Kurs 9.3: Forschungsmethoden II
|
|
- Norbert Diefenbach
- vor 8 Jahren
- Abrufe
Transkript
1 MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung in die Zeitreihenanalyse Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Programm und Ziele dieser Lernsequenz 5 Mit den Finanzkrisen leben lernen (NZZ, ) 6 Beispiele von Zeitreihen 13 Einführung in die Zeitreihenanalyse 21 Ziele der Zeitreihenanalyse 31 Ein typisches Beispiel 37 Überblick über die Lernsequenzen zur Zeitreihenanalyse 43
2 Folie 3 Inhaltsverzeichnis Programm und Ziele dieser Lernsequenz 5 Mit den Finanzkrisen leben lernen (NZZ, ) 6 Beispiele von Zeitreihen 13 Privater Konsum I Privater Konsum II Jährliche Veränderungen (Differenz von Jahr zu Jahr) Anzahl erlegter Luchse CO 2 -Konzentration Verfügbares Einkommen der privaten Haushalte I Verfügbares Einkommen der privaten Haushalte II Beschreibung Weitere Beispiele von Zeitreihen ohne Ökonomie Einführung in die Zeitreihenanalyse 21 Anwendung der Zeitreihenanalyse in der Ökonomie Was ist Zeitreihenanalyse? Deskriptive Modellierung einer Zeitreihe Beispiel "seasonal goods" (Jan 2004 bis Dez 2006) Komponenten Zeitreihe als stochastisches Modell Einfaches stochastisches Modell Random Walk mit Drift Excel-Tools auf Ilias Folie 4 Ziele der Zeitreihenanalyse 31 Beschreibung von Zeitreihen Zeitreihenplot Modellierung von Zeitreihen Prognose mit Zeitreihen Ein typisches Beispiel 37 Analyse und Prognose des privaten Konsums Überblick über die Lernsequenzen zur Zeitreihenanalyse 43 LS 01 Einführung in die Zeitreihenanalyse LS 02 Deskriptive Modellierung von Zeitreihen LS 03 Einführung in die stochastische Modellierung LS 04 Regression zwischen Zeitreihen, ARMA-Modelle LS 05 Trends und Unit-Root-Test, ARIMA-Modelle LS 06 Zeitreihen mit stochastischer Volatilität LS 07 Kointegration LS 08 Methodische Erweiterung: Panelregression / Zusammenfassung... 44
3 Programm und Ziele dieser Lernsequenz Folie 5 Einführung in die Zeitreihenanalyse (2 Stunden) Programm Was sind typische Eigenschaften von Zeitreihen? Einführung in die Zeitreihenanalyse: Verschiedene Ansätze Was sind die Ziele der Zeitreihenanalyse? Ablauf der Zeitreihenanalyse an einem Beispiel Inhalte der Vorlesung Ziele Sie kennen erste Begriffe der Zeitreihenanalyse. Sie kennen wesentliche Ziele Sie haben einen Überblick Einführung in EViews (1 Stunde) Programm Kurze Einführung in das Hilfesystem von EViews Workshop mit zwei Aufgaben 1. "A Demonstration" von EViews nachvollziehen 2. Beispiel einer multiplen Regression berechnen Vergleich mit SPSS Ziele Sie können sich mittels der Hilfe von EViews selber helfen. Sie können EViews bedienen. Sie können eine einfache multiple Regression berechnen, wesentliche Grössen des Outputs identifizieren und die Gemeinsamkeit zu SPSS erkennen. Mit den Finanzkrisen leben lernen (NZZ, ) Folie 6 S&P-500-Index
4 Ein Jahr nach Lehman... (NZZ, ) Folie 7... sieht die Welt besser aus S&P-500-Index Daten-Quelle: Zwei Jahre nach Lehman... (JS, ) Folie 8... hat sich der S&P 500 vor allem seitwärts bewegt S&P-500-Index Daten-Quelle:
