die Stochastischen Eigenschaften von OLS Das Bivariate Modell Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Wiederholung
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrFinite Elemente. Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 2015
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 5 Aufgabe 8 (Speichertechniken) Finite Elemente Übung 5 a) Stellen Sie die Matrix
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 014 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrZeitreihenanalyse Saisonbereinigung
Zeitreihenanalyse Saisonbereinigung Worum geht es in diesem Lernmodul? Einleitung Die starre Saisonfigur Saisonbereinigung für Zeitreihen ohne Trend Saisonbereinigung für Zeitreihen mit Trend Warum müssen
MehrPrognose. Kapitel 5. Ökonometrie I Michael Hauser
1 / 31 Prognose Kapitel 5 Ökonometrie I Michael Hauser 2 / 31 Inhalt Prognose, allgemein Prognosebeispiel Punktprognose Prognosefehler Intervallprognose Mean square error, Prognosegüte 3 / 31 Prognose
MehrDas Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
MehrT4p: Thermodynamik und Statistische Physik Prof. Dr. H. Ruhl Übungsblatt 3 Lösungsvorschlag
T4p: Thermodynamik und Statistische Physik Prof. Dr. H. Ruhl Übungsblatt 3 Lösungsvorschlag 1. Extremwerte unter Nebenbedingungen In der Vorlesung wurden die mittleren Besetzungszahlen für verschiedene
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrPrognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft
Prognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft Inhaltsverzeichnis I. Allgemeine Aussagen II. Subjektive Planzahlenbestimmung III. Extrapolierende Verfahren 1. Trendanalyse:
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrMathematik III - Statistik für MT(Master)
3. Regressionsanalyse Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Wintersemester 0/03 Mathematik III - Statistik für MTMaster 3. Empirische Regressionsgerade Optimalitätskriterium: Die Summe
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 08. Januar 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrStatistik-Klausur vom
Statistik-Klausur vom 09.02.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 a) Bei einer Umfrage unter FH-Studierenden ergaben sich die folgenden Anreisezeiten (in Min) zur FH: von... bis unter... Anzahl 0-20
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Serie 13
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Serie 13 Diese letzte Serie des Semesters befasst sich noch einmal mit wichtigen Themen
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrLineare Abbildungen und Orthonormalsysteme
KAPITEL Lineare Abbildungen und Orthonormalsysteme. Lineare Abbildungen und Koordinatendarstellungen.. Lineare Abbildungen und ihre Basisdarstellung. Seien V, W Vektorraume uber R. Mit einer Abbildung
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrTeilklausur des Moduls Kurs 42221: Vertiefung der Statistik
Name, Vorname Matrikelnummer Teilklausur des Moduls 32741 Kurs 42221: Vertiefung der Statistik Datum Termin: 21. März 2014, 14.00-16.00 Uhr Prüfer: Univ.-Prof. Dr. H. Singer Vertiefung der Statistik 21.3.2014
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
Mehr