Psychopathologische Prozesse und psychologische Intervention B
|
|
- Ella Simen
- vor 5 Jahren
- Abrufe
Transkript
1 Psychopathologische Prozesse und psychologische Intervention B ARMA-Modellierung Lineare stochastische Zeitreihenmodelle Prof. Dr. Wolfgang Tschacher Universität Bern Beispiele stochastischer Prozess z t = a t (M=; SD=)
2 Zufallsprozess z t = a t ist nicht autokorreliert. Prozess ist varianz- und mittelwertsstationär. Zufallsprozesse müssen nicht stationär sein, z.b. ein random walk: Autoregressive Prozesse AR()-Prozesse z t = φ z t- + a t Aktueller Zustand z t hängt ab vom gewichteten zurückliegenden Zustand φ z t- und den aktuellen (Zufalls-) Ereignissen a t
3 psychologisches AR()- Beispiel: Heutige Stimmung hängt ab von der (gewichteten) gestrigen Stimmung und von aktuellen Ereignissen. (da dies bereits auch für die Stimmung gestern galt, trägt der heutige Stimmungszustand weit zurückreichende Information in sich = Systemgedächtnis; nicht abbrechende ACF) Wetter-Beispiele: "Heute Regen, morgen Sonne" aber auch: Wetter t- t "Das Wetter morgen ist wahrscheinlich ähnlich wie das heute" Wetter t- t
4 Beispiele AR(), φ =.5 z t =.5 z t- + a t z t = a t (M=; SD=) Beispiele AR(), φ =.9 z t =.9 z t- + a t z t = a t (M=; SD=)
5 Beispiele AR(), φ = -.5 z t = -.5 z t- + a t z t = a t (M=; SD=) Beispiele AR(), φ = -.9 z t = -.9 z t- + a t z t = a t (M=; SD=)
6 Test: Welche AR-Dynamik könnte dieser Zeitreihe unterliegen? Antwort: AR(), φ =.9 z t =.9 z t- + a t Charakteristisch sind die langen trendähnlichen Abschnitte Fazit AR()-Prozesse sind für -< φ < gewissermassen verrauschte Punktattraktoren. AR höherer Ordnung zeigen u.u. pseudoperiodische Dynamik (Grenzzyklen). 6
7 Fazit φ bestimmt darüber, welches Gewicht die Vergangenheit besitzt, also wie stark vom verrauschten Attraktor "weggeregelt" wird. Negative φ bedeuten eine kompensierende Dynamik. Der Prozess hat ein "Gedächtnis" für ehemalige eigene Zustände. Alle "Umwelteinflüsse" werden als Zufallsprozess a t modelliert Moving Average-Prozesse MA()-Prozesse z t = a t - θ a t- Aktueller Zustand z t hängt ab von aktuellen (Zufalls-)Ereignissen a t und gewichteten zurückliegenden (Zufalls-)Ereignissen θ a t- 7
8 Gleitmittelwert Beispiel für ein moving average (Mittelwert über je 5 Punkte in einem Gleitfenster) zur Glättung eines Verlaufs psychologisches MA()- Beispiel: Heutige Stimmung hängt ab von aktuellen Ereignissen und den gewichteten gestrigen Ereignissen. (Das Stimmungsregulationssystem einer external attribuierenden Person stellt fortlaufend einen Gleitmittelwert aus den einwirkenden Zufallsereignissen her; kein Systemgedächtnis für eigene Zustände, nur für gestern aufgetretene externe Einflüsse) 8
9 Beispiele MA(), θ =.5 z t = a t -.5 a t z t = a t (M=; SD=) Beispiele MA(), θ =.9 z t = a t -.9 a t z t = a t (M=; SD=)
10 Beispiele MA(), θ = -.5 z t = a t +.5 a t z t = a t (M=; SD=) Beispiele MA(), θ = -.9 z t = a t +.9 a t z t = a t (M=; SD=)
11 Test: Welche MA-Dynamik könnte dieser Zeitreihe unterliegen? Antwort: MA(), θ =.5 z t = a t -.5 a t- ist praktisch nur eine um den gestrigen Zufallswert ergänzte Zufallszeitreihe Fazit MA-Prozesse beschreiben nicht Attraktoren, sondern sie wirken wie Filter für die auf sie einwirkenden Zufallseinflüsse Der Prozess integriert nur für vergangene externe Einwirkungen, hat kein "Gedächtnis für eigene Zustände
12 Anwendung ist Emotionsdynamik eher ein MA- oder ein AR- Prozess? Ist diese Prozesseigenschaft evtl. ein Persönlichkeitstrait? empirische Studie als Semesterprojekt: Monate Emotionsrating + Einschätzung Internalität Anwendung univariat Beispiel: pro Tag von einer Person gerauchte Zigaretten
13 Zeitreihenmodellierung dieser Daten: ARIMA(,,)-Modell: Mischung aus AR und MA positiv autokorreliert, nicht kompensierend..5 RAUCH. beträchtlicher Umwelteinfluss Confidence Limits Coefficient Anwendung multivariat Methodik der Vektorautoregression (VAR) erlaubt die Modellierung mehrerer gleichzeitiger und miteinander vernetzter AR-Prozesse Wetter t- t Stimmung