5 Drei Jahre nach Lehman... (JS, ) Folie 9... hat sich der S&P 500 immer noch vor allem seitwärts bewegt S&P-500-Index Daten-Quelle: Vier Jahre nach Lehman... (JS, ) Folie hat sich der S&P 500 insgesamt leicht nach oben bewegt S&P-500-Index Daten-Quelle:
6 Fünf Jahre nach Lehman... (JS, ) Folie hat sich der S&P 500 weiter nach oben bewegt S&P-500-Index Daten-Quelle: Sechs Jahre nach Lehman... (JS, ) Folie hat sich der S&P 500 weiter nach oben bewegt S&P-500-Index Daten-Quelle:
7 Beispiele von Zeitreihen Folie 13 Privater Konsum I Mrd. EUR Jahre 1976 bis 2001 Positiver Trend mit kleinen Fluktuationen Aufeinander folgende Werte hängen wahrscheinlich voneinander ab. Kein saisonales Muster Privater Konsum (Österreich), Mrd. EUR, in Preisen von Quelle: Hackl (2013) Privater Konsum II Jährliche Veränderungen (Differenz von Jahr zu Jahr) Folie 14 Mrd. EUR Scheinbar zufällige Fluktuationen werden deutlich. Jedoch auf tiefem Niveau: Maximum der Fluktuationen 2.5% Der positive Trend zeigt sich im positiven Durchschnitt der Fluktuationen. Mittelwert = 2.04 Mrd. EUR Jahre 1976 bis 2001 Änderung des Privaten Konsums, Mrd. EUR, in Preisen von Quelle: Hackl (2013)
8 Anzahl erlegter Luchse Folie Periodischer Verlauf erkennbar. Länge der Periode (9-10 Jahre) ist Schwankungen unterworfen. Luchse Amplitude ist signifikanten Schwankungen unterworfen. Messwerte sind ziemlich sicher nicht normalverteilt Jahre 1821 bis 1934 Hudson Bay Company. Quelle: Elton & Nicholson (1942) zitiert in Andrews & Herzberg (1985) CO 2 -Konzentration Folie 16 CO2-Konzentration Einheitlich periodischer Verlauf mit kleinen Fluktuationen Hohe Konstanz von Länge und Amplitude der Perioden Positiver Trend mit langwelligen Schwankungen Jahre 1964 bis 2009 Messstelle Mauna Loa, Hawaii, Monatliche Aufzeichnung. Quelle: Keeling & Whorf (2005)
9 Verfügbares Einkommen der privaten Haushalte I Folie Mrd. EUR Jahre 1976 bis 1995 Verfügbares Einkommen (Österreich), Mrd. EUR, in Preisen von Quelle: Hackl (2013) Verfügbares Einkommen der privaten Haushalte II Beschreibung Folie 18 Achtung: Y-Achse abgeschnitten Zeigt typische Eigenschaften ökonomischer Zeitreihen Trend Saisonale Struktur Langwellige Schwankung Zufällige Fluktuationen Quartalseigenschaften 1. Quartal: Tief 2. Quartal: Anstieg 3. Quartal: Stagnation 4. Quartal: Anstieg 1. Q 2. Q 3. Q 4. Q 1. Q
10 Weitere Beispiele von Zeitreihen ohne Ökonomie Folie 19 Ökologie Schadstoffkonzentration (Ozon, Feinstaub,...) Demographie Bevölkerungszahlen, Anzahl Eheschliessungen und Ehescheidungen Physik Mittlere Monatstemperatur, Anzahl Sonnenflecken Biologie Population (Räuber-Beute-System,...) Medizin Verlauf von Pandemie, Anzahl AIDS-Tote Ebola virus disease cases reported each week from Liberia Folie 20 Situation report - 8 October 2014 Liberia Jan 2014 Okt 2014 Quelle: World Health Organization (
11 Einführung in die Zeitreihenanalyse Folie 21 Anwendung der Zeitreihenanalyse in der Ökonomie Empirische Grundlagen für ökonomische Theorien Verifikation ökonomischer Theorien basierend auf erhobenen Daten Volkswirtschaftliche Untersuchungen BIP-Prognose, saisonbereinigte Arbeitslosenquote, Konjunkturanalyse Schätzung von Parametern für Modelle der Finanzmathematik Erwartete Renditen und Korrelationen im Portfoliomanagement Prognose von Preisen / Renditen Aktienkurs, Devisenkurs, Rendite Anwendung im Risikomanagement Risikoquantifizierung von Finanzinstrumenten Schätzung von Zinsstrukturen Zinsen von langfristigen vs. kurzfristigen Anlagen Was ist Zeitreihenanalyse? Folie 22 Ad hoc Definition einer Zeitreihe Zeitreihen sind zeitlich geordnete Folgen von Beobachtungen. Die Werte ökonomischer Zeitreihen sind mit grosser Wahrscheinlichkeit voneinander abhängig. Deskriptive Modellierung Modellierung von Zeitreihen mit Komponenten (Trend, Zyklus, Saison) Stochastische Modellierung Modellierung der Abhängigkeitsstruktur von Zeitreihen durch stochastische Prozesse Prognose Prognose künftiger Werte aus den Beobachtungen einer Zeitreihe Eventuell unter Zuhilfenahme von zusätzlichen Informationen
12 Deskriptive Modellierung einer Zeitreihe Beispiel "seasonal goods" (Jan 2004 bis Dez 2006) Jan 04 Apr 04 Jul 04 Okt 04 Jan 05 Apr 05 Jul 05 Okt 05 Jan 06 Apr 06 Jul 06 Okt 06 Folie 23 Zeit Umsatz [Monat] [Mio. Fr.] Januar Februar März April Mai Juni Juli August September Oktober November Dezember Januar Februar März April Mai Juni Juli August September Oktober November Dezember Januar Februar März April Mai Juni Juli August September Oktober November Dezember Komponenten 10.0 Folie Restkomponente Jan 04 Feb 04 Mrz 04 Apr 04 Mai 04 Jun 04 Jul 04 Aug 04 Sep 04 Okt 04 N ov 04 Dez 04 Jan 05 Feb 05 Mrz 05 Apr 05 Mai 05 Jun 05 Jul 05 Aug 05 Sep 05 Okt 05 N ov 05 Dez 05 Jan 06 Feb 06 Mrz 06 Apr 06 Mai 06 Jun 06 Jul 06 Aug 06 Sep 06 Okt 06 N ov 06 Dez Trend Jan 04 Feb 04 Mrz 04 Apr 04 Mai 04 Jun 04 Jul 04 Aug 04 Sep 04 Okt 04 N ov 04 Dez 04 Jan 05 Feb 05 Mrz 05 Apr 05 Mai 05 Jun 05 Jul 05 Aug 05 Sep 05 Okt 05 N ov 05 Dez 05 Jan 06 Feb 06 Mrz 06 Apr 06 Mai 06 Jun 06 Jul 06 Aug 06 Sep 06 Okt 06 N ov 06 Dez Konjunktur Jan 04 Apr 04 Jul 04 Okt 04 Jan 05 Apr 05 Jul 05 Okt 05 Jan 06 Apr 06 Jul 06 Okt Jan 04 Feb 04 Mrz 04 Apr 04 Mai 04 Jun 04 Jul 04 Aug 04 Sep 04 Okt 04 N ov 04 Dez 04 Jan 05 Feb 05 Mrz 05 Apr 05 Mai 05 Jun 05 Jul 05 Aug 05 Sep 05 Okt 05 N ov 05 Dez 05 Jan 06 Feb 06 Mrz 06 Apr 06 Mai 06 Jun 06 Jul 06 Aug 06 Sep 06 Okt 06 N ov 06 Dez 06 Jan 04 Feb 04 Mrz 04 Apr 04 Mai 04 Jun 04 Jul 04 Aug 04 Sep 04 Okt 04 Nov 04 D ez 04 Jan 05 Feb 05 Mrz 05 Apr 05 Mai 05 Jun 05 Jul 05 Aug 05 Sep 05 Okt 05 Nov 05 D ez 05 Jan 06 Feb 06 Mrz 06 Apr 06 Mai 06 Jun 06 Jul 06 Aug 06 Sep 06 Okt 06 Nov 06 D ez 06 Saison