14 Anwendung Schizophrenieforschung Walther, Ramseyer, Horn, Strik, & Tschacher (): Less structured movement patterns predict severity of positive syndrome, excitement and disorganization Schizophrenia Bulletin Methode der Aktigrafie Gerät misst Beschleunigungen Messung alle sec Zeitreihen für h:
15 Methode der Aktigrafie aus Zeitreihen berechenbar: PACF interessante Variable: Anzahl signifikanter lags Lag Partial Schnell abbrechende PACF=weniger strukturierte Bewegungsmuster bis lag7 signifikant=stärker strukturierte Bewegung 5
16 Methode der Aktigrafie Wie hängen Bewegungsparameter mit Symptomen zusammen? Bewegungsparameter: Anzahl signifikanter lags und mittlere Bewegungsaktivität. Gemessen morgens und nachmittags (-h; 5-6h), gemittelt. N= Schizophrenie-Spektrum-Patienten Symptomparameter: Faktoren des PANSS nach van der Gaag: positive symptoms, negative symptoms, disorganization symptoms, excitement, emotional stress. Ergebnisse Regressionsanalyse pro PANSS-Faktor, Prädiktoren Bewegungsparameter. Positivsymptome: signifikantes Gesamtmodell, Anzahl lags b = -.5, p =.; mittl. Aktivität b =., p =.979] Negativsymptome: signifikantes Gesamtmodell, Anzahl lags b = -.5, p =.6; mittl. Aktivität b = -., p =. Disorganization: Gesamtmodell trend, Anzahl lags b = -., p =.; mittl. Aktivität b =., p =.855 Erregung: signifikantes Gesamtmodell, Anzahl lags b = -., p =.7; mittl. Aktivität b = -.7, p =.9 Emotionaler Stress: n.s. 6
17 Ergebnisse je weniger strukturiert die Bewegung (schnell abbrechende PACF) > desto stärker die Symptomatik POS, DIS, EXC Desorganisierte Bewegung > desorganisierte Psychopathologie Psychopathologie ist embodied 7
Aktigraphie: Analyse mit Schizophreniepatienten
Embodiment-basierte Forschung in Psychotherapie und Psychopathologie (c) Seminar 2015 tschacher@spk.unibe.ch http://www.embodiment.ch/ Aktigraphie: Analyse mit Schizophreniepatienten Walther,... & Tschacher
MehrZeitreihenanalyse in den Wirtschafts Wissenschaften
Klaus Neusser Zeitreihenanalyse in den Wirtschafts Wissenschaften 2., aktualisierte Auflage STUDIUM VIEWEG+ TEUBNER Abbildungsverzeichnis Tabellenverzeichnis Zeichenerklärung XI XIII XV I Univariate Zeitreihenanalyse
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
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
MehrDefinition und Beispiele. Lineare Prozesse. Kausalität und Invertierbarkeit. Berechnung der Autokovarianzfunktion. Prognosen in ARMA-Modellen
Kap. 2: ARMA-Prozesse Definition und Beispiele Lineare Prozesse Kausalität und Invertierbarkeit Berechnung der Autokovarianzfunktion Prognosen in ARMA-Modellen Wold-Darstellung 2.1 Definition und Beispiele
MehrEinführung in die Zeitreihenanalyse
Bernhard Schmitz Einführung in die Zeitreihenanalyse Modelle, Softwarebeschreibung, Anwendungen Verlag Hans Huber Bern Stuttgart Toronto Inhaltsverzeichnis Vorwort 9 Einführung 11 Teil I: Univariate Zeitreihenanalyse
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrZeitreihenanalyse. Autokorrelation
Zeitreihenanalyse basiert auf Daten, die einen Prozess abbilden hat zum Ziel, die Art des Prozesses zu modellieren und/ oder seine künftige weitere Entwicklung vorherzusagen HS 217 (4) Prof. Dr. Wolfgang
MehrZeitreihenanalyse (Time-Series Panel Analysis= TSPA)
Zeitreihenanalyse (Time-Series Panel Analysis= TSPA) Irina Reinhard Seminar Psychopathologische Prozesse und psychologische Intervention I 07.11.2016 Übersicht WAS ist eine Zeitreihenanalyse WOFÜR braucht
MehrStochastik-Praktikum
Stochastik-Praktikum Zeitreihenanalyse Peter Frentrup Humboldt-Universität zu Berlin 19. Dezember 2017 (Humboldt-Universität zu Berlin) Zeitreihenanalyse 19. Dezember 2017 1 / 13 Übersicht 1 Zeitreihen
MehrPsychopathologische Prozesse und psychologische Intervention.