13 Deskriptive Modellierung Folie 25 Komponenten ökonomischer Zeitreihen Systematische Komponenten Restkomponente Glatte Komponente Saisonkomponente Trend Konjunkturkomponente Folie 26 Saisonale Komponente: Beschreibt saisonale Schwankungen innerhalb eines Jahres (Beispiel: Arbeitslosenquote), Schwankungen innerhalb eines Monats (Beispiel: Umsätze von Einzelhandelsgeschäften), Schwankungen innerhalb einer Woche (Beispiel: Auflage einer Boulevardzeitung), Schwankungen innerhalb eines Tages (Beispiel: Verkehrsdichte) Trend: Beschreibt die langfristige Entwicklung der Zeitreihe. Beispiele mit ausgeprägtem Trend: Produktivität, Säuglingssterblichkeit Zyklische Variation ("Konjunkturkomponente"): Typisch sind längere, über mehrere Jahre gehende Zyklen mit variabler Periodenlänge. Beispiele: Konjunkturzyklus, Bauzyklus, Schweinezyklus Trend und Konjunkturkomponente werden oft zur glatten Komponente zusammengefasst, die dann ebenfalls als Trend bezeichnet wird. Zufallsschwankung ("Restkomponente"): Einmalige und zufällige Einflüsse, deren Ursache, Zeitpunkt und Stärke nicht oder nur schwer abzuschätzen sind. Beispiele: Witterungseinflüsse, Streiks, Veränderungen von Wechselkursen, Maschinenausfälle.
14 Zeitreihe als stochastisches Modell Eine Zeitreihe ist eine Folge von n Beobachtungen y t. Die n Beobachtungen sind Realisation der Zufallsvariablen Y 1, Y 2,...Y n Folie 27 {y t } t=1,w,n alternative Schreibweise {y t, t = 1,..., n} Die Folge der Zufallsvariablen Y 1, Y 2,...Y n ist ein Ausschnitt des zu Grunde liegenden stochastischen Prozesses {Y t, t = -,..., } diskret Werte stetig Die Messzeitpunkte der Zeitreihe können diskret oder stetig sein. Die Messwerte der Zeitreihe können diskret oder stetig sein. Zeitpunkte diskret stetig A C B D Beispiele Anzahl Personen, die aus Zügen von Zürich nach Bern steigen (A) Tagesmaximum von Aktienkursen (B) Anzahl Personen, die an einer Überwachungskamera vorbeigehen (C) Laufende Notierung von Aktienkursen (D) Einfaches stochastisches Modell Random Walk mit Drift Zeitreihenmodell Y + u t = δ+ Yt 1 = Yt Yt 1 Y =δ+ u Eigenschaften t t Werte von Y zum Zeitpunkt t sind abhängig von den Werten zum Zeitpunkt t-1. Hinzu kommt eine Konstante δ. Hinzu kommt eine zufällige Schwankung u t. Die Differenzen Y fluktuieren zufällig um den Wert δ (Erwartungswert von Y t ). Wiederholtes Einsetzen in die Modellgleichung liefert Y= Y +δ t+ u t 0 i i t Die Darstellung zeigt, warum der Prozess als Random Walk (Irrfahrt) mit Drift bezeichnet wird. Der Prozess setzt sich aus zwei Komponenten zusammen: Deterministischer Wachstumspfad (Drift): Y 0 + δ t Kumulierte Störgrössen (Irrfahrt): Σu i Die u t sind unabhängige und identisch verteilte Zufallsvariablen mit Erwartungswert 0 und Varianz σ 2. Eine Variable mit diesen Eigenschaften heisst Weisses Rauschen (white noise). Folie 28
15 Folie 29 Beispiel (Excel-Tool "Random Walk & AR(1).xls") Yt = Yt 1 + ut, mit Y0 = 0 ut: Gleichverteilte Pseudozufallsvariable mean(ut) = 0.25, var(ut) = 0.87 Yt δt Σut y t ut t mean var Σ Yt δt i t Σ ut i Y = Y + δt + u y Folie 30 Excel-Tools auf Ilias MA(1) ARMA(p,q) Random Walk & AR(1)
16 Ziele der Zeitreihenanalyse Folie 31 Beschreibung von Zeitreihen Ziel: Sichtbar machen innerer Zusammenhänge Deskriptive Methoden Grafiken der Zeitreihe ("Zeitreihenplot") Zerlegung der Zeitreihe in Komponenten Lagged Scatterplot (siehe LS 03) Korrelogramm (siehe LS 03) Erster, wichtiger Schritt der Zeitreihenanalyse ist die Betrachtung des Zeitreihenplots Zeitreihenplot liefert Informationen über Trends, Saisoneffekte, Variabilität und "Ausreisser" Übliche Darstellung X-Achse: Zeitachse Y-Achse: Gemessene Grösse Zeitreihenplot Eigenschaften und Fallstricke Folie 32 Chattfield (2001) [Ausrufezeichen im Originalzitat]: Some computer graphs are AWFUL!! So use Tippex (!) or a better package which does give control over output. Die Darstellung des Zeitreihenplots kann zu Missinterpretationen führen, je nach... Wahl der Skalen Sind die Skalen transformiert? Welche Einheiten? Wahl des Ausschnitts Mit oder ohne Nullpunkt? Startpunkt/Endpunkt des Ausschnitts? Zeitreihe im Zeitreihenplot ist eine einmalige Realisation eines Zufallsprozesses Muster und zugehörige Hypothesen könnten sich bei der nächsten Realisation als nichtig herausstellen. Nur unter bestimmten Voraussetzungen (siehe LS 03) können einmalige Realisationen als repräsentativ betrachtet werden. Folgerung: Zeitreihenplots sind wichtige Analyseinstrumente, die mit Vorsicht interpretiert werden sollten.
17 Folie 33 Beispiel eines Zeitreihenplots Wahl von Skala und Ausschnitt Ausschnitt Folie 34 Beispiel eines Zeitreihenplots "Mustererkennung" Trend? Saisonalität? "seasonal goods"?
18 Folie 35 Der Zeitreihenplot stammt aus einer Simulation eines Random Walk mit Drift Y t = δ + Y t-1 + u t Weitere Realisationen (Excel-Tool "Random Walk & AR(1).xls") Es gibt offensichtlich keine Saisonalität! Modellierung von Zeitreihen Ziel: Verständnis und Festlegung modellhafter Zusammenhänge Gegeben eine Zeitreihe y 1, y 2, y 3,... Methoden Deskriptive Modellierung: Klassische, "ältere" Zeitreihenanalyse Folie 36 Stochastische Modellierung: Spezifikation eines stochastischen Prozesses {Y t } t=1,2,3,... Ablauf Theoretische Überlegungen Analyse empirischer Daten zur Aufdeckung der Gesetzmässigkeiten Festlegung des Modelltyps Schätzung der Modellparameter Testen der Modellgüte Prognose mit Zeitreihen Ziel: Prognose von unbekannten Werten mit zugehörigen Prognoseintervallen Grundlage ist ein geschätztes und validiertes Modell.
19 Ein typisches Beispiel Folie 37 Analyse und Prognose des privaten Konsums Ausgangslage: Privater Konsum (Österreich), Mrd. EUR, in Preisen von Mrd. EUR Jahre 1976 bis 2001 Theoretische Grundlagen Wie kommt der Trend zustande? Können bestimmte Unregelmässigkeiten inhaltlich erklärt werden? Können inhaltliche Annahmen für eine Prognose (Szenarien) gemacht werden? Folie 38 Statistische Analyse Zeitreihenplot (Originaldaten und erste Differenzen) Korrellogramm (nicht in diesem Beispiel, folgt in späteren Lernsequenzen) Verschiedene Tests (nicht in diesem Beispiel, folgt in späteren Lernsequenzen) Modellierung Wahl eines Modells Modellüberprüfung Prognose Angaben zur Qualität der Prognose (Vertrauensintervall, usw.)