Psychopathologische Prozesse und psychologische Intervention www.upd.unibe.ch Einführung und Deskription von Prozessen Prof. Dr. Wolfgang Tschacher Universität Bern "Prozesse"? erfordert eine Definition
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
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
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrTrend, Zyklus und Zufall
Rainer Metz Trend, Zyklus und Zufall Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen Franz Steiner Verlag INHALTSVERZEICHNIS Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
MehrMethoden der Zeitreihenanalyse
Winfried Stier Methoden der Zeitreihenanalyse Mit 237 Abbildungen und 6 Tabellen Springer Inhaltsverzeichnis I. Elementare Zeitreihenanalyse 1 1.1. Definitionen, Grundkonzepte, Beispiele 1 1.2. Das traditionelle
MehrProzessorientierte und embodimentorientierte Psychotherapieforschung (d)
Prozessorientierte und embodimentorientierte Psychotherapieforschung (d) Dynamische Invarianten, Attraktoren Wolfgang Tschacher, Vorlesung 2015 tschacher@spk.unibe.ch http://www.embodiment.ch/ dynamische
MehrHauptseminar zum Thema:
Fakultät Informatik Institut für angewandte Informatik Professur Technische Informationssysteme Hauptseminar zum Thema: Vergleich ARCH- und GARCH- Modelle bei der Analyse von Zeitreihen mit veränderlichen
MehrStochastische Prozesse und Box-Jenkins Technik
Stochastische Prozesse und Box-Jenkins Technik Stichwörter: AR-, MA- und ARMA-Prozeß weißes Rauschen random walk Autokorrelations-Funktion Stationarität Invertierbarkeit Korrelogramm Box-Jenkins Technik
MehrPsychopathologische Prozesse und psychologische Intervention.
Psychopathologische Prozesse und psychologische Intervention www.exp.unibe.ch Seminarliteratur! - Storch M & Tschacher W (2016, 2. erweiterte Auflage). Embodied Communication. Kommunikation beginnt im
MehrHauptseminar Technische Informationssysteme
Hauptseminar Technische Informationssysteme Thema: Vergleich verschiedener Prognosestrategien von Tobias Fochtmann Betreuer: Dr. Ribbecke 24.01.2008 Gliederung I. Einleitung II. Prognose allgemein und
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
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
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
MehrPsychopathologische Prozesse und psychologische Intervention (C)
Psychopathologische Prozesse und psychologische Intervention (C) Dynamische Invarianten, Attraktoren Prof. Dr. Wolfgang Tschacher Universität Bern 2 dynamische Invarianten in der Psychopathologie was ist
MehrInhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
MehrVeränderungen in der Leistungsfähigkeit und Lebensqualität während einer stationären kardiologischen Rehabilitation
Veränderungen in der Leistungsfähigkeit und Lebensqualität während einer stationären kardiologischen Rehabilitation Walter Bierbauer, Tania Bermudez, Urte Scholz, Matthias Hermann Q-Day 2018 18.01.2018
MehrStatistische Methoden der VWL und BWL Theorie und Praxis ST?