20 Folie 39 Statistische Analyse Zeitreihenplot (siehe oben) Positiver Trend mit kleinen Fluktuationen Aufeinander folgende Werte hängen wahrscheinlich voneinander ab. Kein saisonales Muster Plot der ersten Differenzen 4 3 Mrd. EUR Jahre 1976 bis 2001 Fluktuationen zufällig und auf tiefem Niveau: Maximum der Fluktuationen 2.5% Positiver Trend <=> positiver Durchschnitt der Fluktuationen Folie 40 Modellierung Wahl eines Modells Regression als linearer Trend mit Zeit als Regresssor: Y t = β 0 + β 1 t + E t Residual Actual Fitted Signifikantes Modell > EViews Output "Prob(F-statistic) " Hoher Determinationskoeffizient > EViews Output "R-squared " Modellüberprüfung Durbin-Watson-Statistik > EViews Output "Durbin-Watson stat " Residuen weisen Autokorrelation 1. Ordnung auf Modell liefert verzerrte Schätzer
21 Folie 41 Wahl eines neuen Modells Autoregression: Y t = α + ϕ Y t-1 + E t Residual Actual Fitted Signifikantes Modell > Prob(F-statistic) Hoher Determinationskoeffizient > EViews Output "R-squared " Modellüberprüfung Durbin-Watson-Statistik > Durbin-Watson stat <=> geringe Autokorrelation AR(1)-Term ϕ = > 1 => nichtstationärer Prozess Inverted AR Roots 1.02 >1 => nichtstationärer Prozess Prozess ist eher Random Walk mit Drift ("Estimated AR process is nonstationary") Prognose mit Prognoseintervallen: ± 2 Standardfehler (95%-Vertrauensintervall) Periode für die Schätzung der Parameter: Prognoseperiode: Regression als linearer Trend Folie CR MINUS_2SE CRF PLUS_2SE
22 Überblick über die Lernsequenzen zur Zeitreihenanalyse Folie 43 LS 01 Einführung in die Zeitreihenanalyse Siehe diese Lernsequenz LS 02 Deskriptive Modellierung von Zeitreihen Komponenten ökonomischer Zeitreihen Trendbestimmung durch Filterung / Glättung Bestimmung der Saisoneffekte mit Dummyvariablen LS 03 Einführung in die stochastische Modellierung Zeitreihe als stochastisches Modell / Konzept der Stationarität Autokorrelation und partielle Autokorrelation AR(p)-Prozess, MA(q)-Prozess und ARMA(p,q)-Prozess LS 04 Regression zwischen Zeitreihen, ARMA-Modelle Tests auf Autokorrelation der Fehlerterme Modellierung von ARMA(p,q)-Prozessen Ausführliches Beispiel zur Modellbildung LS 05 Trends und Unit-Root-Test, ARIMA-Modelle Deterministischer vs. stochastischer Trend Test für Stationarität / Unit-Root-Tests in EViews Schätzen von ARIMA-Modellen mit EViews Folie 44 LS 06 Zeitreihen mit stochastischer Volatilität Stylized Facts von Finanzzeitreihen / Modellierung nichtkonstanter Varianz Schätzung von ARCH(p)-Modellen GARCH(p,q)-Modell LS 07 Kointegration Massnahmen bei nichtstationären Zeitreihen Erweiterung des Modells Kointegrationstest mit EViews LS 07 Simulation mit EViews Programmieren mit der EViews-Programmiersprache Erzeugung von Prozessen (Random Walk, ARMA(p,q)-Prozesse) For...Next-Steuerung LS 08 Methodische Erweiterung: Panelregression / Zusammenfassung
Zeitreihenanalyse. 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
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
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
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
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
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
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 07: Fehlerkorrekturmodell / Kointegration Dezember 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Einführung 4 Variante "Vernachlässigen"
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
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...
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
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
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
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrZeitreihen/Skalen. Homogenität, Inhomogenität, Datenlücken, Plausibilität. vorgetragen von Nico Beez
Zeitreihen/Skalen Homogenität, Inhomogenität, Datenlücken, Plausibilität vorgetragen von Nico Beez 28.04.2009 Gliederung 1 Charakterisierung von Zeitreihen 1.1 Was sind Zeitreihen? 1.2 Graphische Darstellung
MehrResidualanalyse. Fehlerlokalisierung und prädikative Steuerung. Proseminar - Robert Lorenz
Fakultät für Informatik, Institut für Angewandte Informatik, Professur Technische Informationssysteme Residualanalyse Fehlerlokalisierung und prädikative Steuerung Proseminar - Robert Lorenz Gliederung
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
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
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
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrIntermediate Macroeconomics: Übungsveranstaltung
Ziele der Übungsveranstaltung Umgang mit Daten, insbesondere Zeitreihen Intermediate Macroeconomics: Übungsveranstaltung MS Excel verwenden, einfache Datentransformationen und Berechnungen durchführen
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,
MehrGasbeschaffenheit bezüglich des Brennwertes "H s,eff " an wesentlichen Ein- und Ausspeisepunkten oder in den entsprechenden Teilnetzen
Gasbeschaffenheit bezüglich des Brennwertes " " an wesentlichen Ein- und Ausspeisepunkten oder in den entsprechenden Teilnetzen Der folgenden Tabelle können Sie die wesentlichen Einspeisebrennwerte und
MehrKapitel XII - Einführung in die Zeitreihenanalyse
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Einführung in die Zeitreihenanalyse Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
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/??
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrArbeitsmarktstatistik Januar 2017
Arbeitsmarktstatistik Januar 2017 Jan 17 Dez 16 Jan 16 Stellensuchende 3 523 2 431 5 954 3 374 2 414 5 788 3 236 2 298 5 534 Quote 6,8% B 5,1% B 6,0% A 6,5% B 5,1% B 5,8% A 6,2% B 4,9% B 5,6% A im Beschäftigungsprogramm
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Regression: 4 eindimensionale Beispiele Berühmte
Mehra) Nennen Sie die verschiedenen Ebenen der amtlichen Statistik in Deutschland und die dafür zuständigen Behörden.
Statistik I, SS 2005, Seite 1 von 9 Statistik I Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - selbst erstellte Formelsammlung für
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
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
MehrOscar A. G. Treyer. Business Forecasting. Anwendungsorientierte Theorie quantitativer Prognoseverfahren. Haupt Verlag Bern Stuttgart - Wien
Oscar A. G. Treyer Business Forecasting Anwendungsorientierte Theorie quantitativer Prognoseverfahren Haupt Verlag Bern Stuttgart - Wien INHALTSVERZEICHNIS Vorwort 5 Abkürzungsverzeichnis 13 Abbildungs-
MehrEinführung in die computergestützte Datenanalyse
Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL
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
MehrHaupttabelle für Grundwasserstände EGLFING LEHRER 265B
Bayer Landesamt 25082017 Monatsmittelwerte [m ü NN] Hauptwerte der Abflussjahre [m ü NN] Nov Dez Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Datum HW MW Datum NW 1915 526,73 526,68 526,50 526,29 526,13 526,19
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrSE aus Ökonometrische Prognose bei Prof. Dr. Kunst. Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen
SE aus Ökonometrische Prognose bei Prof. Dr. Kunst Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen Aumayr, Binder Juni 2005 Übersicht Analyse der jährlichen Arbeitslosenraten
MehrÜbungsblatt 4. Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität
Empirische Methoden (MA) SS 2011 Übungsblatt 4 Willi Mutschler willi.mutschler@uni-muenster.de Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität 1. Sei Z t W N(0, σ 2 ). Bestimmen Sie den
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
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
MehrStatistik für Bachelorund Masterstudenten
Walter Zucchini Andreas Schlegel Oleg Nenadic Stefan Sperlich Statistik für Bachelorund Masterstudenten Eine Einführung für Wirtschaftsund Sozialwissenschaftler 4y Springer 1 Der Zufall in unserer Welt
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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
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 =
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
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