Statistische Methoden der VWL und BWL Theorie und Praxis ST? Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
MehrEmpirische Wirtschaftsforschung
Empirische Wirschafsforschung Prof. Dr. Bernd Süßmuh Universiä Leipzig Insiu für Empirische Wirschafsforschung Volkswirschafslehre, insbesondere Ökonomerie 9.6. Zeireihen und Zeireihenmodelle Prinzipielle
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig November 28, 2011 Bernd Süßmuth (Universität Leipzig) APÖ November 28, 2011 1 /
MehrProf. Dr. Reinhold Kosfeld Zeitreihenanalyse
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse 1. Einführung 2. Zeitreihenzerlegung und Komponentenmodell (Trend, Saisonbereinigung, Exponentielle Glättung, Korrelogramm, Test auf Autokorrelation) 3. Stochastische
MehrKorrektur: Lineare Regression in Excel
Korrektur: Lineare Regression in Excel Doppelsummenkurve 1 8 kum. Abfluss 6 4 2 Juni 1987 5 1 15 2 kum. Niederschlag 1 PDFA Abfluss Lange Bramke 4 kum. Stabw. 3 2 1 Feb. 1981 1.8 1.82 1.84 1.86 1.88 1.9
MehrRegressionsanalysen von Radonkonzentrationen
Regressionsanalysen von Radonkonzentrationen J. BUERMEYER, M. GUNDLACH, V. GRIMM, H. HINGMANN, J. BRECKOW INSTITUT FÜR MEDIZINISCHE PHYSIK UND STRAHLENSCHUTZ, TECHNISCHE HOCHSCHULE MITTELHESSEN, GIESSEN,
MehrValidierung von Strukturmodellen mit Messdaten aus natürlicher Erregung
Validierung von Strukturmodellen mit Messdaten aus natürlicher Erregung Gerrit Übersicht Antwortmessung unter natürlicher Erregung Systemidentifikation mit ARMA-Modellen Modellvalidierung mit iterativen
MehrModul: Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung. Leseprobe
Prof. Dr. Hermann Singer Modul: 32681 Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs: 00889 Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe Inhaltsverzeichnis 1 Überblick
MehrModul Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung
Prof. Dr. Hermann Singer Modul 32681 Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs 00889 Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe Fakultät für Wirtschaftswissenschaft
MehrEmbodiment-basierte Forschung in Psychotherapie und Psychopathologie
Embodiment-basierte Forschung in Psychotherapie und Psychopathologie Seminar 2014 Prof. Dr. W. Tschacher, Universität Bern tschacher@spk.unibe.ch http://www.upd.unibe.ch/ Sensible Richtungen beim Embodiment
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
Mehr3.3 Moving-Average-Prozesse (MA-Modelle)
. Moving-Average-Prozesse MA-Modelle Definiion: in sochasischer Prozess heiß Moving-Average-Prozess der Ordnng [MA-Prozess], wenn er die Form θ θ i i... θ i oder B mi ha. is dabei ein reiner Zfallsprozess
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrStatistische Methoden der VWL und BWL
Statistische Methoden der VWL und BWL 13., aktualisierte Auflage Theorie und Praxis 5., aktualisierte Auflage Josef Schira Statistische Methoden der VWL und BWL - PDF Inhaltsverzeichnis Statistische Methoden
MehrStochastische Trends und Unit root-tests
Stochastische Trends und Unit root-tests Stichwörter: Random walk stochastischer Trend unit root Trend-Stationarität Differenz-Stationarität Dickey-Fuller (DF-)Test Augmented Dickey-Fuller (ADF-)Test o1-15.tex/0
MehrGemischte Modelle zur Schätzung geoadditiver Regressionsmodelle
Gemischte Modelle zur Schätzung geoadditiver Regressionsmodelle Thomas Kneib & Ludwig Fahrmeir Institut für Statistik, Ludwig-Maximilians-Universität München 1. Regressionsmodelle für geoadditive Daten
MehrStatistische Methoden der VWL und BWL
Josef Schira Statistische Methoden der VWL und BWL Theorie und Praxis 2., überarbeitete Auflage FB Mathematik TU Darmstadt 58368164 PEARSON Studium ein Imprintvon Pearson Education München Boston San Francisco
MehrFolien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
Mehr3. ARMA-Modelle. Jetzt: Wichtigste Modellklasse für stationäre Prozesse
3. ARMA-Modelle Jetzt: Wichtigste Modellklasse für stationäre Prozesse Definition 3.1: (ARMA(p, q)-prozess) Gegeben sei das Weiße Rauschen {ɛ t } t Z WR(0, σ 2 ). Der Prozess {X t } t Z heißt AutoRegressiver-Moving-Average-Prozess
MehrFormelsammlung für Wirtschaftswissenschaftler
Fred Böker Formelsammlung für Wirtschaftswissenschaftler Mathematik und Statistik PEARSON.. ;. ; ; ; *:;- V f - - ' / > Щ DtUClllirn ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
MehrVorstellung eines Verfahrens zur operationell optimalen Auswahl von Korrekturverfahren für die Abflussvorhersage
Vorstellung eines Verfahrens zur operationell optimalen Auswahl von Korrekturverfahren für die Abflussvorhersage Robert Pinzinger, Dr. Bastian Klein, Dennis Meissner, Dmytro Lisniak IHP/HWRP Bundesanstalt
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
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
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
MehrPrüfungsliteratur: Rudolf & Müller (2012), S
0 Beispiel 1 Zeitreihendarstellung 2 Stationarität 3 Trendanalyse 4 Schwingungsanalyse 4.1 Autokorrelationsanalyse 4.2 Spektralanalyse 5 Weitere Verfahren Prüfungsliteratur: Rudolf & Müller (2012), S.
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Zeitreihenanalyse Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
MehrKlaus Neusser. Zeitreihenanalyse in den Wirtschaftswissenschaften
Klaus Neusser Zeitreihenanalyse in den Wirtschaftswissenschaften Klaus Neusser Zeitreihenanalyse in den Wirtschaftswissenschaften 3., überarbeitete Auflage STUDIUM Bibliografische Information der Deutschen
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
MehrDynamische Modelle für chronische psychische Störungen
Zeno Kupper Dynamische Modelle für chronische psychische Störungen PABST SCIENCE PUBLISHERS Lengerich, Berlin, Düsseldorf, Leipzig, Riga, Scottsdale (USA), Wien, Zagreb Inhaltsverzeichnis Einleitung und
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
Mehr3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
MehrÖkonometrische Modelle
Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C
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
MehrSigmaDeWe Risikomanagement
Die gezeigten Renditebeispiele für charakteristische Zeitintervalle des S&P 500 Marktindex unterstreichen die Annahme von lokalen, langfristigen Trends der Aktienmärkte, d.h. der Existenz von Bullen- und
Mehrnichtlineare dynamische Systeme
nichtlineare dynamische Systeme dynamische Systeme: - Systeme mit Krafteinwirkung (δυναµιο = Kraft) - zeitabhängige Systemzustände - Zustandsänderung abhängig vom momentanen Zustand deterministisch gleiche
MehrRegionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren
Institut für Arbeitsmarkt- und Berufsforschung Folie 1 Regionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren Katharina Hampel Marcus Kunz Norbert Schanne Antje Weyh Dr.
Mehr4. Nichtstationarität und Kointegration
4. Nichtstationarität und Kointegration 4.1 Einheitswurzeltests (Unit-Root-Tests) Spurious regression In einer Simulationsstudie haben Granger und Newbold (1974) aus zwei unabhängigen Random Walks (Unit-Root-Prozesse)
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
MehrEmpfehlungen zur Erfassung der Mangelernährung bei Hämodialysepatientinnen und -patienten Diskussion von 10 Parametern
Empfehlungen zur Erfassung der Mangelernährung bei Hämodialysepatientinnen und -patienten Diskussion von 10 Parametern SONJA SCHÖNBERG, DIPL. ERNÄHRUNGSBERATERIN FH LEA ZÜRCHER, DIPL.ERNÄHRUNGSBERATERIN
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrStochastik Praktikum Zeitreihenanalyse
Stochastik Praktikum analyse Humboldt-Universität zu Berlin 14.10.2010 Übersicht 1 in R 2 Trend und lineare Filter 3 Saisonale Analyse mit LOESS 4 Spektralanalyse 5 ARIMA Modelle Übersicht 1 in R 2 Trend
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
MehrÖkonometrische Prognose
Ökonometrische Prognose Thema: Prognose von Preisentwicklungen im Bausektor Dozent: Universität: Fakultät: Kurs: Prof. Dr. Robert Kunst Universität Wien Fakultät für Wirtschaftswissenschaften und Informatik