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
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
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
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
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrGrundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 1: Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 12., vollständig überarbeitete Auflage nwb STUDIUM Inhaltsverzeichnis
MehrStatistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
Mehrad Physik A VL2 (11.10.2012)
ad Physik A VL2 (11.10.2012) korrigierte Varianz: oder: korrigierte Stichproben- Varianz n 2 2 2 ( x) ( xi ) n 1 i1 1 n 1 n i1 1 Begründung für den Vorfaktor : n 1 Der Mittelwert der Grundgesamtheit (=
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStatistik I. Übungklausur. Prof. Dr. H. Toutenburg
Statistik I Übungklausur Prof. Dr. H. Toutenburg Hinweis: Die Zeitangaben sollen Ihnen aufzeigen wieviel Zeit Ihnen für eine Aufgabe von gewissem Umfang eingeräumt wird. Die Punktzahlen für die einzelnen
MehrStatistik. Einführung in die com putergestützte Daten an alyse. Oldenbourg Verlag München B , überarbeitete Auflage
Statistik Einführung in die com putergestützte Daten an alyse von Prof. Dr. Karlheinz Zwerenz 4., überarbeitete Auflage B 366740 Oldenbourg Verlag München Inhalt Vorwort XI Hinweise zu EXCEL und SPSS XII
MehrZeit Umsatz. t U=U(t) BS - 13 BS Modul : Analyse zeitabhängiger Daten z.b. Prof. Dr. W. Laufner Beschreibende Statistik
BS - 1 1 Modul 1 : Analyse zeitabhängiger Daten z.b. Zeit Umsatz t UU(t) BS - 1 2 Modul 1: Zeitreihenanalyse 0 70 60 Zeitreihenanalyse Umsatz (Mio ) 0 40 0 0 Q1 Q2 Q Q4 Q1 Q2 Q Q4 Q1 Q2 Q Q4 Q1 Q2 Q Q4
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrAufgaben Klausur Statistik WiSe 2014/15 1. Termin (gesamt: 40 Punkte)
Aufgaben Klausur Statistik WiSe 2014/15 1. Termin (gesamt: 40 Punkte) Aufgabe 1 (20 Punkte) Aufgabe 1: varibale/prädiktor 1 = soziale Situation (x). Kodiert in: "Situation1": situation mit den ausprägungen
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
MehrUm die Güte die EZMW Prognosen abzuschätzen, wurden 2 Datensätze verwendet:
Kapitel 3 Niederschlagsdaten und Niederschlagsstatistik Um die Güte die EZMW Prognosen abzuschätzen, wurden 2 Datensätze verwendet: Beobachtungsdaten von der Niederschlagsstationen im ganzen Iran EZMW-Niederschlagsprognosen
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
MehrStatistik für. von. Prof. Dr. Josef Bleymüller. und. Prof. Dr. Rafael Weißbach. sowie. Dr. Günther Gehlert. und. Prof. Dr.
Statistik für Wirtschaftswissenschaftler von Prof. Dr. Josef Bleymüller und Prof. Dr. Rafael Weißbach sowie Dr. Günther Gehlert und Prof. Dr. Herbert Gülicher bei früheren Auflagen 17., überarbeitete Auflage
MehrErläuterung des Vermögensplaners Stand: 3. Juni 2016
Erläuterung des Vermögensplaners 1 Allgemeines 1.1. Der Vermögensplaner stellt die mögliche Verteilung der Wertentwicklungen des Anlagebetrags dar. Diese verschiedenen Werte bilden im Rahmen einer bildlichen
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
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
MehrInhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
MehrStatistik. Einführendes Lehrbuch für Wirtschafts- und Sozialwissenschaftler. Von Dr. Peter Bohley. Professor an der Universität Zürich
Statistik Einführendes Lehrbuch für Wirtschafts- und Sozialwissenschaftler Von Dr. Peter Bohley Professor an der Universität Zürich 7., gründlich überarbeitete und aktualisierte Auflage R. Oldenbourg Verlag
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
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
MehrÜber den Autor 7. Einführung 21
Inhaltsverzeichnis Über den Autor 7 Einführung 21 Über dieses Buch oder:» für Dummies«verpflichtet! 21 Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
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:
MehrAuftragseingang im Bauhauptgewerbe (Betriebe mit 20 und mehr Beschäftigten) August 2016 (Veränderung in % zum Vorjahr)
Meckl.-Vorpommern Brandenburg Niedersachsen Nordrhein-Westfalen Saarland Bayern Schleswig-Holstein Alte Bundesländer Neue Bundesländer Baden-Württemberg Sachsen Hessen Rheinland-Pfalz Berlin Sachsen-Anhalt
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 5: Trends und Unit-Root-Test / ARIMA-Modelle November 214 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Ziele 5 Trend 6 ARIMA-Modell
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
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
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
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
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:
Mehr