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
MehrIntroduction to Modern Time Series Analysis
Springer Texts in Business and Economics Introduction to Modern Time Series Analysis Bearbeitet von Gebhard Kirchgässner, Jürgen Wolters, Uwe Hassler 1. Auflage 2012. Buch. XII, 319 S. Hardcover ISBN 978
MehrInhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47
Inhalt Vorwort... 9 1 Einleitung: Grundlagen der Statistik... 11 1.1 Die statistische Fragestellung im Forschungsprozess... 11 1.2 Grundbegriffe der Statistik... 13 1.3 Voraussetzung jeder Statistik: Die
MehrBeschluss vom: 4. Oktober 2018 gültig bis: unbefristet In Kraft getreten am: 4. Oktober 2018 BAnz AT B2
Cariprazin Beschluss vom: 4. Oktober 2018 gültig bis: unbefristet In Kraft getreten am: 4. Oktober 2018 BAnz AT 14.11.2018 B2 Anwendungsgebiet (laut Zulassung vom 13. Juli 2017): Reagila wird zur Behandlung
MehrMethoden der Psychologie Dr. Z. Shi Wiss. Arbeiten
Methoden der Psychologie 14.12.2016 Dr. Z. Shi Wiss. Arbeiten Tree of Knowledge 1. Quantitative vs. Qualitative Forschung 2. Subjektive vs. Objektive Messverfahren 3. Gütekriterien 1. Objektivität 2. Validität
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
Mehr7 Ergebnisse 43. Die Interrater Reliabilität, welche auch mittels Intraclasscorrelation errechnet wurde, betrug n=10; ICC>0,6.
7 Ergebnisse 43 7 Ergebnisse 7.1 Überprüfung der Messungen auf Reliabilität 7.1.1 Retest Die Retest Reliabilität, welche mittels Intraclasscorrelation (ICC, SHROUT und FLEISS 1979) errechnet wurde, stellte
MehrWas sind Zeitreihen? Software. Literatur. Überblick. Beispiele. Grundbegriffe
Kap. 1: Einführung Was sind Zeitreihen? Software Literatur Überblick Beispiele Grundbegriffe 1.1 Was sind Zeitreihen? Datentypen in der Ökonometrie: Querschnittsdaten Beispiel: Daten für 5 000 Haushalte
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und Zeitreihenmodelle Department of Statistics and Mathematics WU Wien c 2008 Statistik 12 Stochastische Prozesse und Zeitreihenmodelle 0 / 53 Inhalt Notation Zusammenhang
MehrStochastik-Praktikum
Stochastik-Praktikum Deskriptive Statistik Peter Frentrup Humboldt-Universität zu Berlin 7. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 7. November 2017 1 / 27 Übersicht
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
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
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig October 16, 2012 Bernd Süßmuth (Universität Leipzig) APÖ October 16, 2012 1 / 13
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
MehrZeitreihen. Statistische Modellierung, Schätzung und Prognose. von. Prof. Dr. Horst Rinne. und. Dr. Katja Specht. Justus-Liebig-Universität Giessen
Zeitreihen Statistische Modellierung, Schätzung und Prognose von Prof. Dr. Horst Rinne und Dr. Katja Specht Justus-Liebig-Universität Giessen Verlag Franz Vahlen München Inhaltsverzeichnis Statt eines
MehrVAR- und VEC-Modelle. Kapitel 22. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 42 VAR- und VEC-Modelle Kapitel 22 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 42 Inhalt VAR-Modelle, vector autoregressions VARX in Standardform und Strukturform VAR: Schätzung in
MehrInhaltsübersicht. Teil I Mathematik 13. Teil II Statistik 255. Vorwort 12
Inhaltsübersicht Vorwort 12 Teil I Mathematik 13 Kapitel 1 Algebra 14 Kapitel 2 Gleichungen 25 Kapitel 3 Summen, Produkte, Logik, Mengen, Abbildungen 30 Kapitel 4 Funktionen einer Variablen 47 Kapitel
MehrAnalyse eines Forschungsthemas Franziska Ressel
Analyse eines Forschungsthemas Franziska Ressel - 14.03.2017 Motivation Ähnliches Verhalten in Vorsaison Einzelne Zeitscheiben Parameterschätzung und Modellerstellung 2 Modell Prognose 3 Fenster vergrößern
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
MehrStatistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
Mehr